基于低頻GNSS軌跡的轉向級城市交通信息精細預測

方孟元，唐爐亮，楊 雪，胡 淳

1. 武漢大學測繪遙感信息工程國家重點實驗室, 湖北 武漢 430079; 2. 中國地質大學(武漢)地理與信息工程學院，湖北 武漢 430074

隨著經濟的快速發展，城市車輛保有量和居民出行量的快速上升使得城市擁堵現象越發嚴重。交通擁堵作為一種全球普遍現象，不僅造成了極大的時間經濟成本，而且加重了大氣和噪聲污染，成為目前社會的主要問題之一[1-2]。道路交叉口作為城市道路的咽喉，承載了交通流量的匯集和疏散[3]，是道路交通擁堵高發地帶[4]。同時，交叉口不同行駛方向的擁堵情況具有明顯的差異。因此，精準地預測交叉口交通信息對于交通擁堵治理、自動駕駛路線決策等具有重要的意義[5]。

交通信息的預測主要包括交通信息的獲取和時間序列預測兩個環節。交通信息可通過攝像機[6]、地面線圈[7]、測速雷達[8]等固定式傳感器對車輛速度進行測量，或利用浮動車GNSS軌跡數據進行提取。由于固定式傳感器在安裝部署成本高、探測范圍小等方面的限制，現有研究更多地利用GNSS軌跡數據。文獻[9—13]分別提出了交通狀態識別、速度與排隊長度參數估計方法，并討論了浮動車比例和參數估計準確性的關系；文獻[14—16]等基于GNSS軌跡數據挖掘城市擁堵事件并分析擁堵形成及傳播規律。然而這些方法提取結果的準確性受到浮動車GNSS采樣頻率的限制，且依賴于一定的先驗知識、難以實現大范圍的應用。對于交通信息的預測，早期主要借助自回歸積分滑動平均模型[17]、卡爾曼濾波[18]、貝葉斯網絡[19]等數學統計方法，而這類方法具有一定的前提假設、難以引入復雜的交通時空關系，因此預測能力有限。近年來，更多的學者借助深度神經網絡模型進行交通預測。文獻[20—21]將空間離散為柵格，借助卷積神經網絡交通路況空間分布模式。然而柵格形式難以表達復雜路網結構及其拓撲關系。隨著圖神經網絡的出現，用圖(graph)對交通網絡進行建模、進一步利用基于圖的神經網絡模型，如圖卷積(graph convolutional network，GCN)，直接對圖上特征進行學習，可以更好地學習交通狀態在其鄰接結構中的空間模式，從而取得更高的預測精度[22]。文獻[23—25]分別采用圖卷積模型實現對交通狀態、速度、流量的短時預測，相比傳統神經網絡方法，提高了預測精度。然而現有的交通預測研究主要針對路段本身，忽略了交叉口區域的交通信息，而交叉口不同行駛轉向上的交通流因信號配時、道路結構及通行策略而存在顯著差異。因此，引入轉向級的交通信息將提高后續應用的精細度和準確度。

針對城市交通預測相關方法忽略交叉口不同行駛轉向上的交通流差異，且基于軌跡數據獲取交通信息的精度受限于采樣頻率的問題，本文提出一種基于低頻GNSS軌跡的轉向級預測方法，實現了轉向級交叉口排隊長度、行駛速度的精細化提取和預測。

1 轉向級交通精細預測方法

本文提出的轉向級交通信息預測方法主要包括轉向級交通信息提取和轉向級交通信息預測兩個環節，總體流程如圖1所示。交通信息提取在文獻[13]的基礎上，通過提出排隊起始點估計模型提高提取精度。交通信息預測包括轉向拓撲關系構建和預測模型兩部分。本文主要對排隊起始點估計模型、轉向拓撲圖構建方法、提出的預測模型進行詳細介紹。

圖1 本文預測方法總體流程Fig.1 Flowchart of the prediction method in this paper

1.1 排隊起始點估計模型

現階段浮動車GNSS軌跡采樣時間間隔普遍在20～60 s。以10 km/h的平均速度排隊行駛為例，兩次定位之間行駛距離將達到55.6 m以上，而實際的排隊起始點位于兩次定位之間，因此直接采用軌跡點作為排隊起始點來計算行車速度和排隊長度將具有較大的不確定性。

僅采用GNSS軌跡數據，兩次GNSS定位之間車輛的速度變化過程難以精確地確定，因此需要進行一定抽象和簡化。根據文獻[26]，車輛在進入交叉口前的平均減速度為2.2～5.9 m/s2。如車輛從30 km/h的自由交通流速度減速到10 km/h的交叉口排隊速度，減速過程約為1～2.68 s、距離在5～14 m。該減速過程相比20～60 s的定位間隔，可以抽象為一個速度突變點，即為排隊起始點。

根據減速前后軌跡點對[Ps(xs,ys,ts,vs),Pe(xe,ye,te,ve)]的瞬時速度vs、ve和兩點間平均速度vm對運動模式進行分類(圖2)。

模式1：平均速度位于瞬時速度vs、ve之間，說明車輛在此區間內速度單調遞減。

模式2：平均速度高于vs或低于ve，說明車輛在此區間內速度變化不單調，具備復雜的加速、減速過程。

圖2 對運動模式進行分類Fig.2 Classification of movement patterns

圖3 對模式1的排隊起始點估計Fig.3 Estimation the start-point of vehicle queue under pattern 1

(1)

對于模式2,由于車輛經歷了復雜的加速和減速，導致vm大于vs或小于ve，難以建模計算。本文對該模式下排隊起始點與兩個點接近程度，選取較近的軌跡點作為排隊起始點(圖4)：若vm>vs，則車輛在減速前經歷了加速過程，認為Pe與減速點位置相近，將Pe作為排隊起始點；若vm

獲取了某個轉向某個時段內經過所有車輛的排隊起始點后，根據式(2)、式(3)分別對該轉向該時刻的平均速度、平均排隊速度進行計算[13]

(2)

(3)

圖4 對模式2的排隊起始點估計Fig.4 Estimation the start-point of vehicle queue under pattern 2

1.2 轉向拓撲圖

由于交通流狀態在道路中具有上下游傳播和反饋的特性，交通信息預測的關鍵在于有效建模交通網絡的復雜變化規律[23]。而現有的基于交通預測方法僅顧及路段之間的連通關系，無法區分和引入交叉口不同轉向上的交通信息。本文根據轉向之間的上下游連通關系構建圖結構，作為圖神經網絡的輸入，以引入轉向級交通信息的復雜時空模式。

圖G=(V,E,A)由節點集合V、邊集合E和鄰接矩陣A組成。從幾何上，道路網絡以交叉口為節點、以路段為邊自然地構成圖結構。根據對偶圖理論，可以將路段為節點、路段連通關系(即轉向)為邊，從而引入路段連通關系[27]。本文為了進一步引入轉向之間的拓撲關系，需要再一次進行對偶，即以轉向為節點，以轉向之間是否具有上下游連通關系構建邊。如圖5所示，8號轉向與上游2、4號轉向相連，同時與下游的19、20、21三個轉向相連，即存在5條邊：8-2、8-4、8-19、8-20、8-21。本文對所有連通轉向之間構建邊，最終構成了轉向拓撲圖，作為圖神經網絡的圖結構特征輸入?，F階段圖神經網絡僅處理節點屬性特征，因此本文以每個轉向對應的交通信息，即交通速度、排隊長度，作為圖的節點屬性特征。

圖5 轉向拓撲圖構建Fig.5 The construction of turning-level topology

1.3 時空圖卷積網絡

為了自適應地學習轉向連通圖中的復雜時空關系，實現交通信息短時預測，本文基于GCN和長短時記憶網絡(long short-term memory,LSTM)提出了一種時空圖卷積交通預測模型。

圖卷積網絡是一種應用于圖結構數據的深度學習網絡模型，將卷積操作推廣到圖上：將節點特征視為圖上的信號，借助譜圖理論和信號處理方法構建節點間的影響關系，實現圖卷積運算。相比傳統的神經網絡模型，圖卷積同時考慮節點特征和圖結構特征，具有對復雜空間特征的學習能力[23]。LSTM[28]作為RNN的一種變體，通過門結構有效解決了RNN梯度消失和長期依賴問題，被廣泛用于時間序列特征學習和交通預測中[29]。

時空圖卷積模型結構如圖6所示。首先將GCN構成殘差單元，并連接LSTM層，形成時空學習模塊(ST-Block)，分別借助GCN和LSTM學習單個時間段轉向間交通信息的空間模式和多個時段間的時序變化模式。其次，為了顧及交通信息的“潮汐”變化及“天”“周”尺度下的周期規律，參考文獻[24]設置3個相同結構的分支recent、day、week，通過分別向3個分支中輸入前幾個時刻、前幾天相同時刻、前幾周同日相同時刻的交通信息以學習預測時刻與歷史數據的連續、周期和趨勢特性。在每個分支中堆疊多層ST-Block以學習高維復雜的時空模式。最后通過全連接層對3個分支結果進行組合，得到目標時刻的預測結果。

注：a、b、c分別表示以歷元、天、周為間隔的歷史時刻數量；q表示每天單位間隔數量。 圖6 時空圖卷積網絡模型結構Fig.6 Neural network structure of the proposed model

2 試驗與討論

2.1 試驗數據

試驗選取武漢市2018-07-01—2018-09-19共80 d 24 h連續運行的出租車軌跡數據作為試驗數據，其中包含車輛約4000輛，GNSS采樣間隔為20～60 s。選取武漢市內環線及建設大道、友誼大道共31個主要交叉口的72個轉向進行預測，試驗區域如圖7所示。

試驗中，首先以10 min為間隔，對全部轉向的交通速度和平均排隊長度值進行提??；然后對提取結果進行Z-Score歸一化，并分別按70%、5%、25%的比例進行劃分為訓練集、驗證集、測試集；最后利用訓練集和驗證集訓練模型，用測試集對模型預測精度進行評價。

2.2 交通信息提取

由于缺乏地面真值，研究中通過交通數據的自相關系數對提取結果進行評價，并與未使用本文排隊起始點估計方法(分別采用減速前、后軌跡點Ps、Pe作為排隊起始點)得到的提取結果進行對比，結果見表1。由表1可以看出，本文方法估計的排隊長度信息具有更高的自相關系數，說明本文方法可以提高排隊長度估計準確性，使其更加符合交通周期變化規律。選取任意轉向，對其交通速度和排隊長度進行展示(圖8)，由圖中可以看出數據曲線連續，相同時刻不同天之間的差異較小，能夠反映出道路交通演化規律[14]。

圖7 研究區域Fig.7 Map of the study area

表1 交通信息自相關系數統計

2.3 交通信息預測

2.3.1 試驗設置

借助提取結果，對模型進行訓練和測試和評估。經過比較，隨著層數的增加，在堆疊ST-Block超過2層后，模型整體精度不再提高，因此試驗中對recent、day、week這3個分支隱藏層分別設置2層ST-Block；根據不同分支的數據長度，每個分支設置不同的神經元數量。模型輸入、輸出尺寸及各層超參數見表2。其中N為圖節點數量。

訓練中，采用Adam優化器訓練50輪(epoch)、batch size設置為100、學習率設置為1e-3，損失函數為mean square error函數。測試中，對未來10、20、30 min的交通信息進行預測，以RMSE、MAE作為評價指標為預測結果與提取結果進行比較。RMSE、MAE如式(4)、式(5)分別表示誤差水平，值越小則準確性越高。同時驗證本文方法的優越性，采用支持向量回歸(support vector regression,SVR)、長短時記憶網絡、TGCN[25]，ST-GCN[23]作為基準方法，對提取結果進行比較。

圖8 單個轉向的交通信息提取結果Fig.8 Time-series of detected traffic information of one selected turn

表2 模型超參數設置

(4)

(5)

2.3.2 試驗結果

對本文模型和基準方法的預測精度指標分別進行統計，結果見表3。根據統計，本文模型短時交通預測能力全面高于基準方法，交通速度、排隊長度的平均預測準確率分別提高1.9%～27.8%、2.0%～43.45%。相比T-GCN、STGCN模型，交通速度、排隊長度的預測準確率分別提高2.9%～5.6%、7.2%～16.8%，體現出本文多層、多分支的LSTM+GCN模型結構能更好學習交通時空演化規律，尤其是引入時間維度上的周期和趨勢特性；相比僅顧及節點時序特征的SVR、LSTM方法，預測準確性分別提高1.9%～27.8%、2.0%～43.4%，說明采用圖神經網絡引入交通狀態的空間模式能有效提高預測準確性。

隨機抽取一條轉向的預測結果，與提取結果(真值)進行可視化對比，結果如圖9所示。在不同的預測時間間隔下，預測的交通速度與排隊長度均與真值貼近、具有相同的變化趨勢，能夠應用于后續交通優化、路徑規劃等智能交通應用。

3 總結與展望

現有基于浮動車GNSS軌跡數據預測的交通信息僅包含路段上的交通信息，忽略了交叉口不同行駛方向上的交通流差異，且交通信息準確性受限于GNSS采樣頻率，最終限制了后續的智能交通應用。針對此問題，本文提出的基于低頻GNSS軌跡的轉向級交通信息預測方法，實現了交叉口排隊長度、行駛速度的轉向級精細化預測。該方法首先提出了排隊起始點估計模型，根據車輛運動規律探測交叉口排隊長度；然后基于對偶圖理論構建轉向連通關系的圖結構，用于建模轉向空間鄰接關系；最后基于圖卷積網絡構建了交通預測模型，通過學習圖中的時空模式提高交通預測準確性。利用武漢市出租車軌跡數據進行試驗，結果顯示，本文提出的排隊起始點估計模型有效提高了排隊長度提取的準確性，提出的預測模型準確率全面高于基準方法。后續研究將進一步引入如天氣、特殊日期等多源信息來輔助學習復雜條件下的交通模式、提高預測準確性；同時考慮借助傳感器觀測數據對基于GNSS獲取和預測的交通信息進行精度評定與分析。

表3 預測精度統計與對比

圖9 單個轉向交通信息預測結果, 數字表示MAE值Fig.9 Predicted results compared with true value, number in legend represents the value of MAE