基于猎人猎物优化与双向长短时记忆组合模型的汽车出车率预测

来源：交通运输系统工程与信息杂志2023年第1期北京时间：

作者：高雨虹, 曲昭伟, 宋现敏

单位：1. 吉林大学，交通学院，长春 130022；2. 南洋理工大学，土木与环境工程学院，新加坡 639798，新加坡

摘要：汽车出车率预测对于交通管理者预先制定精准化管控方案、实施协调化统筹调度，以及调控汽车保有量规模具有重要意义。为此，本文提出一种基于猎人猎物优化算法与双向长短时记忆神经网络组合模型(HPO-BiLSTM)的汽车出车率预测方法。首先，分析汽车出车率的关键影响因素，提取出17个特征影响因子，结合标准化处理后的重构时间序列，基于随机森林算法进行变量的重要度评估，筛选出最优特征集合作为预测模型输入；其次，为解决神经网络算法容易陷入局部极值的难题，建立一种融合猎人猎物优化算法(HPO)与双向长短时记忆神经网络(BiLSTM)的组合预测模型，利用HPO的探索-开发机制，实现BiLSTM框架的动态化搭建与精细化调参；最后，结合北京市中心城区的汽车出车率数据集进行模型性能的测试与检验。结果表明：与自回归差分移动平均模型、灰色模型、卷积神经网络模型、长短时记忆神经网络模型以及双向长短时记忆神经网络模型等经典算法相比，HPO-BiLSTM 模型在汽车出车率预测中的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了23.85%~54.38%、20.67%~57.40%、27.48%~59.32%，平均相对误差为-1.57%。说明本文提出的混合深度学习算法具有较高的预测精度与实用性能。

关键词：城市交通,汽车出车率预测,双向长短时记忆神经网络,猎人猎物优化算法,深度学习

基金资助：国家自然科学基金(52131202)；吉林省科技发展计划项目(20190201107JC)