LSTM-GRU混合模型在交通流量预测中的应用与优化

1. 项目背景与核心价值

交通流量预测一直是智慧城市建设中的关键环节。记得去年实习时参与某城市早高峰疏导项目，交通管理部门最头疼的就是无法提前预判各路段的车流变化。传统基于统计的方法在突发天气或节假日等场景下预测准确率往往不足60%，而基于深度学习的方案为我们打开了新思路。

这个毕业设计选择LSTM-GRU混合模型，本质上是要解决单模型在长序列预测中的局限性。LSTM擅长捕捉长期依赖但计算成本高，GRU结构精简却可能丢失细节特征。去年参加NeurIPS时，多位学者都提到混合架构在时间序列预测中的潜力，这次终于有机会亲手实现验证。

2. 技术方案设计解析

2.1 数据准备与特征工程

真实交通数据往往存在传感器故障导致的缺失值。我们采用时空双维度插补法：对同一检测器不同时段的数据用三次样条插值，对相邻检测器同时段数据用KNN填充。关键特征包括：

• 基础流量数据（5分钟粒度）
• 天气状况（能见度、降水强度编码为one-hot）
• 日期类型（工作日/周末/节假日）
• 上下游路段关联度（基于路网拓扑计算）

特别注意：节假日数据需单独标注。某次测试发现将春节数据视同普通周末，导致预测误差激增40%

2.2 模型架构实现细节

采用双通道混合结构（见图1）。LSTM分支使用128单元捕捉长期趋势，GRU分支64单元处理短期波动，最后通过注意力机制动态融合。核心参数设置依据：

• 堆叠层数：通过梯度传播测试确定2层最优
• dropout率：网格搜索锁定0.2-0.3区间
• 学习率：采用余弦退火策略（初始0.001）

python复制class HybridModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.lstm = nn.LSTM(input_size=64, hidden_size=128, num_layers=2)
        self.gru = nn.GRU(input_size=64, hidden_size=64, num_layers=1)
        self.attention = nn.Sequential(
            nn.Linear(192, 96),