7、深度学习短期旅行时间预测：不同LSTM - DNN模型对比

深度学习短期旅行时间预测：不同LSTM - DNN模型对比

1. 引言

在智能交通系统（ITS）中，高精度、高可靠性地预测短期旅行时间对先进交通管理和路线规划至关重要。短期旅行时间预测利用滑动时间窗口内的实际旅行时间值，来预测未来一个或多个时间步的旅行时间。然而，旅行时间序列的非平稳特性和突变，给获得准确可靠的预测带来了挑战。

交通流量参数（如流量、速度、密度和旅行时间）的短期预测是ITS发展和应用的重要组成部分，为先进交通管理系统奠定基础，为旅行者的出行引导和路线规划提供必要支持。交通流量或旅行时间的时间序列通常在相同工作日、周末和相同季度具有相似性，但也受交通碰撞、交通需求波动和天气条件突变等外部因素影响，呈现非平稳特性，增加了预测难度。

短期旅行时间预测是指在几分钟到几小时的短时间内，预测某一道路路段或路线的旅行时间。考虑旅行时间的时间序列$X = {x_1, x_2, …, x_T}$，短期预测旨在预测下一个或多个时间步$fT + 1, …, T + mg$的$X_m = {x_{T + 1}, …, x_{T + m}}$，其中$m \geq 1$，$m$通常称为预测期。一步预测在短期时间序列预测中应用较多，因为其准确性相对更易保证，一般预测的时间步越多，准确性越易下降。通过滑动时间窗口沿时间轴移动并处理时间序列的子部分，可实现实时预测。

2. 深度学习在交通时间序列估计中的应用

目前，已有多种方法用于短期交通流量参数预测，大致可分为统计方法和机器学习方法两类。

2.1 统计方法

• ARIMA模型 ：自回归积分滑动平均（ARIMA）模