[论文解读] Traffic Flow Combination Forecasting Method Based on Improved LSTM and ARIMA

Boyi Liu, Xiangyan Tang+2 more|arXiv (Cornell University)|Jun 25, 2019

Traffic Prediction and Management Techniques被引用 5

一句话总结

本文提出了一种改进的SDLSTM-ARIMA混合模型，通过将改进的长短期记忆（LSTM）网络与时间序列ARIMA模型相结合，以提升交通流量预测的准确性。通过在Dropout模块中引入交通数据时间奇异度比率，并在非均匀时间间隔下动态融合预测结果，该方法在稳定性与准确性方面优于独立的LSTM或ARIMA模型，在多语言嵌入式系统中表现出色。

ABSTRACT

Traffic flow forecasting is hot spot research of intelligent traffic system construction. The existing traffic flow prediction methods have problems such as poor stability, high data requirements, or poor adaptability. In this paper, we define the traffic data time singularity ratio in the dropout module and propose a combination prediction method based on the improved long short-term memory neural network and time series autoregressive integrated moving average model (SDLSTM-ARIMA), which is derived from the Recurrent Neural Networks (RNN) model. It compares the traffic data time singularity with the probability value in the dropout module and combines them at unequal time intervals to achieve an accurate prediction of traffic flow data. Then, we design an adaptive traffic flow embedded system that can adapt to Java, Python and other languages and other interfaces. The experimental results demonstrate that the method based on the SDLSTM - ARIMA model has higher accuracy than the similar method using only autoregressive integrated moving average or autoregressive. Our embedded traffic prediction system integrating computer vision, machine learning and cloud has the advantages such as high accuracy, high reliability and low cost. Therefore, it has a wide application prospect.

研究动机与目标

• 解决现有交通流量预测模型的局限性，包括稳定性差、数据需求高以及适应性低的问题。
• 通过整合深度学习（LSTM）与统计时间序列建模（ARIMA）的优势，提升预测准确性。
• 开发一种鲁棒且自适应的嵌入式系统，兼容多种编程语言和云环境。
• 在减少对大规模数据集依赖的同时，保持在不同交通条件下高可靠的预测性能。

提出的方法

• 作者在Dropout模块中引入时间奇异度比率指标，用于评估交通数据的不规则性，从而提升模型鲁棒性。
• 设计了一种改进的LSTM变体，称为SDLSTM，通过将奇异度比率作为正则化信号，使其能够动态适应时间异常。
• 采用非均匀时间间隔融合策略，将SDLSTM模型与ARIMA模型结合，以提升预测准确性。
• 融合机制根据时间不确定性自适应地加权两个模型的预测结果，从而在不同交通模式下提升稳定性。
• 使用Java和Python接口实现嵌入式预测系统，支持在异构计算环境中部署。
• 系统整合了计算机视觉、机器学习与云计算技术，实现可扩展的实时交通预测。

实验结果

研究问题

• RQ1 如何有效结合深度学习与统计时间序列模型，以提升交通流量预测的准确性？
• RQ2 时间数据奇异度在提升模型鲁棒性与预测稳定性方面发挥何种作用？
• RQ3 在真实世界的交通预测场景中，混合SDLSTM-ARIMA模型是否能优于独立的LSTM或ARIMA模型？
• RQ4 如何使预测系统适应不同的编程环境与部署平台？
• RQ5 非均匀时间间隔融合对模型性能与可靠性有何影响？

主要发现

• SDLSTM-ARIMA模型的预测精度高于仅使用ARIMA或自回归方法的模型。
• 在Dropout模块中引入时间奇异度比率可提升模型稳定性，并减少在不规则交通数据上的过拟合。
• 该混合模型在不同交通模式与数据质量条件下表现出更优的适应能力。
• 嵌入式系统支持多语言部署（如Java、Python），并可在实际应用中实现低成本、高可靠性的预测。
• 系统整合计算机视觉、机器学习与云基础设施，实现了可扩展、实时的交通预测，性能表现优异。