基于深度學習的短時交通流預測研究

葉津凌

摘要：隨著時代的進步和發展，當前我國家庭機動車的保有量也實現了針對性的提升。在這種情況下，由于城市交通的飛速發展，越來越多的機動車投入使用，導致我國也有越來越高的交通事故發生概率，空氣污染的程度不斷加劇。在交通發展的過程中，引入基于深度學習的短時交通流預測分析，對我們更好了解短時交通流量，并結合交通流量科學合理進行交通情況的評估和預測起到了積極幫助。

關鍵詞：深度學習;短時交通流;預測研究和分析

在當前的交通流預測過程中，為了更好的評估交通流量情況，引入先進的技術和理念，科學合理進行交通流量的評估和分析十分關鍵。本文在觀點探討的過程中，引入深度學習模型，就基于深度學習的短時交通流預測進行了觀點的探討和論述。

一、基于深度學習的短時交通流預測模型構建

在進行短時交通流預測的額實現上，對于評估模型的構建，要明確模型構建的目標，以及模型在預測工作開展上，使用的核心評價指標。結合本文設定的模型，在進行相應評價指標的設定上，需要針對目標時間范疇內獲取的預測結果進行精準的標準，通過預測值以及實際檢測結果的比對，了解到模型在短時交通流量預測方面的預測效果。在完成了相應評價指標的設定后，需要進行模型的針對性構建。一般來說，神經網絡模型本身在應用上，其非線性關系映射能力十分突出為此在進行數據的徐蓮實現上，若是有相同的輸入以及輸出個數，那么此時由于隱含層本身有不同呢的單元數量，這樣也會導致最終獲取的權闕值存在較大的差異。這種情況下，模型在應用上，其就會有較大的差異存在。本文在模型的構建上，需要就不同路段短時交通流量情況進行全面綜合的額考量和評估，了解到不同路段交通流量之間的彼此關系。在進行模型樣本的構建上，使用的是歷史交通流量數據，同時基于觀測點的個數分析完成相應數據的生成。在進行數據的分類上，主要包括訓練以及預測兩類不同的數據。

（一）基于實驗數據實現位置對應路況的獲取

在進行實驗數據采集上，選擇是2020.1-2021.1月期間某路段的交通流量數據。所有數據信息的獲取結合短時交通流預測數據實現。在進行相應數據的篩選上，要求所有數據必須有精準的來源，對于交通流量信息的記錄要準確到秒。

（二）處理實驗數據

在實驗數據的處理，考慮到篩選的路段為城市核心路段，在該路段的周邊，分布的主要是小區以及大學城等。為此在該路段的車流量表現，早晚有較高的車流量。另外，在該路段中，其有相對齊全的交通流量數據信息，為此在進行相應實驗數據的處理上，主要是基于“訓練—輸入”、“訓練—輸出”、“測試—輸入”、“測試—輸出”四種類型來完成相應數據的匯總和分類。

二、仿真分析

在實現基于深度學習的短時交通流量預測模型應用上，完成模型構建后，還要始終完成構建的模型進行仿真模擬分析，了解所構建的模型是否能夠真正契合具體的使用需求。通過仿真模擬，也可以了解模型在具體應用中存在的問題和不足，并針對存在的問題和不足進行相應的修正，促使模型能夠更契合短時交通流量預測的目標。具體來說，在仿真分析實現上，相應的操作對策是：

（一）神經網絡結構以及對應參數的設置

對于輸入層的神經元設置而言，在進行數據處理和分析上，結合數據處理工作的要求，在矩陣的規劃上，使用的是的輸入類的數據。基于分析和探討，在進行神經網絡輸入層對應的神經元設定上，最終設定的是5。

在隱藏層的神經元規劃上，考慮到不同隱藏層節點數量一般會對神經網絡預測的精度和準確性產生較大的影響。所以在規劃上，若是有太少的節點數設置，則無法最終獲取的結果有較高的精準性。若是在過程中設定了過多的節點數量，會導致在神經網絡模型使用上，陷入到過擬合的情況。所以為了確保上述情況不會發生，一般在進行計算上，將最優隱藏層的神經元數量設定是12。在進行所有數據的類別劃分上，將其分為訓練數據、驗證數據以及測試數據三類。

在相應的參數信息設定上，本文在進行參數獲取上，使用的算法為LM。在進行具體的計算上，將學習率設定是0.1，同時在過程中，對于最大迭代次數epoch，將其設定為1000，對于整個參數信息的設定而言，要求精度至少可以滿足0.000000001。

（二）預測結果分析

在使用仿真模擬進行預測實現上，若是適當進行隱藏層節點數量的增加，可以確保在訓練的過程中，有更少的訓練誤差。本文在進行分析上，設定的隱藏層數量是12，在這種情況下進行針對性的訓練，最終獲取的結果有較小的訓練誤差，而且在具體的訓練實現桑，其有較快的收斂速度。通過本文的數據訓練，最終獲取的訓練及數據能夠出色對模型具體的運行情況作出科學的評估和解讀，而且在進行預測實現上，共計進行了連續11次到了預測。并對每次訓練獲取的結果進行綜合分析和比對。通過訓練可知，本文最終獲取的樣本輸出誤差保持在恒定的狀態，不再有減小表現，甚至在后續幾次訓練中，最終獲取的結果誤差有明顯的增加表現。最佳結果獲取是通過第五次訓練達成的。

綜合對預測結果的評估分析可知，通過本文設定的模型進行樣本數據信息的分析和評估，樣本的誤差曲線以及測試樣本的誤差曲線走勢都是慢慢下降的，呈現良好的相關性，并且達到了一個合適的目標誤差。

三、總結

隨著技術的升級和發展，基于深度學習的模型構建能夠滿足短時交通流量預測的需求。在本文構建的模型應用上，其能夠契合當前短時交通流量預測需求，在預測工作實現上有相對較小的誤差，有較好的預測效果。

參考文獻

[1]陶璐. 基于深度學習的路網短時交通流預測研究[D].北京交通大學，2021.

[2]李瑩，李曉霞.基于深度學習的短時交通流預測[J].公路工程，2021，46（03）：314-319.DOI：10.19782/j.cnki.1674-0610.2021.03.048.

[3]馬晨敏. 基于深度學習的短時交通流量預測模型研究[D].南京信息工程大學，2021.DOI：10.27248/d.cnki.gnjqc.2021.000140.

[4]李海濤. 基于深度學習的交通流運行風險評估方法研究[D].吉林大學，2021.DOI：10.27162/d.cnki.gjlin.2021.002783.

[5]房崇鑫. 基于深度學習的短時交通流預測及其路徑誘導的研究與實現[D].揚州大學，2021.DOI：10.27441/d.cnki.gyzdu.2021.001789.

基金資助：江西省教育廳科學技術研究項目（項目名稱：基于深度學習的交通流時間序列模型構建與應用，項目編號：GJJ204604）