融合CNN–RNLSTM–MLR的长期多路段交通流预测

《Scientific Reports》：Long-term multi-section traffic flow forecasting using the CNN–RNLSTM–MLR neural network

　　

如今，交通拥堵显著造成城市严重的经济与环境问题。交通流（traffic flow）预测是缓解拥堵的一种高效策略，而准确预测对实际交通引导、管理和控制至关重要。然而，许多现有方法要么分别处理空间相关性（spatial correlation）与时间依赖性（temporal dependency），要么依赖单架构模型，这限制了其捕捉真实路网中复杂时空模式（spatiotemporal pattern）的能力。即使在已联合考虑这些因素的情形下，与这些方法相比，所提出模型仍显示出更低的误差率。为解决这些局限，本文提出一种新型混合深度学习框架，将卷积神经网络（Convolutional Neural Network, CNN）与由多元线性回归（Multiple Linear Regression, MLR）增强的长短期记忆（Long Short-Term Memory, LSTM）网络相结合。所提出模型利用CNN从输入数据中提取有意义的潜在特征，同时利用LSTM-MLR捕捉时间上下文。第一阶段，采用CNN–RNLSTM模型预测英国四条与目标道路密切关联的高速公路的交通状况，联合建模空间交互（spatial interaction）与非线性时间动态（nonlinear temporal dynamics）。第二阶段，CNN–RNLSTM–MLR模型利用这些中间预测，连同解释变量（explanatory variables），通过基于回归的融合层（regression-based fusion layer）估计目标道路的交通状况。这种两阶段设计使模型能够结合深度学习的表示能力与线性回归的可解释性和纠正能力。实验结果表明，以平均绝对误差（Mean Absolute Error, MAE）和均方根误差（Root Mean Squared Error, RMSE）衡量，所提出混合方法持续优于常规基线，包括独立MLR、LSTM和MLR–LSTM模型。值得注意的是，与RNLSTM–MLR模型相比，RMSE改善22.96%。总体而言，该框架在最先进方法中实现最低误差率，表明其在交通流预测中捕捉复杂时空依赖的优越能力。

交通拥堵是城市经济与环境问题的重要来源，智能交通系统（Intelligent Transportation Systems, ITS）通过利用大规模交通数据优化网络管理、缓解拥堵并改善出行服务。交通流（traffic flow）指特定路段在给定时间内通过的车辆量，预测目标路段通常需要纳入相邻路段数据以捕捉空间依赖。预测周期可分为短期（数分钟至1小时）和长期（2小时至数天或更长）。短期模型擅长即时时间模式，但难以为战略出行规划或系统级干预提供足够提前量；长期预测虽受累积不确定性和外部影响挑战，却有助于路线优化、拥堵定价调整和基础设施规划。现有研究包括传统参数模型、非参数机器学习、独立深度学习网络和混合架构。传统参数与统计方法如历史平均（Historical Average, HA）、指数平滑（exponential smoothing）、卡尔曼滤波（Kalman Filtering, KF）、自回归积分滑动平均（Auto-Regressive Integrated Moving Average, ARIMA）及其变体、谱分析等具有计算效率、可解释性和低数据稳定性，但假设线性或平稳，面对真实交通的高度非线性、随机和非平稳性时性能下降。非参数机器学习如非参数回归、k近邻（k-nearest neighbors, k-NN）和早期人工神经网络（artificial neural networks, ANNs）较灵活，却易过拟合且缺乏空间相关或长程时间建模机制。深度神经网络（Deep Neural Networks, DNNs）、堆叠自编码器（stacked autoencoders, SAEs）、循环神经网络（Recurrent Neural Networks, RNNs）和长短期记忆（Long Short-Term Memory, LSTM）网络增强了大尺度数据处理和序列依赖建模，但纯时间模型常忽略相邻路段空间交互，且作为黑箱模型可解释性有限，并在长期预测中产生复合误差传播。混合模型结合互补范式，如LSTM编码器-解码器、CNN-LSTM融合、MLR-LSTM多路段预测、注意力驱动Conv-LSTM等，能同时捕捉时空特征，但架构复杂、训练成本高、透明度低，且许多混合研究仍偏重短期，较少完全解决跨部门依赖、网络异质性和长期局部误差累积。基于此，研究人员提出CNN–RNLSTM–MLR混合架构用于长期交通流预测。该架构先用CNN提取潜在空间交互并过滤输入噪声，再用RNLSTM处理复杂非线性时间上下文并避免梯度退化，最后以MLR融合层利用中间预测和解释变量稳定长期目标道路估计并恢复结构可解释性。研究结果表明，该框架优于MLR、LSTM和MLR-LSTM等传统方法，RMSE相较RNLSTM-MLR模型改善22.96%，在评估方法中取得最低误差率，说明其能更好捕捉交通流中的复杂时空依赖。

研究人员开展研究用到的主要关键技术方法如下（不超过250字）：数据来源为UK Highway Data Collection portal，样本队列为英国Watford地区五个交通点A、B、C、D、E，位于M25、M1高速及A405相关路段，采集2022年5月至10月共6个月、15分钟间隔数据。方法上，以CNN提取局部特征并降维；以RNLSTM结合层归一化和残差连接建模长程时间依赖；以MLR作为回归融合层，利用中间预测和解释变量建模残差线性关系。采用网格搜索调参，以MAE和RMSE评估，并用Wilcoxon符号秩检验（Wilcoxon signed-rank test）检验预测误差差异显著性。

研究结果如下。**Result**：CNN-RNLSTM模型首先用于预测图中标注为1、2、3、4的路段每15分钟车辆流量。数据前172天用于训练，接下来3天作为验证集，最后5天用于测试和预测。训练网络后，应用MLR基于相邻路段数据估计每个路段交通流。模型损失和R²随训练轮次变化表明，所提出网络有效避免过拟合并表现出可接受的泛化能力。五个不同路段使用CNN–RNLSTM–MLR模型的五次实验回归图与真实交通流非常吻合。回归模型在测试数据集上的评估显示，所提出模型相较现有架构有改进；为保证公平比较，所有基线模型均在本文中重新实现和评估。相较RNLSTM_MLR，所提方法以RMSE评估约改善22.96%，并在最先进方法中取得最低误差率。**Wilcoxon signed-rank test**：为严格评估所提出模型间观察到的性能差异，研究人员采用Wilcoxon符号秩检验。由于CNN_RNLSTM_MLR和RNLSTM_MLR模型对相同时间序列观测产生预测，该非参数配对样本比较方法适用。检验针对数据集中所有预测列每个时间戳的预测误差进行。结果中所有被检验预测列的p值均极小，远低于常规显著性水平α=0.05，低至10^?254。因此拒绝原假设H0，说明CNN类与RNLSTM类模型之间的性能差异并非随机波动，而具有统计显著性和实际意义。

讨论部分总结：论文在Limitations and future work中指出若干局限。第一，研究使用6个月稳健数据集（2022年5月至10月），覆盖英国Watford五个地点，高频粒度可捕捉周内交通变化、高峰动态、季节转换和中期时间模式，但发现仍具有地理局部性。第二，未来研究应使用跨多样城市环境和更长时间范围的多站点数据集，进一步验证模型泛化性，以考虑年际变化，并深入理解模型面对外部冲击和更复杂长期季节交通趋势时的性能稳健性。尽管存在这些局限，本文作为所提出“Long-Term Multi-Section Traffic Flow Forecasting Using the CNN–RNLSTM–MLR Neural Network”框架的成功概念验证，展示了其在研究覆盖的6个月期间处理城市交通流复杂时间依赖方面的优越效能。研究结论翻译：本文提出一种结合卷积神经网络（CNN）、循环长短期记忆（RNLSTM）和多元线性回归（MLR）的混合框架，用于短期和长期场景下的交通流预测。模型在Watford五个交通站评估，并与九种常规时间序列预测模型比较。结果表明，所提出方法通过取得更低误差率优于现有方法。值得注意的是，相较RNLSTM_MLR模型，其RMSE降低22.96%。从这些发现可得两个关键结论：第一，加入CNN层进行特征提取显著提高时间序列预测精度；第二，RNLSTM架构在处理时间序列数据方面比传统LSTM网络更有效。虽然本研究主要关注长期预测，但所提出混合架构的多功能性表明其潜在适用于短期场景。这些结果强调，混合RNLSTM-MLR-CNN模型相较LSTM-CNN配置具有更优精度。