基于深度學習的路網短時交通流預測

柴葳崴

（西安鐵路職業技術學院,西安 710014）

1 引言

隨著當前我國社會經濟的不斷發展，城市中鐵路線路、公路數量也在不斷地增加，在這種情況下，引發了很多的問題。例如，交通污染、交通堵塞等等，嚴重的危害著人們的日常生活。近年來，智能交通系統逐漸的產生和優化，有效的緩解了道路交通問題，并為外出者提供了很多可行的策略。智能交通系統是交通管理的中心，它能夠給出行者提出不同的交通路徑，并且給出相應的出行服務、出行時間等信息。實時、準確性的路網交通流預測，有效的提高了路網運行的安全性和運行效率。新時期下，有必要利用一些科學、有效的方法對路網交通流量做出準確的預測，以更好的解決目前道路交通中所存在的問題。

2 深度學習的涵義

很長時間以來，人們就一直在致力于研究神經網絡，力求將神經系統和視覺系統相聯系，不斷地促進二者之間的融合。從傳統的機器學習和信息處理技術來看，它們中僅僅包含著單個的非線性特征轉換。其中，影響較大的是條件隨機域、SVM模型以及一個隱含層的多層感知器。從它們之間的特征來看,基本上知識從原始的輸入信號到一個特定空間的轉換體系。關于人們的一些信息處理機制要從豐富的感知輸入入手，從中提取出復雜的結構以及相應的內部表示。深度學習結構可以說是一個多層感知器，在其中包含了多隱含層。通過不斷的學習，能夠學習到深層次的非線性網絡結構，從而來一步一步的逼近較為復雜的函數。

3 DBN-SVR路網短時交通流預測模型

3.1 DBN模型

DBM模型是一個含有三個隱含層的網絡模型結構，通過三個RBM模型之間進行疊加，可以形成一個DBM模型。從RBM模型來看，其訓練的過程基本上是屬于無監督的訓練階段過程的，因此，DBM模型的訓練過程也可以說是無監督的。

（1）逐層無監督學習。在這一過程中，需要首先訓練第一個RBM，并且輸入一些原始性的數據以及這個RBM的固定的參數，然后再將第一個RBM的輸出作為第二個的輸入，以此來推，通過這些方法來對所有的層進行訓練，就可以得到一個多層DBN模型。

（2）有監督的微調。微調過程是指在將整個DBN網絡模型實現訓練之后，可以在模型的頂層連接一個較為合適的預測器，通過采用梯度下降的算法來微調網絡權值矩陣，在誤差反向傳播中就會導致RBM參數發生一些輕微的變化，但是從整個模型來看，其影響力不夠大。

3.2 支持向量回歸

支持向量是一種學習性的算法，主要是從統計學理論著眼的，它能夠有效的根據樣本的數據來計算出模型的復雜程度，在復雜程度和學習能力之間尋求平衡。SVM模型具有自我學習自我調整的特點，其能夠很好的進行函數擬合，并廣泛的運用于函數擬合回歸預測之中，同時，也能夠得到良好的預測效果。從總體上來看，交通流數據是一種復雜的、隨機的非平穩時間序列。在本文的研究和分析中，我們采用SVR作為短時交通流預測模型的預測器。SVR是一項具備非線性前饋的網絡，其能夠有效的對時間序列進行預測性的處理。

3.3 DBN-SVR路網短時交通流預測模型

由于在不同的路段中交通流具有時間和空間上的聯系性，因此，可以設所預測的模型輸入數據，并由此能夠進一步的得出在任意一個路段中交通流預測值。具體的交通流預測算法的流程基本上如下所示：

（1）根據交通流數據的相關特征，構造出輸入數據；

（2）對交通流數據集進行預處理從而能夠有效的得到殘差量；

（3）將殘差量作為DBN網絡模型輸入進行特征學習，得到交通流特征；

（4）將交通流特征作為輸入項，根據交通流預測公式，通過利用SVR預測模型來對流量進行很好的預測；

（5）還原原始交通流數據，從而得出實際的交通流預測值。

4 交通流時空特性分析

在一段時間之內，交通流數據可能會在時間和空間上表現出相關性和一些差異性的特征，因此，可以從這兩方面對鐵路交通流特性進行分析。

4.1 交通流在時間上的特性

從時間上來看，交通流數據在一段時間內存在著很強的規律性，并且能夠呈現出趨勢性的信息和特征。從總體上來看，周與周之間的交通流數據有著一定的相似性，而周末和非周末之間又存在著很大的差異性。經過相關的數據佐證，可以發現，交通流數據在周末兩天流量分布狀態基本上是相同的，和非周末的數據之間存在著明顯的不同，在非周末明顯的從早晚高峰變成了單峰值。

4.2 交通流在空間上的特性

交通流系統是動態和復雜的，在路網之間各個路段之間的交通流是彼此聯系的，其間存在著很大的關聯性。對所有路網的所有路段進行分組，在分組完成之后，要選擇出適當的值。在選擇最優壓縮矩陣時，要充分的根據預測的相關誤差以及在期間運行的時間來進行確定。

總之，可以得出這樣的一個結論：交通流數據在一定的時間內其具有很強的規律性，并且在不同的周期內其又存在著很大的差異性。此外，不同的路段之間交通流是有相關性的，在研究的過程中，要充分的根據路段之間的相關性程度來對路段進行分組，以更好的實現對路網數據進行有效的壓縮，從而減少預測的難度，更好的提高運行的效率。

5 結語

從目前的鐵路運輸來看，其所面臨的交通問題較多，嚴重的影響到了人們的工作和生活。將DBN模型運用于交通流預測中，可以有效的提高預測的準確性，保證預測的效果，為人們提供更加恰當的出行信息，從而更有效的保證人們的日常生活，為人們帶來更多的便捷。

[1]褚鵬宇.融合時空信息的短時交通流預測[D].西南交通大學,2016.

[2]吳凡.基于短時交通流預測的城市區域交通信號控制研究[D].南京理工大學,2016.

[3]姚智勝.基于實時數據的道路網短時交通流預測理論與方法研究[D].北京交通大學,2007.