基于神經網絡的城市道路交通誘導算法設計

張揚永

(中共福建省委黨校，福建 福州 350001)

隨著21世紀科學的發展，我國經濟與社會等方面取得了飛躍式的發展，汽車己成為現代文明與進步的象征和標志，而且是城市和鄉村的社會生活中不可缺少的重要組成部分，給城鄉面貌帶來巨大的變化，尤其是城市規模和道路發展[1-2]。道路交通是社會和經濟活動的關鍵紐帶，在促進城市和區域經濟發展以及提高人民生活水平方面都有著極其重要的作用，其信息化管理水平也伴隨著社會經濟的發展而不斷提高。然而，現實中城市規模的不斷擴大，交通參與人及機動車數量劇增，帶來了一系列的交通管理問題。同時，與大力度投入建設道路相比，現代化的技術手段能進一步發揮道路網絡的潛在功能，全面提高運輸效率，緩解道路交通緊張局面，其投入少、見效快，更具有現實意義[3-4]。因此，智能交通系統(intelligent traffic system, ITS)應運而生，它是運用先進的計算機信息技術、計算機通訊技術、物聯網技術，建立適合城市范圍內，實時、準確、高效的綜合運輸和管理系統，有效地集成運用于整個交通運輸管理體系[5]。鑒于ITS在道路交通管理中的應用有很大成效，前期也有很多學者研究衛星技術、信息技術、數據通訊傳輸技術、電子傳感技術、電子控制技術和計算機處理技術等在ITS中的綜合應用，也借鑒了國外ITS應用[6]。然而，我國道路交通信息化一方面存在管理認識模糊、不到位，信息孤島現象突出、隊伍素質不夠高、管理體制不適應和無經濟保障等問題，另一方面，國外道路設計、人口分布、交通量、變化規律等與我國有較大區別，因此，我國學者在ITS方面的研究逐步轉向動態全球定位系統(global positioning system, GPS)誘導、路段速度估算、人工智能應用等道路交通誘導技術上，涉及誘導改進算法和模型有KNN((K-nearest neighbor)、BP、CNN(convolutional neural network)、LSTM(long-short term memory)等，從而強調了計算機算法提升在道路交通中的應用[2,7]。跟以往強調大規模的基礎建設投入相比，本文更加強調運用科學技術和計算機算法改進智能交通方面的應用，針對現有道路交通誘導技術，應用神經網絡技術改善道路交通，提高道路交通人工智能應用水平。

1 道路交通誘導技術

1) 動態GPS誘導技術。GPS是為了在全球范圍內，向用戶提供精確的、連續的三維位置和速度信息，與GPS密切相關的信息技術還有地理信息系統(geographic information system, GIS)是在計算機硬、軟件系統支持下，分析和處理海量地理數據的通用技術，主要針對地理分布的數據進行采集、儲存和相關處理的技術系統。GPS/GIS系統在ITS中應用，尤其是交通管理方面日益顯示出巨大能力，將動態GPS技術引用到我國各大城市道路交通管理當中，設計城市道路交通誘導系統，緩解交通擁堵現象，減輕交通壓力，提高城市道路交通運輸效率，成為提高道路交通管理的重要手段[8-9]。動態GPS誘導技術應用有如下兩方面。

路線優化模塊：交通信息服務子系統是交通誘導系統的重要組成部分，它把主機運算出來的交通信息(包括預測的交通信息)通過各種傳播媒體傳送給公眾。這些媒體包括有線電視、聯網的計算機、收音機、路邊的可變信息標志和車載的信息系統等。

行車路線優化子系統：依據車輛定位子系統所確定的車輛在網絡中的位置和出行者輸入的目的地結合交通數據采集子系統傳輸的路網交通信息，為出行者提供能夠避免交通擁擠、減少延誤及高效率到達目的地的行車路線。在車載信息系統的顯示屏上給出車輛行駛前方道路的路網狀況圖，并用箭頭線及各種顏色標示建議的行駛路線和最佳路線。

2) 路段速度估算技術。該技術(部分學者使用路段流量估算研究，都是交通流最基本也是最重要的參數，其估算基本思想相似)是利用路段部分車輛的平均行駛速度代表實際路段速度，同時也體現了道路服務水平[10-11]。然而準確估計路段速度不僅非常關鍵，而且有一定技術難度，受采樣時間、GPS點數、路段距離干擾較大，如采樣時間間隔越長，速度估算越不準確；GPS點數越少，速度估算也越不準確。當前研究熱點在不同的時間段(同時區分工作日和周末)以及相鄰路段的速度預測，部分研究表明路段估算速度與路段真實速度(一般取實際速度的平均值)之間的誤差越少，其模型越好，而模型效果大多依賴于現有數據集中的數據成分，如車輛數量越多則誤差越少，數據偏少時則會出現相鄰路段數據與當前路段的數據預測不符[12-13]。通常情況下，GPS點數、路段分布和不同的計算時間均會影響預測結果，因此單一的路段速度估算技術，往往只能適用其中的一類數據集效果，應用到其他數據集則效果變差。路段節點之間交通流的影響規律本身就比較復雜，如路段節點之間擁堵可能會影響其他多個路段節點的交通流，不僅停留在與相鄰路段節點之間，而且，要考慮相對路段信息的隨機、動態特征在路段速度估算技術中的應用，開始結合神經網絡和數據融合技術，也逐漸發展到人工智能在ITS中的應用。

3) 人工智能應用技術。人工智能(artificial intelligence, AI)技術日益成熟，應用領域也不斷擴大，從計算機科學的一個分支發展到十分廣泛、復雜的科學，其中以神經網絡為基礎發展起來的機器學習模型成為長期研究熱點。機器學習的基礎理論為統計學、信息論和控制論，對歷史數據(也稱經驗)有著重要的依賴，如神絡網絡模型中的輸入端均為歷史數據已經發生過的信息，輸出端為歷史數據發生的結果，在不斷的學習(多次迭代的學習稱“深度學習”)中調整網絡中的權重，從而減少擬合值與實現值的誤差[14]。近年來，人工智能各類算法層出不窮，模型的驗證方式并不統一，為檢驗人工智能各類算法的效率、準確率等，國內外大數據相關機構逐步完善了各類數據集(一般分為訓練集和測試集)，在智能交通領域上，最為典型的開放數據集為美國的交通部數據(https://www.its.dot.gov)。深度學習在道路交通流量預測主要包括短期交通流量和中長期交通流量等的預測，由于ITS應用更偏向于時效性，因此更加注重短期交通流量預測，相關預測有交通流量，交通速度，交通密度等[15-16]。較早人工智能模型是基于傳統數學方法和時間序列，如：最近鄰算法(KNN)、自回歸模型(autoregressive, AR)、滑動平均模型(moving average, MA)、自回歸滑動平均模型(auto-regressive and moving average, ARMA)等，隨著研究的深入，更高預測精度的方法逐漸轉向支持向量機模型(support vector machine, SVM)、人工神經網絡模型(artificial neural network, ANN)等，其中神經網絡模型具有良好適應性的預測優勢，以及隨著訓練樣本不斷累積，其性能表現越優，因此受到學者們的熱棒，如：深度信任網絡模型(deep belief network, DBN)、卷積神經網絡(CNN)、遞歸神經網絡(recurrent neural network, RNN)等常用于流量預測的通用基本網絡模型[14-18]。

2 算法設計

當前，隨著深度學習技術在各行各業的應用，相關的方法及變形越來越多，本文以BP神經網絡在城市道路交通誘導路線應用進行算法設計，從而提升ITS的道路交通誘導能力。根據選取的實驗道路的數據集，以路況起始時間、結束時間對行車方向、車道數、車流量、平均速度、車道占有率、視頻信號狀態、車輛信息等數據作為輸入，輸入節點以隨機權重傳輸至隱藏層，然后通過神經網絡中間隱藏層不定層數和節點數(均大于等于1)，訓練其輸出與交通路況(1-順暢，2-緩慢，3-擁堵)預期是否一致，不一致的誤差進行反向修正權重，不斷訓練以期獲得較理想的結果，BP神經網絡傳遞過程如圖1所示。

圖1 神經網絡模型

BP神經網絡模型包括信息的前向傳播和誤差的反向權重修復傳播兩個過程，通過不斷迭代進行修復權重信息，該模型首先讀取道路交通數據集，獲得輸入矩陣I，設置學習率、迭代次數等信息，以下步驟分前向傳播和誤差反向傳播進行說明：

1)前向傳播

Step 1. 初始化權重矩陣Wij，i表示網絡中每層的節點數，j為當前層節點傳到下一層的節點數，最后一層節點數即為輸出層的節點數

X=W·I

(1)

Step 2. 應用激活函數傳輸給下一層

x是組合后的數據，還需要對x進行激活，激活形式多樣化，其效果也不一樣，本研究采用ReLU激活函數。

(2)

Step 3. 如果隱藏層多層則重復執行公式(1)和公式(2)的操作步驟，直至輸出到最后一層即輸出層。

2)誤差反向傳播。

Step 1. 計算總誤差error，即輸出層與目標值之間的差值。

eoutput=target·Ooutput

(3)

Step 2. 反向傳播誤差，根據輸入權重分配各自的誤差是當前神經網絡中最普遍的一種做法，反向傳播時需要對輸入的權重矩陣Wij進行轉置即WT，重復傳播誤差直至網絡的第一層。

en-1=en·WT

(4)

Step 3. 權重修正，通過誤差來修正權重，在此引入神經網絡的學習率a即梯度下降

(5)

重復前向傳播和誤差反向傳播直至迭代完成才退出網絡，BP前向傳播和反向傳播誤差的訓練過程的算法如下：

算法1 BP前向傳播和反向傳播誤差(Python)

算法1 BP前向傳播和反向傳播誤差(Python)(續)

3 效果分析

1)實驗數據及場景說明。本研究在軟件上使用MyEclipse 2017 CI開發工具相結合，開發語言為Python3.7，訓練模型為BP神經網絡。研究選取了安徽省黃山市徽州區黃山路段進行測試，實驗時間為2016年6月22日至2016年6月30日，測試路段信息包括了地磁檢測數據(81.1萬條記錄)和路口交通流檢測數據(15.3萬條記錄)，實驗數據說明如表1所示，測試路段樣例如圖2和圖3所示，圖2為路段全景示意圖，圖3為黃山路西的信號控制的交叉口。

表1 實驗數據

圖2 測試路段展示

為了讓采集的數據在神經網絡的訓練更加穩定、有效，由于道路交通數據中以時間序列為主，沒有負值，實驗數據規范化采用比較簡單的數據自歸一化處理(列的歸一化)，以時速為例，Speedi=Speedi/Speedmax即當前時速值除以時速的最大值。實驗過程，主要以車流量(輛)、車輛平均速度(km/h)，車輛密度(輛/km)展開訓練，這三項指標標志著道路交通的交通路況(1-順暢，2-緩慢，3-擁堵流量)，在工作日以早高峰、晚高峰尤其明顯，車流量變大，容易造成擁堵，車流量高峰時段每天的變化如圖4所示。

圖3 信號控制交叉口

圖4 晚高峰車流量變化趨勢

2)結果分析。由于現實中車流量存在不穩定因素，在交通要素中很難被調控，然而可以在早晚高峰時段，車流量、車輛密度平均比非高峰時段高一倍，除非工作日外(2016年6月25日、26日分別為星期六、星期天)，車輛密度在非工作日有較大下降，如圖5和圖6所示。而車速指標則相反，在高峰時段明顯低于非高峰時段，由于在道路路口時速為零的信息較多，因此統計出來的平均時速與實際有所偏離，如圖7所示。

圖5 交流平均車流量對比

圖6 交流平均車輛密度對比

圖7 交流平均車速對比

在BP神經網絡的訓練中，以提升早高峰、晚高峰通行效率(即減少車輛密度)和提升平均車速為主要目標，具體訓練參數見表2，以2016年6月22日到29日為訓練集，2016年6月30日為測試集，訓練結果的高峰時段和非高峰時段分別如圖8、圖9所示。

圖8 高峰時段平均車速和密度訓練效果

圖9 非高峰時段平均車速和密度訓練效果

通過人工智能算法干預的道路信號變化，確實提升了車輛通行速度，減少了車輛密度，在高峰時段的效果比較明顯，可提升近15%的通行效率(efficiencyi=speedi×diffdensityi路口單位車道通行效率(輛/時))，有效減少了擁堵的時長，非高峰時段改進不如高峰時段明顯，因此，BP神經網絡在城市道路交通的誘導系統中的應用確實有效。

表2 BP神經網絡模型的參數

4 結語

伴隨著城市規模的擴大和人口、車輛增多，城市的發展受到城市交通問題嚴重困擾，交通擁堵、交通事故以及交通帶來的環境污染問題等已經嚴重制約了城市的發展步伐。盡管經過多年的軟硬件投入，各種誘導技術都取得了顯著的進步，然而面對城市經濟和社會發展而帶來的客運、貨運的需求越來越大，道路交通管理信息化及誘導技術仍還不能夠滿足現代交通運輸業發展的實際需求。跟以往強調大規模的基礎建設投入相比，基于神經網絡的城市道路交通誘導算法研究更加強調人工智能技術和算法方面的應用，以期實現某道路子系統的高效率運行，從而提升整個城市道路交通系統效率。后續道路交通誘導技術問題，還可以從兩方面入手去改善道路交通環境：一方面提高管理水平、推進道路交通信息化管理，如ITS人工智能；另一方面將新型科技應用到道路交通信息化管理當中，如車聯網。