基于深度學習的路網短時交通流預測

葉津凌

摘要：隨著智慧城市建設工作的推進，智慧交通作為智慧城市建設過程中十分關鍵的構成環節，其發展備受人們的關注和重視。對于智慧交通的踐行而言，其中一個關鍵的內容就是走好交通流量的預測和評估。而且科學合理進行路網短時交通流的預測和評估，會對后續的交通控制以及相應誘導系統的構建產生積極影響，這也是目前我國在人工職能研究領域的核心關注點。本文在觀點論述的過程中，基于深度學習理論出發，針對路網短時交通流的預測評估進行了觀點的闡釋和解讀。

關鍵詞：深度學習;路網;短時交通流預測和評估;分析研究

隨著時代的進步和發展，在交通運行的過程中，重視路網短時交通流預測和分析十分關鍵。在路網短時交通流預測和評估上，有針對性的引入深度學習網絡模型，對保障路網短時交通流預測和評估效果有積極作用。

一、交通流預測問題

所謂交通流預測，指的是通過進行歷史交通數據的給定，針對接下來時間段相應交通數值進行針對性的評估和分析。數據驅動的交通預測問題在這些年來備受市場的關注。通過科學合理的進行交通流的預測與評估，能夠實現對任何和交通相關的數據進行分析評估，了解交通進出量、交通流量等等相關信息，并可以對目標時間段內出租車的需求、出租車接送情況進行評估。通過科學合理進行交通流量的預測和評估，對有效進行交通運行狀態的分析，制定相應的交通管控措施有積極幫助。

二、交通流預測的傳統方式

在進行交通流預測的實現上，過去傳統使用的是數學時間序列預測法，以及卡爾曼濾波法、自回歸綜合移動平均及其變體法等。這些早期的方式主要是針對獨立位置交通時間序列進行預測。但是隨著時代的進步和發展，在實現交通流預測的過程中，也開始引入對空間信息的綜合考量和評估，同時在一些預測中也納入了外部語境信息等。而且通過對既有的研究進行綜合評估和分析，在既有的研究中也進行了不同技術的引入，基于此實現建模空間交互信息的構建。在既有的研究中，也有學者指出，可以基于正則化實現對歷盡位置以及時間點預測差異的出色平滑，基于此科學合理完成對近距離空間以及時間依賴關系的解讀。在這些研究中，其強調周邊應該有類似的交通環境和狀況。通過研究，證實了通過一些附加因素能夠確保有出色的預測成效。但是既有的方式更多是立足傳統時間序列或是機器學習模型進行觀點的闡釋，難以對一些相對復雜的非線性時空依賴關系作出出色的解讀。

三、深度學習方法

深度學習方法的提出是隨著技術發展提出的一種全新的學習方法。當前，在很多有較高挑戰難度和復雜性的學習任務踐行上，深度學習取得了突出的應用。基于深度學習方法的引入，促使研究人員能夠針對一些復雜非線性關系進行針對性的模型構建，而且當前無論是從計算機視覺還是從自然語言處理等多方面視角來說，通過研發工作的不斷深入，能夠實現深度學習技術到具體交通預測問題的落地。比如通過一些研究完成城市交通模型的構建，并引入熱圖圖像應用，在具體的呈現上，可以將目標時間段的交通量看作是像素值在地圖中進行針對性的凸顯。也可以進行歷史交通圖像的給定，通過模型實現對接下來時間戳交通圖像的預測和分析。在具體的實現上，針對一些非線性空間依賴關系的建模，主要是借助卷積神經網絡方式實現。比如在神經網絡框架的設計上，利用多來源上下文數據完成相應設計，基于該設計實現對出租車供需缺口的預測和評估。在該方式的利用上，其特征十分廣泛，但是在建模實現上，沒有圍繞時空交互進行針對性的建模。

通過研究可知，引入CNN，可以實現在空間相關性的捕捉上，圖像使用的是城市的交通。比如我們可以借助CNN實現交通速度圖像進行相應速度預測。在研究過程中，明確強調在交通流圖像上可以引入殘差CNN。這些方式都可以確保能夠輕松簡單的實現對城市CNN的使用，而且在預測上，可以將所有地區都納入到預測范疇。我們可以了解到，在進行目標區域預測的過程中，若是在實現上，將一些不相關區域納入其中，可能會對預測的效果產生負面、消極影響。而且在應用上，雖然所有引入的方式能夠確保我們在預測的過程中，可以借助歷史時間戳流量圖像完成，但是在進行模型構建上，其并非是顯式的完成時間順序依賴關系完成模型構建。

在進行順序依賴關系模型構建上，也有學者提出了LSTM方式。通過這種方式進行模型構建，能夠對一些極端情況下的交通順序依賴關系進行針對性的評估和預測。尤其是在有較高交通流量時段，或是事故后場景的預測和評估上，這種方式有出色的應用意義。在具體實現上，第一行研究主要是將一些完全連階層堆疊在一起，在過程中，可以將不同來源的上下文數據融合在一起，基于此對交通需求以及出租車的需求情況等進行綜合的評估和預測。采取該方式進行預測其特性十分廣泛，但是沒有做到顯式的進行空間以及時間交互關系建模。第二行研究在進行交通流預測的空間相關性實現上，則是基于卷積結構達成。第三行的則是基于遞歸神經網絡模型對順序依賴關系來完成相應模型構建。

在既有的研究中，針對出租車需求預測的時空依賴性問題解決，也有學者基于卷積LSTM達成。在研究中，學者認為，在進行需求預測的實現上，可以引入多視圖時空網絡實現。在網絡的踐行上，其同時實現LSTM、local-CNN和語義網絡的嵌入，在過程中也對時空依賴性進行針對性的學習。

四、結論

本文在觀點論述的過程中，就交通預測問題展開了深入的探討和論述，同時在研究中，針對當前我國在交通預測實現上的傳統方式以及深度學習方式進行了綜合分析。實施上，在進行一些非線性模型的構建上，深度學習方式能夠具備更出色的建模效果。未來，我們在進行交通流預測工作踐行上，可以充分借助深度學習來實現神經網絡的優化布局，不斷推動相應性能的優化和改進，確保在進行交通流預測的實現上，有更短的耗時，也有更少的資源耗費，基于此確保在預測工作踐行上，有更高的預測精準性。

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]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.

[3]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.

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）