李磊

（惠州工程職業(yè)學(xué)院，廣東 惠州 516023）

0 引 言

隨著科學(xué)技術(shù)的發(fā)展以及物聯(lián)網(wǎng)技術(shù)的出現(xiàn)，使得交通技術(shù)越來越信息化、智能化以及方便化。而此時(shí)智能交通系統(tǒng)的出現(xiàn)是一種更加高效、準(zhǔn)確管理的信息系統(tǒng)，是目前以及未來交通領(lǐng)域發(fā)展的方向。智能交通的出現(xiàn)能夠在減小交通道路運(yùn)行壓力的同時(shí)并把道路基礎(chǔ)設(shè)施利用發(fā)揮到了最大；能夠減少環(huán)境污染，特別是噪聲以及汽車尾氣等；在交通出行方面能夠保障安全出行以及減少交通擁堵，提高智能交通運(yùn)行效率。智能交通的出現(xiàn)符合當(dāng)代的可持續(xù)發(fā)展，因此受到越來越多地區(qū)和城市的重視。智能交通能夠減少交通擁堵提高交通運(yùn)輸效率主要是通過對(duì)當(dāng)前以及未來的某一時(shí)間段內(nèi)短時(shí)車流量進(jìn)行預(yù)測(cè)，通過預(yù)測(cè)能夠幫助出行的人，減少在道路上的等待的時(shí)間。

當(dāng)前車流量的預(yù)測(cè)主要是通過歷史車流量數(shù)據(jù)來對(duì)未來車流量進(jìn)行預(yù)測(cè)。根據(jù)預(yù)測(cè)時(shí)間段長(zhǎng)短，可以把車流量預(yù)測(cè)分為長(zhǎng)時(shí)車流量預(yù)測(cè)、中時(shí)車流量預(yù)測(cè)以及短時(shí)車流量預(yù)測(cè)。其中，短時(shí)車流量預(yù)測(cè)時(shí)間通常不超過15 分鐘，在目前智能交通車流量預(yù)測(cè)方面應(yīng)用比較廣泛。短時(shí)車流量預(yù)測(cè)可以幫助人們?cè)诔鲂袝r(shí)避開某一段擁堵的道路或者是在高峰期出現(xiàn)時(shí)可以選擇錯(cuò)開此時(shí)段出行。而智能交通車流量預(yù)測(cè)作為主要環(huán)節(jié)，能夠隨時(shí)隨地動(dòng)態(tài)的預(yù)測(cè)，為人們出行節(jié)省更多時(shí)間。同時(shí)，智能交通還可以幫助交通相關(guān)部門及時(shí)對(duì)道路交通車流量監(jiān)控以及調(diào)度，緩解交通道路日益擁堵，保障人們便利出行，減少不利因素，因此具有更大的研究意義。

1 問題分析

目前，隨著人工智能技術(shù)日漸成熟，以及在各行各業(yè)中對(duì)人工智能技術(shù)的應(yīng)用，使得機(jī)器學(xué)習(xí)和深度學(xué)習(xí)也得了更多學(xué)者的研究，并且已經(jīng)進(jìn)入了智能交通車流量預(yù)測(cè)方面。在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在車流量預(yù)測(cè)方面也取得了不錯(cuò)的效果。但是，目前在短時(shí)車流量預(yù)測(cè)方面應(yīng)用最多的還是基于傳統(tǒng)的數(shù)理統(tǒng)計(jì)模型預(yù)測(cè)、組合模型預(yù)測(cè)以及人工智能神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)。

而且使用神經(jīng)網(wǎng)絡(luò)算法在進(jìn)行車流量的預(yù)測(cè)時(shí)，初始權(quán)值等參數(shù)的選取以及網(wǎng)絡(luò)訓(xùn)練樣本集的選擇會(huì)影響網(wǎng)絡(luò)梯度下降的收斂速度和梯度下降到最小訓(xùn)練誤差的概率，這往往需要技術(shù)人員根據(jù)經(jīng)驗(yàn)做出大量調(diào)參工作，因此單一的神經(jīng)網(wǎng)絡(luò)模型往往存在準(zhǔn)確性不高的問題。對(duì)此，目前在短時(shí)車流量預(yù)測(cè)方面應(yīng)用最多的有非參數(shù)回歸、歷史均值法以及近幾年比較流行的神經(jīng)網(wǎng)絡(luò)算法等。在上述的算法中，神經(jīng)網(wǎng)絡(luò)算法由于模型結(jié)構(gòu)具有靈活性、泛化能力強(qiáng)以及強(qiáng)大的學(xué)習(xí)廣泛地被關(guān)注。在對(duì)車輛交通流進(jìn)行預(yù)測(cè)時(shí)，此刻預(yù)測(cè)狀態(tài)對(duì)前一時(shí)刻的交通流狀態(tài)有很強(qiáng)的依賴性和一定的關(guān)聯(lián)度，上一刻交通流狀態(tài)有可能會(huì)導(dǎo)致下一刻的交通流狀態(tài)發(fā)生很大變化。而傳統(tǒng)的前反饋神經(jīng)網(wǎng)絡(luò)系統(tǒng)沒有記憶功能，不能記憶前期歷史輸入的信息，因此在短時(shí)車輛交通流預(yù)測(cè)方面還是有一定難度。

2 車輛交通流算法提出

在實(shí)際工作中運(yùn)用神經(jīng)網(wǎng)絡(luò)算法對(duì)車流量進(jìn)行預(yù)測(cè)時(shí)，由于初始參數(shù)設(shè)置與以及樣本訓(xùn)練集的選取會(huì)導(dǎo)致網(wǎng)絡(luò)梯度下降速度收斂的快慢以及梯度下降到最小訓(xùn)練誤差的概率，不能很好地處理時(shí)間序列較長(zhǎng)的車流量統(tǒng)計(jì)。為解決上述出現(xiàn)的問題，因此本文在循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的基礎(chǔ)上提出了一種基于集成長(zhǎng)短期記憶（LongShort-Term Memory,LSTM）神經(jīng)網(wǎng)絡(luò)的短時(shí)車流量預(yù)測(cè)模型，LSTM 模型不僅克服了前饋神經(jīng)網(wǎng)絡(luò)的時(shí)間序列問題，而且該模型中存在遺忘門等相關(guān)記憶單元，能夠較好地克服RNN 中存在的梯度消失和爆炸問題，且能夠提高預(yù)測(cè)準(zhǔn)確率。

又由于交通流的預(yù)測(cè)要充分考慮時(shí)空相關(guān)特性，因此在提出了一種基于KNN 和LSTM 組合的交通流預(yù)測(cè)方法。在預(yù)測(cè)過程中，先通過KNN 算法對(duì)預(yù)測(cè)目標(biāo)區(qū)域道路進(jìn)行分類和篩選，通過設(shè)置不用的閾值，篩選出與目標(biāo)檢測(cè)點(diǎn)距離較近的個(gè)檢測(cè)點(diǎn)。將篩選出的個(gè)檢測(cè)點(diǎn)數(shù)據(jù)作為L(zhǎng)STM 模型的輸入數(shù)據(jù)進(jìn)行預(yù)測(cè)，從預(yù)測(cè)結(jié)果中，取誤差最小時(shí)對(duì)應(yīng)的值結(jié)果相加，該計(jì)算結(jié)果可以作為最終車輛交通流的預(yù)測(cè)值。在預(yù)測(cè)過程中通過兩種算法模型相結(jié)合，可以發(fā)揮各自模型的優(yōu)點(diǎn)，同時(shí)，又彌補(bǔ)了各個(gè)模型的缺點(diǎn)，在交通流預(yù)測(cè)中提高預(yù)測(cè)效率以及準(zhǔn)確性。

3 短時(shí)車輛交通流預(yù)測(cè)流程

短時(shí)車流量交通流在預(yù)測(cè)時(shí)的基本流程為：通過檢測(cè)裝置（主要有GPS 定位、路測(cè)感應(yīng)線圈）定位實(shí)時(shí)采集到車輛交通流數(shù)據(jù)，對(duì)采集到的數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理的過程主要是摒棄一些無用數(shù)據(jù)，對(duì)預(yù)處理后的數(shù)據(jù)集構(gòu)建交通流數(shù)據(jù)庫(kù)。當(dāng)需要預(yù)測(cè)下一刻的車輛交通流時(shí)，需要根據(jù)當(dāng)前車輛交通流狀態(tài)和交通流數(shù)據(jù)歷史數(shù)據(jù)庫(kù)的數(shù)據(jù)進(jìn)行匹配，從而可以實(shí)現(xiàn)下一刻交通流的預(yù)測(cè)。預(yù)測(cè)過程流程圖如圖1所示。

圖1 短時(shí)交通流預(yù)測(cè)的基本流程

4 KNN 預(yù)測(cè)算法

K-最近鄰算法（KNN）是在1968年由Cover和Hart提出，是一種分類的算法。所謂K-最近鄰法就是在樣本采集過程中，每個(gè)樣本都可以用個(gè)最接近的鄰居來表示。在分類算法實(shí)施過程中基于實(shí)例的學(xué)習(xí)，數(shù)據(jù)集事先已經(jīng)進(jìn)行了分類和特征值的計(jì)算，當(dāng)收到新的樣本之后，可以直接來進(jìn)行數(shù)據(jù)處理。目前，K-最近鄰算法主要運(yùn)用在數(shù)據(jù)挖掘分類中，也是最簡(jiǎn)單的一種方法。

在實(shí)際數(shù)據(jù)分析過程中，KNN 算法主要用在非參數(shù)回歸模型中，在此模型的原理主要是基于非參數(shù)數(shù)據(jù)預(yù)測(cè)。在預(yù)測(cè)過程中，通過歷史數(shù)據(jù)庫(kù)中的數(shù)據(jù)與當(dāng)前需要分類或預(yù)測(cè)的數(shù)據(jù)進(jìn)行相似度的匹配，選取其中匹配度最高的個(gè)樣本，通過樣本選取，確定選取的個(gè)樣本類型。如果個(gè)樣本類型大多一致，就可以確定需要分類的樣本也是屬于歷史數(shù)據(jù)庫(kù)中的類別。KNN 算法原理可以用公式（1）表示：

上述公式中，表示為每個(gè)待測(cè)站點(diǎn)采集到的車流量樣本特征向量，表示歷史車流量數(shù)據(jù)集中樣本類別，為常數(shù)，取值為1，2，3，…，。X表示為目標(biāo)檢測(cè)站點(diǎn)車流量預(yù)測(cè)值，Y表示第個(gè)檢測(cè)站的交通流量。利用歐式距離公式（公式5）計(jì)算出采集到樣本與中特征樣本之間的歐式距離，通過距離大小，選擇出待分類樣本和中特征樣本之間的相似度。通過相似度找出待分類樣本最鄰近的個(gè)點(diǎn)來決定預(yù)測(cè)數(shù)據(jù)的類別。

KNN 算法用于短時(shí)交通流預(yù)測(cè)的基本流程圖如圖2所示。在預(yù)測(cè)過程中通過歷史車流量數(shù)據(jù)采集進(jìn)行預(yù)處理，構(gòu)建歷史車流量數(shù)據(jù)庫(kù)。通過利用KNN 算法對(duì)當(dāng)前實(shí)時(shí)檢測(cè)到的車流量數(shù)據(jù)和歷史數(shù)據(jù)庫(kù)數(shù)據(jù)進(jìn)行比對(duì)篩選，經(jīng)過預(yù)測(cè)算法的處理得到最終預(yù)測(cè)結(jié)果。

圖2 KNN 算法用于短時(shí)車流量預(yù)測(cè)基本流程

5 LSTM 模型

LSTM（長(zhǎng)短時(shí)記憶）模型是20世紀(jì)90年代基于RNN模型上提出的一種神經(jīng)網(wǎng)絡(luò)模型，該模型能夠解決RNN 模型在預(yù)測(cè)時(shí)出現(xiàn)的梯度消失以及梯度爆炸現(xiàn)象，同時(shí)在處理數(shù)據(jù)序列上有著自己獨(dú)特的優(yōu)勢(shì)，因此，被廣泛地應(yīng)用在車流量預(yù)測(cè)中。

LSTM 模型是在RNN 的模型基礎(chǔ)之上增加了一些門的結(jié)構(gòu)設(shè)置，通過門結(jié)構(gòu)設(shè)置來控制信息。第一層門是遺忘門，該門的主要作用是篩選信息，篩選掉不重要的信息，保留所需的信息數(shù)據(jù)特征。第二層門是輸入門，該門的作用是更新部分?jǐn)?shù)據(jù)信息，以填補(bǔ)經(jīng)過遺忘門篩選掉的信息。第三層門是輸出門，該門的作用是對(duì)輸入進(jìn)來的數(shù)據(jù)信息進(jìn)行處理，然后把處理完的數(shù)據(jù)進(jìn)行輸出。當(dāng)要處理數(shù)據(jù)的步長(zhǎng)過長(zhǎng)時(shí)，LSTM 模型利用記憶塊功能，此時(shí)，LSTM 會(huì)發(fā)生梯度消失的現(xiàn)象，能夠更加準(zhǔn)確地對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。

6 KNN 與LSTM 短時(shí)交通流預(yù)測(cè)方法模型設(shè)計(jì)

假定車流量預(yù)測(cè)模型需要測(cè)量某一段區(qū)域道路，待測(cè)量的區(qū)域道路上有很多個(gè)相鄰的上下游路段，把這些不同的路段設(shè)置成不同的檢測(cè)點(diǎn)，假設(shè)該區(qū)域路段上共有O 個(gè)檢測(cè)點(diǎn)，可把該區(qū)域道路上第天的車流量交通數(shù)據(jù)流對(duì)應(yīng)矩陣定義為F。

在上述公式中，區(qū)域道路的第個(gè)檢測(cè)點(diǎn)的第天的交通流用Z 表示；目標(biāo)檢測(cè)點(diǎn)第天的交通流量用Z 表示；示為第個(gè)檢測(cè)點(diǎn)第天在時(shí)刻的交通流量用Z （）表；目標(biāo)檢測(cè)點(diǎn)第天在時(shí)刻的交通流量用Z （）表示；交通流檢測(cè)數(shù)據(jù)序列中總的樣本個(gè)數(shù)用表示。

為了使檢測(cè)到的數(shù)據(jù)更精確，LSTM 模型把區(qū)域道路的每個(gè)檢測(cè)點(diǎn)在連續(xù)天中檢測(cè)的車流量數(shù)據(jù)作為測(cè)試數(shù)據(jù)，也即歷史數(shù)據(jù)；把區(qū)域道路中所有待測(cè)道路連續(xù)天的車輛交通流數(shù)據(jù)用矩陣表示。

在預(yù)測(cè)過程中，通過對(duì)矩陣中交通流數(shù)據(jù)處理主要是通過KNN 算法對(duì)目標(biāo)預(yù)測(cè)區(qū)域路段進(jìn)行相關(guān)性篩選，通過歐式距離的計(jì)算以及KNN 算法相似性比較，設(shè)置不同的閾值，篩選出與目標(biāo)預(yù)測(cè)區(qū)域相似度較高的個(gè)檢測(cè)點(diǎn)對(duì)應(yīng)的區(qū)域路段。然后，將篩選出的個(gè)區(qū)域路段數(shù)據(jù)值通過LSTM 模型進(jìn)行預(yù)測(cè)，從而得到車流量交通流預(yù)測(cè)，最后將誤差較小的結(jié)果作為最終的車流量預(yù)測(cè)值。

預(yù)測(cè)算法流程設(shè)計(jì)。KNN 算法和LSTM 模型的短時(shí)交通車流預(yù)測(cè)的具體過程主要實(shí)施如下：

（2）利用KNN 算法分別計(jì)算出第個(gè)檢測(cè)點(diǎn)的車流量均值與目標(biāo)檢測(cè)點(diǎn)流量均值的歐式距離d：

（3）將得到區(qū)域道路中的O 個(gè)歐式距離d的值，按照遞增的順序進(jìn)行一定排序。

（4）設(shè)=1，取與前個(gè)距離對(duì)應(yīng)的檢測(cè)點(diǎn)數(shù)據(jù)集，構(gòu)造經(jīng)過數(shù)據(jù)篩選后第天的交通流矩陣，定義為：

區(qū)域路段第天的車流量矩陣F，定義為：

（5）選取篩選后的路段矩陣F中的前-1 天的數(shù)據(jù)作為訓(xùn)練集，然后預(yù)測(cè)目標(biāo)監(jiān)測(cè)點(diǎn)的第天的車流量值：

其中表示預(yù)測(cè)模型，選用LSTM 模型。

（6）令=+1，依次循環(huán)步驟4 和步驟5，直到當(dāng)＞0 時(shí)，循環(huán)終止。

（7）選取值預(yù)測(cè)誤差最小時(shí)，對(duì)應(yīng)的預(yù)測(cè)車流量數(shù)據(jù)值，并將此數(shù)據(jù)值作為最終的車流量預(yù)測(cè)結(jié)果值。整個(gè)預(yù)測(cè)模型流程圖如圖3所示。

圖3 基于KNN 與LSTM 的短時(shí)交通流預(yù)測(cè)計(jì)算流程圖

7 實(shí)驗(yàn)結(jié)果評(píng)價(jià)與分析

本次實(shí)驗(yàn)的環(huán)境為windows10 64 位操作系統(tǒng)，CPU 為Intel（R）Core（TM）i7-10510U 處理器，內(nèi)存為8 GB，Python 語言集成開發(fā)環(huán)境為Pycharm。使用惠州市惠州大道的車流量2021年10月1日至11月30日的數(shù)據(jù)構(gòu)造樣本集，并對(duì)所建立的基于LSTM 神經(jīng)網(wǎng)絡(luò)的短時(shí)車流量預(yù)測(cè)模型進(jìn)行訓(xùn)練，然后將訓(xùn)練好的交通流數(shù)據(jù)集模型進(jìn)行保存。對(duì)所采集的車流量數(shù)據(jù)序列輸入到模型，然后對(duì)當(dāng)天車流量進(jìn)行滾動(dòng)預(yù)測(cè)，得到24 小時(shí)車流量預(yù)測(cè)結(jié)果圖和96 個(gè)序列（每15 分鐘采集一次數(shù)據(jù)）。

7.1 預(yù)測(cè)性能指標(biāo)

為了更好地評(píng)價(jià)所設(shè)計(jì)的短時(shí)車流量預(yù)測(cè)系統(tǒng)的性能指標(biāo)，本文主要從以下三個(gè)性能指標(biāo)進(jìn)行評(píng)價(jià)，分別是絕對(duì)平均百分比誤差、均方根誤差和準(zhǔn)確率。三個(gè)性能指標(biāo)的數(shù)學(xué)表達(dá)式分別為：

（1）MAPE 絕對(duì)平均百分比誤差：

絕對(duì)平均百分比誤差反映了預(yù)測(cè)的交通流量值y與交通流實(shí)際測(cè)量值y之間的偏離程度。

（2）RMSE 均方根誤差：

RMSE 誤差值的大小能夠準(zhǔn)確反映出使用預(yù)測(cè)方法預(yù)測(cè)誤差的程度大小，RMSE 值越小說明預(yù)測(cè)結(jié)果越精確，通過RMSE 值的大小還可以反映出測(cè)得誤差的離散程度。

（3）ACC 準(zhǔn)確率：

準(zhǔn)確率主要反應(yīng)的是實(shí)際測(cè)得值和預(yù)測(cè)值之間差的絕對(duì)值與實(shí)際測(cè)得值之間的百分比。百分比越大反應(yīng)預(yù)測(cè)模型越好。

7.2 實(shí)驗(yàn)結(jié)果預(yù)測(cè)及分析

在模型建立基礎(chǔ)上，經(jīng)過多次交通流預(yù)測(cè)實(shí)驗(yàn)，文中應(yīng)用到的LSTM 模型主要層數(shù)分為四層，分別是一個(gè)輸入層、兩個(gè)隱藏層和一個(gè)輸出層。按照?qǐng)D4所示的區(qū)域道路交通流數(shù)據(jù)進(jìn)行預(yù)測(cè)，以前45 天數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，站點(diǎn)惠州市惠州大道小金口市場(chǎng)在11月15日的交通流量預(yù)測(cè)值及真實(shí)值如圖5所示，此時(shí)KNN 中的K 取值為5，在圖中藍(lán)色曲線代表實(shí)際值，棕色曲線代表預(yù)測(cè)值。通過預(yù)測(cè)值和實(shí)際值的對(duì)比，可以發(fā)現(xiàn)預(yù)測(cè)值和實(shí)際值基本上相吻合，能夠較好地當(dāng)前時(shí)間段車流量的變化特征，表明本文所提出的KNN 和LSTM 模型在實(shí)際短時(shí)車流量預(yù)測(cè)中具有一定的可行性和準(zhǔn)確性。

圖4 區(qū)域道路預(yù)測(cè)圖

圖5 預(yù)測(cè)值和實(shí)際值

為了評(píng)價(jià)KNN-LSTM 模型的預(yù)測(cè)性能，本文分別計(jì)算了預(yù)測(cè)結(jié)果的MAPE、RMSE 及ACC，并與LSTM 模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，結(jié)果如表1所示?？梢钥闯?，提出的KNN-LSTM 模型具有最佳的預(yù)測(cè)性能，其預(yù)測(cè)準(zhǔn)確率達(dá)到了93.05%。同樣和未考慮空間相關(guān)性的LSTM 模型相比，其預(yù)測(cè)精度也提高了4.16%。表明本文所提出的基于時(shí)空相關(guān)的KNN-LSTM 模型具有良好的預(yù)測(cè)性能，是一種有效的短時(shí)交通流預(yù)測(cè)模型。

表1 預(yù)測(cè)性能對(duì)比

8 結(jié) 論

根據(jù)短時(shí)車流量交通流的時(shí)空特性以及RNN 算法的缺點(diǎn)，本文提出了一種基于KNN 和LSTM 相結(jié)合的短時(shí)車流量預(yù)測(cè)模型。通過對(duì)惠州市小金口市場(chǎng)路段的短時(shí)車流量預(yù)測(cè)，可以看出LSTM 模型既解決了RNN 模型的缺點(diǎn)，又有著記憶功能，對(duì)短時(shí)車流量預(yù)測(cè)結(jié)果起到了很好的作用。經(jīng)過實(shí)驗(yàn)比對(duì)，本文提出的KNN-LSTM 模型預(yù)測(cè)結(jié)果準(zhǔn)確率比LSTM 預(yù)測(cè)的準(zhǔn)確率提高了4.16%，預(yù)測(cè)誤差更小，預(yù)測(cè)結(jié)果更精確。