基于GRU神经网络的城市交通流量预测网站设计.pdf

2023年9 月第2 3卷第3期廊坊师范学院学报（自然科学版）Journal of Langfang Normal University(Natural Science Edition)Sep.2023Vol.23No.3基于GRU神经网络的城市交通流量预测网站设计王宁,成利敏,甄景涛,段晓霞（廊坊师范学院，河北廊坊0 6 50 0 0）【摘要】交通流量预测是智能交通系统中必不可少的组成部分。利用门控循环单元(GRU)神经网络搭建交通流量预测模型，并与循环神经网络(RNN)、长短期记忆(LSTM)神经网络进行对比，以验证GRU的优越性。在此基础上，为更好地满足实际应用，实现了基于CRU神经网络的滚动预测，设计了一个城市交通流量预测网站来展示预测结果，方便用户查询，有一定的使用价值。【关键词】智能交通系统；GRU神经网络RNN神经网络；LSTM神经网络；交通流量预测网站Design of Urban Traffic Flow Prediction Website Basedon GRU Neural NetworkWang Ning,Cheng Limin,Zhen Jingtao,Duan Xiaoxia(Langfang Normal University,Langfang 065000,China)Abstract Traffic flow prediction is an indispensable part of the intelligent transportation system.This paper uses the GateRecurrent Unit(GRU)neural network to build a traffic flow prediction model,and compares it with Recurrent Neural Net-work(RNN)and Long Short-Term Memory(LSTM)neural network to verify the advantages of GRU.On this basis,in order tobetter satisfy practical applications,a rolling prediction based on GRU neural network was implemented,and an urban trafficflow prediction website was designed to display the predicted results,which is convenient for users to query and has certainpractical value.Key words intelligent transportation system;GRU neural network;RNN neural network;LSTM neural network;trafficflowpredictionwebsite【中图分类号】TP311.1【文献标识码】A【文章编号】16 7 4-32 2 9(2 0 2 3)0 3-0 0 10-0 5展现出明显的优势。但是针对较长时间序列，传统循环神经网络RNN存在缺陷，它很难学习长期依0引言随着社会经济的高速发展，我国机动车数量持续增加，城市道路建设速度不断提升，道路构成日益复杂化，因此智能交通系统的构建显得尤为重要。交通流量预测是智能交通系统中非常重要的环节，是指利用已知的交通流量数据预测未来时段的交通流量，对于交通安全和管理、出行规划等有重要意义2 。近些年，神经网络技术被广泛应用于数据预测，其中在时间序列预测方面，循环神经网络(Re-current Neural Network，R NN)由于具有记忆能力，收稿日期 2 0 2 3-0 7-0 6基金项目】2 0 2 0 年廊坊市科学技术研究与发展计划（第一批)自筹经费项目（2 0 2 0 0 110 0 9）作者简介】王宁（19 9 0-）,女，硕士，廊坊师范学院电子信息工程学院讲师，研究方向：智慧交通。.10赖，记忆力差，可能出现梯度消失或爆炸3。针对交通流量预测这一类的时间序列预测问题，更倾向于选择改进的循环神经网络方法，例如长短期记忆(Long Short-Term Memory,LSTM)网络4-5。LSTM通过增加“门”结构，克服了RNN的梯度问题。但是LSTM的缺点是模型结构过于复杂，于是另一种改进的循环神经网络方法一一门控循环单元(GateRecurrentUnit，G R U)被提出，它简化了“门”结构，减少了计算量，优化了模型性能，在时间序列预测方面表现更加突出6-7 。因此，本文选择GRU神经第2 3卷第3期网络实现交通流量预测。在实现交通流量预测的基础上，将交通流量预测数据公布在一个可供用户随时查询的网站，更具有实际应用价值。但是目前类似专门提供交通流量预测查询的网站还很少，因此本文设计了一个服务于城市道路的交通流量预测网站。1（GRU神经网络GRU神经网络作为LSTM神经网络的改进方法，将LSTM中的遗忘门、输入门、输出门简化为更新门和重置门，结构更简单，运算效率更高，具体的GRU神经网络单元结构如图1所示8-9 。ht-1tanh图1GRU神经网络单元结构图GRU使用更新门z,和重置门r,实现信息的更新与重置，两个门控机制的输入都为当前时刻的输入信息x,以及前一时刻隐藏层状态ht-1，乘以权重W、W,后，经Sigmoid函数激活，数学表达式如(1)和(2)所示，其中表示Sigmoid激活函数：z,=0(W:ht-1,x,l)r,=0(W;ht-1,x,l)图1中h，为当前时刻隐藏层的候选状态，数学表达式如（3)所示，W表示对应的权重矩阵。数据获取个别异常值修复输出预测结果数据反归一化处理王宁等：基于CRU神经网络的城市交通流量预测网站设计1-(1)(2)数据归一化处理Dropout(o.2)Dense层2023年9 月h,=tanh(W r,*ht-1,x,l)(3)则当前时刻的隐藏层状态h，为：h,=(1-z,)*ht-1+z,*h,以上为GRU神经网络单元运算过程，也是GRU的特别之处。CRU神经网络的“门”结构简单，所需运算时间短，模型性能优越。2基于GRU神经网络的交通流量预测2.1实验数据集本文选用的数据集为CaliforniaDepartmentofTransportation Performance Measurement System(Cal-trans PeMS)系统所提供的美国加利福尼亚州多年的真实交通数据信息，是目前智能交通领域广泛使用的高质量开放数据库10 。实验所用数据来自PeMS系统识别号为40 3349的干线检测站，所用交通流量数据以每小时为1个时间单元，统计该小时内的车流量。选取数据为2021年6 月1日0 0:0 0:0 0 至2 0 2 2 年6 月30 日2 3:59：59每个小时的交通流量共9 48 0 条。其中选取2 0 2 1年6 月1日0 0:0 0:0 0 至2 0 2 2 年5月31日2 3:59:59 每个小时的交通流量数据作为训练集，2 0 2 2 年6 月的交通流量数据作为测试集。2.2预测模型本文利用GRU神经网络，搭建交通流量预测模型如图2 所示。从PeMS系统所获取的交通流量数据存在个别异常值的情况，采用历史值估计法进行异常值数据修复。搭建两层CRU结构，并增加Dropout层，取值均为0.2，以避免过拟合。选用Ad-am优化器，设置迭代次数epochs=1000，批尺寸batch_size=128。(4)GRU层Dropout(o.2)GRU层图2 搭建的GRU神经网络预测模型112023年9 月2.3预测结果分析本文方法以每小时为1个时间单元，利用(TI,T2,TTn-1,T)共N个时间单元的交通流量数据(Di,D2,DDn-1,D来预测第T+I个时间单元的交通流量，该预测结果用PN+I表示。之后再利用(T2,T,T.T,T的交通流量数据(D2,D,D.Dn，D n+1)预测第Tn+2个时间单元的交通流量PN+2,如上方法以实现预测。实验时，选择N=48，即用前48个时间单元预测下一个时间单元。利用训练集数据完成模型训练后，保存模型参数，之后输入测试集验证，将预测值与真实值进行对比，计算均方根误差（RootMeanSquareEr-ror，R MS E）和平均绝对误差（MeanAbsoluteError，MAE)两种评价指标。为验证GRU预测模型的优势，选用RNN、L S T M与其对比，实验结果如表1所示。表1三种模型实验结果对比模型RMSERNN240.64LSTM233.91GRU215.64由表1可知，在3种模型中，LSTM和GRU作为改进模型，实验结果确实优于传统的RNN模型。LSTM和GRU两种模型相比，两者MAE的值相差很小，但比较RMSE的结果，GRU模型表现更好。从运行时间来看，LSTM存在运行速度过慢的缺点，实验中每迭代一次，GRU比LSTM节省1秒左右，随着迭代次数增加，GRU的运行速度明显优于LSTM。因此，综合考虑预测结果的准确性和运行速度等因素，采用GRU神经网络实现交通流量预测是更好的选择。3基于GRU神经网络的交通流量滚动预测3.1滚动预测的具体步骤上述所介绍的预测方法在实际应用中存在不足，因为根据已知交通流量数据，上述方法只能预测未来1小时的交通流量，但是仅仅预测未来1小时的交通流量不能满足实际需求，用户常常希望提前预知未来几小时甚至未来几天的交通流量。为此提出改进方法，即基于GRU神经网络实现滚动预测，仍以每小时为1个时间单元，具体步骤如下。12廊坊师范学院学报（自然科学版）的交通流量数据(Di,D2,DsDn-1,D来预测第TN+1个时间单元的交通流量PN+1。(2)将预测结果PN+1作为已知，即利用(T2,T3，T.Tn,T.1)的交通流量数据(D2,D,D.D,P1)预测第Tn+2个时间单元的交通流量PN+2。(3)以此滚动预测的方式，获得预测交通流量PN+1,PN+2,P+3,PN+4.PN+x)。实验时,选择 N=48,X=48，即仅仅已知前48 小时交通流量数据，滚动预测未来48 小时交通流量。(4)将预测交通流量 PN+1,PN+2,PN+3,PN+4.PN+x)与真实交通流量进行比对，计算RMSE和MAE两种评价指标，验证方法的准确性。3.2预测结果分析以2 0 2 1年6 月1日0 0:0 0:0 0 至2 0 2 2 年5月31日23:59:59的交通流量数据作为训练集训练预测模型，以2 0 2 2 年6 月的交通流量数据作为测试集进行MAE滚动预测。例如，输入测试集中2 0 2 2 年6 月1日0 0：162.1000:00至6 月2 日2 3:59:59 的48 小时交通流量数据，142.88以滚动预测的方式预测未来48 小时，即3日0 0:0 0:142.4400至4日2 3:59:59 的每小时交通流量，与真实交通流量对比，计算RMSE和MAE，以上完成了测试集的第一次滚动预测。第二次滚动预测输入测试集中6 月1日0 1:0 0:0 0 至6 月3日0 0:59:59 的48 小时交通流量数据，预测接下来48 小时的交通流量。以此类推，最后一次滚动预测，输入为测试集中2 0 2 2 年6月2 7 日0 0:0 0:0 0 至6 月2 8 日2 3:59:59 的48 小时交通流量数据，以滚动预测的方式预测未来48 小时，即2 9 日0 0:0 0:0 0 至30 日2 3:59:59 的每小时交通流量。以最后一次滚动预测为例，预测值和真实值对比曲线如图3所示。图中横轴为时间，表示2 9 日0 0:00:00至30 日2 3:59:59 共48 小时，纵轴表示交通流量。红色曲线代表真实值，蓝色曲线代表预测值。观察图3，在某些时段，真实值和预测值之间存在一定偏差，但整体看来，两条曲线走势大体一致，真实值与预测值相差不大。综上所述，为进一步验证基于GRU神经网络的交通流量滚动预测的准确性，以2 0 2 2 年6 月的交通流量数据作为测试集进行滚动预测，共进行滚动预测6 2 5次，所获得的RMSE和MAE结果取平均值，第2 3卷第3期(1)利用(Ti,T,TTn-1,T)共N个时间单元第2 3卷第3期RNN、L S T M、和GRU实验结果对比如表2 所示。Real Data4000Predicted Data30002000100000图3预测值与真实值对比曲线图表2 三种模型实验结果对比模型RMSERNN398.83LSTM390.79GRU374.87通过表2 可知，GRU模型的RMSE和MAE的值都优于RNN模型。GRU与LSTM相比，两者MAE的值接近，对于RMSE的结果，GRU优于LSTM。又由于GRU运行速度明显比LSTM快，所以利用GRU神经网络实现交通流量滚动预测，并完成下文的网站设计。4基于GRU神经网络的城市交通流量预测网站设计本文设计了一个城市交通流量预测网站，使用Streamlit创建一个可视化、交互式的Web应用，并基于Folium绘制道路监测点地图，以更好地展示交通流量预测结果，方便用户随时查询。用户可以根据需求选择所要查询路段及时间，获得该路段对应时间的交通流量预测结果，从而帮助用户制定出行计划。同时，该网站也可以服务于交通管理部门，更精准地实现交通管理，进一步保障交通安全。由于网页截图较宽，故分为左右两部分，分别由图4、图5展示。图4中最左侧通过下拉框，可选择需要查询的路段和日期。中间柱状图所显示的信息是通过GRU神经网络滚动预测所获得的预测交通流量，这里网页显示内容也是以3.2 节中对测试集的最后一次滚动预测为例，选择日期为2 0 2 2 年王宁等：基于CRU神经网络的城市交通流量预测网站设计1020Time2023年9 月6月2 9 日，故柱状图显示了2 9 日共2 4小时的预测交通流量。如若需要查询具体预测交通流量数据，可通过单击柱状图中对应基准柱的方式，例如图中查询17:0 0:0 0 至17:59:59 的具体预测交通流量为337 9辆。图5为网页右侧部分，根据所选路段，基于高德地图，显示监测点所在道路地图信息，并可对地图进行放大或缩小调节。该城市交通流量预测网站具有通用性，适用于不同城市，图中所标的模拟道路1，在实际应用中会根据所属城市及位置，显示具3040MAE294.50273.09275.27体道路名称，不同道路设置的监测点位置和数量也可根据实际情况而定。*市交通流量预测网站当前时间是：2022-06-2900:29:35请在这里筛选：监测模拟道路1-监测点A日期2022-06-295结语本文实现了基于GRU神经网络的交通流量预测，并延伸出滚动预测方法。通过设计城市交通流量预测网站来展示预测结果，使研究更有实际应用价值，在后续的研究中，会考虑网站功能进一步完善。除此之外，本文针对的是以每小时为单位的长时交通流量预测，后续还可以进行短时交通流量预测研究，例如以5-15分钟的交通流量为研究对象，.13每小时预测交通流量：4000300020010000:00图4网页左侧部分BLeafletI高德地图图5网页右侧部分交通流量-3 3 7952223:59:59时间25栋261栋2023年9 月以实现多尺度交通流量预测，更好地满足实际需求。参考文献1张道明，杨海宽.互联网+交通：廊坊智慧交通建设路径研究J.北华航天工业学院学报，2 0 16,2 6(4):2 7-2 9.2范若乔.基于城市道路车流量预测的动态路径规划D.北京：北京邮电大学，2 0 2 1.3杨云，杜飞.深度学习实战M.北京：清华大学出版社，2018:245-246.4王斌.基于LSTM循环神经网络的交通流量预测D.昆明：云南大学，2 0 17.5庞悦,赵威，张雅楠，等.基于深度学习的LSTM的交通流量预测J.单片机与嵌入式系统应用，2 0 19,19(3)：廊坊师范学院学报（自然科学版）72-75.6钟杰宏,校景中，刘中毅.基于CRU算法的轨道交通客流预测模型J.西南民族大学学报（自然科学版),2 0 2 3，49(2):206-212.7沈潇，李宗花.基于门控循环单元神经网络的交通流预测模型J.淮阴师范学院学报（自然科学版）,2 0 2 1，20(1):21-25.8】王雨城，曾宪文，高桂革.基于GRU网络的风功率短期预测模型J.仪表技术,2 0 2 0(1:9-12+39.9王康.基于改进GRU神经网络的电力系统短期负荷预测研究D.青岛：青岛大学,2 0 2 1.10凤少伟.基于K-Means聚类与CRU网络的短时交通流量预测D.西安：长安大学,2 0 2 0.第2 3卷第3期(上接第9 页)要配备2 名员工，6 套设备共需配备12 人。现在减少为1人监控6 套设备，在减少劳动力的前提下降低了劳动强度，人工成本得到有效控制。参考文献1谭玉良.基于SCARA机器人的药型罩自动化生产线关键技术研究D.马鞍山：安徽工业大学,2 0 15.2陈锋,杨登波,唐凯,等.油气井射孔技术现状及发展探析J.测井技术,2 0 2 1,45(1):1-7+12 3.3冯可华，杜宁，章若晨，等.粉末冶金工艺钛合金材料对药型罩破甲性能的影响J.兵器装备工程学报,2 0 2 2,43(8):112-116.4王毅，姜炜,刘宏英，等.粉末药型罩材料及其工艺技术的研究进展J.含能材料，2 0 0 7(5):555-559.5刘建韬，邵琦，郭惊雷.聚能射孔弹铜合金药型罩的烧结机理J.火炸药学报,2 0 0 1(2):50-51.6余亮，苗磊，高鲁文.一种三自由度搬运机器人的设计J.邵阳学院学报（自然科学版）,2 0 2 0,17(6):59-6 6.7张良安，王祥，谢胜龙.一种新型六自由度SCARA机器人设计与运动学分析J.包装工程,2 0 2 2,43(19)：2 35-2 42.8曹源文，杨雪，王建文，等.SCARA机械臂小臂仿生筋板结构设计研究J.机床与液压,2 0 18,46(15):7 1-7 5.9蔡自兴.机器人学M.北京：清华大学出版社，2 0 0 0.10】朱志伟，李和平.基于MATLAB的KUKA焊接机器人轨迹规划与运动学仿真J.机床与液压，2 0 19,47(2 1)：64-69.11叶泉，王建华.基于D-H参数的ABBIRB2600机器人运动学分析与仿真J.机械制造与自动化，2 0 2 2,51(5)：114-117.12胡杰，张铁.基于SCARA机器人的运动学分析及关节解耦J.机床与液压,2 0 11,39(2 1):2 8-31+38.13王鹏，张良安，单家正.SCARA机器人结构改进与仿真分析J.现代制造工程,2 0 15(12):2 3-2 7+6 0.14余亮，韩芳，王鹏，等.局部闭链码垛机器人运动学分析及运动控制系统设计J.廊坊师范学院学报（自然科学版),2 0 2 0,2 0(2):46-49+54.15李能菲，常辉，黄琼，等.基于LabVIEW漏水检测监控系统的设计J.廊坊师范学院学报（自然科学版,2 0 2 3，23(1):34-38.14