基于LSTM-BP神经网络的道路拥堵时间智能预测

武佳琪 李珂 檀亚宁

摘要：近年来，随着国民经济的发展，人民生活水平的提高，汽车占有率也在不断增加。然而道路建设的相对滞后，导致城市交通拥堵情况日益严重。现有的导航软件通过获取实时的GPS数据，确定当前的道路情况，但在严重的交通拥堵情况下，对交通拥堵时间预测的准确度较差。基于此，本文通过熵权法对模型的指标进行筛选，并提出一科LSTM-BP：组合神经网络模型，该模型可以很好的识别车流量、平均旅行时间、平均速度等数据，以此提高模型的预测精度。

关键词：LSTM;BP神经网络;道路拥堵;时间预测.

中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2020）05-0064-02

0引言

随着人民生活水平的不断提高，科技的不断发展，机动车在数量和质量外观上不断突破创新的同时，交通拥堵的负面影响也凸显的尤为明显。在道路堵塞时，车辆只能慢速前进，这样一来，停车和启动的就变得尤为频繁，在这种情况下，如何准确的预测通过拥堵路线所需要的时间就显得尤为重要。

1数据预处理

本文利用Opendata、唐山市交通运输局、高德交通信息发布平台等多种渠道收集整理数据，包括车流量、车道占有率和平均旅行速度等指标。其中天气规定阈值为（1，8）表示由阴到晴的程度。由于原始数据集中的数据质量参差不齐，可能使模型训练过程陷入混乱，导致不可靠的输出，所以在进行模型构建之前需要对数据进行预处理。经过预处理后根据道路拥堵指数和时间属性对数据集进行整理计算，最终得到相关样本数据集，并以7：3的比例对数据集进行划分。

2模型构建

2.1熵权法求权重。选指标

在信息熵中如果一个指标变量的信息熵越小，表明该指标提供的信息量越大，也就表明它的权重比较大，在整体评价体系中所起的作用也就较大。基于此，本文使用熵权法对造成道路拥堵的多元化关键信息指标进行权重计算（如表1）。

2.2LSTM神经网络计算

3结语

本文构建的LSTM-HP神经网络模型不仅可以应用于道路交通拥堵，其优良的预测能力还可以为多种领域解决具体实际问题，如企业生产值销售值、市场期望需求、地理动态变化等。合理准确的预测模型可以在一定程度上方便人們的生活、学习和工作，对将要发生的事情做出合理的准备集规划。