45、深度学习在交通流量预测与特征选择中的应用研究

深度学习在交通流量预测与特征选择中的应用研究

1. 交通流量预测模型相关内容

1.1 GRU与LSTM模型原理

在交通流量预测中，GRU（门控循环单元）和LSTM（长短期记忆网络）是常用的循环神经网络模型。GRU中的重置门主要功能是确定有多少历史信息不能传递到下一个时刻。它与更新门的数据处理类似，会对前一时刻和当前时刻的信息进行线性变换，即分别右乘权重矩阵，然后将相加后的数据送入重置门，再与sigmoid函数相乘，得到[0, 1]之间的结果值。不过，这两个权重矩阵的值和用途有所不同。

GRU不再使用单独的记忆单元来存储记忆信息，而是直接利用隐藏单元记录历史状态，通过重置门控制当前信息和记忆信息的数据量，并生成新的记忆信息继续向前传递。由于重置门的输出在[0, 1]之间，因此可以控制记忆信息继续向前传递的数据量。当重置门为0时，意味着所有记忆信息被清除；当重置门为1时，则表示所有记忆信息都通过了。

更新门用于计算当前时刻隐藏状态的输出。隐藏状态的输出信息包括前一时刻的隐藏状态信息 (h_{t-1}) 和当前时刻的隐藏状态输出 (h_t)，更新门用于控制传递的数据量。GRU的训练方法与LSTM类似。

1.2 实验环境与数据集

实验的操作系统为Windows 10，硬件平台是通用PC，开发工具使用Python3、TensorFlow和Keras。数据集选取了芬兰2019年1月1日起一个月的数据作为训练集，接下来一周的数据作为测试集。

为了比较LSTM和GRU两种模型的性能差异，采用相同的构建方法，即都构建包含两个隐藏层的神经网络。使用Python结合Keras框架进行开发，Keras是基于Tenso