效果一览
基本介绍
提出一种同时考虑时间与空间因素的卷积－双向长短期记忆（ CNN-BiLSTM）模型，将具有空间局部特征提取能力的卷积神经网络（CNN）和具有能同时考虑前后方向长时间信息的双向长短期记忆（BiLSTM）相结合，将其用于预测更能体现随时空变化不断波动的交通流量。
研究回顾
-
目前已有大量关于交通流量预测的研究成果，早期的方法有传统线性预测法，线性预测方法简单易操作，但不能很好地反映不规律的交通流状态，为适应不断波动的交通流，又出现了传统非线性预测方法。后随着计算机技术的发展以及人们对准确实时交通的掌握，出现了现代智能预测方法，如基于机器学习和深度学习的预测方法。由于单个方法会出现或多或少的缺陷，近些年出现了组合预测方法，该方法是将不同预测方法组合，弥补单个预测方法的缺点，以达到更好的预测效果。
-
Ａ 估算了无法获得交通数据的交通网络中所有路段的交通流量，但只能预测后短时交通流。
-
Ｄ 将时间序列分析问题转化为图像分析任务，提出的模型具有预测路网不完整流量数据的能力，但这些深层网络具有复杂的架构，且可解释性较弱。
-
Ｈ 分层时间记忆具有作为短期交通流量预测的有效工具潜力，其效果与 LSTM 相当，且在交通流量分布发生变化时得到改善，但不能很好地从模型输出中检测异常流量，并将其用于推断异常事件的存在。
-
C 将机器学习算法与统计模型相继连接，通过 ARIMA 分析对其进行后处理，从而显著提高预测的准确性，局限性在于机器学习算法只考虑了最简单的传统神经网络。
-
Ｍ 等将神经网络和模糊逻辑的互补功能相结合，在短期交通流量预测上取得了令人满意的成绩。
-
Ｌ 等提出了一种基于 SAE 模型提取交通流抽象和潜在特征的方法，但当交通流量较小时，观察流量与预测流量之间的微小差异会导致较大的相对误差。
模型结构
该模型由输入层、CNN 层、BiLSTM 层、全连接层和输出层组成，CNN 层由卷积层和最大池化层堆叠组成，BiLSTM 层由一层 BiLSTM 堆叠成，分别在 CNN 层和 BiLSTM 层的末尾加上 Ｄropout 层随机丢弃节点，以防止过拟合。 LSTM 模型解决了循环神经网络 RNN 的长期依赖问题，独特的“门”结构能够避免梯度爆炸和梯度消失，且具有长时记忆能力强的优点。BiLSTM 在具备 LSTM 优势的同时，还能在时间维度上考虑前向和后向的双向时间序列信息，预测更加全面准确。CNN 适合提取局部空间特征，BiLSTM 兼顾双向时间序列信息结合，可以从时空特性上更周全地分析交通流量数据，使预测结果的拟合度更高。
学习总结
针对交通流量序列存在的时空相关性等特征，文中提出了一种结合 CNN 与 BiLSTM 各自优点的 CNN-BiLSTM 模型。CNN-BiLSTM 模型通过 CNN 和 LSTM 分别提取空间和时间特征，通过实例验证分析表明：相比于其他基准模型，文中的模型能够较好地适应不断波动的交通流量数据，早高峰和晚高峰预测的稳定性和精度均较高。
