城市交通大數(shù)據(jù)背景下短時交通流預測

劉軍　袁海天

摘 要：針對城市交通大數(shù)據(jù)的來源、數(shù)據(jù)量大、種類繁多等特征，指出城市交通大數(shù)據(jù)在存貯、可用性、處理等方面的挑戰(zhàn);結合云計算技術，提出了基于隨機森林算法在城市交通大數(shù)據(jù)背景下對城市短時交通流并行預測方法，縮短了預測時間，提高了對大數(shù)據(jù)的處理能力。實驗結果表明，并行化隨機森林算法在不同數(shù)據(jù)集的預測精度均明顯高于決策樹，并能較快的處理城市交通大數(shù)據(jù)。

關鍵詞：智慧城市;大數(shù)據(jù);隨機森林算法;云計算

0 引言

智能交通是智慧城市的一項重要建設項目，是解決城市交通擁堵，實現(xiàn)城市交通智能控制、促進城市交通運輸可持續(xù)化發(fā)展的重要手段。隨著遍布城市的各類傳感器，如微波、激光、攝像頭、地磁線圈、GPS等和各類智能設備的增加，每時每刻都會產(chǎn)生海量的交通數(shù)據(jù)，數(shù)量達到GB級、TB級甚至PB級。這些數(shù)據(jù)由不同協(xié)議設備產(chǎn)生，數(shù)據(jù)模態(tài)千差萬別，構成了城市交通流大數(shù)據(jù)。由于相適應的市場機制還未形成，國內(nèi)在城市交通大數(shù)據(jù)的利用技術研究雖有一定成就，但遠未達到成熟應用的目標。因此，本文基于Hadoop集群搭建了城市交通大數(shù)據(jù)存儲平臺，并采用大數(shù)據(jù)計算框架技術對城市交通大數(shù)據(jù)進行并化挖掘和分析，提出了基于隨機森林算法在城市交通大數(shù)據(jù)背景下對城市短時交通流并行預測方法。

1 大數(shù)據(jù)管理框架

1.1 大數(shù)據(jù)分析計算平臺的構成

以分析城市交通大數(shù)據(jù)為目標，利用通用大數(shù)據(jù)分析處理工具以及云計算技術，并結合對短時交通流進行預測的實際要求，建立分析計算城市交通大數(shù)據(jù)管理框架，由3個部分構成：應用層、私有云計算層、數(shù)據(jù)管理層。

1.2 數(shù)據(jù)管理層

主要完成城市交通數(shù)據(jù)到存儲系統(tǒng)的數(shù)據(jù)整合。目前對數(shù)據(jù)進行整合還沒有完善統(tǒng)一的方法，只能通過第三方工具，例如Sqoop、Datanucleus等來完成這一過程。平臺采用Sqoop工具對各種城市交通原始數(shù)據(jù)進行抽取和整合，將不同模態(tài)的數(shù)據(jù)遷移到列式數(shù)據(jù)庫Hive與HBase中;Datanucleus提供了標準的接口來訪問和操作各種類型的數(shù)據(jù)庫資源，如HBase、Cassandra等多種非關系型數(shù)據(jù)庫，平臺使用Datanucleus工具將云計算過程中的中間數(shù)據(jù)寫入到列數(shù)據(jù)庫HBase中。

1.3 私有云計算層與應用層

大數(shù)據(jù)的分布存儲、數(shù)據(jù)的分析和計算等在私有云計算層完成。來自數(shù)據(jù)管理層的數(shù)據(jù)保存在HDFS中，并通過列式數(shù)據(jù)庫Hive、HBase完成數(shù)據(jù)的管理。HBase為列式數(shù)據(jù)庫，數(shù)據(jù)按列進行存儲和讀取，方便對整列數(shù)據(jù)進行查詢，這主要是為了滿足隨后使用的隨機森林算法需要多次對整列數(shù)據(jù)進行讀取計算的要求，隨機森林算法對數(shù)據(jù)的操作需求和HBase對數(shù)據(jù)的讀取方法相符合。根據(jù)云計算技術中“應用即服務”的理念，應用層就是利用云計算強大的數(shù)據(jù)分析、計算和存儲能力為城市管理者或參與者提供決策信息和指導功能，同時提供各類數(shù)據(jù)接口。

2 并行隨機森林算法預測短時交通流

2.1 短時交通流預測

目前，對短時交通流進行預測的常用方法有邏輯回歸、boosting和Cubist、高斯過程、關聯(lián)向量機、遺傳算法和決策樹等，其中，決策樹應用廣泛。但由于其自身原因，決策樹預測方法仍存在一些不足，主要表現(xiàn)在：

（1）計算時需要將所有屬性讀入內(nèi)存，從而缺少內(nèi)存處理其它數(shù)據(jù)，對大數(shù)據(jù)分析處理能力有限;

（2）當訓練數(shù)據(jù)集過小或數(shù)據(jù)中的噪聲較大時，容易出現(xiàn)過擬合現(xiàn)象，使樹的結構變得復雜;

（3）決策樹在選擇屬性集時由于不進行回歸，從而使算法收斂于局部最優(yōu)解，且泛化能力不高。

隨機森林算法是在Bagging思想和隨機子空間思想基礎上，集成了多個決策樹為學習單元的集成學習方法，他保留了決策樹的優(yōu)點同時克服了其一些不足，又因為其良好的并能處理能力和容易擴展的性能，具有較強的大數(shù)據(jù)處理能力。

2.2 隨機森林算法實現(xiàn)并行化條件

隨機森林算法集成了多個決策樹，這是它實現(xiàn)并行化的基礎條件。而它能實現(xiàn)并行化的理論根據(jù)則依賴于Bagging算法和隨機子空間算法。

Bagging算法是一種根據(jù)均勻概率分布從數(shù)據(jù)集中有放回抽樣的技術。在每輪隨機采樣過程中，數(shù)據(jù)集中約36.8%的樣本沒有被抽到。這些數(shù)據(jù)沒有參于訓練集的擬合，但可以檢測模型的泛化能力。這一特點使隨機森林中的每棵決策樹的訓練樣本不同，但所包含的原始數(shù)據(jù)集的知識規(guī)模是相同的，不但保證了訓練過程的并行化，而且也保證了訓練數(shù)據(jù)的并行化。

根據(jù)隨機子空間思想，決策樹對非葉節(jié)點進行測試的屬性樣本子集均從原屬性樣本集中進行隨機抽取，這可以避免將所有屬性樣本都讀入到內(nèi)存的缺點。減少了數(shù)據(jù)噪聲，降低了決策樹容易過度生長的現(xiàn)象，同時也提高了數(shù)據(jù)的處理能力。

Bagging算法和隨機子空間算法實現(xiàn)了隨機森林算法的并行化。在決策樹基礎上發(fā)展的隨機森林算法對短時交通流進行預測是可行的，從而本文基于MapReduce的并行化思想提出了并行隨機森林算法（MapReduce-Paralleled random forests，MR-PRF）進行短時交通流預測的方法。

2.3 城市短時交通流預測流程

隨機森林的訓練過程采用3個MapReduce作業(yè)類分別用來完成生成數(shù)據(jù)字典、生成決策樹、生成隨機森林模型。

生成數(shù)據(jù)字典就是用文件來描述參于訓練的樣本數(shù)據(jù)，包括樣本的條件屬性、決策屬性和模型的類型（回歸/分類）。該過程由第1個MapReduce作業(yè)類完成，得到的描述文件保存在模型的HDFS中，并作為第2個MapReduce類的輸入。

生成決策樹過程是隨機森林算法訓練過程的核心步驟，由以下3個步驟構成：

（1）運用Bagging算法從原始數(shù)據(jù)集中抽取個訓練樣本數(shù)據(jù)集（），每個訓練樣本對應一棵決策樹;

（2）決策樹的非葉節(jié)點選擇的隨機屬性集中屬性的個數(shù)根據(jù)取決于原始訓練樣本中屬性的個數(shù)，并根據(jù)每個屬性集所包含的信息，選擇最佳的屬性值進行分支;

（3）生成決策樹只有Map過程，而沒有Reduce過程，且是并行進行的，每個Map過程生成一個決策樹。該過程由第2個MapReduce作業(yè)類完成。

生成隨機森林就是統(tǒng)計各個決策樹結果，最終得到隨機森林結果的過程，該過程由第3個MapReduce作業(yè)類完成。

3 短時交通流預測模型和實驗分析

課題組搭建了一個由42臺配置相同的PC機組成的城市交通流數(shù)據(jù)分析實驗平臺，一臺PC機作為主節(jié)點，其它41臺PC機作為數(shù)據(jù)節(jié)點。主節(jié)點首先將參于訓練數(shù)據(jù)文件進行分塊，并以文件的形式保存各數(shù)據(jù)分塊的名字空間和元數(shù)據(jù)，各數(shù)據(jù)節(jié)點負責冗余保存各數(shù)據(jù)塊。當MapReduce作業(yè)提交到主節(jié)點后，根據(jù)任務所需要資源，并根據(jù)各數(shù)據(jù)點能提供的資源，主節(jié)點將任務分配給各數(shù)據(jù)節(jié)點，并監(jiān)控數(shù)據(jù)節(jié)點完成任務的過程。

實驗數(shù)據(jù)為某城市一條繁華街道2015年4-7月的交通狀態(tài)信息，狀態(tài)信息按15 min一次進行記錄，并包含有時間和天氣等相關信息。數(shù)據(jù)量遠沒有達到大數(shù)據(jù)規(guī)模，但卻能驗證算法的正確性。通過人為的數(shù)據(jù)擴充，使實驗數(shù)據(jù)達到大數(shù)據(jù)規(guī)模，進一步驗證算法在大數(shù)據(jù)環(huán)境下的性能表現(xiàn)。

實驗一：以2015-4-6～2015-5-27之間數(shù)據(jù)作為原始數(shù)據(jù)樣本集，分別采用MR-PRF算法和傳統(tǒng)決策樹算法來預測2017-5-28該路段15：00～15：15時段的交通流狀態(tài)，結果如表1所示。

表中可見，MR-PRF算法的預測精度高于決策樹算法。這是由于MR-PRF算法集成了多個決策樹，吸收了決策樹優(yōu)點的同時又克服了其缺點，因而表現(xiàn)出比決策樹更好的性能。

實驗二：采用不同的數(shù)據(jù)量進行實驗，得到MR-PRF算法的MAPE值如表2所示。

表中數(shù)據(jù)表明，數(shù)據(jù)量的大小對MR-PRF算法的預測精度影響不大，沒有明顯的變化規(guī)律，這說明并行化的隨機森林算法可以在大數(shù)據(jù)背景下對城市短時交通流進行預測。

實驗三：人為補充原始數(shù)據(jù)集至3.2G、13.2G、132G，并分別運行在由1臺、6臺、16臺、26臺、36臺PC機組成的分布集群上，結果如圖1所示。

圖中曲線表明，MR-PRF算法在相同分布集群上，原始數(shù)據(jù)量越大，加速比越大;在不同的原始數(shù)據(jù)量下，加速比隨著分布集群的增大而增大，當分布集群到達一定程度時，加速比增大趨勢減小。

4 結論

本文根據(jù)城市交通流的大數(shù)據(jù)的結構特征，基于通用大數(shù)據(jù)分析框架結構，構建出Hadoop的并行隨機森林算法模型，并利用并行模型對城市交通大數(shù)據(jù)進行快速挖掘和分析，實現(xiàn)對城市交通大數(shù)據(jù)對城市短時交通流進行預測。實驗表明，并行隨機森林算法比決策樹具有更高的預測精度。

參考文獻：

[1]楊正理，陳海霞，王長鵬，等.大數(shù)據(jù)背景下城市短時交通流預測[J].公路交通科技，2019，36（2）：136-143.

[2]VLAHOGIANNI E I，KARLAFTIS M G，GOLIAS J C.Short-term traffic forecasting： where we are and where we’re going[J].Transportation Research Part C Emerging Technologies，2014，43（1）：3-19.

[3]馬景艷.大數(shù)據(jù)背景下智慧城市破解交通擁堵的策略研究[J].電腦知識與技術，2014，10（18）：4262-4264.

[4]邴其春，龔勃文，林賜云，等.基于粒子群優(yōu)化投影尋蹤回歸模型的短時交通流預測[J].中南大學學報（自然科學版），2016，47（12）：4277-4282.