林錦香

摘要：針對(duì)傳統(tǒng)交通流預(yù)測方法由于交通流本身的非線性而使預(yù)測精度受限的問題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的道路交通速度預(yù)測方法。先根據(jù)道路交通速度的時(shí)間連續(xù)性和空間特征對(duì)交通數(shù)據(jù)重構(gòu)出交通流的時(shí)空矩陣，作為預(yù)測模型的特征輸入。然后結(jié)合卷積神經(jīng)網(wǎng)絡(luò)非線性擬合能力，及其卷積層和池化層對(duì)深層特征的抽取能力來訓(xùn)練模型，進(jìn)而對(duì)未來的交通流做出預(yù)測。最后，使用多個(gè)指標(biāo)對(duì)該方法的預(yù)測結(jié)果進(jìn)行評(píng)估，表明該方法具備一定精度且能有效跟蹤未來的交通流趨勢。

關(guān)鍵詞：時(shí)空矩陣；卷積神經(jīng)網(wǎng)絡(luò)；交通速度預(yù)測；深度學(xué)習(xí)；智能交通

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）09-0176-03

Abstract： According to the problem that accuracy of traditional traffic flow prediction methods is limited due to the nonlinear of traffic flow， a traffic speed prediction method based on conventional neural network is proposed. First， based on temporal continuity and spatial character of traffic speed of road， spatial-temporal matrix of traffic flow is constructed as the input of model. Then， combined with the nonlinear fitting ability of conventional neural network， and its conventional layers and pooling layers to extract the deep feature， the model is trained to predict the future traffic flow. Finally， evaluations using multiple indicators on prediction results of the proposed method show that it has certain accuracy and can effectively track trends of future traffic flow.

Key words： spatial-temporal matrix； conventional neural network； traffic speed prediction； deep learning； intelligent traffic

1引言

隨著社會(huì)經(jīng)濟(jì)的發(fā)展，城市道路上私家車的數(shù)量猛烈劇增，逐漸超過現(xiàn)有路網(wǎng)所能承載的容量，造成交通擁堵。為緩解交通擁堵的現(xiàn)象，有兩種解決方法。一種是通過拓寬道路或增加現(xiàn)有道路數(shù)量的方式來提高路網(wǎng)容量，然而這種修改道路規(guī)劃的方法需要額外的土地和巨大的基礎(chǔ)設(shè)施改造資金投入，在城市實(shí)施的可行性極低。另一種則是運(yùn)用各種交通管制策略來提高路網(wǎng)的利用效率，如對(duì)道路短期交通流進(jìn)行預(yù)測，輔助人們優(yōu)化出行路線，進(jìn)而緩解擁堵現(xiàn)象，可行性較高。精準(zhǔn)實(shí)時(shí)的交通流預(yù)測對(duì)交通管制具有重要的意義，也因此成為智能交通系統(tǒng)（Intelligent transportation system，ITS）重要的一部分。

現(xiàn)有的短期交通流預(yù)測的方法主要可以分為兩大類：參數(shù)方法和非參數(shù)方法。前者在數(shù)據(jù)呈現(xiàn)規(guī)律性變化時(shí)表現(xiàn)良好，如ARIMA系列的預(yù)測方法；后者如非參數(shù)的回歸預(yù)測、人工神經(jīng)網(wǎng)絡(luò)（artificial neural network， ANN）、支持向量機(jī)（support vector machine， SVM）、卡爾曼濾波器（Kalman filter， KF）、組合算法等[1]。這些方法在交通領(lǐng)域預(yù)測上得到了大量應(yīng)用，并收到一定成效。但由于交通流本身具有的非線性和隨機(jī)性等特性，使傳統(tǒng)預(yù)測方法的精度無法得到較大提升。近年來，人工智能和深度學(xué)習(xí)得到迅速發(fā)展，并在各個(gè)領(lǐng)域得到廣泛應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN）在2012年的ImageNet圖像識(shí)別比賽中獲得第一名[2]，并已成功地被應(yīng)用在圖像識(shí)別任務(wù)中。本文將結(jié)合交通流的時(shí)空特性，使用CNN來學(xué)習(xí)交通數(shù)據(jù)的內(nèi)部規(guī)律，獲得其深層的特征表示，進(jìn)而對(duì)未來的交通流進(jìn)行預(yù)測。

2數(shù)據(jù)來源

本文所使用的數(shù)據(jù)來源于對(duì)廣州交通信息網(wǎng)站上實(shí)時(shí)路況的爬取，爬取時(shí)間范圍從2018年5月10日到2018年6月23日，收集的數(shù)據(jù)內(nèi)容主要為廣州市重要道路的交通速度數(shù)據(jù)，每隔5min收集一次。本文研究對(duì)象為體育東路-冼村路北向南路段的道路交通速度。

3方法

3.1 交通流特性

在時(shí)間維度上，當(dāng)前道路的交通速度是歷史交通流狀態(tài)的延續(xù)，因而道路速度的變化會(huì)隨著時(shí)間呈現(xiàn)出一定的規(guī)律性。如圖1所示為所研究道路的在一周內(nèi)的交通速度變化趨勢圖，可以看到，周一到周五由于人們?cè)谔囟〞r(shí)間段內(nèi)有規(guī)律的出行如上班、上學(xué)等而存在明顯的交通早高峰（morning peak hours）和晚高峰（evening peak hours）階段，致使道路處于低速狀態(tài)甚至造成堵塞，而在休息的夜間則恢復(fù)通暢的高速狀態(tài)。周末兩天則不存在明顯的早高峰和晚高峰，道路速度維持在至少40km/h左右的狀態(tài)。道路交通速度呈現(xiàn)的這種規(guī)律性將有助于我們使用交通歷史數(shù)據(jù)來對(duì)未來的交通速度進(jìn)行預(yù)測，本文將使用該道路預(yù)測時(shí)刻前20min（時(shí)間間隔為5min）的交通速度來預(yù)測實(shí)時(shí)的交通速度。

在空間地理位置上，由于交通路網(wǎng)的連通性道路與道路之間存在交叉路口，致使存在連通的道路的交通流會(huì)相互影響，且影響程度隨著空間距離的增大而逐漸減弱[3]。僅考慮較小范圍內(nèi)空間上的影響，本文所研究道路拓?fù)鋱D及車流方向如圖2所示，與該道路存在交叉路口的道路有6條，每條橫向道路存在的2個(gè)方向的車流都會(huì)對(duì)研究道路的交通造成影響。而由前文知當(dāng)前交通速度受到歷史交通速度的影響，進(jìn)而與研究道路存在交叉路口的這12個(gè)方向當(dāng)前車流速度及其歷史交通數(shù)據(jù)也將會(huì)有助于研究道路未來交通速度的預(yù)測。

5 結(jié)論

本文根據(jù)道路交通速度在時(shí)間上的連續(xù)性和在空間上的關(guān)聯(lián)性，通過分析來重構(gòu)出交通速度不同預(yù)測時(shí)刻的時(shí)空矩陣作為模型的輸入，并針對(duì)交通流具有的非線性和隨機(jī)性選用了卷積神經(jīng)網(wǎng)絡(luò)作為預(yù)測模型。訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)雖然能夠較好地抽取出交通流的深層時(shí)空特征，并正確擬合出未來交通速度的趨勢，模型整體預(yù)測精度較高，但在早高峰時(shí)段的預(yù)測誤差仍要稍高于日常其他時(shí)段?？傮w來說，仍然不失為一種實(shí)用且較精準(zhǔn)的交通流預(yù)測方法。

參考文獻(xiàn)：

[1]Zhao Z， Chen W， Wu X， et al. LSTM network： a deep learning approach for short-term traffic forecast[J]. IET Intelligent Transport Systems， 2017， 11（2）： 68-75.

[2]Krizhevsky A， Sutskever I， Hinton G E. Imagenet classification with deep convolutional neural networks[C]//Advances in neural information processing systems， 2012： 1097-1105.

[3]趙婷婷， 張毅， 周彧. 城市路網(wǎng)交通流的空間互相關(guān)性[J]]. 清華大學(xué)學(xué)報(bào)： 自然科學(xué)版，2011， 51（3）：313-317.

[4]LeCun Y， Bottou L， Bengio Y， et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE， 1998， 86（11）： 2278-2324.

[5]Kingma D P， Ba J. Adam： A method for stochastic optimization[J]. arXiv preprint arXiv：1412.6980， 2014.

[6]Srivastava N， Hinton G， Krizhevsky A， et al. Dropout： a simple way to prevent neural networks from overfitting[J]. The Journal of Machine Learning Research， 2014， 15（1）： 1929-1958.

【通聯(lián)編輯：唐一東】