丁新宇，施 佺,2+

(1.南通大學(xué) 信息科學(xué)技術(shù)學(xué)院，江蘇 南通 226019， 2.南通大學(xué) 交通與土木工程學(xué)院，江蘇 南通 226019)

0 引 言

針對交通流數(shù)據(jù)具有的高度非線性、時間相關(guān)性和不確定性等特點，國內(nèi)外研究者分別從各自的角度對交通流特性進行了分析，建立了許多交通流理論和模型。邵毅明等[1]運用熵權(quán)法確定各評價指標(biāo)的權(quán)重,依據(jù)權(quán)重選用TOPSIS法計算有限個評價對象與最優(yōu)向量的貼近度。成云等[2]針對交通流預(yù)測精度不高的局限性，提出了一種基于差分自回歸滑動平均(ARIMA)和小波神經(jīng)網(wǎng)絡(luò)(WNN)的組合模型預(yù)測方法。鄭義彬等[3]使用支持向量機通過非線性映射把低維非線性問題轉(zhuǎn)化為高維線性問題，降低了交通流預(yù)測的誤差。鄧箴等[4]基于交通數(shù)據(jù)流固有的時變性、非線性型和空間上下游路口的關(guān)聯(lián)性等特征，建立了一種基于多條件隨機場的交通流預(yù)測模型。熊亭等[5]使用SARIMA模型提取交通數(shù)據(jù)的周期性變化并結(jié)合隨機森林模型的強大預(yù)測能力，提出SARIMA-RF模型。

隨著深度學(xué)習(xí)的深入研究，越來越多的深度學(xué)習(xí)理論與方法被應(yīng)用在交通流預(yù)測上。葉景等[6]提出一種基于CNN-XGBoost的短時交通流預(yù)測方法。結(jié)合短時交通流數(shù)據(jù)的時間相關(guān)性和空間相關(guān)性，將本路段和鄰近路段的數(shù)據(jù)輸入進行預(yù)測，并使用果蠅算法對CNN模型參數(shù)進行優(yōu)化。溫惠英等[7]使用LSTM預(yù)測高速路的交通流，并且通過遺傳算法對數(shù)據(jù)時間窗的步長進行優(yōu)化調(diào)參。晏臻等[8]通過卷積網(wǎng)絡(luò)(CNN)挖掘相鄰路口交通流的空間關(guān)聯(lián)性，通過LSTM模型挖掘交通流的時序特征，將提取的時空特征進行特征融合，實現(xiàn)短期流量預(yù)測。桂智明等[9]利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)和門控循環(huán)單元(GRU)提取交通流的時空特征，預(yù)測誤差相比其它模型降低9%。

然而，現(xiàn)有針對交通流預(yù)測的深度學(xué)習(xí)方法，如長短時記憶人工神經(jīng)網(wǎng)絡(luò)[10](LSTM)，在解決海量數(shù)據(jù)規(guī)模的城市路網(wǎng)交通流預(yù)測問題時主要存在兩個方面的缺點：一是LSTM的輸入數(shù)據(jù)必須是連續(xù)的時間序列，若希望輸入數(shù)據(jù)包含鄰近性和周期性，則輸入的數(shù)據(jù)必須非常長，若僅用最近兩個小時或近兩天的數(shù)據(jù)作為輸入，則不可能體現(xiàn)周期性。然而若把過去一個星期甚至一個月的數(shù)據(jù)作為LSTM輸入，該模型將會變得非常復(fù)雜難以訓(xùn)練。二是LSTM預(yù)測路網(wǎng)交通流時，沒有考慮空間相關(guān)性，它需要將一幀的數(shù)據(jù)Reshape為一個向量，這樣會丟失路段與路段之間的空間相關(guān)性。

因此，本文在充分考慮路網(wǎng)的空間性、交通流數(shù)據(jù)的鄰近性和周期性的前提下，針對海量數(shù)據(jù)規(guī)模的城市路網(wǎng)交通流數(shù)據(jù)，提出了一種基于深度時空殘差網(wǎng)絡(luò)的路網(wǎng)短時交通流預(yù)測模型DST-ResNet(deep spatio-temporal residual network)。

1 問題分析與解決方案

通過文獻分析，目前路網(wǎng)短時交通流預(yù)測問題存在以下幾個難點：

(1)空間依賴性。道路R5的交通流(如圖1所示)受到附近道路(例如R1、R2、R3、R4、R6)以及更遠處區(qū)域道路車輛流動的影響，同樣，R5的交通流也會影響其它路段的交通流。

(2)時間依賴性。一條路段中當(dāng)前時刻的交通流會受到近期該路段交通流的影響。例如，早晨8點的交通擁堵會影響到9點的交通流。工作日早高峰時段的交通狀況可能類似，每24小時重復(fù)一次，此外周末和工作日的交通流按時間分布不同。

(3)海量數(shù)據(jù)規(guī)模復(fù)雜性。要體現(xiàn)交通流數(shù)據(jù)的周期性，則模型至少要輸入連續(xù)一個星期的歷史數(shù)據(jù)，然而海量數(shù)據(jù)規(guī)模會導(dǎo)致模型計算異常復(fù)雜。

(4)特殊事件的不確定性。某些特殊事件，例如異常天氣和節(jié)假日，會極大地改變城市中的車輛流動，給預(yù)測帶來不確定性。

針對上述問題，本文提出了基于深度時空殘差網(wǎng)絡(luò)的路網(wǎng)短時交通流模型DST-ResNet，該模型的設(shè)計步驟如下：

步驟1 將路網(wǎng)歷史車流量數(shù)據(jù)按時段劃分成二維的數(shù)據(jù)幀，數(shù)據(jù)幀中的每個元素都代表在該時段里一條路段通過的車流量，現(xiàn)實中相鄰路段在數(shù)據(jù)幀中也相鄰。采用數(shù)據(jù)幀的形式進行分析，既可以一次預(yù)測整個路網(wǎng)的交通流，更重要的是可保留路段與路段之間的空間依賴性。

步驟2 為體現(xiàn)交通流數(shù)據(jù)的鄰近性與周期性，并且減少模型的計算量，采用抽取關(guān)鍵幀的方式。研究鄰近性時，只抽取前h個時段的數(shù)據(jù)幀；研究周期性時，只抽取前d天相同時刻的數(shù)據(jù)幀。相比將d天所有時段數(shù)據(jù)輸入模型的方法，抽取關(guān)鍵幀不僅可減少模型的計算量，而且更能體現(xiàn)數(shù)據(jù)的時間屬性。

步驟3 使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對海量數(shù)據(jù)規(guī)模的城市中任意兩個路段的空間依賴關(guān)系進行建模，同時添加殘差單元(Residual Block)將卷積網(wǎng)絡(luò)變?yōu)闅埐罹W(wǎng)絡(luò)(Residual Networks)，確保網(wǎng)絡(luò)的深層結(jié)構(gòu)不會對模型的預(yù)測準確性產(chǎn)生影響。這里對時間屬性鄰近性和周期性分別使用兩個殘差網(wǎng)絡(luò)進行建模。

步驟4 DST-ResNet為兩個殘差網(wǎng)絡(luò)分支分配不同的權(quán)重，動態(tài)聚合兩個殘差網(wǎng)絡(luò)的輸出，并將結(jié)果與外部因素再進行一次融合。

步驟5 使用實際的路網(wǎng)數(shù)據(jù)、天氣數(shù)據(jù)、節(jié)假日數(shù)據(jù)以及交通流數(shù)據(jù)評估提出方法的有效性。

2 數(shù)據(jù)預(yù)處理

2.1 路網(wǎng)轉(zhuǎn)換

將城市路網(wǎng)進行邏輯映射可以保留城市路網(wǎng)之間的空間依賴性，這樣進行卷積操作時更容易捕獲路段之間的相關(guān)性。一個數(shù)據(jù)幀表示一個時段里整個路網(wǎng)的交通流。

如圖2所示，右側(cè)矩陣中R1、R2…的值，代表城市在某個時段里對應(yīng)路段的交通流。

圖2 城市路網(wǎng)的邏輯映射

2.2 數(shù)據(jù)幀抽取

短時交通流預(yù)測的時段大小通常有5 min、10 min、15 min，這里選取15 min作為時段大小，預(yù)測第i時段的交通流可以轉(zhuǎn)換為預(yù)測矩陣RoadNetwork(i)(記為R(i))的值。

交通流數(shù)據(jù)存在兩個時間屬性：鄰近性和周期性，假設(shè)目標(biāo)時段為i，分別從以上兩個角度來進行數(shù)據(jù)幀抽取：

鄰近數(shù)據(jù)集，Recent(i)={R(i-h)，…，R(i-3)，R(i-2)，R(i-1)}，h值表示數(shù)據(jù)幀個數(shù)，在網(wǎng)絡(luò)里表示輸入數(shù)據(jù)幀的通道數(shù)，實際意義是將前h個時段的交通流數(shù)據(jù)提取出來作為輸入數(shù)據(jù)，根據(jù)需要h值可自由確定；

周期數(shù)據(jù)集，Period(i)={R(i-d*p)，…，R(i-3*p)，R(i-2*p)，R(i-1*p)}， 其中p表示一天的跨度，因為選取15 min作為時段大小，這時p取固定值96；d表示周期大小，通常以一個星期的長度為一個周期的大小，這時d值取7。具體意義是將昨天、前天、…前一個星期中與i時段所在時間一致的交通流數(shù)據(jù)提取出來。

提取規(guī)則如圖3所示。

圖3 數(shù)據(jù)幀的抽取過程

其次，提取影響路網(wǎng)車流量的外部因素，異常天氣和節(jié)假日：Ex(i)={Weather(i)，Holiday(i)}。

路網(wǎng)交通流的預(yù)測過程就是使用Recent(i)、Period(i)、Ex(i)數(shù)據(jù)幀預(yù)測R(i)值的過程。

3 模型分析與設(shè)計

3.1 模型結(jié)構(gòu)分析與設(shè)計

DST-ResNet網(wǎng)絡(luò)的結(jié)構(gòu)主要由2個網(wǎng)絡(luò)組成：交通流數(shù)據(jù)分析網(wǎng)絡(luò)、外部因素分析網(wǎng)絡(luò)。其中交通流數(shù)據(jù)分析網(wǎng)絡(luò)由鄰近性分析網(wǎng)絡(luò)和周期性分析網(wǎng)絡(luò)組成。如圖4所示。

圖4 模型的整體框架

首先將城市路網(wǎng)每個時段通過的交通流，轉(zhuǎn)換為數(shù)據(jù)幀的形式。

其次從數(shù)據(jù)幀中以兩個時間特性：鄰近性和周期性，進行數(shù)據(jù)抽??；將兩種特性數(shù)據(jù)幀分別輸入各自的殘差網(wǎng)絡(luò)中，通過卷積捕獲城市路網(wǎng)之間的空間依賴性，兩個網(wǎng)絡(luò)的輸出分別記為XR1、XR2。

再次，從外部數(shù)據(jù)集中提取一些特征，如異常天氣和節(jié)假日，將它們輸入全連接神經(jīng)網(wǎng)絡(luò)，輸出XE。

然后，將兩個殘差網(wǎng)絡(luò)的輸出XR1與XR2，結(jié)合參數(shù)矩陣進行一次聚合，結(jié)果記為XR。并且XR還會與外部因素分析網(wǎng)絡(luò)的輸出XE融合在一起記為X。

最后，通過Tanh函數(shù)將X映射到[-1,1]，與目標(biāo)進行損失值計算，使用反向傳播的方式優(yōu)化模型參數(shù)。

3.2 交通流數(shù)據(jù)分析網(wǎng)絡(luò)

該網(wǎng)絡(luò)主要對交通流的歷史數(shù)據(jù)從鄰近性和周期性兩個角度進行分析，并且鄰近性和周期性兩個分析子網(wǎng)絡(luò)具有相同的結(jié)構(gòu)。其中分析子網(wǎng)絡(luò)主要由兩個部分組成：卷積網(wǎng)絡(luò)和殘差單元，下面將從兩個方面進行分析設(shè)計。

3.2.1 卷積網(wǎng)絡(luò)的設(shè)計

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)(feedforward neural networks)，是深度學(xué)習(xí)(deep learning)的代表算法之一，它具有強大的分層捕獲空間結(jié)構(gòu)信息的能力。在城市路網(wǎng)中，相鄰路段的車流在短時間內(nèi)會相互影響，即相鄰路段之間的交通流具有潛在的相關(guān)性，而卷積神經(jīng)網(wǎng)絡(luò)正好可以挖掘其潛在的規(guī)律，因此使用卷積捕獲相鄰路段交通流的依賴關(guān)系。此外，由于汽車速度通常較快，在相鄰時段內(nèi)同一輛車的物理位置可以相距很遠，從而使兩條相距較遠的路段之間的交通流也可能存在某種相關(guān)性。因此，需要設(shè)計一個具有多層的卷積神經(jīng)網(wǎng)絡(luò)用于捕獲遠距離路段的空間相關(guān)性。多個卷積可以進一步捕獲更遠距離甚至是整個城市范圍內(nèi)路段間的依賴。

數(shù)據(jù)幀的尺寸代表著城市路網(wǎng)的大小，模型最終輸出的數(shù)據(jù)尺寸需要與輸入數(shù)據(jù)尺寸保持一致，而通常的卷積網(wǎng)絡(luò)輸出為一維，因此需要對網(wǎng)絡(luò)的輸出結(jié)構(gòu)進行改進。

這里可以有兩種解決方案確保卷積網(wǎng)絡(luò)的輸入與輸出大小不變：

第一種：每一層卷積的輸入輸出保持相同的尺寸，同時不進行下采樣，這樣網(wǎng)絡(luò)最后輸出可以與最開始輸入保持一樣的尺寸；

第二種：在網(wǎng)絡(luò)的末尾添加反卷積(轉(zhuǎn)置卷積)層，卷積以及下采樣會導(dǎo)致圖像尺寸變小，而反卷積可以將圖像的尺寸變大，設(shè)置合適的參數(shù)即可將最后輸出圖像的尺寸大小調(diào)整為輸入的大小，這樣可以讓輸出與輸入保持一致。

使用下采樣+反卷積會丟失一部分數(shù)據(jù)內(nèi)容，導(dǎo)致模型的誤差率變高。而直接卷積不進行下采樣，會加大計算量，但優(yōu)點是可以進行多次卷積。為使模型具有更高的準確率，這里不使用下采樣+反卷積，而是采取直接卷積的方案。

卷積前后數(shù)據(jù)尺寸變化公式

O=(I+2*P-K)/S+1

(1)

其中，I表示輸入數(shù)據(jù)尺寸，O表示輸出數(shù)據(jù)尺寸，K為卷積核尺寸，P為填充大小，S為步長。

由上述公式可得，若將P、S設(shè)置為1，K設(shè)置為3，則滿足I=O的條件。

3.2.2 殘差單元的應(yīng)用

當(dāng)采取直接卷積方案時，每經(jīng)過一個卷積層后數(shù)據(jù)幀的尺寸一直保持不變，這樣的網(wǎng)絡(luò)在理論上可以無限延長下去。而本文的目標(biāo)是預(yù)測整個城市路網(wǎng)的交通流，因此只需要一個較深層次的網(wǎng)絡(luò)來捕獲整個城市路網(wǎng)范圍內(nèi)的依賴關(guān)系即可，且路網(wǎng)規(guī)模越大，所需的網(wǎng)絡(luò)層數(shù)越多。

訓(xùn)練集LOSS一般會隨著網(wǎng)絡(luò)層數(shù)的增多而逐漸下降，但是當(dāng)網(wǎng)絡(luò)層數(shù)大于某個值時，若再增加網(wǎng)絡(luò)深度，訓(xùn)練集LOSS反而會增大，這就是卷積網(wǎng)絡(luò)中經(jīng)常出現(xiàn)的梯度消失(爆炸)現(xiàn)象。

在卷積網(wǎng)絡(luò)里添加殘差單元[11]可以有效解決因網(wǎng)絡(luò)過深而導(dǎo)致的網(wǎng)絡(luò)準確率下降(誤差上升)問題。其原理是如果一個卷積網(wǎng)絡(luò)以恒等映射的方式來增加它的層數(shù)，那么層數(shù)變多后的網(wǎng)絡(luò)訓(xùn)練誤差是不會大于它未增加恒等映射層時的誤差。即網(wǎng)絡(luò)添加殘差單元后，誤差不會變大，而且極有可能減小。

一個殘差單元可以用圖5表示。

圖5 殘差單元

為了避免由于網(wǎng)絡(luò)層數(shù)過多而導(dǎo)致的網(wǎng)絡(luò)退化問題，在圖4的卷積網(wǎng)絡(luò)后面堆疊殘差單元，如下

X(l+1)=F(X(l);θ(l))+X(l),l=1,…,L

(2)

其中，F(xiàn)是殘差函數(shù)(即圖5的殘差單元)，而θ(l)包括第l個殘差單元中的所有可學(xué)習(xí)參數(shù)。通過在卷積網(wǎng)絡(luò)中添加殘差單元將網(wǎng)絡(luò)變?yōu)闅埐罹W(wǎng)絡(luò)可以有效解決梯度消失(爆炸)問題。

3.3 外部因素分析網(wǎng)絡(luò)

從日常生活經(jīng)驗中可以得知，城市道路交通流的大小可能會受到許多復(fù)雜外部因素的影響，如節(jié)假日、天氣和公共突發(fā)事件。

通過分析美國波特蘭大都會地區(qū)在工作日和節(jié)假日期間城市路網(wǎng)交通流數(shù)據(jù)，驗證了節(jié)假日會對交通流產(chǎn)生較大影響。如圖6所示，實線表示工作日期間(2019年12月16日～20日)的交通流曲線，虛線表示節(jié)假日期間(2019年12月23日～27日，全美最大法定節(jié)假日圣誕節(jié))的交通流曲線。通過分析圖中相鄰兩周交通流的變化趨勢可以看出，節(jié)假日對交通流的大小有著重要影響。

圖6 某路段節(jié)假日與工作日交通流對比

接著，分析異常天氣對交通流的影響，選取2019年2月19日～21日、2月26日～28日兩段數(shù)據(jù)。在2月19日～21日期間，城市天氣良好，而2月26日～28日期間，只有第一天是晴天，剩余兩天均在雨天。如圖7所示，與前一周同天相比，雨水顯著減少了當(dāng)日的交通流。

圖7 某路段雨天與晴天交通流對比

在實現(xiàn)中，因為公共突發(fā)事件具有極大的不確定性難以定量分析，因此模型考慮的外部因素主要是異常天氣以及節(jié)假日。節(jié)假日數(shù)據(jù)可以直接獲取，但是未來時段t天氣未知，只能使用前一個時段的天氣數(shù)據(jù)代替未來的天氣情況。

外部因素分析網(wǎng)絡(luò)由一個輸入層和兩個全連接層組成。第一個全連接層接收輸入數(shù)據(jù)并進行第一步特征融合。第二層用于將網(wǎng)絡(luò)的輸出擴大至路網(wǎng)的尺寸以便進行后續(xù)的融合操作。

3.4 網(wǎng)絡(luò)融合

模型需要將3個子網(wǎng)絡(luò)的輸出進行融合，如圖4所示。首先將鄰近性分析網(wǎng)絡(luò)的輸出XR1與周期性分析網(wǎng)絡(luò)的輸出XR2進行融合。然而對于不同的路段，鄰近性和周期性對自身交通流的影響程度并不相同，對于某些路段周期性很重要，而對另一些路段鄰近性可能更加重要，如景點和公園附近的交通流相比鄰近性，更容易受到周期性和節(jié)假日的影響。

總之，不同道路都受鄰近性和周期性的影響，但各條道路受到這兩種因素影響的程度又有所不同。因此，本文設(shè)計了一種基于參數(shù)矩陣的融合方法，將模型的交通流數(shù)據(jù)分析網(wǎng)絡(luò)(即鄰近子網(wǎng)絡(luò)、周期子網(wǎng)絡(luò))融合如下

XR=Wt°XR1+Wp°XR2

(3)

其中，°是Hadamard乘積(即矩陣逐元素乘積)。對每一條路段均有兩個可學(xué)習(xí)的參數(shù)用于調(diào)整鄰近性和周期性對該路段的影響，并將整個路網(wǎng)的可學(xué)習(xí)參數(shù)組合在一個矩陣里形成參數(shù)矩陣Wt，Wp。

其次融合外部組件，將前兩個組件的輸出XR與外部組件輸出XE直接合并。

最后，第t個時段的路網(wǎng)交通流預(yù)測值可表示為

(4)

其中，Tanh激活函數(shù)的作用是確保輸出值在-1和1之間。

4 實驗與結(jié)果分析

4.1 數(shù)據(jù)來源

實驗數(shù)據(jù)來自波特蘭-溫哥華大都會地區(qū)的官方數(shù)據(jù)，http://new.portal.its.pdx.edu:8080/downloads/，選取其中80條主干道組成城市路網(wǎng)，數(shù)據(jù)采樣時間間隔為15 min，訓(xùn)練集數(shù)據(jù)選擇2019年4月30日～6月2日的交通流數(shù)據(jù)，共計3264條；測試集數(shù)據(jù)選擇2019年6月3日～6月9日的交通流數(shù)據(jù)，共計672條；并且統(tǒng)計出該城市在此期間所有的天氣數(shù)據(jù)及節(jié)假日。

4.2 評價指標(biāo)

(1)均方根誤差

均方根誤差(root mean square error，RMSE)能夠很好地反映回歸模型預(yù)測值與真實值的偏離程度，其值越小說明擬合效果越好。定義如下

(5)

(2)確定系數(shù)

確定系數(shù)(coefficient of determination，R2)的定義為回歸平方和與總平方和的比值，故確定系數(shù)R2

(6)

即

(7)

R2的正常取值范圍為[0,1]，越接近1，表明這個模型對數(shù)據(jù)擬合的越好。

4.3 結(jié)果分析

本文基于PyTorch深度學(xué)習(xí)框架搭建DST-ResNet模型，將數(shù)據(jù)集進行預(yù)處理后放入模型中訓(xùn)練。經(jīng)過多次實驗仿真調(diào)試，選擇模型訓(xùn)練參數(shù)見表1。

表1 模型主要參數(shù)預(yù)設(shè)值

其中，ResNet1表示鄰近性分析子網(wǎng)絡(luò)，ResNet2表示周期性分析子網(wǎng)絡(luò)。使用參數(shù)矩陣將兩個子網(wǎng)絡(luò)進行融合，利用損失函數(shù)計算當(dāng)前網(wǎng)絡(luò)的損失度，最后使用優(yōu)化器進行模型參數(shù)調(diào)優(yōu)。設(shè)置批處理大小100，迭代200次。模型訓(xùn)練完畢后，將測試數(shù)據(jù)集放入模型中運行得到最終預(yù)測結(jié)果。

圖8展示了從80條路段中隨機選取的一條路段，在7天內(nèi)其交通流的預(yù)測值與真實值的比較圖。

圖8 某路段7日內(nèi)交通流真實值與預(yù)測值對比

從圖8中可以看出模型對該路段交通流的預(yù)測結(jié)果較好地擬合了真實的交通流情況，并且準確反映了從日高峰期到日低峰期之間的變化，尤其對交通流7天內(nèi)的周期性變化預(yù)測得較為準確。

接著，從測試集里隨機選取某一中午時段(代表高峰期)和夜晚時段(代表低峰期)的路網(wǎng)交通流數(shù)據(jù)，并對其進行預(yù)測，預(yù)測結(jié)果如圖9所示。可以看出不管在高峰期還是低峰期，模型均能較好地擬合整個路網(wǎng)的交通流。

圖9 路網(wǎng)高、低峰期交通流真實值與預(yù)測值對比

為更好地分析模型的優(yōu)劣，本文添加一組對照實驗——使用LSTM對路網(wǎng)交通流進行預(yù)測。分別對所有待預(yù)測時段使用DST-ResNet和LSTM模型進行預(yù)測，并使用兩個回歸評價指標(biāo)RMSE和R2對預(yù)測結(jié)果進行計算，計算結(jié)果見表2。

其中，RMSE的值越大表示對路網(wǎng)的交通流預(yù)測越不準確，并且低峰期的RMSE值通常小于高峰期的RMSE值。R2的值在0和1之間，越接近1表明這個模型的路網(wǎng)交通流預(yù)測值和真實交通流擬合的越好，模型越優(yōu)秀。統(tǒng)計7天共計672個測試集時段的結(jié)果比較見表3。

從以上分析可以看出，本文提出的基于深度時空殘差網(wǎng)絡(luò)的路網(wǎng)短時交通流預(yù)測模型DST-ResNet不管是對單一路段還是整體路網(wǎng)，不管是在高峰期還是低峰期，都能較為準確地預(yù)測下個時段的交通流。同時經(jīng)過與LSTM模型對比發(fā)現(xiàn)，本文所提出的DST-ResNet模型優(yōu)于LSTM模型的時段個數(shù)占90%以上，模型在性能上有著明顯的優(yōu)勢。

表2 DST-ResNet與LSTM評價指標(biāo)部分結(jié)果對比

表3 DST-ResNet與LSTM統(tǒng)計結(jié)果對比

5 結(jié)束語

本文在理論和數(shù)據(jù)上對交通流特性進行詳盡分析，充分把握交通流時空特性的內(nèi)在聯(lián)系。在使用數(shù)據(jù)和構(gòu)建模型上時全面地考慮了交通流特性和路網(wǎng)的復(fù)雜性。實驗結(jié)果表明，本文提出的基于深度時空殘差網(wǎng)絡(luò)的路網(wǎng)短時交通流預(yù)測DST-ResNet模型，對城市路網(wǎng)短時交通流預(yù)測問題而言是一個優(yōu)秀的解決方案。此外，本文尚未考慮更加復(fù)雜的突發(fā)事件對模型施加的影響，未來將加強模型的魯棒性，使其能適用于更加復(fù)雜的應(yīng)用場景。