基于相关性分析的交通流预测研究.pdfVIP

信息记录材料２０２５年１０月第２６卷第１０期

基于相关性分析的交通流预测研究

林蒙蒙，黄阿慧，孙衎

（山西大同大学机电工程学院山西大同０３７０００）

【摘要】交通流预测是智能交通系统的重要组成部分，准确的交通流预测能够为出行路线提供有效的决策支持，从而缓解道路拥

堵。交通流受到多种因素的影响，本文提出了一种基于多源数据相关性的交通流预测模型。该模型引入了历史交通流、车道占有率

等因素，并采用斯皮尔曼相关性分析方法，对各因素与交通流的相关性进行量化分析，同时挖掘数据内部的时间相关性。基于此，利

用长短期记忆（ＬＳＴＭ）网络进一步捕捉交通流的时间依赖关系。实验结果表明：本文提出的基于斯皮尔曼相关性分析和ＬＳＴＭ的交

通流预测模型具有较高的预测能力，能够为出行决策和缓解拥堵提供有效支持。

【关键词】交通流预测；斯皮尔曼；相关性分析；长短期记忆（ＬＳＴＭ）网络

－－－

【中图分类号】ＴＰ３９１４【文献标识码】Ａ【文章编号】１００９５６２４（２０２５）１００１３９０４

［５］

０引言用于模式识别和图像处理领域。斯皮尔曼相关系数适

随着城市化进程的加速，智能交通系统（ｉｎｔｅｌｌｉｇｅｎｔ合分析顺序数据之间的相关性，而交通流数据是典型的时

ｔｒａｎｓｐｏｒｔａｔｉｏｎｓｙｓｔｅｍｓ，ＩＴＳ）在人们日常出行中发挥着越来间序列数据，因此，采用斯皮尔曼相关系数对交通流数据

越重要的作用，而交通流预测也是ＩＴＳ的重要组成部进行相关性分析是非常适合的。

［１］

分。准确的交通流预测可以帮助驾驶员提前规划路线，１相关理论介绍

［２］

减少延误时间，缓解拥堵。目前，交通流预测模型主要１１ＬＳＴＭ模型

［３］在标准ＲＮＮ中，只有一个重复模块，其内部结构简单，

分为传统模型、机器学习模型和深度学习模型。

传统模型包括自回归移动平均模型和卡尔曼滤波模通常仅包含一个双曲正切函数（ｈｙｐｅｒｂｏｌｉｃｔａｎｇｅｎｔｆｕｎｃｔｉｏｎ，

型等。此类模型运算简单，主要用于捕捉线性关系。然ｔａｎｈ）层。然而，ＬＳＴＭ包含四个与标准ＲＮＮ模块相似的子

而，交通流数据具有非线性特征，传统模型存在局限性。模块，它们以一种特殊的交互方式协同运行。ＬＳＴＭ的存储

为解决非线性问题，机器学习逐渐被应用到交通流预单元由三部分组成：遗忘门、输入门和输出门。

测中。ＬＳＴＭ计算过程如下：

机器学习模型包括Ｋ⁃近邻算法和支持向量机等。此（１）上一时刻的输出和当前时刻的输入共同进入遗

类模型可以较好地捕捉数据中的非线性特征，具有更强的忘门。经过计算，最终可以得到遗忘门的输出，公式如下