基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)模型

張齡允，韓 瑩，張 凱，盧海鵬，丁昱杰

(南京信息工程大學(xué)自動(dòng)化學(xué)院，江蘇 南京 210044)

0 引 言

隨著經(jīng)濟(jì)社會(huì)的高速發(fā)展，道路交通堵塞問題越來越嚴(yán)重。智能交通系統(tǒng)(Intelligent Transportation System, ITS)是緩解道路交通擁堵、提高道路交通安全的有效途徑[1-2]。ITS將計(jì)算機(jī)、人工智能等技術(shù)有效地綜合運(yùn)用于交通運(yùn)輸?shù)阮I(lǐng)域，加強(qiáng)車輛、道路之間的聯(lián)系，是建設(shè)智慧城市的重要環(huán)節(jié)[3]。在智能交通領(lǐng)域中，短時(shí)交通流預(yù)測(cè)起著重要的作用。短時(shí)交通流預(yù)測(cè)就是基于過去時(shí)段的交通信息，去預(yù)測(cè)未來某個(gè)時(shí)段的交通狀況，可以提供給出行者更為準(zhǔn)確的道路信息，提高道路通行效率[4]。因此，交通流預(yù)測(cè)研究有著重要的現(xiàn)實(shí)意義。

隨著近幾年交通流預(yù)測(cè)領(lǐng)域的不斷研究和發(fā)展，國內(nèi)外學(xué)者們已經(jīng)提出了很多的預(yù)測(cè)模型和方法，大致可分為2類：傳統(tǒng)預(yù)測(cè)模型和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。Lin等人[5]采用差分整合移動(dòng)平均自回歸(Autoregressive Integrated Moving Average, ARIMA)模型，獲得短時(shí)高速交通流數(shù)據(jù)的波動(dòng)特征，實(shí)現(xiàn)交通流預(yù)測(cè)。趙偉[6]采用最小二乘支持向量機(jī)(Least Square Support Vector Machines, LSSVM)對(duì)交通流進(jìn)行預(yù)測(cè)，但運(yùn)行效率慢、計(jì)算量復(fù)雜。Liu等人[7]提出了一種基于KNN-SVR的混合預(yù)測(cè)模型，采用K近鄰(K-Nearest Neighbor, KNN)算法的搜索機(jī)制來重建與當(dāng)前交通流相似的歷史交通流序列，然后利用支持向量回歸(Support Vector Regression, SVR)對(duì)短時(shí)交通流進(jìn)行預(yù)測(cè)。但受到環(huán)境因素的干擾，交通流數(shù)據(jù)具有高度非線性和復(fù)雜性，使得這些傳統(tǒng)模型很難獲得較高的預(yù)測(cè)精度。

近幾年來，隨著深度學(xué)習(xí)的興起，神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于交通流預(yù)測(cè)領(lǐng)域，以其強(qiáng)大的學(xué)習(xí)能力和自適應(yīng)能力受到國內(nèi)外許多學(xué)者的關(guān)注。長(zhǎng)短期記憶網(wǎng)絡(luò)具有精度高的優(yōu)點(diǎn)，對(duì)噪聲具有很強(qiáng)的魯棒性和容錯(cuò)性，也具有聯(lián)想記憶的功能，可以有效地處理時(shí)間序列問題[8]。Dogan[9]觀察不同訓(xùn)練集規(guī)模應(yīng)用于LSTM訓(xùn)練的效果，研究表明，在交通流領(lǐng)域，擴(kuò)大訓(xùn)練集規(guī)模會(huì)單調(diào)增加LSTM性能。馬焱棋等人[10]利用LSTM對(duì)車輛速度和密度這2個(gè)指標(biāo)進(jìn)行預(yù)測(cè)，與傳統(tǒng)模型相比，具有較好的預(yù)測(cè)精度。

上述方法只考慮了交通流數(shù)據(jù)的時(shí)間特征，其實(shí)數(shù)據(jù)的空間特征也會(huì)影響模型的預(yù)測(cè)精度[11]。姚思佳等人[12]利用CNN對(duì)北京市四環(huán)路交通流進(jìn)行預(yù)測(cè)。李磊等人[13]提出一種基于CNN和LSTM的短時(shí)交通流預(yù)測(cè)方法，采用分層提取方法提取數(shù)據(jù)的時(shí)空特征。Li等人[14]提出一種使用CNN-LSTM的實(shí)時(shí)碰撞風(fēng)險(xiǎn)預(yù)測(cè)模型，該模型可以明確地從各種特征中學(xué)習(xí)，結(jié)果表明，引入數(shù)據(jù)的空間特征能有效提高模型的預(yù)測(cè)精度。門控循環(huán)單元(Gated Recurrent Unit, GRU)[15]和LSTM一樣，都是為解決長(zhǎng)期記憶和梯度爆炸問題而提出。盧生巧等人[16]提出了一種基于CNN-GRU的交通流深度學(xué)習(xí)預(yù)測(cè)模型，實(shí)驗(yàn)結(jié)果表明，運(yùn)行時(shí)間縮短，但預(yù)測(cè)精度相對(duì)較低，這是由于GRU模型的內(nèi)部結(jié)構(gòu)難以學(xué)習(xí)長(zhǎng)時(shí)間序列對(duì)網(wǎng)絡(luò)的依賴性所導(dǎo)致。注意力機(jī)制[17]對(duì)數(shù)據(jù)的自適應(yīng)關(guān)注可以提高模型提取特征的能力，近幾年來被廣泛應(yīng)用于交通流預(yù)測(cè)領(lǐng)域。Vijayalakshmi等人[18]提出了一種基于注意力機(jī)制的CNN-LSTM-Attention多步預(yù)測(cè)模型，對(duì)輸入特征賦予不同的權(quán)重，提取數(shù)據(jù)的關(guān)鍵信息。桂智明等人[19]提出一種結(jié)合注意力機(jī)制的CNN-GRU-Attention預(yù)測(cè)模型，利用交通流的周相似性提取周期特征，將所有特征融合進(jìn)行回歸預(yù)測(cè)。

交通流量容易受到天氣、通信等外部因素的干擾，收集到的數(shù)據(jù)中含有大量的噪聲[20]。分解算法可以降低噪聲對(duì)預(yù)測(cè)模型的影響，受到越來越多學(xué)者們的青睞。Huang等人[21]研究了互補(bǔ)集成經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)短時(shí)交通流數(shù)據(jù)預(yù)測(cè)的影響。聶鈴等人[22]提出基于CEEMD的短時(shí)交通流預(yù)測(cè)模型，結(jié)果表明，CEEMD可以有效提高交通流預(yù)測(cè)模型的訓(xùn)練精度和抗噪聲能力。

因此，針對(duì)短時(shí)交通流預(yù)測(cè)準(zhǔn)確性的要求，本文提出一種基于CEEMD-CNN-LSTM的短時(shí)交通流預(yù)測(cè)方法。融合CEEMD自適應(yīng)處理非線性數(shù)據(jù)的特性，將分解后的本征模態(tài)函數(shù)(Intrinsic Mode Function, IMF)分量通過CNN-LSTM組合模型進(jìn)行預(yù)測(cè)，充分挖掘交通流數(shù)據(jù)的時(shí)空特征，疊加各個(gè)IMF分量預(yù)測(cè)值作為最終的預(yù)測(cè)結(jié)果。本文選取加利福尼亞州主要大都市區(qū)高速公路的交通流數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證，期望能夠達(dá)到較好的預(yù)測(cè)效果。

1 模型結(jié)構(gòu)

1.1 1DCNN原理及應(yīng)用

CNN是一種前饋式神經(jīng)網(wǎng)絡(luò)，其中1DCNN可以很好地應(yīng)用于時(shí)間序列分析[23-24]。交通流屬于典型的時(shí)間序列數(shù)據(jù)，因此本文采用1DCNN對(duì)交通流數(shù)據(jù)的空間特征進(jìn)行提取。

1DCNN神經(jīng)網(wǎng)絡(luò)通過一維卷積操作和池化操作對(duì)數(shù)據(jù)進(jìn)行特征提取。一維卷積操作通過控制卷積核的數(shù)量來實(shí)現(xiàn)特征降維，降低模型的復(fù)雜度。卷積操作如式(1)所示：

(1)

池化操作在卷積操作的基礎(chǔ)上進(jìn)一步實(shí)現(xiàn)特征降維，并減小過擬合現(xiàn)象。常用的方法為最大值池化，表達(dá)式如式(2)所示：

(2)

1.2 LSTM原理及應(yīng)用

LSTM是一種時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)，是對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network， RNN)的改進(jìn)[25]。LSTM解決了RNN存在的梯度爆炸問題和數(shù)據(jù)長(zhǎng)期依賴問題[26]。LSTM內(nèi)部結(jié)構(gòu)如圖1所示。

圖1 LSTM結(jié)構(gòu)原理圖

LSTM的核心思想是引入了“門”的內(nèi)部機(jī)制，為激活函數(shù)sigmoid，通過函數(shù)的輸出值來實(shí)現(xiàn)對(duì)信息的保護(hù)和控制。LSTM在RNN的基礎(chǔ)上增加了遺忘門、輸入門和輸出門。遺忘門決定從細(xì)胞狀態(tài)中丟棄或保留哪些信息，輸入門用于細(xì)胞狀態(tài)的更新，輸出門決定輸出哪些信息。

LSTM單元門表達(dá)式如式(3)～式(5)所示：

ft=σ(Wf·[ht-1,xt]+bf)

(3)

it=σ(Wi·[ht-1,xt]+bi)

(4)

ot=σ(Wo·[ht-1,xt]+bo)

(5)

其中，ft、it、ot分別為遺忘門、輸入門、輸出門的輸出，Wf、Wi、Wo、bf、bi、bo分別為各單元門的權(quán)重和偏置，ht-1、xt分別為前一時(shí)刻和當(dāng)前時(shí)刻的輸入。輸入門和輸出門還分別增加一個(gè)tanh神經(jīng)層來控制信息的更新和輸出，其控制表達(dá)式如式(6)～式(8)所示：

Ct1=tanh(Wc·[ht-1,xt]+bc)

(6)

Ct=Ct-1·ft+it·Ct1

(7)

ht=ot·tanh(Ct)

(8)

其中，Ct1為前一時(shí)刻記憶單元的狀態(tài)，Ct為當(dāng)前時(shí)刻記憶單元的狀態(tài)，ht為預(yù)測(cè)的交通流序列。

1.3 互補(bǔ)集成經(jīng)驗(yàn)?zāi)B(tài)分解

1.3.1 EMD原理及應(yīng)用

經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)是一種通過重復(fù)減去包絡(luò)均值來連續(xù)去除振蕩的自適應(yīng)方法，適用于非線性、非平穩(wěn)的信號(hào)處理[27]。它能將復(fù)雜信號(hào)分解為有限個(gè)IMF分量，各IMF分量包含了原始信號(hào)在不同時(shí)間尺度上的局部特征信號(hào)，即將原始序列分解成一系列本征模態(tài)函數(shù)分量和殘余分量。

(9)

其中，m為IMF分量的個(gè)數(shù)；ci(t)為第i個(gè)IMF分量；rm(t)為第m個(gè)殘余分量。

1.3.2 CEEMD原理及應(yīng)用

CEEMD是一種根據(jù)噪聲頻率處理非線性信號(hào)的方法。交通流量易受外部因素干擾，收集到的數(shù)據(jù)會(huì)含有大量噪聲。雖然EMD可以處理非線性信號(hào)，但在分解過程中存在模態(tài)混疊問題，使得篩選出的IMF分量包含不同時(shí)間尺度的信息，因此王靜等人[28]提出采用噪聲輔助的處理方法——CEEMD。

CEEMD通過引入一組互為相反數(shù)的高斯白噪聲加入到原始信號(hào)中，將2個(gè)混合信號(hào)同時(shí)進(jìn)行EMD分解，不僅克服了EMD存在的模態(tài)混疊現(xiàn)象，也因?yàn)橐氲氖腔パa(bǔ)噪聲，所以重構(gòu)后的數(shù)據(jù)中噪聲殘余量幾乎可以忽略不計(jì)。在一定程度上，CEEMD還可以使用相對(duì)較少的集成平均次數(shù)，在保證小剩余噪聲干擾的情況下，節(jié)省計(jì)算時(shí)間。

CEEMD具體操作步驟如下：

1)在原始信號(hào)中加入一組正負(fù)成對(duì)的高斯白噪聲。

(10)

其中，xa(t)表示加入正噪聲之后的信號(hào)，xb(t)表示加入負(fù)噪聲之后的信號(hào)，s(t)表示原始信號(hào)，n(t)表示加入的輔助白噪聲。

2)對(duì)xa(t)、xb(t)同時(shí)進(jìn)行EMD分解，將分解后的IMF分量分別記為IMFsk_a、IMFsk_b，k=1,2,…，n。

(11)

其中，IMFsk_a、IMFsk_b分別表示加入第k個(gè)正噪聲和第k個(gè)負(fù)噪聲之后的分解信號(hào)，IMFsk表示加入第k個(gè)輔助白噪聲之后的集總平均值。

3)對(duì)IMFsk求總平均值：

(12)

其中，IMFs表示分解后最終得到的信號(hào)分量。

1.4 本文模型

針對(duì)交通流數(shù)據(jù)易受外界環(huán)境干擾，存在大量噪聲而導(dǎo)致預(yù)測(cè)精度下降的問題，本文提出一種結(jié)合互補(bǔ)集成經(jīng)驗(yàn)?zāi)B(tài)分解的卷積長(zhǎng)短時(shí)記憶單元預(yù)測(cè)模型。

模型結(jié)構(gòu)如圖2所示。本文模型的算法參數(shù)如表1所示。CEEMD分解流程如圖3所示。

圖2 模型結(jié)構(gòu)

表1 算法參數(shù)表

圖3 交通流分解流程圖

本文模型將分解后的IMF信號(hào)分量輸送到CNN層提取數(shù)據(jù)的時(shí)空特征，采用LSTM增強(qiáng)神經(jīng)網(wǎng)絡(luò)的記憶能力，提高學(xué)習(xí)效率。具體步驟如下：

1)采用CEEMD根據(jù)噪聲頻率對(duì)原始交通流數(shù)據(jù)進(jìn)行分解，設(shè)置最大模態(tài)數(shù)(即IMFs個(gè)數(shù))為12，其中epsilon設(shè)置為0.005，插值方法選取“pchip”。

2)將分解后的各個(gè)IMF信號(hào)分量輸送到1DCNN層，挖掘交通流數(shù)據(jù)的時(shí)空特征，得到交通流時(shí)間序列的特征向量。采用ReLU函數(shù)激活一維卷積網(wǎng)絡(luò)，加速梯度下降的收斂速度。設(shè)置卷積核個(gè)數(shù)為32，卷積核長(zhǎng)度為5，池化層數(shù)為1。

3)將特征向量輸送到LSTM神經(jīng)網(wǎng)絡(luò)中，訓(xùn)練數(shù)據(jù)不斷更新各個(gè)門單元的權(quán)重項(xiàng)和偏置項(xiàng)。設(shè)置LSTM層數(shù)為3，隱藏單元的神經(jīng)元個(gè)數(shù)分別為32、32、16。其中Dropout層設(shè)為0.2，即隨機(jī)斷開20%的神經(jīng)元，緩解模型出現(xiàn)過擬合現(xiàn)象。

4)在模型訓(xùn)練階段，設(shè)定學(xué)習(xí)率為0.001，采用Adam作為網(wǎng)絡(luò)優(yōu)化器。設(shè)置Batch_size為64，即一次訓(xùn)練所選取的樣本數(shù)；epoch為25，即所有數(shù)據(jù)送入網(wǎng)絡(luò)完成訓(xùn)練的次數(shù)。最后通過一個(gè)全連接層輸出最終預(yù)測(cè)序列。

2 實(shí)驗(yàn)驗(yàn)證

本文在Python環(huán)境下，使用Keras神經(jīng)網(wǎng)絡(luò)框架完成模型的搭建和訓(xùn)練。將本文模型與現(xiàn)有模型進(jìn)行對(duì)比分析，結(jié)果表明，本文模型在評(píng)估指標(biāo)和曲線擬合程度上均能達(dá)到較好的效果。

2.1 數(shù)據(jù)處理

本文選取的數(shù)據(jù)集來自于Caltrans Performance Measurement System(PeMS)，數(shù)據(jù)是從跨越加利福尼亞州主要大都市區(qū)高速公路系統(tǒng)的各個(gè)探測(cè)器實(shí)時(shí)收集的，選取其中1車道點(diǎn)的車流量數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證。該數(shù)據(jù)集中包含2016年1月4日到2016年3月31日的車流量數(shù)據(jù)，每5 min記錄一次，共12098條。本文選取2016年1月4日到2016年2月27日的數(shù)據(jù)作為實(shí)驗(yàn)驗(yàn)證的樣本數(shù)據(jù)，前90%作為訓(xùn)練數(shù)據(jù)，后10%作為測(cè)試數(shù)據(jù)。

采用min-max歸一化方法對(duì)交通流數(shù)據(jù)進(jìn)行預(yù)處理操作，避免模型出現(xiàn)梯度爆炸問題，提高模型的收斂速度。表達(dá)式如(13)所示：

(13)

其中，y代表歸一化后的值，x代表原始值，xmax和xmin分別代表原始數(shù)據(jù)中的最大值和最小值。

2.2 評(píng)估指標(biāo)

為了驗(yàn)證模型的預(yù)測(cè)性能，本文采用均方根誤差(Root Mean Square Error， RMSE)、平均絕對(duì)誤差(Mean Absolute Error， MAE)和決定系數(shù)(R2)作為模型的評(píng)估指標(biāo)。定義如式(14)～式(16)所示：

(14)

(15)

(16)

MAE值用于衡量預(yù)測(cè)結(jié)果的誤差，RMSE值用于衡量預(yù)測(cè)結(jié)果的穩(wěn)定性，R2值用于衡量預(yù)測(cè)結(jié)果的準(zhǔn)確程度。

2.3 結(jié)果分析

交通流數(shù)據(jù)的CEEMD分解結(jié)果如圖4所示。

在原始數(shù)據(jù)中加入幅值為0.2的互補(bǔ)噪聲，將原始信號(hào)分解成一系列IMF分量和一個(gè)殘余分量，如圖4所示。

圖4 CEEMD數(shù)據(jù)分解圖

自上而下，IMF分量的振動(dòng)頻率逐漸降低，且相鄰一段時(shí)間內(nèi)IMF分量的振蕩模式較為相似，表示在同一時(shí)間段內(nèi)的交通流量分布具有一定的相關(guān)性。高頻分量波動(dòng)較大，受外界因素干擾強(qiáng)，其對(duì)應(yīng)的頻譜值大、振動(dòng)頻率小，噪聲為主導(dǎo)模態(tài)；低頻分量波動(dòng)較小，受外界因素干擾弱，變化幅度小，振幅大，數(shù)據(jù)更平穩(wěn)，信號(hào)為主導(dǎo)模式。

提取最高頻分量作為交通流序列的隨機(jī)項(xiàng)，將剩余IMF分量疊加得到交通流序列的趨勢(shì)項(xiàng)。最后，將隨機(jī)項(xiàng)和趨勢(shì)項(xiàng)2個(gè)部分預(yù)測(cè)結(jié)果進(jìn)行求和運(yùn)算，得到最終的預(yù)測(cè)結(jié)果。

為了比較本文模型的預(yù)測(cè)性能，首先引入傳統(tǒng)預(yù)測(cè)模型進(jìn)行比較，結(jié)果如表2所示。通過表2可知，本文模型相比于ARIMA[5]、SVR[6]模型，MAE值分別降低了7.0182、7.5793；RMSE值分別降低了9.459、10.5486，預(yù)測(cè)準(zhǔn)確性平均可提高14.32個(gè)百分點(diǎn)。

表2 3種模型性能指標(biāo)對(duì)比

結(jié)果表明，本文模型的預(yù)測(cè)性能要優(yōu)于其傳統(tǒng)預(yù)測(cè)模型。這是由于SVR、ARIMA僅僅依賴于交通流數(shù)據(jù)的歷史記錄進(jìn)行預(yù)測(cè)，無法充分捕捉到復(fù)雜、非平穩(wěn)時(shí)間序列的數(shù)據(jù)特征。

為了更加直觀地比較模型的預(yù)測(cè)性能，本文選取現(xiàn)有預(yù)測(cè)模型與本文模型進(jìn)行比較，分別給出了LSTM模型、CNN-LSTM模型、CNN-GRU模型、CNN-LSTM-Attention模型、CNN-GRU-Attention模型、EMD-LSTM模型、CEEMD-LSTM模型、CEEMD-CNN-LSTM模型的數(shù)據(jù)擬合結(jié)果，如圖5所示。從圖5中可以看出，本文模型的數(shù)據(jù)擬合程度要優(yōu)于其余7個(gè)模型,尤其是在2：00左右的低峰時(shí)段到6：00左右的高峰時(shí)段，數(shù)據(jù)有一個(gè)大幅度的上升，只有本文模型可以達(dá)到較高的擬合程度。預(yù)測(cè)精度的評(píng)估指標(biāo)如表3所示。

表3 8種模型性能指標(biāo)對(duì)比

由表2和表3分析可得，基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型在預(yù)測(cè)準(zhǔn)確性上要優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)方法。

CNN-LSTM模型與單一的LSTM模型相比，前者的MAE和RMSE值分別降低了0.7777和0.885，說明通過CNN提取交通流數(shù)據(jù)的時(shí)間和空間特征，可以有效提升模型的學(xué)習(xí)能力和學(xué)習(xí)效率。

CEEMD-LSTM模型與EMD-LSTM模型相比，前者的MAE和RMSE值分別降低了1.0536和1.6512，說明CEEMD能夠克服EMD存在的模態(tài)混疊問題，得到更有規(guī)律的IMF分量，提高模型預(yù)測(cè)精度。將CEEMD-LSTM模型與單一的LSTM模型相比，前者的MAE和RMSE值分別降低了2.8014和3.8245，說明數(shù)據(jù)分解可以有效降低噪聲對(duì)交通流預(yù)測(cè)的影響，緩解交通流數(shù)據(jù)的非平穩(wěn)性，提高模型的預(yù)測(cè)精度。

CNN-LSTM模型和CNN-GRU模型相比，預(yù)測(cè)效果相差不大，但前者的預(yù)測(cè)精度要優(yōu)于后者。這可能是由于GRU模型的內(nèi)部結(jié)構(gòu)難以學(xué)習(xí)長(zhǎng)時(shí)間序列對(duì)網(wǎng)絡(luò)的依賴性所導(dǎo)致。CNN-LSTM-Attention模型、CNN-GRU-Attention模型與CNN-LSTM模型、CNN-GRU模型相比，預(yù)測(cè)性能有所提高，但影響程度不大。

因此，本文將CNN和LSTM神經(jīng)網(wǎng)絡(luò)相結(jié)合，并引入CEEMD分解，提出一種新的CEEMD-CNN-LSTM短時(shí)交通流預(yù)測(cè)方法。在相同數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證，本文模型的預(yù)測(cè)精度可以達(dá)到97.83%。

(a) LSTM

實(shí)驗(yàn)結(jié)果表明，本文提出的交通流時(shí)間序列預(yù)測(cè)模型，對(duì)比評(píng)估指標(biāo)RMSE、MAE、R2均能達(dá)到較好的效果。與現(xiàn)有模型相比，預(yù)測(cè)精度得到明顯提升，能夠更為準(zhǔn)確地反應(yīng)道路交通流的變化特征。

3 結(jié)束語

交通流數(shù)據(jù)的非線性、不確定性和隨機(jī)性給交通流預(yù)測(cè)帶來了許多困難，準(zhǔn)確的短時(shí)交通流預(yù)測(cè)在智能交通領(lǐng)域有著重要的現(xiàn)實(shí)意義，可以提高道路通行效率，解決交通擁堵等問題。為提高短時(shí)交通流量預(yù)測(cè)精度，本文融合CEEMD自適應(yīng)處理非線性數(shù)據(jù)的特性對(duì)交通流量進(jìn)行信號(hào)分解。將分解后的IMF分量通過CNN-LSTM組合模型進(jìn)行預(yù)測(cè)，提取交通流序列的時(shí)間特征和空間特征，有效利用交通流信息，最后將各IMF分量預(yù)測(cè)結(jié)果進(jìn)行線性組合得到最終的預(yù)測(cè)結(jié)果。經(jīng)過多次實(shí)驗(yàn)驗(yàn)證，結(jié)果表明，CEEMD分解可以有效減少噪聲對(duì)短時(shí)交通流預(yù)測(cè)的影響，使模型做出更加準(zhǔn)確的判斷，提高學(xué)習(xí)效率。本文模型的預(yù)測(cè)精度要優(yōu)于其他模型，在智能交通領(lǐng)域具有一定的參考價(jià)值。