Engineering and Management Science

随着高速公路养护施工活动的增多，施工区段对交通流的影响日益突出，导致通行能力下降和拥堵风险增加[1]。为了实现对施工场景下交通流量的准确预测，本文提出了一种基于CNN-BiLSTM混合深度神经网络的交通流预测系统，并设计了相应的云-边协同计算架构。系统首先通过多源传感器（如毫米波雷达和ETC门架）实时采集施工区上下游的交通数据，然后对数据进行清洗、插补和归一化预处理[2][3]。在此基础上，构建卷积神经网络（CNN）与双向长短期记忆网络（BiLSTM）融合的预测模型，CNN负责提取交通流的空间局部特征，BiLSTM捕获双向时间依赖信息[4]。采用小批量随机梯度下降和Adam优化算法训练模型，并通过交叉验证调整超参数。实验使用高架高速公路仿真数据，在训练集和测试集上评估模型性能。结果表明，所提系统能有效预测施工区交通流变化趋势，预测值与实测值高度吻合，各项误差指标明显优 于传统方法。最后讨论了模型的局限性及未来改进方向。