8、基于深度学习的短期行程时间预测研究

基于深度学习的短期行程时间预测研究

1. 模型架构

数据直接输入到第一个长短期记忆网络（LSTM）层，底部LSTM层下方的橙色箭头仅表示数据输入位置。由于每个时间步长的LSTM输出与输入数据长度相同，LSTM层的输出不能直接用作预测结果，因此需要在LSTM层上方添加一个或多个深度神经网络（DNN）层来转换输出维度。添加多少个DNN层以获得最佳预测结果，成为一个需要研究的问题。每个堆叠的LSTM层的大小可以不同且唯一，每个DNN层的大小最好相等，但也可以设计为不同的值且彼此不相等。

目标函数设定为均方误差（MSE），公式如下：
[MSE = \frac{1}{n} \sum_{i = 1}^{n} (x_i - \hat{x}_i)^2]
其中，(x_i) 表示训练数据中的实际行程时间，(\hat{x}_i) 是预测值。使用自适应次梯度方法来训练所提出的模型，整个网络可以使用Python中最近开发的深度学习框架TensorFlow来构建。

2. 实验设置

2.1 数据集

数据来自Caltrans PeMS在线系统，该系统提供了美国加利福尼亚州16,000多个环形检测器收集的交通数据。收集了13号走廊（阿拉米达I - 80）高速公路路段的行程时间数据，数据持续时间为2016年9月18日00:00至2016年12月17日23:59，共90天。行程时间值每5分钟聚合一次，每天有288个数据点，总共25,920个点。

数据划分情况如下：
|数据用途|比例|天数|
| ---- | ---- | ---- |
|训练数据（LSTM - DNN模型）|70%|63天|
|验证数据（L