基于時空相關性的短時交通流預測模型

摘要：準確、有效的交通流預測為智能交通系統提供數據基礎，是實現道路交通狀況預測和交通管控的重要技術之一。本文提出一種基于時空特性的經驗模態分解（EMD）和長短期記憶（LSTM）神經網絡相結合的交通流預測模型。首先，對交通流序列進行EMD分解得到具有不同時間尺度的本征模態分量，然后，結合空間特性采用LSTM神經網絡對交通流進行預測。通過仿真實驗可得：與傳統的LSTM神經網絡相比，基于時空特性的EMD-LSTM預測模型的均方根誤差分別減少了3.81;平均絕對誤差分別減少了2.29。

關鍵詞：短時交通流預測;經驗模態分解;時空特性;長短期記憶單元

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2020）18-0012-03

開放科學（資源服務）標識碼（OSID）：

隨著人工智能技術的發展，新一代智能交通系統提出了更加自主高效、安全智能的道路交通管理體系，短時交通流的預測就是其重要的研究方向之一[1]。準確、有效的道路短時交通流預測不僅能為新一代智能交通系統提供數據基礎，還能夠幫助人們規劃出行路線，緩解交通壓力帶來的道路擁堵等問題。目前，國內外學者對于短時交通流預測的研究主要分為四種預測模型，即基于統計分析的預測模型、非線性理論模型、智能預測模型和混合預測模型[2]。

第一類，基于統計分析的預測模型主要包括時間序列法、卡爾曼濾波分析法等。S.Vasantha Kumar和Lelitha Vanajakshi[3]提出一種改進的自回歸積分移動平均模型（Auto-Regressive In-tegrated Moving Average，ARIMA）根據不同季節的數據差異進行交通流預測，但是單一的ARIMA方法在處理非線性交通流數據時具有局限性。柳立春等學者[4]提出的卡爾曼濾波模型應用于交通流預測取得了顯著效果，但缺點是只適用于實時數據預測。

第二類，非線性理論模型主要依據交通流數據非線性的特點進行預測研究，常用的非線性理論模型有混沌理論模型等。Attoor Sanju Nair等學者啪驗證了交通參數的混沌特性，將混沌理論引入了交通流預測的模型中。廖榮華、蘭時勇、劉正熙等學者[6]通過改進混沌時間序列局域法，分析預測了北京市的交通數據，最終驗證了改進后的方法預測更加準確。

第三類，智能預測模型主要利用機器學習算法對道路交通流量進行預測。Osama Mohammed和Jalil Kianfar[7]通過比較深度神經網絡、分布式隨機森林、梯度提升機、廣義線性模型四種算法對短時交通流的預測效果，得出深度神經網絡預測效果更佳。晏臻，于重重，韓璐等[8]提出基于時空特性的CNN-LSTM模型預測交通流，CNN（Convolutional Neural Network.CNN）挖掘數據的空間相關性，LSTM挖掘數據的時序特性，驗證了考慮時空特性方法的有效性。

本文提出一種基于時空特性的經驗模態分解和長短期記憶神經網絡結合的混合模型對交通流進行預測，并驗證其預測效果。

1 基本原理

1.1 經驗模態分解

經驗模態分解（ Empuical Mode Decomposition，EMD）[9]是一種自適應的數據挖掘、時頻信號處理方法。該方法的主要思想是根據被分解信號自身的時間尺度特性進行信號分解和處理，最終將原始信號分解成若干個本征模函數（Intrinsic ModeFunction，IMF）和一個具有信號平均趨勢的殘余項。因此，理論上EMD算法適用于任何信號的分解，尤其在分解和處理非線性、非平穩的信號時，比傳統的小波分解和傅里葉分解表現出明顯的優勢。EMD算法的具體實現步驟如下：

（1）找到原始信號序列x（t）所有的局部極大值點和極小值點。根據三次樣條插值方法將所有的極大值點擬合成上包絡線U（t），所有的極小值點擬合成下包絡線/（t），并計算出上、下包絡線的平均值，用m，，表示：

m11=1/2[U（f）+L（f）]

（1）

將原始信號與均值包絡相減得到第一步分解的新信號，并用h11表示：

h1=x（t）一m1（t）（2）

（2）若h11（t）滿足平均包絡值為零、并且極值和零值的數量相差0或1，則h11（t）為一級IMF分量。否則，對h11（t）重復進行第（1）步運算，直至第k次分解之后的信號h1k （t）滿足成為IMF分量的條件。一級IMF分量可以記作c1（t）

1.2 LSTM神經網絡

長短期記憶（ Long Shofi-Term Memory，LSTM）結構在原有的輸入門和輸出門的基礎上增加了遺忘門以后，使LSTM能很好地解決“梯度消失”和“梯度爆炸”[10]問題。LSTM不僅對輸人數據具有記憶性，而且學習當前網絡結構的權重，對于長時間序列的處理具有較大的優勢，被廣泛應用于自然語言處理、。

如圖1所示，是一個LSTM網絡的展開結構。由于LSTM結構具有“記憶”，當前t時刻的單元狀態ct由t時刻的輸入xt和t一1時刻的單元狀態ct-1共同決定。ht是t時刻的隱藏層輸出。LSTM結構由多個“記憶模塊”（memory cell）組成，每個cell包含三個門：輸入門、遺忘門和輸出門。遺忘門：這部分是決定從cell中遺棄哪部分信息。該門會讀取ht-1，和xt，使用sigmoid函數輸出一個在0到1之間的數值給每個在cell的上一時刻狀態ct-1。其中1表示“完全保留”，0表示“完全舍棄”。輸入門：這部分決定輸入多少信息加入cell中來。實現這部分需要兩步：第一步，“input gate layer”的sigmoid函數決定哪些信息需要更新;用tanh函數生成一個更新的內容c，。第二步，對cell的狀態進行更新，將ct-1更新為ct。舊的單元狀態與ft相乘，再和i*ct相加，構成新的候選值。候選值隨著每個狀態的更新程度而變化。輸出門：這部分運用一個sigmoid函數來決定cell中被輸出的信息。然后，把單元狀態通過tanh進行處理，得到一個在一1到1之間的值，再乘以sigmoid的輸出，決定最終輸出的那部分信息。公式7-12反映了“記憶模塊”內部的算法流程。

1.3 基于時空特性的短時交通流預測模型

結合EMD算法對非線性、非平穩時序信號分解處理的優勢和LSTM神經網絡對長時間序列學習和預測的優勢，提出了基于時空相關性的EMD-LSTM模型對交通流數據進行預測。該算法既體現了單個檢測點交通流數據在時序上受自身歷史數據特性影響的時間相關性，又體現了不同檢測點之間交通流數據在空間上受道路上下游地理位置影響的空間相關性。

基于時空特性的EMD-LSTM算法原理如圖2所示，該算法先對多個檢測器的原始信號分別進行EMD方法分解，將不同檢測器的同一級IMF分量組合成新向量，該組合向量同時具有時間尺度和空間特性。將組合向量輸入到LSTM神經網絡結構進行訓練，通過調整參數得出最佳訓練網絡結構。然后對每一個組合向量進行預測，最終得到某一未來時間段內不同檢測器同一級IMF分量的預測結果。再分別將同一檢測器的每級IMF分量相加，即可得到所有檢測器未來時間段內的交通流預測結果。

2 仿真實驗

2.1 數據來源

本文以美國加利福尼亞運輸部的性能測量系統（ Caltrans-Performance Measurement System，PeMs）數據庫的交通流作為數據來源。選取2018年6月1日到2018年6月30日標號為110-E的高速公路上9個連續檢測器（編號依次為VDS717367、VDS717369、VDS717373、VDS717376、VDS717379、VDS717381、VDS717383、VDS717387、VDS718130）的交通流量數據作為交通流預測研究的數據集。抽樣時間間隔為5min，共約77，760條連續性數。對30天的數據進行仿真實驗，取前18天的交通流數據作為訓練數據，中間6天的交通流數據作為驗證數據，后面6天的數據作為測試數據。

2.2 實驗環境

仿真實驗使用的軟硬件平臺如下表所示：

2.3 算法評價指標

為了客觀比較不同算法的準確性，本文采用均方根誤差（ Root Mean Squared Error.RMSE）和平均絕對誤差（Mean Abso-lute Error.MAE）兩個指標來評價算法預測性能的優劣。兩者數值越小說明預測誤差越小，算法的準確性越高。

3 結果分析

LSTM神經網絡對第5個檢測器（編號：VDS717379）的交通流數據進行預測：網絡層數為1，隱含層的單元數為100，輸出層的單元數為l，三維輸入，對交通流的三個參數同時進行預測，初始學習速率為0.001，激活函數為relu、線性函數為linear，優化算法為Adam，迭代次數為200。

經過仿真實驗得到LSTM算法誤差性能指標值分別為：RMSE=21.568，MAE=15.678。交通流數據預測值與真實值的對比效果圖如圖3所示，圖中預測值曲線與實際值曲線的擬合效果較差，部分預測值比實際值偏大，局部極值點的預測偏差較大。

EMD分解得到8個IMF分量，所以，時空EMD-LSTM模型需要8個單層神經網絡;隱含層單元個數分別為[70，100，60，200，50，30，30，70]，L2正則化方法的系數大小分別為[0.0001，0.00001，0.0，0.0，0.0，0.0001，0.0001，0.0001]，輸出層的單元數為1，初始學習速率為0.001，激活函數為relu、線性函數為linear，優化算法為Adam，迭代次數為200。為了提高訓練效率，設置了提前停止。經過仿真實驗得到基于時空特性的EMD-LSTM模型預測9個檢測器數據的誤差指標如表2所示：

其中第5個檢測器（編號：VDS717379）的誤差指標為：RMSE=17.758.MAE=13.388，比LSTM算法分別減小了3.81和2.29。交通流數據預測值與真實值的對比效果圖如圖4所示。與圖3相比，圖4中預測曲線與實際曲線的擬合效果明顯得到了改善，局部極值點處的擬合效果更好，部分波動劇烈極值點的預測效果更好。

綜上所述，基于時空特性的EMD-LSTM模型能同時預測多個檢測器的交通流數據，并且預測效果優于傳統的LSTM算法。

4 結束語

本文提出的基于時空特性的EMD-LSTM組合模型對短時交通流具有良好的預測效果。與傳統的LSTM算法相比，誤差性能指標RMSE減少了3.81，MAE減少了2.29;并且該模型能同時預測多個檢測器的交通流數據。

參考文獻：

[1] Javed M A，Zeadally S，Hamida E B.Data analytics for coopera-tive intelligent transport systems[J].Vehicular Communications.2019.15：63-72.

[2]趙宏.翟冬梅，石朝輝.短時交通流預測模型綜述[J].都市快軌交通，2019，32（4）：50-54.

[3] Kumar S V，Vanajakshi L.Short-term traffic flow prediction us-ing seasonal ARIMA model with limited input data[J].Europe-an Transport Research Review. 2015，7（3）：21.

[4]柳立春.基于卡爾曼濾波的長江武漢大橋段交通流預報[D].大連：大連海事大學，2018.

[5] Nair A S，Liu J C，Rilett L.et aI.Non-linear analysis of trafficflow[C]//ITSC.lEEE Intelligent Transportation Systems.Proceed-ings （Cat. No. OITH8585）， Oakland. CA. USA. IEEE. 2001：681-685.

[6]廖榮華，蘭時勇，劉正熙.基于混沌時間序列局域法的短時交通流預測[J].計算機技術與發展，2015，25（1）：1-5.

[7] Mohammed O.Kianfar J.A machine learning approach to short-term traffic flow prediction：a case study of interstate 64 in Mis-souri[C]//2018 IEEE International Smart Cities Conference（lSC2），September 16-19. 2018. Kansas City， MO， USA. lEEE，2018： 1-25。

[8]晏臻，于重重，韓璐，等.基于CNN+LSTM的短時交通流量預測方法[J].計算機工程與設計，2019，40（9）：2620-2624，2659.

[9]關瑩瑩.基于深度學習的ITS短時交通流量預測算法研究[D].哈爾濱：哈爾濱工業大學，2019.

[10]楊祎玥，伏潛，萬定生.基于深度循環神經網絡的時間序列預測模型[J].計算機技術與發展，2017，27（3）：35-38，43.

【通聯編輯：光文玲】

基金項目：河北省高等學校科學技術研究重點項目（ No.ZD2019010）

作者簡介：高小婷（1992-），女，碩士研究生，主要研究方向為智能信息處理。