基于支持向量回归和 LSTM 的短时交通流预测
1.1 前言
在深度学习火之前，学术界更多是采用机器学习的方法，而其中支持向量机 就是最热门一个方法，这篇文档基于支持向量回归和 LSTM 两种模型进行短时 交通流预测。
本文所采用的数据是 2016 年 10 月长沙市芙蓉路/人民路北向南方向的交通 流数据，数据采用 5min 内通过数据采集点的车辆数的统计值，10 月 15 日和 16 日共 576 个数据点，其中 15 日为星期六，16 日为星期天，两天都为周末，所以 两天在时间上应该有同样的分布。
trainx, trainy = pickle.load(f)
##----------------------------------------------------------# 测试数据 with open('standardtest.pkl', 'rb') as f1: # Python 3: open(..., 'rb')
mpl.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体/matplotlib 显示汉字
##----------------------------------------------------------# 训练数据 with open('standardtrain.pkl', 'rb') as f: # Python 3: open(..., 'rb')
1.5 评价指标
本文采用均方根误差（Root Mean Square Error）是观测值与真值偏差的平方 和与观测次数 m 比值的平方根，是用来衡量观测值同真值之间的偏差。计算公 式为：
1.6 结果分析
1）支持向量机
(a) 真实值与预测值
3）LSTM-layer=2
(b) 误差
(c) 真实值与预测值
1.4 模型结构
本文采用ε-支持向量回归,采用 rbf 核函数，C 为 0.8，gamma 为 0.2，epsilon 为 0.1。
LSTM 模型输入特征数为 5，输出特征数为 7，网络层数为 2，所以整个网络 为 5-7-7，然后在 LSTM 模型后加一个全连接层，全连接的输入为 7，输出为 1。 因为训练的样本数比较少，所以设计的 LSTM 的模型也比较简单。
# 输出模型的 RMSE 误差 print(np.sqrt(metrics.mean_squared_error(testy, y_rbf)))
2）Standardization 量化后的特征将服从标准正态分布，因为很多算法的假设都是建立在数据集 是正态分布的基础上的，如支持向量机，其具体公式如下：
其中，u 和 delta 分别为对应特征的均值和标准差。这样数据的均值为 0， 标准差为 1。
预测出来的序列需要反归一化，才能得到真实的交通流量。
testx, testy, scale = pickle.load(f1)
# ##################################################################### ######## # Fit regression model
svr_rbf = SVR(kernel='rbf', C=0.8, gamma=0.2) svr_lin = SVR(kernel='linear', C=1e3) svr_poly = SVR(kernel='poly', C=1e3, degree=2) # y_rbf = svr_rbf.fit(X, y).predict(testx) svr_rbf.fit(trainx, trainy) y_rbf = svr_rbf.predict(testx) # y_lin = svr_lin.fit(X, y).predict(X) # y_poly = svr_poly.fit(X, y).predict(testx)
1.2 训练、测试数据集
本文以 10 月 15 日 288 个数据点作为训练样本集，10 月 16 日的 288 个作为 测试集。参考前人的研究，文中将当前 t 时间的流量和前 4 个时间段共 5 个点的 流量作为输入值，以 t+1 时刻的流量为输出，所以网络输入和输出的属性个数分 别为 5，1（个数可根据实际情况定）。于是训练集输入为 283*5，输出为 283*1， 283 为样本个数；测试集是一样。
# ##################################################################### ######## # 显示拟合的误差 fig = plt.fห้องสมุดไป่ตู้gure() error_rbf = testy - y_rbf error_rbf = np.squeeze(error_rbf) plt.plot(x1, error_rbf, 'g.-', lw=lw, label='RBF model error') plt.xlabel('data') plt.ylabel('error') plt.title('The fitting error of each model') plt.legend() plt.show()
3）LSTM-layer=6
(d) 误差
(e) 真实值与预测值
(f) 误差
红色为真实值，黑色为预测值，绿色为误差。 上图中(c)、(d)为 LSTM 中层数为 2 层的结果，(e)、(f)为层数为 6 层的结果。 可以发现 LSTM 整体更平滑，把握一种整体趋势，而且随着参数和网络层数的 增加，网络的输出越平滑。（不知道增加训练样本集的数据量是不是会不一样）。 对，不同的网络模型计算的评价指标如下表所示。
# 线性核函数模型
# Look at the results
lw = 2 x1 = np.arange(testy.size) plt.plot(x1, testy, 'r.-',lw=lw, label='训练值') plt.plot(x1, y_rbf, 'k.-', lw=lw, label='测试值') plt.xlabel('data') plt.ylabel('target') plt.title('Support Vector Regression') plt.legend() plt.show()
部分程序：
#!/usr/bin/env python # -*- coding: utf-8 -*# @Author : Yibao2hao
""" 可代写程序，有问题可加 qq：778961303. """
# 导入相关模块 import numpy as np import pandas as pd from sklearn.svm import SVR import matplotlib.pyplot as plt from pylab import mpl import pickle from sklearn import metrics
方法/数据集
均方根误差
SVR/Min-Max-scaling
23.46
SVR/Standardization
21.53
LSTM-layer=2/Standardization
21.01
LSTM-layer=6/Standardization
24.19
参考文献： [1] 基于深度学习的短时交通流预测研究_王祥雪 [2] 基于支持向量机回归的短时交通流预测模型_傅贵
1.3 数据预处理
LSTM 做预测的时候，输入数据通常都是要归一化处理的，原因：1、避免 不同数量级的特征对网络鲁棒性的影响；2、支持向量机好像是建立在数据集是 正态分布的前提下的，所以，如果数据集不满足正态分布，对结果有很大影响。 本文中采用了两种方案进行数据预处理。
1）Min-Max scaling 大多数机器学习算法中，会选择 Standardization 来进行特征缩放，但是， Min-Max Scaling 也并非会被弃置一地。在数字图像处理中，像素强度通常就会 被量化到[0,1]区间，在一般的神经网络算法中，也会要求特征被量化[0，1]区间。 公式如下：