ISSN1006－7167CN31－1707/TＲESEAＲCHANDEXPLOＲATIONINLABOＲATOＲY第41卷第12期Vol．41No．122022年12月Dec．2022DOI:10．19927/j．cnki．syyt．2022．12．026基于ConvLSTM的高速公路交通流预测仿真研究吴剑云1，于安双1，2(1．青岛大学商学院，山东青岛266071;2．上海大学悉尼工商学院，上海201800)摘要:交通流通常具有复杂时空关联性，且易受天气、速度等外部因素的影响。为提高高速公路关键节点交通流预测的准确性，设计一种基于ConvLSTM网络且融合时空关联性和外部因素的交通流预测模型———STE-ConvLSTM。构建交通流、速度、天气时空矩阵，将其延深度方向堆叠，通过滑动窗口模型将其处理为类图像时间序列数据，利用ConvLSTM网络提取交通流的时空关联性和外部因素特征;利用卷积层实现交通流预测多变量多步输出。实验结果表明，相较于传统的交通流预测模型，该模型在交通流多步预测方面的预测准确度有所提升。关键词:ConvLSTM网络;深度学习;交通流预测;高速公路中图分类号:TP183;U491文献标志码:A文章编号:1006－7167(2022)12－0132－06SimulationStudyonHighwayTrafficFlowPredictionBasedonConvLSTMWUJianyun1，YUAnshuang1，2(1．BusinessSchool，QingdaoUniversity，Qingdao266071，Shandong，China;2．SILCBusinessSchool，ShanghaiUniversity，Shanghai201800，China)Abstract:Trafficflowusuallyhascomplextemporalandspatialcorrelations，andissusceptibletoexternalfactorssuchasweatherandtrafficspeed．Inordertoimprovetheaccuracyoftrafficflowpredictionatkeynodesoftheexpressway，atrafficflowpredictionmodel，STE-ConvLSTMmodel，basedonconvolutionalLSTMnetworkandintegratingspatio-temporalcorrelationandexternalfactorsisdesigned．Firstly，thespatio-temporalmatrixoftrafficflow，speedandweatherisconstructed，andstackedinthedirectionofdepth，whichisprocessedintotimeseriesdataofimage-likeimagesbyslidingwindowmodel，andthecharacteristicsofspatio-temporalcorrelationandexternalfactorsoftrafficflowareextractedbyConvLSTMnetwork;finally，themulti-variablemulti-stepoutputoftrafficflowpredictionisrealizedbyusingconvolutionallayers．Experimentalresultsshowthatcomparedwiththetraditionaltrafficflowpredictionmodel，thepredictionaccuracyofthemodelintermsofmulti-steppredictionof...
