1.问题的提出

现有的交通流预测研究大多为常态下的预测，而未考虑天气、节假日等外部因素的影响。

2.交通流预测相关工作

（1）传统的短时交通流研究方法：
卡尔曼滤波模型、历史平均模型、时间序列模型、非参数回归模型、混沌理论模型等。
缺点： 交通流受多种外部因素的影响，交通流数据具有随机性和不确定性，传统的模型普遍存在实时性差、预测精度不高的问题。

（2）组合模型的预测：
将两种模型的优点结合起来提高短时交通流的预测准确率。
a.卷积神经网络+支持回归分类器：提高了准确率
但是未充分考虑外部因素对交通流预测的影响

b. 混沌理论+模拟退火算法：优化了相关向量机的核心参数
但是没有考虑交通流数据的随机性

c. 通过异常值识别扩展了卡尔曼滤波，使其能对噪声进行识别和过滤，但其对交通流特征挖掘不充分

（3）LSTM的加入
LSTM在特征提取上具有强大的鲁棒性和灵活性，不仅能提取交通流的时序特征，还能将随机外部因素纳入考虑
深度双向长短时记忆网络模型：在时空特征提取上具有独特的优势，却忽略了相邻路段交通流的影响
LSTM+注意力机制：提高了交通流预测精度，但考虑因素单一

本文结合天气、节假日等因素对交通流特征进行分析，选择长短时记忆网络（LSTM）并引入注意力机制对短时交通流进行预测

3.相关理论

（1）循环神经网络（RNN）
RNN可以随着时间的变化动态的调整自身的网络状态不断进行循环传递，并且还可以接受广泛的序列信息作为输入。
但是RNN会随着循环神经网络模型的规模的增大，对序列数据的记忆能力会下降，当序列信号在神经网络经过多次传递后，会使网络丧失链接先前信息的能力，从而引起梯度消失或者梯度爆炸。

为了保存长期序列信息，减少随着时间传播而衰减的信息，于是LSTM诞生了。

（2）长短时记忆网络（LSTM）
LSTM引入门控机制来控制信息传递的路径，门的作用是允许LSTM的记忆单元存储和访问序列信息，从而减少梯度消失问题。有输入门、遗忘门和输出门。
输入门：如果输入门保持关闭（即激活函数接近0），则新的输入不会进入网络，网络中的记忆单元会一直保持开始的激活状态。通过对输入门的开关控制，可以控制循环神经网络模型什么时候接受新的数据、什么时候拒绝新的数据接入，于是梯度信息就随时间的传递而被保留下来了。
遗忘门：用于控制记忆单元是否记住或丢弃之前的状态
输出门：决定记忆单元中哪些信息允许被输出

（3）注意力机制
通过模拟人脑注意力的特点，以概率分布的思想捕捉关键信息，注意力机制能够专注于局部信息，对一些不必要的信息忽略不计。
在交通流预测中，考虑到交通流量会受到天气、节假日等各种外部因素的影响，这些外部因素对预测时间交通流量的影响程度不同，因此本文引入注意力机制层来自动捕获不同输入特征，以概率分布的思想对重要的信息分布足够的权重，以此来提升交通流的预测精度。

4.本文模型

融合多因素的短时交通里预测模型

（1）交通流特性

a.周期性：具有一定的规律，周一到周五期间，有明显的上下班高峰，相较于周六周日交通流波动较大，周六、周日的交通状态则较为平缓。
b.时空特性：当前t时刻的交通流不仅受前一段时间交通流量的影响，还受当前时刻不同路段交通流量的影响。
c.受天气的影响：天气因素影响着人们的出行率，暴雨、暴雪、沙尘暴等恶劣天气期间，道路情况不确定，路面由于恶劣天气造成结冰、能见度低等，这时交通流量会骤减；中雨、中雪的情况下，会影响一部分交通流量；小雨、小雪对交通流量的影响较小。本文根据天气情况将天气状态量化如下：

d.节假日期间，交通流数据具有明显的波动。本文将节假日状态量化如下：

（2）数据集的构造

将采集到的原始数据（交通流数据和天气数据）进行预处理，包括数据缺失值的补全、去噪和标准化。将预处理后的数据构造数据集，作为训练模型的输入，模型的参数设置如表1所示。

式中，w表示不同天气状态下的数据，1表示严重，2表示重度，3表示轻度，4表示无影响，h表示是否为节假日，0表示工作日，1表示节假日

（3）交通流数据空间特征的提取

X（ts）表示第s个监测点在t时刻的交通流量，将原始一维的交通流数据转化为二维的交通流量矩阵记为F，则有
那么S个监测点T个时刻的交通流量输入矩阵为：

利用卷积神经网络（CNN）根据历史数据提取交通流的空间特性，本文采用2层的交通卷积网络，使用卷积层来提取交通流数据的局部特征，为了保留交通流原始数据的真实性，本文仅用CNN的卷积层对数据进行特征提取，不用池化层压缩数据，卷积核的大小设置为3

（4）结合注意力机制的短时交通流预测

（Attention-based CNN-LSTM，CLA）

CLA有四层结构。
第一层：利用卷积神经网络（CNN）提取交通流的空间特性
第二层：利用长短时记忆网络（LSTM）提取交通流的时间特性
第三层：将提取到的时空特性结合外部因素引入注意力机制
第四层：综合交通流量的特征分析，使用全连接层进行预测

5.实验结果与分析

（1）数据集：
交通流数据：采用加拿大Whitemud Drive 高速公路开放数据进行实力分析
天气数据：本文选取的数据来源于埃德蒙顿城市气象观测中心，数据记录了每日气温、天气状况、降雨量、降雪量、风速等
（2）评价指标：
采取均方根误差（RMSE）
平均绝对误差（MAE）
平均绝对百分比误差（MAPE）
当预测值与真实值完全吻合时，RMSE、MAE、MAPE的值为0，称之为完美模型，值越大，则表示预测值与真实值的误差越大。
（3）实验结果：

变体模型预测结果对比分析
选取了未引入注意力机制的CLA-ATTN模型及 未引入多因素的CLA-MFACTOR模型进行对比

结论

本文使用公开数据集，融合多种外部因素并引入注意力机制，对每个影响交通流量潜在因素或特征的重要程度进行区分，并与传统及变体模型的预测结果进行对比，发现本文所提出的模型与传统模型相比具有比较好的预测效果。

展望

虽然本文所提出的模型提高了预测准确率，但模型在引入注意力机制分配权重时，需要计算每一个输入特征的权重，会消耗大量的计算资源，未来的研究工作应进一步考虑这些因素以提高交通流的预测效率。