基于深度學習的高速公路交通流數據監控方法研究

林藝華

摘 要：用深度學習的方法對高速公路上的定時交通流進行監測，有關部門根據監測到的數據結果進行交通管控，緩解道路壓力，保障交通安全。首先，用遞歸神經網絡RNN進行短期交通流量預測，然后利用殘差反卷積形成深層網絡從而實現長期的交通流量預測。在此基礎上，創新性的使用圖卷積進行特征提取，提高模型的魯棒性。通過實驗證明，基于深度學習的長短期交通流量預測具有重要的研究意義和使用價值。

關鍵詞：深度學習;RNN;殘差反卷積;圖卷積：交通流量預測

中圖分類號：TP38 文獻標識碼：A 文章編號：1001-5922（2021）05-0182-05

Research on Expressway Traffic Flow Data Monitoring Method Based on Depth Learning

Lin Yihua

（Yuexiu （China） Transportation Infrastructure Investment Limited Company， Guangzhou 510600， China ）

Abstract：The content of this paper is to monitor the regular traffic flow on expressways with the method of deep learning， and relevant departments carry out traffic control according to the monitored data results to relieve road pressure and ensure traffic safety.? First， the recurrent neural network RNN is used for short-term traffic flow prediction， and then the residual deconvolution is used to form a deep network to realize long-term traffic flow prediction.? On this basis， the innovative use of graph convolution for feature extraction improves the robustness of the model.? Experiments show that the long-term and short-term traffic flow prediction based on depth learning has important research significance and application value.

Key words：deep learning;? RNN; residual deconvolution; graph convolution： traffic flow prediction

0 前言

隨著城市化的不斷發展，越來越多的人開始聚集。這給我國旅游業帶來了機遇，但是卻給交通管制帶來了前所未有的壓力。目前，一些關于交通的單位時間內人流量和速度的研究已經成為了重點的研究內容?；谥衅诤烷L期客流預測通常指的是時間跨度在未來3～15年的范圍之內，而短期客流預測通常具有下一周或一個月的預測范圍。對城市客流的研究是城市交通規劃、運營和安全防護的重要方面。短期客流預測可用于優化線路和客流組織，為運營商提供預警和多方決策，進一步提高城市的科學管理水平，對于安全和操作具有實際重要性。該預測可以為先進的客流控制和誘導方法提供證據，該方法可以防止擁塞，踐踏和其他安全事故。而一些長期預測也是在短期預測的舉出上不斷的進行優化的，因此二者都對交通管制具有指導意義。

1 基于RNN的交通流量預測

RNN循環神經網絡中的LSTM長短期記憶網絡目前在對自然語言的處理上有著很好的效果。由于，LSTM的提出能夠很好的解決RNN的梯度爆炸和消失的問題，二者的結合使用符合交通流預測的問題。

1.1 RNN的簡介

RNN被稱為循環神經網絡是因為它的輸入和輸出不是相互獨立的，能夠利用記憶來聯系上下文的關系。在交通流的預測中，未來的交通流量是和之前的樣本數據有聯系的，所以用RNN來做交通流預測。

圖1展示了RNN的完整結構圖，以預測5個長度的句子為例，具體可以通過以下的公式進行運算。

xt指是在時刻t的輸入樣本數據，例如x1是一個one-hot vector對應整個句子的第二個單詞，st是在時刻t的隱藏狀態，也是網絡的記憶部分，具體st計算如下：

函數 f 使用的是非線性的例如tanh或者ReLU，Ot是時刻的輸出，例如在我們進行預測時時一個句子的下一個單詞，那么我們希望得到的輸出是我們字典中所有詞的概率組成的向量，計算公式如下：

具體來用以下的公式來表示RNN在其具體的某一層網絡結構的的計算方法：

狀態和當前輸入傳輸給Tanh函數，得到的結果在-1和1之間，從而進行判斷來調節網絡，最后把Tanh輸出和Sigmoid二者的輸出相乘，Sigmoid輸出將決定在Tanh輸出中哪些信息是相對重要的并需要保留的。

1.2 數據的準備及處理

本次實驗是對道路交通流的短期預測，也是后續研究的基礎實驗。由于keras相當于對tensorflow函數的封裝。所以，實驗環境使用的是keras2.3版本，python3.6版本，windows環境下的tensorflow-gpu1.5版本。把Caltrans Performance Measurement System （PeMS）獲取的作為本次實驗的數據集，得到的原始數據是長度為n的一個一維數據，通過數據標準化，并且用keras對數據進行清洗，劃分出實驗所需的訓練集和測試集。具體按照訓練集70%，測試集30%。

1.3 實驗所用的網絡模型

把上述劃分好的數據集進行亂序處理。圖2所示是本次實驗的兩層隱層LSTM網絡結構。可以看出，第一層LSTM網絡的輸出增大為64，而第二層LSTM實現了降維處理。第一層和第二層的疊加使用能夠有效的利用LSTM產生的輸入和輸出之間的聯系。用RNN結構中的忘記門和輸出門來緩解梯度爆炸的情況的出現。

1.4 網絡訓練過程

編碼器使用的是Auto-Encoders自動編碼。首先，對第一層輸入進行編碼，然后利用第二層的參數計算進行重新輸入，然后利用重新設置的輸入與實際輸入形成損失參數，整體是一個三層結構。同時，提出圖卷積（圖3）循環網絡創新的在交通流檢測上的應用。

時空注意力機制的應用能夠關注到重要的交通信息，防止出現遺漏狀況。訓練過程用train_seas（）函數進行訓練，使用RMS作為優化器，學習率設置為0.001.一個batch為256，進行12個循環次數，訓練時間在30min之內。用CPU來實驗也可以進行，時間上過慢。

1.5 實驗結果

在本次實驗中，我們使用的是MAE、MSE、RMSE、MAPE、R2幾個指標對交通流的預測結果準確性進行評估。這里，使用之前訓練好的模型對測試集進行預測。具體的實驗結果如圖4所示。

其中，藍色為真實值，橙色為使用RNN和LSTM預測出的結果值。可以看出，由于訓練次數不夠，模型的擬合程度不高。數值的波動性較大，可能由于采集的數據中存在中斷現象導致的。通過其他線條的預測結果顯示，這種方法檢測效果良好，如表1所示。

GRN是一種圖卷積循環神經網絡，SAES傳統的預測方式，是利用編碼器對交通流進行監測的一種方式。從三者的精度對比圖可知，基于循環神經網絡的預測方式精度不差，且代碼量簡單，所以使用這種方法具有可行性。

2 基于殘差網絡的交通流監測

目前，基于對高速公路上交通流預測大多采用的是短時預測。短期預測大多基于一周內的樣本數據進行預測，上一章節中的RNN就是短期預測的一種代表方式。本章將研究使用一種深層次的殘差反卷積網絡模型對交通流量實現長時間的預測。其在精度上有了較大的提升，并且算法的魯棒性較強。

2.1 實驗配置和數據集介紹

本次研究使用的是從網絡上利用python爬蟲技術爬取的高速公路上海市延安高架和內環的連續3d之內的樣本數據，即以高速公路上的交通流量為標準。從而實現長時的交通流量預測實驗。選取的實驗驗證時間為上午的八點到十點內的時間段。對于爬取到的缺失數據進行刪除或修復，要考慮到數據的連續性。選擇1000個數據作為訓練集，同時選取了30個樣本數據作為測試集。每隔350m進行檢測。

本次實驗由于實驗的樣本數據容量較大以及網絡結構相對復雜，所以對硬件配置的要求高一些。所用的實驗環境是windows系統下的tensorflow，i7的NVIDIA Geforce GTX1080 GPU，也可以用遠程服務器進行實驗。

2.2 實驗所用的網絡模型

為了增強數據的關聯性從而更好地提升精度，增強魯棒性。將得到的原始數據按照每五分鐘的時間間隔，進行輸入。同時，這種方法的使用還能有效的去除噪音對數據產生的影響。在對歷史數據的選取過程中用以下的公式進行數據的輸入。

其中，Si表示不同的時間輸入，x指的是每天監測到的交通流矩陣數據樣本。m表示所用到的檢測器的數量，n是取到的時間間隔在時間跨度上的劃分。這里的T是周期性的，由于每5min監測一次，所以接下來的矩陣時間維度上的輸入為T-5，T-10。

本次實驗最重要的部分就是最后的生成器部分，使用的是殘差反卷積的網絡模型，并在此基礎上進一步進行模型的改進。具體的網絡模型結構圖如下圖5所示。

由圖5得到了實驗所用到的網絡結構圖，首先將輸入的交通數據流矩陣作為輸入經過三層卷積神經網絡，激活函數分別使用了Tanh和Relu，然后經過上采樣進入反卷積神經網絡的結構中去。上采樣的作用是較少數據量和改變數據的維度。經過了三層反卷積最后得到了樣本數據的特征圖。反卷積操作與卷積操作是相反的。運用反卷積能夠減少在特征提取過程中的相關特征丟失，并且保持了數據有相同的維度。

2.3 實驗的訓練過程

引入了空間的注意力機制，使得模型能夠更具泛化性。從而實現時間和空間上的動態聯系。本小節中將重點介紹實驗訓練過程中的重要過程，反卷積上采樣操作。反卷積是圖像的上采樣的經典操作之一，其他兩種是雙線性插值法和反池化法。反卷積又叫做轉置卷積，其操作過程與一半的卷積過程相反。其操作過程較為簡單，以下面的公式推導來理解反卷積的具體實現過程：

o=size of output

i = size of input

P = padding

S = strides

利用上述已經定義好上述的數學描述，那么在進行反卷積時的輸入與輸出的計算關系式為利用上面反卷積可以實現圖像由小分辨率到大分辨率的對應映射。解決了經過CNN卷積層后圖像尺寸變小的問題。這里，可以在相關步驟內提取到更為清晰的交通流特征數據。

2.4 實驗結果分析

本次實驗設置的每個卷積核的步長為1，學習率設置為0.0001，網絡進行了約20000次的訓練。首先，展示出了利用不同的時間輸入粒子的有效性。具體的判別方法與第二章中的實驗相似。

評估實驗結果的精度使用的是平均誤差MSE，平均絕對誤差MAE以及均方根誤差RMSE。以下為不同時間輸入的有效性驗證。并且創新型的在實驗中引入注意力機制，確保各個檢測器之間有著相同的距離，這里設置為3.5km，在時間維度，考慮到不同的時間間隔高速公路上的交通流數據的關聯性。如表2所示。

DCN為我們本次實驗的反卷積操作，而另外兩組對比實驗是記錄了單獨提取低時間2min和高時間25min作為兩種不同的間隔時間的實驗結果。經實驗結果驗證，本次研究提出的提取關聯的時間粒子模型在有著較好的性能。

2.5 評價方法

在進行道路系統的交通流的預測過程中，需要使用間隔時間來進行時時間步的設置。在實現長期預測時，這種方法尤為適用。

均方根誤差（RMSE）和平均絕對誤差（MAE）都符合這一要求，盡管RMSE更常用，并將在本次研究中采用。與MAE不同，RMAE對待測數據更敏感 。這個問題的性能指標將是從第1d到第7d的一周內時間交通流的RMSE?？梢允褂玫囊粋€可能的評分是所有預測日的RMSE，它更具有準確性。

均方根誤差，它是實驗所測的預測值與真值偏差的平方和觀測次數n比值的平方根，在實際測量中，由于實驗的次數不多，真值只能用最能被信任的量（最佳）值來代替。同時，均方根誤差能夠快速區別出數據中的最大值和最小值，所以，均方根誤差能夠很好地反映出試驗過程是否準確。其作為實驗精度的評價指標之一，這一測量列真誤差的均方根差（真誤差平方的算術平均值再開方），稱為標準偏差，以σ表示。σ反映了測量數據偏離真實值的程度，σ越小，表示測量精度越高，因此可用σ作為評定這一測量過程精度的標準。具體的公式如下式：

3 結語

文章首先論述了高速公路的交通數據流的幾種監控方法以及其數據特點，然后使用深度學習的研究方法。創新性的使用了圖卷積神經網絡代替傳統的卷積神經網絡對高速公路上的交通流數據進行特征提取。同時，做了兩組對比實驗，實驗證明RNN和LSTM相結合的方法比傳統的編碼器預測交通數據流在性能上有了很大提升。又提出了一種引入注意力機制的殘差神經網絡用于交通流的長期預測，將RMSE作為模型的評價指標進行實驗評估，經過不斷的對比實驗驗證出提出的融合模型具有有效性。

同時，通過優化算法配置參數來進行網絡和算法上的優化。分別在自制的輕量數據集和具有實際生活中的上海高速公路路段的交通流進行監測，在兩個數據集上都有著良好的預測效果。并且克服了RNN在預測過程中易出現的梯度消失和爆炸等情況。在以后的實驗中，要克服硬件上的困難，在稍大一些的數據集上進行實驗，從而對算法進行優化，提升模型得到泛化性。

參考文獻

[1]陳淑燕.交通流量預測方法和多相位交通信號模糊技術的研究[D]南京：東南大學，2003.

[2]賀國光，李宇.基于數學模型的短時交通預測方法探討[J].系統工程理論與實踐，2000（12）：51-56.

[3]胡小健，陸健.基于二步自適應的交通實時預測模型[[J]南京：東南大學，210096

[4] Zheng Zhao，Weihai Chen，Xingming Wu，et al. LSTM network： a deep learning approach for short-term traffic forecast[J]. IET Intelligent Transport Systems， 2017， 11（2）：68-75.

[5] Yang Hao-Fan; Dillon Tharam S; Chen Yi-Ping Phoebe. Optimized Structure of the Traffic Flow ForecastingModel With a Deep Learning Approach[J]. IEEE Transactions on Neural Networks& Learning Systems， 2017， 28（10）：2371-2381.

[6] Lv Y， DuanY， Kang W， et al. Traffic Flow Prediction With Big Data： A Deep LearningApproach[J]. IEEE Transactions on Intelligent Transportation Systems， 2015，16（2）：865-873.

[7] KoesdwiadyA， Soua R， Karray F. Improving Traffic Flow Prediction With Weather Informationin Connected Cars： A Deep Learning Approach[J]. IEEE Transactions on VehicularTechnology， 2016， 65（12）：9508-9517.

[8] Omar Y.Al-Jarrah，Paul D.Yoo，Sami Muhaidat ， et al. Efficient Machine Learning for Big Data ： A Review [J]. Big Data Research， 2015， 2（3）：87-93.

[9] Chun Mei Duan.Design of Big Data Processing System Architecture Based on Hadoop under the Cloud Computing[J]. Applied Mechanics and Materials， 2014， 3207：6302-6306.

[10] Anyu Cheng，Xiao Jiang，Yongfu Li， et al. Multiple sources and multiple measures based traffic flowprediction using the chaos theory and support vector regression method[J]. Physica A： Statistical Mechanics and its Applications， 2017， 466：422-434.