[论文解读] Traffic Volume Prediction using Memory-Based Recurrent Neural Networks: A comparative analysis of LSTM and GRU

Lokesh Chandra Das|arXiv (Cornell University)|Mar 22, 2023

Traffic Prediction and Management Techniques被引用 4

一句话总结

本文提出并评估了长短期记忆网络（LSTM）和门控循环单元网络（GRU）在使用Metro Interstate Traffic Volume数据集进行实时交通流量预测中的应用。结果表明，当历史序列较短时GRU表现优于LSTM，而当历史序列较长时LSTM表现更优，证明了两种模型在复杂动态交通环境中的有效性。

ABSTRACT

Predicting traffic volume in real-time can improve both traffic flow and road safety. A precise traffic volume forecast helps alert drivers to the flow of traffic along their preferred routes, preventing potential deadlock situations. Existing parametric models cannot reliably forecast traffic volume in dynamic and complex traffic conditions. Therefore, in order to evaluate and forecast the traffic volume for every given time step in a real-time manner, we develop non-linear memory-based deep neural network models. Our extensive experiments run on the Metro Interstate Traffic Volume dataset demonstrate the effectiveness of the proposed models in predicting traffic volume in highly dynamic and heterogeneous traffic environments.

研究动机与目标

• 解决在动态复杂城市环境中实现准确实时交通流量预测的挑战。
• 克服ARIMA等参数化模型在非平稳或不规则交通模式下表现不佳的局限性。
• 评估非线性记忆型深度学习模型——LSTM与GRU——在短期交通预测中的性能。
• 研究不同历史序列长度和特征集对预测准确率的影响。
• 提供LSTM与GRU模型在计算效率和收敛行为方面的对比分析。

提出的方法

• 采用长短期记忆网络（LSTM）和门控循环单元网络（GRU）作为基于记忆的RNN，以建模交通时间序列数据中的时序依赖性。
• 将预测任务构建为多变量时间序列问题，利用从$t-l$到$t$的过去观测值预测$t+1$至$t+f$的未来交通流量。
• 应用MinMaxScaler对特征进行归一化，以稳定训练过程并提升模型收敛性。
• 使用24小时和6小时的历史窗口训练模型，以评估不同序列长度下的性能表现。
• 采用标准回归指标评估模型性能：均方误差（MSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）。
• 实现端到端的训练与推理流程，通过在多种网络架构和特征子集上进行超参数调优。

Figure 3: Statistics of the dataset

实验结果

研究问题

• RQ1 在不同历史序列长度下，LSTM与GRU模型在交通流量预测中的表现如何比较？
• RQ2 减少输入特征数量对LSTM与GRU模型预测准确率有何影响？
• RQ3 在不同网络配置下，LSTM与GRU中哪一模型在MSE、MAE和MAPE指标上表现更优？
• RQ4 LSTM与GRU在训练过程中的计算效率和收敛速度有何差异？
• RQ5 在历史数据有限的场景下，GRU是否能超越LSTM？LSTM在何种条件下会优于GRU？

主要发现

• 当历史序列长度较短（6小时）时，GRU在所有测试网络设置下均优于LSTM，表现出更低的MSE、MAE和MAPE。
• 当使用较长的历史序列（24小时）时，LSTM的性能优于GRU，表明其在捕捉长期依赖关系方面具有更强能力。
• LSTM与GRU的预测结果在多个时间点的可视化对比中均非常接近实际交通流量。
• 尽管参数更少，GRU的收敛速度慢于LSTM，每轮训练所需时间更长。
• 特征集的选择对性能影响显著，减少特征后仍能保持良好表现，但完整特征集通常可进一步提升准确率。
• 使用MinMaxScaler进行归一化及预测结果的反变换是流程中的关键步骤，但计算开销较大。

Figure 6: MSE, MAE, and MAPE errors of LSTM and GRU by varying neural network settings. The network uses 24 hours of observations to predict the next hour’s traffic volume.