1D CNN+LSTM的高速公路短时交通流量预测实战解析

简介：面向高速公路短时交通流预测场景，这份Python资源提供了基于1D CNN+LSTM组合结构的LCTFP模型完整实现，适合具备一定深度学习基础、正在做交通流预测或时序建模的开发者参考。模型利用1D CNN提取交通流空间特征，LSTM捕捉时间动态，属于经典时空特征融合方案；脚本覆盖数据读取、预处理、归一化、时间排序、模型训练、超参数搜索和预测对比。压缩包共21个文件，以7个Python脚本、6个H5权重、4个JSON配置为主，另含2张PNG模型结构图/结果图和1个README说明，整体约31MB。已预处理好的站点交通流数据与README帮助快速复现，训练好的h5文件可直接加载使用；cnn_lstm_param.py借助hyperas搜索超参数，便于进一步调优。资源已有5334人学习浏览，配套数据样本、模型权重和可视化结果，适合作为课程设计或项目基线，在此基础上做改进和扩展。

1. LCTFP 是套什么资源：用 1D CNN 加 LSTM 拆解高速公路短时流量预测

LCTFP 这套基于 Python 实现的高速公路交通流量预测资源，核心是一整条 1D CNN + LSTM 的混合网络。先用 1D CNN 卷积层从短时流量窗口里抓空间关联，再把卷积输出交给 LSTM 处理时间上的先后依赖，最后用全连接层输出下一时段的流量值。你能拿到的是完整工程：PeMS 原始数据、预处理脚本 data_preprocess.py、监督样本脚本 input_data.py、训练主脚本 cnn_lstm_final.py、超参数搜索脚本 cnn_lstm_param.py，以及 Model 目录里一排训练好的 json/h5 权重文件。适合三类人：想复现 CNN+LSTM 流量预测的毕设党、要做多模型对比的研究生、正在做断面短时流量预测却缺一条可跑通基线的从业者。我的建议是先把 cnn_lstm_final.py 完整跑通，再动超参数。下面按数据入口、网络结构、调参训练、避坑、验证的顺序拆给你看。

2. 数据入口与预处理：从 PeMS 原始 txt 到可训练的监督序列

模型结构放后面，先看数据。LCTFP 的训练数据来自 PeMS 数据集的断面流量记录，这套包里 PeMS 目录下的原始数据是 txt 存储，每一行是一个时间戳加对应的流量值。data_preprocess.py 负责把所有 txt 读进来，完成缺失处理、时间排序和归一化；input_data.py 再把归一化后的序列切成带标签的监督样本。交通流量预测的第一个坑通常不在模型选型，而在数据准备阶段就把时间顺序弄乱、把量程混掉。所以这一章把读入、归一化、切窗三件事分别讲透。

2.1 先理清 PeMS 数据里有什么：txt 读取与按时间排序

从 PeMS 拿到的原始断面数据一般是一个站点一个 txt，字段至少包含时间戳和流量值。读入的逻辑必须按时间戳排序，不能依赖文件在磁盘上的物理顺序。资源里的 data_preprocess.py 干的就是这件事，常见的读取逻辑是这样：

import os import numpy as np def load_flow_txt(path): ts_list, flow_list = [], [] with open(path, 'r', encoding='utf-8') as f: for line in f: line = line.strip() if not line or line.startswith('#'): continue parts = line.split(',') ts_list.append(parts[0].strip()) flow_list.append(float(parts[1].strip())) # 关键：按时间戳排序，后续窗口切分必须是严格时序 order = np.argsort(ts_list) flow_arr = np.array(flow_list)[order] return flow_arr

逻辑说明：先把所有行读到内存，再按时间戳排序。真实 txt 文件因为采集端网络抖动，写入顺序和实际时间顺序经常不一致，直接切窗会导致训练样本错位，模型学到的是乱序关系。排序后得到的 flow_arr 是一维流量序列，后面所有切窗、归一化都基于这个有序数组。

参数说明：如果原始数据是 5 分钟一条记录，取 step=12 表示用过去 1 小时的流量预测下一条；取 step=18 表示用 1.5 小时。LCTFP 的场景是短时交通流预测，窗口不宜拉太长，太长会把早高峰和低谷期混进同一个上下文，模型反而分不清当前处于哪个流量阶段。

2.2 归一化别一把梭：MinMax 的 fit 与 transform 要分开

读进来的流量数值范围跨度很大，PeMS 里早高峰断面流量可能是低谷期的几倍，如果不归一化，LSTM 的梯度很容易被大数值把持。常见做法是用 MinMaxScaler 把流量压到 0~1。但这里有一个血泪经验：对整个数据集一起 fit，测试段的最小值和最大值就提前泄进了训练过程，验证集指标会虚高，真实预测能力被高估。

from sklearn.preprocessing import MinMaxScaler def normalize_flow(flow_train, flow_val, flow_test): scaler = MinMaxScaler(feature_range=(0, 1)) # 只用训练段 fit，验证和测试段只做 transform scaler.fit(flow_train.reshape(-1, 1)) train_scaled = scaler.transform(flow_train.reshape(-1, 1)).flatten() val_scaled = scaler.transform(flow_val.reshape(-1, 1)).flatten() test_scaled = scaler.transform(flow_test.reshape(-1, 1)).flatten() return train_scaled, val_scaled, test_scaled

逻辑说明：fit 只发生在训练段，验证段和测试段只调用 transform。这样测试段的数值范围不会以任何形式参与训练，验证指标才可信。

参数说明：如果同时处理多个站点，不要把所有站点的流量拼成一个长序列再统一 fit。不同断面的车道数、限速值、上下游位置不同，流量量纲差异大，混在一起会让模型把站点差异当成噪声去拟合。我一般按站点分别建 scaler，每个站点一套缩放参数。

提示：PeMS 数据读进来之后，先画一张流量曲线看看有没有大段 0 值区间。凌晨流量为 0 是正常的，如果白天出现连续 0 值，多半是采集点故障，这类区间要剔除后再切窗，否则会拉低模型的峰值预测能力。

2.3 把序列切成监督样本：input_data.py 的职责

归一化后的序列还是线性一维数组，不能直接塞进 Conv1D 和 LSTM。需要按窗口滑动生成 X 和 y，X 是过去 look_back 个时刻的流量，y 是下一时刻流量。资源里的 input_data.py 干的就是切窗工作。切窗时必须按时间顺序切训练集、验证集、测试集，不能做随机 shuffle，一旦 shuffle 未来信息就混进了训练上下文，这种泄漏在时序任务里比归一化泄漏更难察觉。

def create_supervised(flow_scaled, look_back=12, train_ratio=0.7, val_ratio=0.15): X, y = [], [] for i in range(len(flow_scaled) - look_back): X.append(flow_scaled[i:i + look_back]) y.append(flow_scaled[i + look_back]) X = np.array(X).reshape(-1, look_back, 1) y = np.array(y).reshape(-1, 1) n = len(X) train_end = int(n * train_ratio) val_end = int(n * (train_ratio + val_ratio)) return (X[:train_end], y[:train_end], X[train_end:val_end], y[train_end:val_end], X[val_end:], y[val_end:])

逻辑说明：切窗方式决定了 LSTM 能看到多长的历史。窗口滑动步长默认是 1，也就是说连续两个训练样本只差一个时刻，数据高度重叠，这会让训练样本之间的相关性变高，loss 曲线偏平滑，这是正常的，不要误以为过拟合。

参数说明：train_ratio=0.7、val_ratio=0.15 是常见划分，我也习惯按月份切，前两个月训练、第三个月验证、第四个月测试，更贴近流量预测的落地场景。切窗后 X 的形状是 (样本数, look_back, 1)，第三维 1 表示单通道流量；后面如果加站点编码或天气特征，这个维度要相应扩展，input_data.py 里要同步改。

3. 模型结构拆解：1D CNN 抓空间特征、LSTM 抓时间特征

网络结构是这套资源的灵魂。LCTFP 用的是先卷积后 LSTM 的组合，打开 cnn_lstm_final.py 会看到主干是 Conv1D → MaxPooling1D → LSTM → Dense。为什么这样排？原因在于交通流特征本身是双重的：同一断面相邻时隙存在局部关联，而更长时间尺度上存在持续性和周期性。模型既要捕捉「前 10 分钟和现在的关系」，也要捕捉「昨天同时段和现在的关系」，两种模式用不同结构分开学，比混合在一个单元里更稳定。

3.1 为什么是 1D CNN，不是 2D：卷积在短时流量上的作用

深度学习 CNN 卷积神经网络在流量序列上做卷积，等价于在每个历史时刻附近开一个小窗口，把窗口内相邻时隙的加权和作为局部特征。它的优势是权重共享，同一个卷积核扫描不同时间段，需要学习的参数少，不容易过拟合。流量预测不用 2D CNN 的原因也直接：2D 卷积假定输入是图像那样的二维结构，在平面上有平移不变性，而流量序列只有时间一个轴。强行把流量转成站点×时刻的二维矩阵，对齐成本高，训练数据量通常也撑不起 2D 卷积的参数规模。

实际跑实验你会发现：加了前置 1D CNN 之后，LSTM 的收敛明显变快。因为卷积层先把相邻时隙的冗余信息压缩了一遍，LSTM 再学时间依赖时面对的输入更干净，门控结构不用分心去处理「5 分钟前和 10 分钟前信息太像」的问题。

3.2 cnn_lstm_final.py 的网络结构：Conv1D 到 LSTM 再到全连接

核心构建代码按 Keras 的 Sequential 写法是这样：

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv1D, MaxPooling1D, LSTM, Dense, Dropout look_back = 12 # 历史窗口长度，我一般取 12~18 model = Sequential() # 第一层：1D 卷积 + ReLU，每次扫 kernel_size 个相邻时隙 model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(look_back, 1))) # 池化：把卷积后的序列长度减半，降低 LSTM 计算量 model.add(MaxPooling1D(pool_size=2)) # LSTM：读取卷积后的序列，输出最后一个隐藏状态 model.add(LSTM(units=64, return_sequences=False)) # 防过拟合 model.add(Dropout(0.2)) # 全连接输出单个流量预测值 model.add(Dense(1))

逻辑说明：Conv1D 在时间轴上移动卷积核，每次覆盖 kernel_size 个历史时隙，filters=64 表示有 64 个不同权重的卷积核并行提取局部模式；MaxPooling1D 把序列长度减半，LSTM 处理步数变少，训练更快；LSTM 的 return_sequences=False 表示只输出最后一个时间步的隐藏向量，这个向量携带了整段历史信息的压缩表达；最后 Dense(1) 把它压成单个流量值。

参数说明：filters 越大能学到的局部模式越多，但训练时间线性增长，128 以上在单站点数据上容易过拟合。kernel_size 取 3 或 5，取太大会把远期信息提前混合进局部特征，LSTM 反而没东西可学。units 是 LSTM 隐藏单元数，对突变点的捕捉能力直接和它挂钩，但也不是越大越好，超过 128 之后收益递减明显。

3.3 Model 目录下的文件关系：json 存结构、h5 存权重

训练完再看 Model 目录，你会发现这套资源把结构和权重分开存了：cnn_lstm_final.json 是 CNN+LSTM 的结构定义，cnn_lstm_best.h5 是早停保留的最佳权重；同目录下还有 lstm.json、lstm.h5、sae.json、sae.h5、cnn.h5，对应纯 LSTM、SAE 自编码、纯 CNN 三个对照模型的存档。这些对照模型的存在是为了让 compare.py 能在同一份测试数据上做公平比较。

加载模型的典型写法：

from tensorflow.keras.models import model_from_json with open('Model/cnn_lstm_final.json', 'r', encoding='utf-8') as f: model = model_from_json(f.read()) model.load_weights('Model/cnn_lstm_best.h5')

逻辑说明：json 只描述网络层结构和每层的参数设置，h5 存实际权值。加载时必须先通过 model_from_json 重建结构，再 load_weights 灌权重，顺序反了会报结构不一致的错误。这一点在你后续用自己的数据微调时同样适用：改了结构就必须要重新保存 json。

4. 超参数搜索与训练：hyperas 调参与模型落盘

模型结构定下来之后，剩下的工作量大部分在超参数。LCTFP 专门带了一个 cnn_lstm_param.py 做超参数搜索，功能是用 hyperas 在卷积核数量、LSTM 单元数、dropout、batch_size 这些维度上自动找一组使验证 loss 最小的组合。用它之前要先在你的 python 环境里装好 hyperas，不然脚本第一行 import 就会报错。很多人以为超参数搜索是玄学，其实搜索空间设得合不合理，直接决定搜索结果是可用模型还是垃圾配置。

4.1 hyperas 搜参数：cnn_lstm_param.py 在做什么

hyperas 的思路是把 Keras 模型定义里的关键数字换成分布表达式，再用 hyperopt 后端采样验证。搜索空间每个参数的取值范围要和流量预测的常识对齐：窗口 look_back 固定，把 filters、units、dropout 留给搜索器。比如：

from hyperopt import Trials, STATUS_OK, tpe from hyperas import optim from hyperas.distributions import choice, uniform def data(): # 这里加载 input_data.py 切好的 X_train, y_train, X_val, y_val return X_train, y_train, X_val, y_val def model(X_train, y_train, X_val, y_val): filters = {{choice([32, 64, 128])}} units = {{choice([32, 64, 128])}} dropout = {{uniform(0.1, 0.4)}} # 中间省略网络构建，和 cnn_lstm_final.py 主干一致 model.fit(X_train, y_train, batch_size={{choice([32, 64])}}, epochs=20, validation_data=(X_val, y_val), verbose=0) val_loss = model.evaluate(X_val, y_val, verbose=0) return {'loss': val_loss, 'status': STATUS_OK, 'model': model} best_run, best_model = optim.minimize( model=model, data=data, algo=tpe.suggest, max_evals=30, trials=Trials())

逻辑说明：{{choice([...])}}和{{uniform(...)}}不是普通 Keras 代码，它们会被 hyperas 解析成搜索维度。max_evals=30表示最多尝试 30 组参数组合，每跑完一组用验证集 loss 作为目标函数值，由 tpe 算法决定下一组采样方向。

参数说明：choice 是离散候选，uniform 是连续区间。流量预测场景下 dropout 别搜到 0.5 以上，短时流量序列本身样本间相关性强，dropout 过大会让网络学不到相邻时刻的峰值延续关系，验证 loss 不降反升。

提示：cnn_lstm_param.py 的搜索结果不能直接当最终模型用。它找到的是「验证集上 val_loss 最小的组合」，落地时还要在测试集上重验一遍，确认高峰时刻的预测没有整体滞后，这一步经常被跳过。

4.2 训练闭环：early stopping、best h5 和 final h5 差在哪

训练主脚本里一般会挂两个回调：EarlyStopping 监听验证集 loss，连续多轮不降就停止；ModelCheckpoint 只在验证 loss 创新低时保存一次快照。这就是 Model 目录里 cnn_lstm_best.h5 的来源，它保存的是整个训练过程中验证集最优的那一版，而不是最后一次 epoch 的权重副本。

from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint checkpoint = ModelCheckpoint('Model/cnn_lstm_best.h5', monitor='val_loss', save_best_only=True) early = EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True) history = model.fit(X_train, y_train, batch_size=64, epochs=50, validation_data=(X_val, y_val), callbacks=[checkpoint, early])

逻辑说明：验证集 loss 在 epoch 20 左右最低、到 epoch 30 开始回升时，EarlyStopping 会在 epoch 35 左右截断训练，restore_best_weights=True 把权重回滚到 epoch 20 的状态；checkpoint 同时在磁盘上留了一份 cnn_lstm_best.h5。这样即使训练中途崩了，也有一份可用的最优权重兜底。

参数说明：patience 是连续几轮验证 loss 不降就停止，一般取 5~10。太小容易在 loss 波动期提前停止，太大则失去早停意义。batch_size=64 在单站点流量数据上是个稳定的起点；数据量小就降到 32，数据量大可以试 128。

5. 避坑：交通流量预测最容易翻车的四个点

跑这套 LCTFP 代码时，真正让人头疼的不是模型结构，而是数据处理和训练细节里的玄学问题。下面四条是我拆这个资源时踩过、也看别人反复踩的坑，每条都按现象、原因、解决来讲。前两条是数据泄漏问题，后两条是环境和多站点问题，顺序基本对应你实际跑代码时会遇到的先后次序。

5.1 第一雷区：全局 MinMax 归一化把测试信息泄进来

现象：训练时的验证集 RMSE 非常漂亮，把模型放到真实流量曲线上预测，高峰时段几乎全变成平线，完全看不出早晚高峰的起伏。

原因：归一化时对整个数据集做了一次 fit，测试段的最大值早在训练前就被模型看到了。流量预测里测试段往往是高峰日或节假日，数值范围跟训练段差异大，一旦全局 fit，测试段的量程信息就进了缩放器，验证指标虚高，真实预测能力被高估。

解决：预处理脚本里把归一化严格拆成两步，训练段单独 fit，验证和测试段只调 transform。上面 2.2 的 normalize_flow 函数就是按这个逻辑写的。跑完记得再打印一次测试段真实最大值，确认它不在训练段的统计范围内。

5.2 第二雷区：LSTM 输出去学「复制粘贴」

现象：预测曲线和真实曲线形状相似，但整体右移一个时间步，RMSE 不算高，可高峰到达时刻永远比真实晚一个时隙，做拥堵预警时完全不可用。

原因：流量序列在相邻时间步上自相关很强，LSTM 最省力的拟合方式是直接复制上一时刻的值到输出。这种模型 loss 低，但没有真正学到增长趋势，只是把输入滞后了一份。

解决：先对流量序列做一阶差分，训练差分序列，预测完再把差分量加回原值：

import numpy as np diff = np.diff(flow, n=1) # 一阶差分，消除相邻强自相关 # 训练完成后还原预测值 flow_pred = np.cumsum(np.concatenate(([flow[0]], diff_pred)))

逻辑说明：差分把原始流量的趋势项去掉，模型学的是「下一时段比当前时段多多少」这个增量，而不是「下一时段等于当前时段」的复制。还原时用 cumsum 累加回去。

参数说明：n=1 表示一阶差分，流量数据通常一阶就够。如果数据采样密度更高、自相关更强，可以试二阶差分，但还原时要连续做两次 cumsum，链式累积误差也会变大，需要额外观察还原后的数值漂移。

5.3 第三雷区：cnn_lstm_param.py 一跑就报错

现象：python 环境下运行 cnn_lstm_param.py，报错信息指向 hyperas 里的 import 或 theano 相关模块，有时还会提示找不到某个 keras 内部函数。

原因：hyperas 对 tensorflow/keras 的版本很敏感，较新的 keras 版本里部分 API 已调整，hyperas 内部还在用旧写法，直接 import 会触发兼容性错误。报错信息往往不直接说版本问题，而是甩一个「AttributeError: module X has no attribute Y」，容易误导排查方向。

解决：先确认 python 环境里装的是 tensorflow 2.x + keras 2.x 的配套版本，然后安装 hyperas，再单独跑一条最小调用验证：

pip install hyperas python -c "from hyperas import optim; print('hyperas ok')"

逻辑说明：这条最小命令把 hyperas 的导入问题提前暴露出来。如果 import 报错，优先检查 python 版本和 keras 版本，hyperas 在 python 3.10+ 上偶尔有兼容问题；如果这行能过，再回跑 cnn_lstm_param.py，问题基本出在数据加载函数上，和 hyperas 本身无关。

5.4 第四雷区：多站点混训导致 loss 震荡

现象：把 PeMS 多个站点数据直接拼成一个长序列喂给模型，训练 loss 忽高忽低，验证集指标也反复抽风，上一轮还好好的，下一轮就崩了。

原因：不同断面的车道数、限速、上下游位置不同，流量量纲和峰值形态差异很大。模型把「站点差异」误当成要学习的特征，在站点切换处产生大的预测偏差，梯度被拉来拉去，训练稳定性自然差。

解决：两个方向。简单的是按站点分别训练，各存一套权重，推理时按站点加载对应模型，这套资源本身也按站点组织 PeMS 数据，操作起来并不麻烦；如果要混训，就给每条样本加一个站点编码特征，输入从 (look_back, 1) 变成 (look_back, 1 + n_sites)，用 one-hot 告诉模型当前样本来自哪个断面，网络就能把站点差异当作条件而不是噪声。

6. 拿到模型先别急着上线：用 compare.py 横向对比和方向命中率做检查

资源里的 compare.py 是专门干对比的：它加载 lstm.json、sae.json、cnn_lstm_final.json 三套结构，分别配上对应的 h5 权重，对同一段测试集做预测，再把三条曲线和真实曲线画在一起，输出 threemodels.png。看这张图时，我建议先盯两个地方：早高峰的尖峰时刻是不是对齐，晚高峰的回落段是不是滞后。预测曲线一滞后，做信号联动或拥堵预警就失去意义，这时候 RMSE 再低也不值得高兴。

除了看图，我每次还会补一个数字指标——方向命中率。它衡量预测值和真实值在相邻时刻之间的变化方向是否一致，比 RMSE 更能反映峰值跟随能力：

import numpy as np def direction_accuracy(y_true, y_pred): diff_true = np.diff(y_true.flatten()) diff_pred = np.diff(y_pred.flatten()) return np.mean((diff_true * diff_pred) > 0)

逻辑说明：真实流量上升而预测也上升，方向一致；真实流量下降而预测还在上升，方向不一致。direction_accuracy 低于 0.5 说明模型基本是在贴均值，对峰值拐点不敏感。RMSE 看数值误差大小，方向命中率看趋势是否跟对，两个指标配合起来才是完整的评估闭环。

把 LCTFP 代码包拿回去之后，我的习惯是只改数据路径先跑通 cnn_lstm_final.py，再单独跑 compare.py 生成三模型曲线，然后把测试集预测结果喂进上面这个函数。从那以后，我每次做流量预测都强制走一遍「差分-训练-还原-方向命中率」的闭环，避免陷在 RMSE 低、滞后严重的假象里反复浪费版本迭代时间。希望帮到你。

本文还有配套的精品资源，点击获取