基于改进CNN-LSTM组合模型的分时段短时交通流预测

针对现有预测模型不能充分提取交通流时空特征的问题,提出一种基于改进卷积神经网络(convolutional neural network, CNN)和长短时记忆(long short-term memory,LSTM)神经网络的短时交通流预测方法。首先,采用分层提取方法使设计的网络结构和一维卷积核函数自动提取交通流序列的空间特征;其次,优化LSTM网络模块来减少网络对数据的长时间依赖;最后,在端对端模型的训练过程中,引入改进后的自适应矩估计(rectified adaptive moment estimation, RAdam)优化算法,加快权重的拟合并提高网络输出的准确性和鲁棒性。实验结果表明:在工作日与周末分时段,所提出的模型相比堆栈自编码(stacked auto-encoders, SAEs)网络预测模型,性能分别提升3.55%与8.82%,运行时间分别缩减6.2%与6.9%;相比长短时记忆网络-支持向量回归(long-short term memory-support vector regression, LSTM-SVR)预测模型,性能分别提升0.29%与1.79%,运行时间分别缩减9.0%与9.7%。所提模型能够更加适用于不同时段下的短时交通流预测。