基于EEMD-PE-LSTM的高速公路路段交通状态预测方法

张开瑞; 陆由; 吕能超

交通信息与安全 ›› 2025, Vol. 43 ›› Issue (1) : 85 -96.

张开瑞, 陆由, 吕能超

作者信息 +

Author information +

文章历史 +

摘要

高速公路网络的快速发展与交通需求的多样化，使得交通拥堵、道路承载能力瓶颈、道路设计优化等问题愈发凸显，严重制约了出行者的出行体验和交通管理部门的服务效能。因此为了精准量化交通条件与气象条件对交通流参数预测性能的增益，本文构建基于集合经验模态分解（ensemble empirical modal decomposition,EEMD）、排列熵（permutation entropy,PE）和长短期记忆神经网络（long short-term memory,LSTM）的高速公路路段交通流参数组合预测模型。研究运用EEMD算法分解平均行驶速度序列，通过PE算法筛选整合分解后的分量，并对交通和气象数据进行时空匹配和特征分组，识别出最具影响力的因子及其相互作用模式，结合滑动时间窗策略，动态调整输入配置；以LSTM网络为核心，经迭代优化确定最优的历史序列长度和特征组合，进而得到目标路段平均行驶速度最优值；同时，提出区域特性导向的交通状态判定机制，即采用路段平均行驶速度85%分位数作为常态速度基准。以湖北省某高速公路为例，实证结果显示：预测精度方面，相较于单一的LSTM模型，组合预测模型的平均绝对误差显著降低73.4%；运算效率方面，较EEMD-LSTM模型提升67%；特别是在滑动时间窗长度为40 min时，组合模型在各类出行场景及多样化特征的输入下，均保持最低预测误差，展现出良好的稳定性和鲁棒性；此外，纳入交通条件的模型相较于仅依赖历史速度序列的模型，预测误差范围降低了约60%，凸显了交通因素在速度预测中的关键作用。本研究可为交通管理部门在交通高峰期、特殊活动、交通事故突发等期间提供科学的管理决策支持。