简介这份PDF文献面向智能交通、深度学习与数据建模方向的研究生、算法工程师及科研人员聚焦短时交通流预测中时空特征难以充分利用的问题。资源为单篇学术论文压缩包内仅含1个PDF文件约1.3MB轻量便于随时查阅与引用。论文提出C-BiLSTM组合模型底层用一维CNN提取观测点交通流的空间特征再输入双向LSTM捕获时间周期规律最后由全连接层输出预测结果并基于美国交通研究数据实验室实测数据完成验证。实验显示该模型相比双向LSTM与单向LSTM分别提升约1.6%和6.6%的预测精度。读者可从中获取完整的模型结构设计、CNN与BiLSTM的衔接思路、实验对比方案及智能交通应用背景适合作为短时交通流预测课题的算法参考与论文写作素材。目前已有365人学习。1. 短时交通流预测为什么单靠 CNN 或 BiLSTM 都不够用做短时交通流预测的同行大多踩过同一个坑拿一份线圈或卡口的历史车速、流量数据先试 CNN发现它抓局部突变很灵但预测下一时刻的长程趋势总是慢半拍再换 BiLSTM趋势是稳了可遇到早晚高峰那种骤升骤降又反应迟钝。原因不复杂——交通流同时具备两种结构空间上相邻路段互相影响时间上前后时刻强相关。CNN 擅长前者BiLSTM 擅长后者单独用任何一个都是在丢信息。这个标题讲的组合模型本质就是把这两类特征拼起来用卷积神经网络CNN从输入序列里抽局部时空特征再交给双向长短时记忆网络BiLSTM建模前后向的时序依赖最后接全连接层输出预测值。它解决的是单模型精度上不去、高峰期误差大的问题适合手里有路段级时序数据、想在不换硬件的前提下把预测误差压下来的从业者。下面按「数据怎么整 → 模型怎么搭 → 参数怎么调 → 坑在哪」走一遍能直接照着复现。2. 从原始流量到模型输入数据预处理与滑窗构造2.1 先搞清楚输入张量到底长什么样组合模型的输入不是一维序列而是带时间步的二维张量。常见做法是把连续 N 个时间片的流量拼成一个矩阵形状为(时间步, 特征数)。如果只预测单路段特征数可以是 1流量或 3流量、占有率、平均车速如果做多路段特征数就是路段数。CNN 的卷积核在这个矩阵上沿时间维滑动提取局部变化模式所以输入维度必须和后面 Conv1D 的input_shape对齐这是最容易翻车的地方。我一般先把数据整理成「每行一个时间片、每列一个特征」的 CSV再用滑窗切样本。窗口长度时间步取 12 是常见起点对应 1 小时5 分钟粒度或 1 小时5 分钟粒度的历史预测步长取 1 到 6。窗口太短抓不到周期太长会引入噪声且训练变慢这个参数后面还会细说。2.2 缺失值、异常值和归一化一个都不能省交通数据几乎没有干净的。检测器掉线会产生连续缺失事故或恶劣天气会产生尖峰异常。直接丢给模型BiLSTM 会把异常当真实模式学进去。我的处理顺序是先按时间索引重采样到固定粒度缺失值用前后时刻线性插值补连续缺失超过 3 个时间片的整段标记后剔除异常值用 3σ 或 IQR 判定超出范围的用邻近中位数替换。归一化必须做而且要用训练集的统计量去变换验证集和测试集否则就是数据泄漏。Min-Max 适合流量这种有明确上下界的量Z-Score 适合车速。下面这段是完整的预处理和滑窗构造代码。import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler # 1. 读取并重采样到 5 分钟粒度 df pd.read_csv(traffic.csv, parse_dates[timestamp]) df df.set_index(timestamp).resample(5min).mean() # 2. 线性插值补缺失连续缺失超 3 个的段置 NaN 后剔除 df[flow] df[flow].interpolate(methodlinear, limit3) df df.dropna() # 3. IQR 异常值替换为中位数 q1, q3 df[flow].quantile([0.25, 0.75]) iqr q3 - q1 low, high q1 - 1.5 * iqr, q3 1.5 * iqr median df[flow].median() df.loc[(df[flow] low) | (df[flow] high), flow] median # 4. 只用训练集拟合 scaler避免数据泄漏 split int(len(df) * 0.8) scaler MinMaxScaler() scaler.fit(df.iloc[:split][[flow]]) scaled scaler.transform(df[[flow]]) # 5. 滑窗构造样本window12, horizon1 def make_samples(data, window, horizon): X, y [], [] for i in range(len(data) - window - horizon 1): X.append(data[i:i window]) y.append(data[i window:i window horizon]) return np.array(X), np.array(y) X, y make_samples(scaled, window12, horizon1) print(X.shape, y.shape) # (样本数, 12, 1) (样本数, 1)逻辑说明重采样统一时间粒度是后续滑窗的前提limit3控制插值范围超过就丢避免用长段猜测值污染训练IQR 替换比直接删除保留更多样本scaler 只在训练段 fit 是关键很多精度虚高就是这里泄漏了。参数上window和horizon决定输入输出形状必须和模型第一层、最后一层匹配改一个就要同步改另一个。2.3 训练集、验证集、测试集怎么切才不骗自己时序数据不能随机打乱切分否则未来信息会漏进训练集。正确做法是按时间顺序切前 70% 训练中间 15% 验证最后 15% 测试。验证集用来早停和调参测试集只在最后跑一次。如果做多步预测还要保证测试集的起点在训练集之后别让窗口跨过切分点。3. CNN-BiLSTM 组合模型怎么搭层序、维度与代码3.1 为什么是「先卷积再双向 LSTM」这个顺序顺序不是随便定的。CNN 在前负责在时间维上做局部卷积把原始序列压缩成更抽象的特征序列同时降低后面 LSTM 要处理的长度减少参数量和过拟合风险。BiLSTM 在后接收 CNN 输出的特征序列从前向和后向两个方向建模依赖输出拼接后送全连接。反过来先 LSTM 再 CNN 也能跑但 LSTM 输出已经是高度抽象的时间表示再卷积意义不大实测精度通常更低。卷积层用Conv1D因为输入是时间序列一维卷积沿时间轴滑动即可。池化层可选MaxPooling1D能进一步降维但窗口小的时候池化会丢细节我一般窗口 12 时不加池化窗口 24 以上才考虑。BiLSTM 层数 1 到 2 层够用再多容易过拟合且训练慢。3.2 完整模型定义与逐层参数解释下面用 Keras 搭一个可直接训练的版本。输入形状(12, 1)对应 12 个时间步、1 个特征。from tensorflow.keras import layers, models, callbacks def build_cnn_bilstm(window, n_features): model models.Sequential([ # 卷积层64 个 3 宽卷积核提取局部时序特征 layers.Conv1D(filters64, kernel_size3, activationrelu, paddingsame, input_shape(window, n_features)), # 可选池化窗口小时注释掉 # layers.MaxPooling1D(pool_size2), # 双向 LSTM64 个隐藏单元返回序列给下一层 layers.Bidirectional(layers.LSTM(64, return_sequencesTrue)), layers.Bidirectional(layers.LSTM(32, return_sequencesFalse)), layers.Dropout(0.2), layers.Dense(32, activationrelu), layers.Dense(1) # 单步预测输出 1 个值 ]) model.compile(optimizeradam, lossmse, metrics[mae]) return model model build_cnn_bilstm(window12, n_features1) model.summary()逻辑说明paddingsame保证卷积输出长度和输入一致方便后面接 LSTM第一层 BiLSTM 设return_sequencesTrue是为了把序列传给第二层第二层设False只取最后时刻的表示Dropout(0.2)放在 LSTM 后抑制过拟合两个 Dense 做非线性映射到预测值。参数上filters从 32 到 128 都常见数据量大往大取kernel_size取 3 或 5对应捕捉 15 到 25 分钟的局部模式LSTM 单元数第一层通常大于第二层形成漏斗结构。3.3 训练、早停与多步预测的改动点训练时用EarlyStopping监控验证集 loss耐心值设 10避免无效 epoch。学习率默认 0.001 够用loss 震荡就降到 0.0005。如果要做多步预测把最后一层Dense(1)改成Dense(horizon)标签 y 的形状同步改成(样本数, horizon)。es callbacks.EarlyStopping(monitorval_loss, patience10, restore_best_weightsTrue) history model.fit(X_train, y_train, validation_data(X_val, y_val), epochs100, batch_size64, callbacks[es], verbose1)batch_size取 32 到 128数据少就取小restore_best_weightsTrue保证训练结束拿回验证集最优权重而不是最后一个 epoch 的。这两点不做测试精度经常比验证差一截。4. 参数怎么调、指标怎么看从 MAE 到高峰期误差4.1 必调的四个参数与取值范围组合模型的精度对参数敏感但不用盲搜。按影响从大到小排窗口长度、LSTM 单元数、卷积核数量、学习率。下面这张表是我在多个路段数据上试出来的经验区间可直接作为网格搜索的起点。参数常用范围影响调整方向window 时间步6 / 12 / 24太短抓不到周期太长引入噪声从 12 起误差大再试 24LSTM 单元数32 / 64 / 128太小欠拟合太大过拟合第一层 64第二层减半Conv1D filters32 / 64 / 128特征提取能力数据量大往大取学习率0.001 / 0.0005收敛速度与稳定性loss 震荡就减半调参顺序建议先固定其他只动 window找到验证集 MAE 最低的窗口再调 LSTM 单元数最后微调学习率。一次性全网格搜索耗时且容易过拟合验证集。4.2 评价指标别只看 MAEMAE 和 RMSE 是基础但短时交通流预测真正要盯的是高峰期误差。平峰期大家预测都准差距在早晚高峰。我一般额外算两个指标高峰时段7:00-9:00、17:00-19:00的 MAE以及峰值点的相对误差。如果整体 MAE 很低但高峰 MAE 翻倍说明模型没学到突变模式得回去检查输入里有没有加入占有率、是否归一化把峰值压平了。from sklearn.metrics import mean_absolute_error, mean_squared_error import numpy as np pred model.predict(X_test) # 反归一化后再算指标否则数值没有物理意义 pred_inv scaler.inverse_transform(pred) true_inv scaler.inverse_transform(y_test) mae mean_absolute_error(true_inv, pred_inv) rmse np.sqrt(mean_squared_error(true_inv, pred_inv)) print(fMAE{mae:.2f}, RMSE{rmse:.2f})注意反归一化这一步经常被漏掉导致报出来的 MAE 是 0.0x 这种没有意义的数。指标一定要在原始量纲上算才能和业务方对齐。4.3 和单模型对比确认组合真的有用别默认组合一定更好。我习惯在同一份数据、同一套预处理上分别跑纯 CNN、纯 BiLSTM 和组合模型用同一测试集对比。如果组合模型的高峰 MAE 没有明显低于两个单模型说明你的数据里空间或时间特征有一方不显著硬拼反而增加过拟合风险。这个对比花不了多少时间但能避免把无效方案推上线。5. 避坑与排查组合模型训练中最容易翻车的五件事5.1 现象训练 loss 一直降验证 loss 早早反弹原因模型容量相对数据量过大BiLSTM 层数或单元数偏多加上没加 Dropout。 解决先减 LSTM 单元数比如 128 降到 64再加Dropout(0.2~0.3)同时开早停。数据量小于一万条时两层 BiLSTM 基本就是过拟合配置。5.2 现象预测曲线整体平移峰值永远差一截原因归一化用了全局 Min-Max把高峰值压到接近 1模型学到的动态范围被压缩或者输入特征只有流量缺少占有率等辅助信息。 解决改用 Z-Score 或按天归一化保留峰谷差异加入占有率和平均车速作为额外特征特征数从 1 改成 3。5.3 现象验证集指标很好上线后误差翻倍原因切分时随机打乱或滑窗跨过了训练测试边界未来信息泄漏或者 scaler 用全量数据拟合。 解决严格按时间顺序切分scaler 只在训练段 fit。检查滑窗构造时测试集第一个样本的起点是否在训练集末尾之后。5.4 现象Conv1D 报维度错误原因输入形状和input_shape不匹配常见于多特征时忘了改n_features或滑窗后 X 的形状是(样本, 时间步)少了特征维。 解决打印X.shape确认是三维(样本, 时间步, 特征)不是就np.expand_dims(X, -1)补一维。改特征数时同步改input_shape。5.5 现象多步预测时后面几步误差爆炸原因直接让Dense(horizon)一次性输出多步模型对远期没有约束误差累积。 解决改成分步递归预测每次预测一步再把结果喂回输入或者用 seq2seq 结构。步长超过 3 时递归通常比一次性输出稳。6. 让组合模型再上一个台阶残差连接与误差分段验证基础版跑通后想再压误差我常用的两个进阶手段是残差连接和误差分段验证。残差连接解决的是深层网络退化问题在 Conv1D 输出和 BiLSTM 输出之间加一条跳跃连接让原始局部特征能直接参与最终映射避免卷积层把有用信息磨掉。实现上把 CNN 输出保存下来和 BiLSTM 输出拼接后再进全连接。from tensorflow.keras import layers, models inp layers.Input(shape(12, 1)) c layers.Conv1D(64, 3, activationrelu, paddingsame)(inp) b layers.Bidirectional(layers.LSTM(64, return_sequencesFalse))(c) # 残差把卷积输出的全局池化结果和 BiLSTM 输出拼接 c_pool layers.GlobalAveragePooling1D()(c) merged layers.Concatenate()([b, c_pool]) d layers.Dense(32, activationrelu)(merged) out layers.Dense(1)(d) model models.Model(inp, out) model.compile(optimizeradam, lossmse, metrics[mae])逻辑说明GlobalAveragePooling1D把卷积特征序列压成一个向量保留局部模式的全局摘要Concatenate把它和 BiLSTM 的时序表示拼起来等于让模型同时看到「局部摘要」和「双向时序」。参数上拼接后维度变大Dense 层可以适当加宽到 64但 Dropout 也要跟上。误差分段验证是我坚持做的第二件事。把测试集按流量水平分成低、中、高三段分别算 MAE。如果低流量段误差很小、高流量段误差大说明模型对峰值欠拟合回去加特征或调窗口如果三段都差那是预处理或切分出了问题。这个习惯帮我抓到过好几次「整体指标好看但高峰期不可用」的模型。最后说个我自己的教训早期做这个组合模型时我花了两周调网络结构精度只动了零点几后来发现问题出在数据里有一段检测器连续掉线三天插值补出来的假数据把 BiLSTM 带偏了。从那以后我养成的习惯是建模前先画一遍原始序列图肉眼过一遍异常段比任何调参都值。希望帮到你。本文还有配套的精品资源点击获取