基于深度學習的交通預測方法研究

張宇 余華云

摘要：交通預測是實現智慧城市中智能交通系統的重要組成部分，直接影響到后續的交通控制與誘導系統的實現，已經越來越受到人工智能研究領域的重視。例如，準確預測的士需求，可協助的士公司預先調配的士以滿足乘客的出行需求，并減少街道上浪費能源和加劇交通擁堵的空車。隨著Uber、滴滴出行等打車需求服務在中國的日益普及，我們能夠持續收集大規模的打車需求數據。如何利用這樣的大數據來提高需求預測是一個有趣而關鍵的現實問題。傳統的需求預測方法大多依賴于時間序列預測技術，無法對復雜的非線性時空關系進行建模。最近在深度學習方面的研究表明，通過從大量數據中學習復雜特征和相關性，深度學習在傳統的挑戰性任務（如圖像分類）中表現出優異的性能。這一突破激發了研究人員探索交通預測問題的深度學習技術。本文將簡單介紹交通預測問題，以及其中涉及的傳統方法和深度學習算法。

關鍵詞：交通預測;傳統方法;深度學習

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2019）36-0182-02

交通是城市的脈搏，影響著數百萬人的日常生活。未來智慧城市最根本的問題之一是如何建立一個高效的交通系統。為了解決這個問題，一個關鍵組件是一個準確的需求預測模型。交通預測是一個時空預測問題，由于交通相關數據集的不斷增長及其在實際應用中的影響而受到越來越多的關注。同時，準確的交通預測模型對于許多實際應用是必不可少的。例如，出租車需求預測可以幫助出租車公司提前分配出租車;交通量預測可以幫助交通部門更好地管理和控制交通，緩解交通擁堵。我們對旅游需求的預測越好，我們就能更好地預先分配資源來滿足需求，避免不必要的能源消費。目前，隨著優步、滴滴出行等打車需求服務的日益普及，我們能夠以前所未有的規模收集海量的需求數據。如何利用大數據更好地預測交通需求，在人工智能研究領域引起了越來越多的關注。本文研究了出租車需求預測問題;這個問題是如何通過使用歷史出租車請求數據預測未來某個地區的出租車請求數量。

1交通預測問題

交通預測是在給定歷史交通數據后（例如，前一個月每個小時的區域或道路交叉口的交通量），預測下一個時間段的交通相關值。數據驅動的交通預測問題幾十年來一直受到廣泛關注，交通預測的問題可以包括預測任何與交通有關的數據，例如交通量（從GPS或環路傳感器收集的）、出租車接送、交通進出流量和出租車需求等。這些不同類型的交通數據的問題制定過程是相同的。本質上，目標是預測a的交通相關值時間戳中的位置。

2傳統方法

數學時間序列預測方法是常用的方法，自回歸綜合移動平均（ARIMA）及其變體和卡爾曼濾波被廣泛應用于交通預測問題。雖然這些早期的方法分別研究每個單獨位置的交通時間序列，但最近的研究開始考慮空間信息（例如，增加附近位置模型相似性的正則化）、外部語境信息（如增加場地信息、天氣狀況、當地活動等特征）。在此外，最近的研究也明確地引入了各種技術來建模空間交互信息。例如，Deng等人利用路網矩陣因子分解來獲取道路連通區域之間的相關性來預測交通量。幾項研究也提出了通過正則化來平滑鄰近位置和時間點的預測差異，實現對近距離空間和時間的依賴關系。這些研究假設附近地區的交通狀況應該相似。雖然這些研究表明考慮各種附加因素可以提高預測效果，但這些方法仍然基于傳統的時間序列模型或機器學習模型，不能很好地捕捉復雜的非線性時空依賴關系。

3深度學習方法

最近，深度學習在許多具有挑戰性的學習任務中取得了巨大的成功，使研究人員能夠對復雜的非線性關系進行建模，并在計算機視覺和自然語言處理領域顯示了有前景的結果。這一成功啟發了幾項將深度學習技術應用于交通預測問題的研究。例如，幾項研究將城市交通建模為熱圖圖像，將一段時間的交通量視為像素值。給定一組歷史交通圖像，該模型預測下一個時間戳的交通圖像。利用卷積神經網絡（CNN）對非線性空間依賴關系進行建模。例如，利用多個來源的上下文數據設計了一個神經網絡框架，預測出租車供需缺口。該方法使用了廣泛的特征，但沒有對時空交互進行建模。

一系列的研究使用CNN將整個城市的交通作為圖像來捕捉空間相關性。例如，利用CNN對交通速度圖像進行速度預測問題。提出在交通流圖像上使用殘差CNN。這些方法簡單地使用整個城市的CNN，并將使用所有地區的預測。我們觀察到，利用不相關的區域（如偏遠區域）來預測目標區域實際上可能會損害性能。此外，雖然這些方法確實使用歷史時間戳的流量圖像進行預測，但它們沒有顯式地對時間順序依賴關系建模。

另一組研究使用LSTM對順序依賴關系進行建模。Yu等人提出應用長短時記憶（LSTM）網絡和自動編碼器來捕捉極端情況下預測交通的順序依賴關系，特別是在高峰時刻和事故后場景。第一行研究堆疊了幾個完全連接的層，融合了來自多個來源的上下文數據，用于預測交通需求、出租車供需缺口。這些方法使用了廣泛的特性，但沒有顯式地對空間和時間交互進行建模。第二行研究應用卷積結構捕獲交通流預測的空間相關性。第三條研究采用基于遞歸神經網絡的模型對順序依賴關系進行建模。為了建模非線性時間依賴關系，研究人員提出使用基于遞歸神經網絡（RNN）的框架，Yu等人提出使用長短時記憶網絡（LSTM）來預測環路傳感器讀數。結果表明，所提出的LSTM模型能夠對復雜的序列交互進行建模。與以往基于傳統時間序列預測方法的方法相比，這些開拓性的嘗試顯示出更好的性能。然而，雖然這些研究明確地對時間順序依賴或空間依賴進行了建模，但沒有一個研究同時考慮這兩個方面。

最近，一些研究使用卷積LSTM處理出租車需求預測的時空依賴性。Yao等人進一步提出了一種多視圖時空網絡用于需求預測，該網絡融合了LSTM、local-CNN和語義網絡嵌入，同時學習時空依賴性。基于路網的研究將傳統的CNN和RNN結構擴展到基于圖的CNN和RNN進行交通預測，如graph convolu-tional GRU、graph attention等。

4結論

本文對交通預測問題做了說明，并介紹了交通預測中的傳統方法和深度學習方法。深度學習對非線性的建模能力使其大大超出傳統方法。在未來，我們計劃對交通預測中最新的時空神經網絡進行優化，進一步改進其性能，用更短的時間、更少的資源達到更精確的預測率。

參考文獻：

[1] Huaxiu Yao， Xianfeng Tang， Hua Wei， ey al.Revisiting Spa-tial-Temporal Similarity：A Deep Leaming Framework for rrraf_fic Prediction[C]. AAAI Conference on Artificial Intelligence，2019.

[2] Huaxiu Yao， Fei Wu， Jintao Ke， et al.Deep multi-view spa-tial-temporal network for taxi demand prediction. AAAI Con-ference on Artificial Intelligence， 2018.

[3]周光臨.組合知識圖譜和深度學習的城市交通擁堵區域預測研究[D].合肥：中國科學技術大學，2019.

[4]冉祥棟.基于深度學習的交通時問預測模型與方法研究[D].北京：北京科技大學，2019.

[5]周揚棟.城市道路短時交通流預測方法研究[D].江西：江西理工大學，2018.

[6]金文蔚.城市區域人口流量計算及預測研究[D].北京：北京交通大學，2018.

[7]安磊.基于Recurrent Neural Network的網約車供需預測方法[D].河北：河北師范大學，2018.

[8]寧洪波.基于Spark云計算平臺的城市交通流實時預測技術[D].廣東：廣東工業大學，2018.

[9]喬松林.基于深度學習的短時交通流量預測研究[D].青島：青島大學，2018.

[10]康丹青.基于深度學習的短時交通流預測方法研究[D].哈爾濱：哈爾濱理工大學，2018.

【通聯編輯：梁書】

收稿日期：2019-09-27

作者簡介：張宇（1995-），男，碩士，研究方向為軟件工程、圖形圖像處理、機器學習;余華云（1968-），男，副教授，研究方向為軟件工

程、多媒體信息處理。