基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測

李 瑩,李曉霞

(1.西安郵電大學(xué) 現(xiàn)代郵政學(xué)院，陜西 西安 710061，2.長安大學(xué) 汽車學(xué)院，陜西 西安 710061)

1 概述

智能運(yùn)輸系統(tǒng)(ITS)代表了運(yùn)輸系統(tǒng)未來的發(fā)展方向，旨在提供更好更智能的服務(wù)。主要基于數(shù)據(jù)采集技術(shù)、通信技術(shù)和數(shù)據(jù)庫管理技術(shù)，可提供包括智能交通控制系統(tǒng)、車禍管理系統(tǒng)、智能交通導(dǎo)航系統(tǒng)、駕駛輔助系統(tǒng)等在內(nèi)的多個(gè)重要應(yīng)用[1]。

ITS中最重要的便是數(shù)據(jù)的采集和分析，并在此基礎(chǔ)上做出決策。由此可見，ITS天然地與大數(shù)據(jù)緊密結(jié)合在一起。文獻(xiàn)[2]和文獻(xiàn)[3]指出，精確有效的大數(shù)據(jù)分析工具能更好地支撐ITS。

雖然對(duì)交通流進(jìn)行精準(zhǔn)預(yù)測是智能運(yùn)輸系統(tǒng)中的重要組成部分，但是，隨著海量數(shù)據(jù)的積累，傳統(tǒng)的分析手段不足以充分挖掘有效信息[4]。文獻(xiàn)[5]指出，交通流預(yù)測手段已經(jīng)從傳統(tǒng)的基于統(tǒng)計(jì)學(xué)的參數(shù)方法[6]、基于機(jī)器學(xué)習(xí)的非參數(shù)方法[7]，演變?yōu)榛诖髷?shù)據(jù)的深度學(xué)習(xí)方法[8]。

近年來，文獻(xiàn)研究的預(yù)測模型主要包括：時(shí)間序列模型、神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型、歷史平均模型等，但是大部分模型未考慮目標(biāo)路段所在路網(wǎng)的物理空間信息，而是只利用了該路段的歷史交通流數(shù)據(jù)信息。WU[9]等人利用卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)分別處理時(shí)間、時(shí)間維度的信息進(jìn)行了短時(shí)交通流的預(yù)測，鄒東[10]等人基于Elman神經(jīng)網(wǎng)絡(luò)算法構(gòu)建了預(yù)測模型，劉小明[11]等人基于時(shí)延特性進(jìn)行了多斷面的短時(shí)交通流預(yù)測，陸文琦[5]等人基于混合深度學(xué)習(xí)，構(gòu)建了智能網(wǎng)聯(lián)環(huán)境下的交通流預(yù)測模型，結(jié)果表明該模型在不同車道均有理想的預(yù)測效果。于德新[12]等人利用GRU-RUN模型對(duì)交叉路口的短時(shí)交通流進(jìn)行了預(yù)測研究。戢曉峰[13]等人針對(duì)節(jié)假日的交通流實(shí)際數(shù)據(jù)，建立了基于深度學(xué)習(xí)的框架進(jìn)行預(yù)測。由此可見，運(yùn)用神經(jīng)網(wǎng)絡(luò)或深度神經(jīng)網(wǎng)絡(luò)來開展交通流數(shù)據(jù)的精準(zhǔn)預(yù)測是方法發(fā)展的趨勢，值得進(jìn)一步深入研究。

然而，大部分研究只開展了單一路段的預(yù)測，傳統(tǒng)的機(jī)器學(xué)習(xí)模型也很難捕捉到時(shí)空特性強(qiáng)烈耦合的道路交通狀況的特征，因此交通狀態(tài)預(yù)測的有效性和精度也將受此影響。特別是，當(dāng)前道路復(fù)雜度高、交通數(shù)據(jù)類型多維、數(shù)據(jù)量巨大，傳統(tǒng)的算法如支持向量機(jī)等很難對(duì)數(shù)據(jù)特征進(jìn)行充分的學(xué)習(xí)，因此，本文在智能運(yùn)輸系統(tǒng)的背景下，在考慮了多維時(shí)空因素的基礎(chǔ)上，提出將深度學(xué)習(xí)架構(gòu)的SDAE模型用于交通流預(yù)測，通過對(duì)不同類預(yù)測模型對(duì)比，驗(yàn)證了模型的有效性和優(yōu)越性。

2 自編碼器和棧式降噪自編碼器模型(SDAE)

對(duì)智能運(yùn)輸系統(tǒng)(ITS)中產(chǎn)生的海量數(shù)據(jù)，進(jìn)行有效的學(xué)習(xí)利用，從而完成交通流的預(yù)測。需要同時(shí)考慮訓(xùn)練模型特征提取的充分完備性和預(yù)測功能的泛化性，是一項(xiàng)十分艱巨的任務(wù)。

2.1 自編碼器(AE)

自編碼器的基本結(jié)構(gòu)包括輸入層、隱藏層和重構(gòu)層，如圖1所示。自編碼器的本質(zhì)是重構(gòu)輸入數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，從而獲取有效的學(xué)習(xí)特征、去除數(shù)據(jù)噪聲、提高模型的泛化能力，最終學(xué)習(xí)到的有效特征被記錄于隱藏層。

圖1 自編碼器結(jié)構(gòu)

訓(xùn)練樣本集表示為：{x(1),x(2),x(2),…}，x(i)∈Rd,自編碼器首先按式(1)將樣本x(i)編碼，完成了從輸入層到隱藏層的映射。進(jìn)一步按式(2)對(duì)y(x(i))進(jìn)行解碼，從而完成隱藏層到重構(gòu)層的映射。

y(x)=f(W1x+b)

(1)

z(x)=g[W2y(x)+c]

(2)

式中:W1為編碼權(quán)重矩陣;b為編碼偏置向量,W2為解碼權(quán)重矩陣;c為解碼偏置向量，本文默認(rèn)激活函數(shù)f(x)和g(x)為logistic sigmoid函數(shù)1/[1+exp(-x)]。

為達(dá)到訓(xùn)練效果，使得重構(gòu)誤差最小化，定義損失函數(shù)為重構(gòu)誤差LAE:

(3)

進(jìn)一步可對(duì)AE進(jìn)行無監(jiān)督訓(xùn)練，利用誤差反向傳播過程可對(duì)網(wǎng)絡(luò)進(jìn)行Fine-tuning調(diào)優(yōu)。

2.2 SDAE模型

先在AE的基礎(chǔ)上介紹降噪自編碼器DAE模型。DAE模型具有與AE一致的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練目標(biāo)，不同之處在于，DAE在訓(xùn)練前主動(dòng)在樣本中添加一定的隨機(jī)噪聲數(shù)據(jù)，訓(xùn)練過程旨在消除噪聲干擾，并重構(gòu)未污染的純凈輸入信息，從而間接地實(shí)現(xiàn)抑制噪聲數(shù)據(jù)的效果。文獻(xiàn)[14]指出，通過對(duì)污染數(shù)據(jù)的特征映射解析還原原始純凈數(shù)據(jù)，此過程加強(qiáng)了系統(tǒng)的穩(wěn)定性和魯棒性。

同理，定義損失函數(shù)為：

(4)

在DAE的基礎(chǔ)上，將l個(gè)DAE模型堆疊(Stacked)之后組成深度學(xué)習(xí)結(jié)構(gòu)，構(gòu)成SDAE架構(gòu)，如圖2所示。前一層DAE中的隱藏層作為下一層DAE的輸入，即可逐層完成訓(xùn)練(共l層)，通過反向誤差傳播過程進(jìn)行調(diào)優(yōu)。注意到損失函數(shù)保持不變，仍為LDAE，調(diào)優(yōu)標(biāo)準(zhǔn)即為最小化LDAE。

圖2 SDAE結(jié)構(gòu)

借鑒文獻(xiàn)[8]，為了將SDAE模型用于交通流的預(yù)測，需要在最頂層添加一個(gè)標(biāo)準(zhǔn)的預(yù)測器(Predictor)。本文選擇Logistic回歸預(yù)測器作為深度學(xué)習(xí)網(wǎng)絡(luò)的有監(jiān)督交通流預(yù)測器。綜上，深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，其算法實(shí)現(xiàn)過程如表1所示。

圖3 交通流預(yù)測的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)

表1 SDAE訓(xùn)練算法Table1 TrainingofSDAE算法1SDAE模型的訓(xùn)練Step1)初始化SDAE網(wǎng)絡(luò)參數(shù)設(shè)定網(wǎng)絡(luò)的學(xué)習(xí)率α,訓(xùn)練周期κ,網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)l,權(quán)重衰減參數(shù)λ,初始化編碼權(quán)重矩陣W1,編碼偏置向量b,解碼權(quán)重矩陣W2,解碼偏置向量c,輸入層和隱藏層單元數(shù)目,對(duì)x進(jìn)行歸一化處理后加入噪聲:x→x～Step2)訓(xùn)練第一層DAE模型,將其隱含層作為第二層DAE模型的輸入,以此類推,直至完成第l層DAE的訓(xùn)練Step3)將n個(gè)DAE堆疊形成SDAE,在頂層添加logistic標(biāo)準(zhǔn)預(yù)測器實(shí)現(xiàn)交通流預(yù)測功能Step4)利用BP方法調(diào)整整個(gè)網(wǎng)絡(luò)的參數(shù),即對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)

3 數(shù)據(jù)來源與分析

本文所用數(shù)據(jù)來源于美國加利福尼亞運(yùn)輸部性能測量系統(tǒng)(PEMS)。該系統(tǒng)由超過15 000個(gè)獨(dú)立探測器對(duì)高速公路通過的車輛信息進(jìn)行采集，采集的時(shí)間間隔為5 min。選擇2020年10月到11月的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，其中80%的數(shù)據(jù)用于訓(xùn)練，20%的數(shù)據(jù)用于測試。

根據(jù)PEMS指導(dǎo)手冊，當(dāng)且僅當(dāng)訪問對(duì)象為獨(dú)立探測器級(jí)別時(shí)可獲取該道路的交通流信息。對(duì)不同道路的探測器數(shù)據(jù)進(jìn)行分析，可獲取不同道路的交通流時(shí)間序列數(shù)據(jù)。文獻(xiàn)[8]將PEMS中所有道路數(shù)據(jù)作為數(shù)據(jù)輸入算法，從而達(dá)到多維時(shí)空(Spatial and Temporal)分析的目的。但本文認(rèn)為，不同道路之間物理距離越遠(yuǎn)，其空間關(guān)聯(lián)程度越微弱。更合理的做法應(yīng)該是針對(duì)某預(yù)測道路對(duì)象，將與之相連接的相鄰道路數(shù)據(jù)納入算法進(jìn)行分析。

定義所預(yù)測路段為AB，記與點(diǎn)A相連的路段共SA條，分別為{lane1,lane2,…,laneSA}，同理點(diǎn)B相連的路段{lane1,lane2,…,laneSB}。

以加州奧克蘭市的高速公路為例，如圖3所示。選取589號(hào)和980號(hào)高速公路之間的路段作為預(yù)測路段，標(biāo)記為AB，如圖4所示。與點(diǎn)A相連的路段有24號(hào)和580號(hào)左右兩側(cè)高速公路，共3段：{lane1,lane2,lane3}，與點(diǎn)B相連的路段880號(hào)和980號(hào)高速公路，共兩段：{lane1,lane2}。

圖4 奧克蘭市高速公路布局

圖5 預(yù)測路段與周邊道路結(jié)構(gòu)

AB路段從2020年10月1日到2020年10月4日的交通流量變化情況如圖6所示，其趨勢表現(xiàn)出明顯的一致性。

(a)2020年10月1日

4 SDAE模型的預(yù)測與對(duì)比分析

為了驗(yàn)證模型的有效性和可行性，用以下性能指標(biāo)進(jìn)行對(duì)比分析：平均絕對(duì)誤差MAE、平均相對(duì)誤差MRE和均方根誤差RMSE。

為了對(duì)預(yù)測效果進(jìn)行對(duì)比，選擇了基于統(tǒng)計(jì)學(xué)的時(shí)間序列模型ARIMA、基于機(jī)器學(xué)習(xí)的支持向量機(jī)模型SVM與本文模型進(jìn)行對(duì)比。特別地，作為縱向?qū)Ρ龋€對(duì)SDAE模型進(jìn)行了只輸入預(yù)測路段時(shí)間序列數(shù)據(jù)的預(yù)測訓(xùn)練，將其標(biāo)記為SDAE-T。作為區(qū)分，本文提出的考慮多維時(shí)空因素的SDAE則標(biāo)記為SDAE-ST。

根據(jù)SDAE模型的網(wǎng)絡(luò)結(jié)構(gòu)，需要確定輸入層、隱藏層的單元數(shù)和隱藏層數(shù)目。以AB路段為例，輸入數(shù)據(jù)為AB段交通流的時(shí)間序列和相連道路交通流的時(shí)間序列，共6組時(shí)間序列的數(shù)據(jù)作為輸入。這樣處理既能考慮交通流的空間關(guān)聯(lián)性，又能使得訓(xùn)練數(shù)據(jù)高效簡潔。為了預(yù)測時(shí)刻的交通流量，需要用到前r個(gè)時(shí)間棧數(shù)據(jù)進(jìn)行訓(xùn)練，即Xt-1,Xt-2,…,Xt-r，最終輸入數(shù)據(jù)的維度為6×r，由SDAE的網(wǎng)絡(luò)結(jié)構(gòu)可知輸出層的維度為6。

短期交通流預(yù)測，可根據(jù)選定的數(shù)據(jù)天數(shù)d確定r：r=288×d。不失一般性，本文設(shè)定天數(shù)范圍為{1,2,…,7}，隱藏層數(shù)目l范圍{1,2,…,7}，隱藏層單元數(shù)目范圍為{200,250,300,350,400,450,500,550,600}，運(yùn)行算法得到最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)如表2所示。

表2 SDAE模型結(jié)構(gòu)Table2 StructureofSDAE結(jié)構(gòu)參數(shù)計(jì)算結(jié)果r864l4隱藏層單元數(shù)目[350350350350]

圖7和圖8分別為2020年11月28日至30日和2020年11月18日至20日的預(yù)測效果與觀測值的對(duì)比。短期交通流預(yù)測天數(shù)一般不宜過多，存在一定的主觀性。本文經(jīng)多次實(shí)驗(yàn)，初步確定天數(shù)取d=2較為合適，模型效果較好。

圖7 預(yù)測效果(11月28日至30日)

圖8 預(yù)測效果(11月18日至20日)

預(yù)測的結(jié)果雖然存在一定的偏差擾動(dòng)，但所預(yù)測的交通流量變化趨勢同觀測值保持著高度的一致性。

不同模型的預(yù)測性能對(duì)比情況如表3所示。從表3可知，SDAE-ST的平均絕對(duì)誤差MAE最小，具有更高的預(yù)測精度。而SDAE-T預(yù)測精度最低，ARIMA相比更高，SVM則表現(xiàn)為比ARIMA更高的精度，但二者相差不大，屬同一預(yù)測精度水平。這證明了由于SDAE-T只利用了預(yù)測道路的歷史數(shù)據(jù)，而未考慮其路網(wǎng)空間維度的影響，因此預(yù)測精度較低。模型之間的平均相對(duì)誤差MRE和均方根誤差RMSE的差異與MAE保持一致，也驗(yàn)證了本文模型的優(yōu)越性。

綜合來看，ARIMA和SVM皆考慮了時(shí)空因素的影響，各項(xiàng)指標(biāo)相差較小，但都高于SDAE-T的預(yù)測精度，這說明開展多維時(shí)空分析是很有必要的。在所選的幾種模型中，SDAE-ST的精度最高，具有更加優(yōu)越的性能。

表3 不同模型的預(yù)測性能對(duì)比Table3 Performancecomparisonofdifferentmethods模型MAEMRE/%RMSESDAE-ST11.017.5610.63SDAE-T13.8910.3814.25ARIMA13.569.2913.78SVM12.988.6712.21

5 結(jié)論

智能運(yùn)輸系統(tǒng)環(huán)境下，大數(shù)據(jù)的采集和分析手段更加先進(jìn)，且交通流預(yù)測作為其關(guān)鍵性技術(shù)功能，本文得以在大數(shù)據(jù)的基礎(chǔ)上，提出了基于深度學(xué)習(xí)的交通流預(yù)測模型。

模型利用將多個(gè)降噪自編碼器DAE堆疊的思路，構(gòu)建了棧式SDAE的深度學(xué)習(xí)結(jié)構(gòu)，通過在頂層添加Logistic回歸預(yù)測的設(shè)計(jì)實(shí)現(xiàn)交通流的預(yù)測功能。同時(shí)結(jié)合實(shí)際的交通流數(shù)據(jù)，通過與不同模型的預(yù)測實(shí)驗(yàn)對(duì)比，證明了本方法的有效性。在進(jìn)行實(shí)際交通流的預(yù)測時(shí)，應(yīng)考慮多維時(shí)空因素的影響，才能獲得更好的預(yù)測精度。此外，本文數(shù)據(jù)來源于美國。因此本模型在用于中國高速公路時(shí)，需要考慮以下兩點(diǎn)。①需要考慮中美兩國測量系統(tǒng)的差異、流量計(jì)算公式，確保數(shù)據(jù)的真實(shí)。②總的來說中國的交通流量大于美國，因此可以適當(dāng)放寬時(shí)間間隔以應(yīng)對(duì)數(shù)據(jù)容量的計(jì)算壓力。