基于多維度LSTM模型的短時交通流預(yù)測

陳治亞，王小軍

基于多維度LSTM模型的短時交通流預(yù)測

陳治亞，王小軍

(中南大學(xué) 交通運輸工程學(xué)院，湖南 長沙 410075)

提出一種基于長短時記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)的交通流預(yù)測模型，不同于單一因素預(yù)測，模型深入探究時間占有率等因素對預(yù)測結(jié)果的影響，從而進行多維度的短時交通流預(yù)測。最后以長沙市某實地數(shù)據(jù)對模型預(yù)測結(jié)果的精確性進行檢驗。研究結(jié)果表明：在以10 min為間隔預(yù)測中，與時間占有率組合的多維度因素速度預(yù)測和流量預(yù)測的平均絕對誤差相較單一因素分別由4.6 km/h降至2.78 km/h，9.65輛降至5.8輛。加入時間占有率等其他因素后，模型預(yù)測的精度顯著提高。

智能交通；交通流預(yù)測；LSTM；神經(jīng)網(wǎng)絡(luò)

隨著經(jīng)濟社會的高速發(fā)展，由城市交通供給與需求的不平衡導(dǎo)致的交通擁堵等城市交通問題日益嚴(yán)重。智能運輸系統(tǒng)是解決城市道路交通擁堵問題，提高道路通行率的有效途徑[1]。智能交通系統(tǒng)的核心問題在于實現(xiàn)交通控制與誘導(dǎo)，而短時交通流的實時預(yù)測是實現(xiàn)科學(xué)管控的必要前提。隨著交通流預(yù)測領(lǐng)域研究的深入，學(xué)者們提出了許多交通流預(yù)測模型和方法，常用的預(yù)測模型大致可以分為傳統(tǒng)預(yù)測模型和神經(jīng)網(wǎng)絡(luò)預(yù)測模型。前者有Ahmaed等[2]首次將自回歸積分移動均值法(Auto- gression-integrated MA，AIRMA)模型應(yīng)用于高速公路交通流預(yù)測；Mascha等[3]將ARIMA模型應(yīng)用于短時交通流預(yù)測的研究中，同時還考慮了交通流時間序列中的相關(guān)性；Brian等[4]使用季節(jié)性ARIMA模型對高速公路進行短時交通流預(yù)測，并比較在不同時間間隔預(yù)測效果的優(yōu)劣；Gary等[5]應(yīng)用時間序列模型預(yù)測了高速公路交通流的變動趨勢，實驗證明該模型具有較好的魯棒性，即能在少量間斷的交通流數(shù)據(jù)中有一個較不錯地應(yīng)用。GUO等[6]利用隨機的自適應(yīng)卡爾曼濾波模型進行交通流預(yù)測并取得了良好的效果。對于傳統(tǒng)模型來說，由于交通流內(nèi)在的非線性和非平穩(wěn)特性，往往會導(dǎo)致預(yù)測精度降低，模型抗干擾能力差。而人工神經(jīng)網(wǎng)絡(luò)非常擅長處理大數(shù)據(jù)，加上其強大的學(xué)習(xí)能力和自適應(yīng)能力，被廣泛應(yīng)用于交通預(yù)測中。姚加林等[7]研究了在數(shù)據(jù)缺失情況下用K近鄰(KNN)算法預(yù)測路網(wǎng)中各路段速度。張利等[8]基于粗糙集和遺傳算法，提出了一種改進的BP神經(jīng)網(wǎng)絡(luò)算法，提高了模型的訓(xùn)練精度和泛化能力；董春嬌等[9]在空間層面上重新劃分了道路網(wǎng)，重構(gòu)交通流時間序列，用新序列作為輸入向量，用Elman神經(jīng)網(wǎng)絡(luò)實現(xiàn)道路網(wǎng)多斷面同時預(yù)測；李巧茹等[10]將支持向量機(SVM)和時空數(shù)據(jù)相融合，構(gòu)建了更為精確的交通流預(yù)測模型；趙亞萍等[11]基于最小二乘支持向量機的交通流預(yù)測模型，通過實例驗證了模型具有學(xué)習(xí)速度快、跟蹤性能好以及泛化能力強等優(yōu)點；譚娟等[12]在歸納基礎(chǔ)數(shù)據(jù)構(gòu)建交通流特征向量并確定4種預(yù)測狀態(tài)之后，采用深度學(xué)習(xí)的自編碼網(wǎng)絡(luò)進行無標(biāo)簽訓(xùn)練，最后在頂層搭建Softmax回歸模型對交通擁堵狀況進行多態(tài)預(yù)測；羅向龍等[13]利用差分技術(shù)消除交通流數(shù)據(jù)中的趨勢向，結(jié)合深度信念網(wǎng)絡(luò)和支持向量回歸進行預(yù)測；Nicholas等[14]針對交通流預(yù)測提出了一種新型的深度學(xué)習(xí)結(jié)構(gòu)，它包含了L1正則化的線性模型以及一系列tanH網(wǎng)絡(luò)層；對于傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò)，它無法訓(xùn)練具有較長時間間隔的時間序列，并且存在梯度爆炸或消失。為了解決這些缺點，Hochreiter等[15]提出了長期短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM NN)。MA等[16]運用LSTM來預(yù)測交通速度，發(fā)現(xiàn)它可以捕獲時間序列中的時間特征，適用于交通預(yù)測，且在交通預(yù)測中具有良好的性能。深度學(xué)習(xí)正處于一個飛速發(fā)展的時期，并在短時交通流預(yù)測領(lǐng)域中得到廣泛的應(yīng)用。但現(xiàn)有的研究成果，依然存在一些不足，現(xiàn)有文獻在特征變量的選取過程中，通常僅以單一變量對交通流進行預(yù)測，忽略多個因素對于交通流的影響，導(dǎo)致預(yù)測結(jié)果精度不高。針對現(xiàn)有研究的不足，本文提出基于深度學(xué)習(xí)的理論框架，構(gòu)建LSTM的交通流預(yù)測模型，利用python語言和keras平臺來進行實現(xiàn)，將原始數(shù)據(jù)處理成五段不同的時間間隔，分析在不同時間周期下的預(yù)測結(jié)果的情況；提出狀態(tài)變量的概念，將交通流量、速度以及時間占用率等多個因素組合成多維度狀態(tài)變量作為輸入向量，輸入到訓(xùn)練好的LSTM預(yù)測模型中，并將同樣的數(shù)據(jù)輸入到其他不同的預(yù)測算法，通過計算誤差評價指標(biāo)來對比驗證預(yù)測結(jié)果。

1 基于LSTM的交通流預(yù)測模型

交通流通常具有隨機性，流量及速度等相關(guān)參數(shù)經(jīng)常受道路實際路況、交通管制等因素的影響，從而呈現(xiàn)出非線性的特點，給交通流預(yù)測工作帶來極大的困難。長期短時記憶神經(jīng)網(wǎng)絡(luò)具有準(zhǔn)確度高、分布存儲以及學(xué)習(xí)能力強等優(yōu)勢，其對噪聲神經(jīng)有較強的魯棒性和容錯能力，能充分逼近復(fù)雜的非線性關(guān)系，同時還具備聯(lián)想記憶的功能，從而可以有效地處理時間序列問題。因此，LSTM是一種理想的交通流預(yù)測模型。

1.1 LSTM

長期短時記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，具有與其他方法相同的基本結(jié)構(gòu)(一個輸入層，一個循環(huán)隱藏層和一個輸出層)，它們之間的區(qū)別是隱藏層。LSTM的主要創(chuàng)新是由存儲單元組成的隱藏層。存儲單元是一種強大的結(jié)構(gòu)，可以通過一些記憶單元來確定信息的狀態(tài)并將其存儲，主要包括輸入門，遺忘門和輸出門。應(yīng)用輸入門以激活新的輸入信息并控制需要更新的信息；遺忘門確定丟棄最后一刻的細(xì)胞狀態(tài)信息量；輸出門控制可以導(dǎo)出當(dāng)前單元狀態(tài)的哪些信息。

設(shè)輸入序列為(1,2,…,x)，隱藏層狀態(tài)為(1,2,…,h)，則在時刻有：

1.2 狀態(tài)變量

傳統(tǒng)的交通流預(yù)測模型大多考慮單因素對預(yù)測結(jié)果的影響，而忽略了道路上其他因素。本文在構(gòu)建了5種不同維度的狀態(tài)變量，，，和，其中狀態(tài)變量為只包含速度因素，和在速度維度的基礎(chǔ)上還分別加上了交通流量和時間占有率；狀態(tài)變量為只包含流量因素，是在流量維度的基礎(chǔ)上分別加上了時間占有率。

1.3 交通流預(yù)測模型

本文考慮不同的因素對預(yù)測的影響，故將不同的狀態(tài)變量作為輸入值，構(gòu)建短時交通流預(yù)測模型，具體建模過程如下所示。

1) 選擇實驗數(shù)據(jù)并進行數(shù)據(jù)預(yù)處理

讀取實驗所需的數(shù)據(jù)，并進行數(shù)據(jù)降噪及歸一化處理，構(gòu)建狀態(tài)變量，確定數(shù)據(jù)的訓(xùn)練集和測試集，根據(jù)不同的狀態(tài)變量確定不同輸入向量。

2) 確定LSTM模型的參數(shù)

根據(jù)經(jīng)驗和多次試驗設(shè)置調(diào)整模型的超參數(shù)，包括網(wǎng)絡(luò)層數(shù)、隱含層節(jié)點數(shù)、激勵函數(shù)、目標(biāo)函數(shù)、優(yōu)化函數(shù)以及迭代次數(shù)等。

3) LSTM模型的訓(xùn)練

將權(quán)值矩陣和偏置隨機化，在輸入層中導(dǎo)入輸入向量，計算第一層隱含層的輸入門、遺忘門、輸出門的輸入向量和輸出向量以及記憶單元的輸入向量和狀態(tài)值，得到記憶模塊的輸出向量，并將其作為下一層隱含層的輸入向量，以此類推，得到預(yù)測值。根據(jù)其預(yù)測值計算誤差函數(shù)，將誤差反向傳播進行權(quán)值更新，達到最大迭代數(shù)時結(jié)束訓(xùn)練。

4) 預(yù)測并分析

將訓(xùn)練好的模型進行預(yù)測，得到最終的預(yù)測結(jié)果，并通過誤差評價指標(biāo)與實際數(shù)據(jù)進行對比 分析。

2 實例分析

2.1 數(shù)據(jù)來源

本文選取湖南省長沙市某路段交通檢測器數(shù)據(jù)，由官方提供的歷史監(jiān)控數(shù)據(jù)進行處理得到的實驗樣本。該數(shù)據(jù)包括的某點的每隔一分鐘的交通流量，速度以及時間占有率，根據(jù)預(yù)測模型的特征需要，選取較完整的數(shù)據(jù)，數(shù)據(jù)集為2012-09-03～2012-09-14，共11 d，其中訓(xùn)練數(shù)據(jù)集為前10 d，最后一天的數(shù)據(jù)作為測試的數(shù)據(jù)集。

2.2 數(shù)據(jù)預(yù)處理

由于原始數(shù)據(jù)中存在缺失值，所以考慮用相鄰數(shù)據(jù)取均值的方式進行處理。同時為了測試不同時間周期對模型影響，將交通流量進行求和，速度和時間占有率進行取均值處理，分別將數(shù)據(jù)處理成3，5，10以及15 min數(shù)據(jù)。為了消除不同量綱的影響，將實驗要用到的交通流數(shù)據(jù)按式(6)進行歸一化 處理。

式中：代表歸一化后的值；代表原始值，max和min分別代表原始數(shù)據(jù)中的最大值和最小值。

2.3 誤差評價指標(biāo)及參數(shù)

為了評價模型的預(yù)測結(jié)果，本文分別以平均絕對誤差(MAE)和平均絕對百分誤差(MAPE)作為評價指標(biāo)，即：

本文算法在python3.6環(huán)境下，利用Keras深度學(xué)習(xí)庫建立交通流預(yù)測模型，其中，根據(jù)經(jīng)驗和通過多次實驗測試和調(diào)參，將模型隱含層數(shù)設(shè)為3層，3層隱含層的節(jié)點數(shù)分別設(shè)為32，32和16；在LSTM中，ReLU函數(shù)為最常用的激活函數(shù)，目標(biāo)函數(shù)為MSE,，優(yōu)化函數(shù)為adam函數(shù)。

2.4 實驗結(jié)果及分析

本文將原始的交通流數(shù)據(jù)分別處理成5種不同的時間間隔，分別將1，3，5，10和15 min的交通速度的數(shù)據(jù)來進行預(yù)測。預(yù)測結(jié)果如表1所示。

表1 不同時間間隔下的交通速度預(yù)測結(jié)果

由表1可以看出本文用到的方法得到的預(yù)測值和真實值之間有著很好的擬合效果。但對10 min和15 min為時間間隔的狀態(tài)變量包含的信息最多，預(yù)測效果相對最好，預(yù)測值的平均絕對誤差分別為4.6 km/h和3.92 km/h；預(yù)測效果其次是時間間隔3 min和5 min，預(yù)測結(jié)果的平均絕對誤差分別為5.48 km/h和4.64 km/h；而當(dāng)時間間隔1 min的狀態(tài)變量信息最少，且交通流數(shù)據(jù)的波動性較大，穩(wěn)定性也很差，預(yù)測效果最差，預(yù)測結(jié)果的平均絕對誤差為7.34 km/h。對比5種不同時間間隔的預(yù)測效果，由此可以得出結(jié)論：在短時交通流預(yù)測，輸入向量的時間間隔越大，預(yù)測的精度相對就越高。

實驗將不同的狀態(tài)變量作為輸入向量，即除了速度因素之外的，還分別加入了相對應(yīng)的流量和時間占有率對預(yù)測的影響。經(jīng)過多次預(yù)測實驗，預(yù)測結(jié)果如表2所示。

由表2可以看出，在不同時間間隔下，對比只考慮交通速度的狀態(tài)變量，加入交通流量或時間占有率的狀態(tài)變量和預(yù)測精度有進一步的提高，其中以10 min的預(yù)測結(jié)果最好。

表2 不同狀態(tài)變量的交通速度預(yù)測平均絕對誤差對比

注：狀態(tài)變量為速度變量，狀態(tài)變量為速度變量和流量變量，狀態(tài)變量為速度變量和時間占有率變量。

圖1，圖3和圖5分別為10 min下3個狀態(tài)變量LSTM模型預(yù)測結(jié)果和真實值的對比，加入流量因素的狀態(tài)變量和加入時間占有率狀態(tài)變量的預(yù)測效果會比只考慮速度的狀態(tài)變量的更好，和真實值的擬合度更好，相對應(yīng)的平均絕對誤差分別為2.97 km/h和2.78 km/h。其中考慮時間占有率的狀態(tài)變量預(yù)測結(jié)果會更好。

圖1 狀態(tài)變量A速度預(yù)測結(jié)果對比圖

10 min下3個狀態(tài)變量預(yù)測的誤差分布圖如圖2，圖4和圖6所示。狀態(tài)變量誤差占比最高是(-6,-2)，為34.53%，而在狀態(tài)變量和狀態(tài)變量中均為(-2,2)，分別為49.48%和51.8%。3種狀態(tài)變量在對于誤差絕對值大于6的占比分別為21.59%，13.66%和12.94%。

用同樣的思路對交通流量進行預(yù)測，輸入向量在考慮流量的同時，分別加上速度和時間占有率探究多維度因素對流量預(yù)測的影響。經(jīng)過多次實驗，間隔為10 min的預(yù)測效果最好。所以用10 min的數(shù)據(jù)進行流量預(yù)測，預(yù)測結(jié)果如表3所示。

圖2 狀態(tài)變量A速度預(yù)測誤差分布圖

圖3 狀態(tài)變量B速度預(yù)測結(jié)果對比圖

圖4 狀態(tài)變量B速度預(yù)測誤差分布圖

圖5 狀態(tài)變量C速度預(yù)測結(jié)果對比圖

圖6 狀態(tài)變量C速度預(yù)測誤差分布圖

表3 不同狀態(tài)變量的交通流量預(yù)測結(jié)果對比

注：狀態(tài)變量為流量變量，狀態(tài)變量為流量變量和時間占有率變量。

圖7，圖8和圖9分別是在10 min下3個狀態(tài)變量LSTM模型流量預(yù)測值和真實值的對比，可以看出，狀態(tài)變量和狀態(tài)變量的預(yù)測擬合度更好，相對應(yīng)的平均絕對誤差分別為6.8輛和5.8輛。其中考慮時間占有率的狀態(tài)變量預(yù)測結(jié)果會更好，在(-9,9)誤差范圍占比為82.22%，狀態(tài)變量預(yù)測的誤差分布圖如圖10所示。

圖7 狀態(tài)變量D流量預(yù)測結(jié)果對比圖

圖8 狀態(tài)變量B流量預(yù)測結(jié)果對比圖

圖9 狀態(tài)變量E流量預(yù)測結(jié)果對比圖

同時，為了驗證LSTM預(yù)測精度的可靠性，本文通過ADA，隨機森林(Random Forest, RF)，ER隨機網(wǎng)絡(luò)以及多層感知器(Multi-layer Perception MLP)4種模型作為對比，因為10 min的預(yù)測效果相對最好，所以考慮使用10 min的數(shù)據(jù)，實驗對比結(jié)果如表4所示。

圖10 狀態(tài)變量E流量預(yù)測誤差分布圖

由表4可以看出，在10 min的時間間隔中，考慮速度和時間占有率的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測的MAE，MAPE分別為2.78 km/h，4.47%，預(yù)測準(zhǔn)確率高達95.5%。無論是只考慮速度因素狀態(tài)變量，還是加上流量和時間占有率的狀態(tài)變量和狀態(tài)變量，LSTM模型的平均絕對誤差分別為4.6，2.97和2.78 km/h，相對其他4種不同的模型來說，MAE和MAPE都更小，預(yù)測精度最高。

3 結(jié)論

1) 對于5種不同的時間間隔下的交通流預(yù)測，發(fā)現(xiàn)10 min的預(yù)測效果最好。

2) 在速度預(yù)測中，由速度和時間占有率組合的狀態(tài)變量預(yù)測效果最佳；在流量預(yù)測中，由流量和時間占有率組合的狀態(tài)變量預(yù)測效果最佳。

3) 對比不同的預(yù)測方法，發(fā)現(xiàn)具有記憶功能的LSTM模型在短時交通流預(yù)測中表現(xiàn)最好，預(yù)測的精度最高。

[1] 羅向龍, 李丹陽, 楊彧, 等. 基于KNN-LSTM的短時交通流預(yù)測[J]. 北京工業(yè)大學(xué)學(xué)報, 2018, 44(12): 1521-1527. LUO Xianglong, LI Danyang, YANG Yu, et al. Short- term traffic flow prediction based on KNN-LSTM[J]. Journal of Beijing University of Technology, 2018, 44(12): 1521-1527.

[2] Ahmaed Mohamed S, Cook Allen R. Analysis of freeway traffic time-series data by using Box-Jenkins technique [J]. Transportation Research Record 722, 1979: 1-9.

[3] Mascha Van Der Voort, Mark Dougherty, Susan Watson. Combining kohonen maps with arima time series models to forecast traffic flow[J]. Transportation Research Part C, 1996, 4(5): 307- 318.

[4] Brian L Smith, Billy M Williams, R Keith Oswald. Comparison of parametric and nonparametric models for traffic flow forecasting[J]. Transportation Research Part C, 2002,10(4): 303-321.

[5] Gary A Davis, Nancy L Nihan. Using time-series designs to estimate changes in freeway level of service, despite missing data[J]. Pergamon, 1984, 18(5-6): 431- 438.

[6] GUO Jianhua, HUANG Wei, Billy M. Williams. Adaptive Kalman filter approach for stochastic short-term traffic flow rate prediction and uncertainty quantification[J]. Transportation Research Part C, 2014, 43: 50-64.

[7] 姚加林, 朱闖. 數(shù)據(jù)缺失環(huán)境下基于DCTPLS-PCA的路網(wǎng)速度預(yù)測研究[J]. 鐵道科學(xué)與工程學(xué)報, 2019, 16(10): 2612-2619. YAO Jialin, ZHU Chuang. Research on road network speed prediction based on DCTPLS-PCA in data loss environment[J]. Journal of Railway Society and Engineering, 2019, 16(10): 2612-2619.

[8] 張利, 吳華玉, 盧秀穎. 基于粗糙集的改進BP神經(jīng)網(wǎng)絡(luò)算法研究[J]. 大連理工大學(xué)學(xué)報, 2009, 49(6): 971- 976. ZHANG Li, WU Huayu, LU Xiuying. Research on improved BP neural network algorithm based on rough sets[J]. Journal of Dalian University of Technology, 2009, 49(6): 971-976.

[9] 董春嬌, 邵春福, 熊志華, 等. 基于Elman神經(jīng)網(wǎng)絡(luò)的道路網(wǎng)短時交通流預(yù)測方法[J]. 交通運輸系統(tǒng)工程與信息, 2010, 10(1): 145-151. DONG Chunjiao, SHAO Chunfu, XIONG Zhihua, et al. Short-term traffic flow prediction method of road network based on Elman neural network[J]. Journal of Transportation Systems Engineering and Information Technology, 2010, 10(1): 145-151.

[10] 李巧茹, 趙蓉, 陳亮. 基于SVM與自適應(yīng)時空數(shù)據(jù)融合的短時交通流量預(yù)測模型[J]. 北京工業(yè)大學(xué)學(xué)報, 2015, 41(4): 597-602. LI Qiaoru, ZHAO Rong, CHEN Liang. Short-term traffic flow prediction model based on SVM and adaptive spatiotemporal data fusion[J]. Journal of Beijing University of Technology, 2015 41(4): 597-602.

[11] 趙亞萍, 張和生, 周卓楠, 等. 基于最小二乘支持向量機的交通流量預(yù)測模型[J]. 北京交通大學(xué)學(xué)報, 2011, 35(2): 114-117, 136. ZHAO Yaping, ZHANG Hesheng, ZHOU Zhuonan, et al. Traffic flow prediction model based on least squares support vector machine[J]. Journal of Beijing Jiaotong University, 2011, 35(2): 114-117, 136.

[12] 譚娟, 王勝春. 基于深度學(xué)習(xí)的交通擁堵預(yù)測模型研究[J]. 計算機應(yīng)用研究, 2015, 32(10): 2951-2954. TAN Juan, WANG Shengchun. Research on traffic congestion prediction model based on deep learning[J]. Application Research of Computers, 2015, 32(10): 2951- 2954.

[13] 羅向龍, 焦琴琴, 牛力瑤, 等. 基于深度學(xué)習(xí)的短時交通流預(yù)測[J]. 計算機應(yīng)用研究, 2017, 34(1): 91-93, 97. LUO Xianglong, JIAO Qinqin, NIU Liyao, et al. Short- term traffic flow prediction based on deep learning[J]. Applied Computer Research, 2017, 34(1): 91-93, 97.

[14] Nicholas G Polson, Vadim O Sokolov. Deep learning for short-term traffic flow prediction[J]. Transportation Research Part C, 2017, 19: 1-17.

[15] Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.

[16] MA Xiaolei, TAO Zhimin, WANG Yinhai, et al. Long short-term memory neural network for traffic speed prediction using remote microwave sensor data[J]. Transportation Research Part C, 2015, 54: 187-197.

Short-term traffic flow prediction based on multi-dimensional LSTM model

CHEN Zhiya, WANG Xiaojun

(School of Traffic and Transportation Engineering, Central South University, Changsha 410075, China)

Different from single-factor prediction, a traffic flow prediction model based on Long Short-Term Memory was developed to explore the influence of time occupancy and other factors on the prediction results, so as to conduct multi-dimensional short-term traffic flow prediction. A real-world traffic data in Changsha was used to test the accuracy of the model. The results show that in the 10-minute interval prediction, compared with the single-dimensional model, the MAE of the speed in the multi-dimensional model can be substantially reduced from 4.6 km/h to 2.78 km/h, and that of volumes from 9.65 to 5.8. Therefore, taking other factors as time occupancy into consideration can significantly improve the accuracy of the traffic prediction models.

intelligent transportation; traffic flow prediction; LSTM; neural network

U491

A

1672 - 7029(2020)11 - 2946 - 07

10.19713/j.cnki.43-1423/u.T20200023

2020-01-10

湖南省自然科學(xué)基金資助項目(2018JJ2537)

陳治亞(1958-)，男，湖南岳陽人，教授，博士，從事交通運輸規(guī)劃與管理；E-mail：chzy@csu.edu.cn

(編輯 陽麗霞)