基于ConvLSTM的高速公路交通流預測仿真研究

吳劍云， 于安雙，2

（1.青島大學商學院，山東 青島 266071；2.上海大學悉尼工商學院，上海 201800）

0 引 言

隨著經濟的發展，居民的交通出行需求不斷增加，由于交通基礎設施建設的滯后性，交通擁堵問題隨之出現［1］。高速公路網關鍵節點的擁堵如果沒有盡快解決，就會引發由點到線最終至面的趨勢，使整個路網運行效率降低［2］。收費站是高速公路網中的瓶頸，擁堵造成的二氧化碳增加、生產力下降、經濟損失等負面影響成為阻礙經濟可持續發展的頑疾［3］。準確的交通流預測，不僅有助于交通管理部門掌握交通狀態演變的趨勢，采取交通管制、進行資源調配，幫助出行者進行路線規劃，提高出行效率［4］?？茖W、準確地預測高速公路收費站交通流量，探索交通流量變化規律，對提高高速公路網運行效率具有重要現實意義。

為探究交通流的變化規律，國內外學者提出了許多關于交通流預測的方法。傳統預測方法主要基于數理統計的模型，針對路網中某一觀測點的時間序列數據進行建模，如季節性ARIMA 模型［5］、指數平滑模型［6］等?；跀道斫y計模型對參數十分敏感且對不穩定、復雜的非線性高維數據處理較為困難，機器學習模型逐步被用于交通流預測的相關研究中，如支持向量機（Support Vector Machine，SVM）［7］、隨機森林算法［8］等。隨著交通大數據的到來，深度學習模型可以處理大規模、高維度數據，學習各類交通數據之間的深層關系，被廣泛用于各類交通流預測任務中［9］。深度置信網絡［10］、堆疊自編碼神經網絡［11］、卷積神經網絡（Convolutional Neural Network，CNN）［12］以及卷積神經網絡與循環神經網絡（Recurrent Neural Network，RNN）的混合模型［13］等被用來進行交通流預測。上述模型為交通流預測奠定了良好的基礎，其本質是交通流時間序列的分析，忽略了交通流的時空關聯性。

高速公路交通流通常具有動態變化、時空關聯和周期性等復雜特性，交通流的預測會受到交通速度、天氣和事故等外部因素的影響［14］。各類時空序列數據之間往往存在復雜的非線性相關關系，如何在提取交通流時空特性的同時，刻畫外部因素對高速公路交通流的影響仍有較大研究空間。為實現多個關鍵節點交通流的高精度多步預測，本文除了描述交通流的時空相關性，還考慮了外部因素的影響，包括交通速度和天氣。在此基礎上，構建了基于卷積長短時記憶網絡（ConvLSTM）的交通流短時預測模型。利用卷積神經網絡中的卷積層實現交通流的多變量多步預測。本文利用隨機搜索算法來優化模型參數組合。

1 STE-ConvLSTM模型預測原理

高速公路交通流預測模型STE-ConvLSTM的主體部分為ConvLSTM網絡。交通流會受到外部因素的影響，出行者相對固定的出行習慣使得高速公路交通流在時間維度上呈現出一定的周期性和規律性，上下游收費站間存在一定的空間相關性。基于ConvLSTM網絡對交通流數據的時間、空間相關性特征及外部因素的特征進行提取，構造前t 個時段的歷史交通流和外部因素數據的時空矩陣。STE-ConvLSTM 模型的結構如圖1 所示。

圖1 STE-ConvLSTM模型

將交通流和外部因素的歷史時空序列數據轉換為類圖像的時間序列數據之后，輸入ConvLSTM模型，由多個ConvLSTM 層、批標準化層（Batch Normalization，BN）和ReLU層（Rectified Linear Unit，ReLU）提取交通流的時空特性，并學習外部因素時空矩陣數據與交通流數據的關系。利用卷積神經網絡的Conv2D層輸出未來交通流量矩陣。

1.1 構建模型輸入數據

ConvLSTM網絡的輸入為帶有時間特征的圖像數據，即具有圖像的三維特征（高度、寬度和深度）且這些圖像構成時間序列。

（1）各類時空數據。各收費站實時交通流圖像獲取難度較大，基于收費站間相對地理位置和歷史交通流時序數據，將收費站交通流的時空分布設計成二維特征矩陣，該矩陣包含交通流的時間和空間特征：

式中：t為樣本時間長度；m為收費站的數量；vij為過去第i ＝1，2，…，t時第j ＝1，2，…，m方向的交通流信息。

交通速度可分為時間和空間平均速度。空間平均速度的計算數據易獲取，且能處理成時間序列，故選其為研究對象?？紤]到一個收費站可與多條道路相連接，本文采用主成分分析法來降低交通速度數據的維度，并選取貢獻率最大的第1 個主成分來構造新的樣本集合

式中：矩陣的橫軸為空間維度，按照與高速收費站對應位置排列交通速度值；矩陣的縱軸為時間維度；sij為過去第i ＝1，2，…，t時第j ＝1，2，…，m 方向的交通速度信息。

天氣數據通常包含降雨量、溫度、濕度等多種特征。為消除樣本特征的冗余，本文對天氣數據進行主成分分析，并選取貢獻率最大的第1 個主成分構造天氣時空矩陣。

式中：矩陣的橫軸為空間維度，按照與高速收費站對應位置排列相應天氣數據；矩陣的縱軸為時間維度，wij為過去第i ＝1，2，…，t時第j ＝1，2，…，m 方向的天氣信息。

（2）輸入數據。為構建能輸入ConvLSTM模型的類圖像時間序列數據，基于各收費站的地理位置及相應的歷史交通流、交通速度、天氣數據設計了時空矩陣。如圖2 所示，在此基礎上將交通流時空矩陣與外部因素時空矩陣延深度方向堆疊，使用一次滑動窗口模型形成類似于圖像的數據，其中時間和空間維度對應圖像的寬度和高度，交通流量值、交通速度值以及天氣數據值對應了彩色圖像數據的色彩通道。再次使用滑動窗口模型形成帶時間軸的類圖像數據作為模型的輸入。

圖2 類圖像時間序列數據的構建

在圖2 中，第1 次使用滑動窗口模型產生的類圖像數據中vt，m、st，m、wt，m分別為第m 個收費站在t 時間的交通流量、交通速度和天氣數據，Δt 為第1 次滑動窗口的大??；第2 次使用滑動窗口模型后產生的單個樣本的形狀為ΔT×Δt×m ×3，ΔT為第2 次滑動窗口的大小。模型輸入數據集記為D，其形狀為n ×ΔT×Δt×m×3，n為樣本數量。

1.2 模型的主要結構

交通流預測問題基于歷史交通流量、交通速度及天氣數據，通過讓研究模型不斷學習樣本中0-t 時刻的數據，讓模型來推斷未來交通流量的變化趨勢，對下一段時間t ＋Δt的交通流量進行預測。

（1）ConvLSTM網絡。長短時記憶網絡主要用于時間序列數據處理，很難提取具有空間信息的數據。在LSTM網絡的基礎上，ConvLSTM網絡被提出來研究雷達回波圖的時間序列預測問題［15］。ConvLSTM網絡將前饋方法從哈達瑪乘積改為卷積，把input-to-gate與gate-to-gate均改為做卷積運算，以提取除時間關聯性之外的空間關聯性，被廣泛用于客流預測、天氣預測、流量預測等領域的研究中［16］。ConvLSTM網絡的卷積結構可對交通流以及外部因素數據的空間特征進行提取，且網絡中的信息也會持續積累和更新，能有效處理具有時間相關性的交通流信息

式中：Dt為輸入；w、b 為可學習參數；σ 為非線性激活函數；‘*’表示卷積；‘?’為哈達瑪積。ConvLSTM 的每個神經元都有一個記憶單元Ct來存儲狀態信息，Ct能通過輸入門It、遺忘門Ft和輸出門Ot進行訪問和修改，當Dt輸入ConvLSTM時，若遺忘門Ft被激活，則遺忘之前的神經元狀態；若輸入門It被激活，則它的信息會更新Ct。輸出門Ot控制最終輸出Ht，Ht決定Ct是否會傳遞到最終的狀態。

（2）卷積層。卷積層是卷積神經網絡中有較強特征學習能力的單元，卷積層輸出的缺點。Bergstra等［17］提出超參數優化的隨機搜索算法。研究表明，在多個學習算法對多個數據集的情況下，隨機搜索算法比網格搜索算法更有效地進行超參數優化，并且所需的計算時間更少?？紤]到時間成本和結果的有效性，本文采用隨機搜索算法來進行超參數組合優化。

2 實驗驗證與結果分析

2.1 數據集與數據預處理

（1）數據集。實驗數據集是KDD CUP 2017 提供的某高速公路收費站口交通流數據、汽車軌跡數據、天氣數據和道路及網絡連接屬性數據，數據的采樣周期為20 min，每天產生72 條數據。汽車軌跡數據為交叉路口a ～c到收費站的行駛信息。交通流數據是收費站口的車輛通行記錄，其中2 號收費站口只允許車輛駛入高速公路，“0”代表駛出，“1”代表駛入。天氣數據包含濕度、降雨量等特征。數據采樣周期為2016-09-19 ～2016-10-24，由于國慶假期期間的交通流量與平時有較大差異，為保證預測準確性不考慮假期數據。采用線性插值法處理缺失數據，并選用Min-Max 方法對數據進行標準化。

（2）相關性分析。采用皮爾遜相關系數驗證外部因素與交通流的相關性以及交通流的時空相關性，為交通流預測模型輸入數據集的確定奠定理論基礎。圖3 所示為交通流和交通速度進行相關性分析的結果，圖中數據表明，交通流與其連接道路交通速度不僅呈現一定的相關性，相鄰收費站的交通流也存在高度時空相關性。

圖3 皮爾遜相關系數

圖4（a）所示為1＿0 方向一周內每天同一時段的交通流對比圖，圖中曲線說明，某收費站口每日交通流表現出很強的時間上的相似性，都呈現出明顯的早晚高峰，白天流量比較大，夜間流量整體比較??；從周一到星期天的數據分布來看，其仍然表現出一定差異。交通網絡是一個復雜的系統，交通流不僅在時間上表現出高的相關性，在空間上同樣也表現出強的相關性。圖4（b）所示為相鄰收費站某日同一時段的交通流對比圖，從圖中可以看出，5 個不同方向的交通流表現出了高度的相似性，整體的變化趨勢是一致的，只因受隨機因素的影響而在細節上存在差異。

圖4 時空特性分析

（3）主成分分析。對與收費站連接道路的交通速度數據和天氣數據進行主成分分析，以減少數據的維數，加快模型的迭代速度。收費站口1 和收費站口2匯入道路交通速度第1 個主成分的方差貢獻率分別為73.708%和63.425%，天氣數據第1 個主成分的方差貢獻率為99.999%。

（4）滑動窗口設置。輸入數據包含的特征數量及樣本數量受滑動窗口設置大小的影響，設置窗口小，樣本數量增加，每個樣本包含的時間序列特征會減少。交通流預測的準確性與滑動窗口的設置密切相關。本文使用2 次滑動窗口的方法對時間序列數據進行處理，第1 次是將時間序列數據處理為類似于圖像數據的形式，為盡可能保證樣本數量并符合軌跡變化的特征故將滑動窗口的寬度設為6，滑動步長1。第2 次是獲取帶時間維度的類圖像數據，為確保樣本包含足夠特征數量，設置滑動窗口的寬度為10，滑動步長為1。通過滑動窗口設置最終得到訓練數據991 條，驗證數據487 條，測試數據487 條。

（5）參數設置及參數優化。根據具體的實驗效果進行調優設置，選擇學習率為0.1%的Adam迭代優化器和設定為均方誤差的損失函數，訓練迭代次數預設為1 000，使用早期停止策略，設置patience參數為10，批大小為64。ConvLSTM層采用ReLu激活函數，且在2 個ConvLSTM層之間使用批標準化層。卷積層作為輸出層，filters設置為1，kernels設置為（3，3），并采用sigmoid激活函數。ConvLSTM 層層數和filters 參數是影響模型預測準確度和訓練時長的關鍵參數，為選擇最佳的參數設置，設置了多種參數組合，ConvLSTM 層層數的搜索范圍是2 ～4，filters 參數在［64，128］中取值。采用隨機搜索算法確定上述參數值，最終確定ConvLSTM層為3 層，filters參數值為64。

2.2 仿真結果分析

為對預測性能進行對比分析，選取以下幾種基于數理統計的模型、傳統機器學習模型以及只能提取交通流時間相關性的深度學習模型與STE-ConvLSTM模型比較：ARIMA、SVR、CNN1D、LSTM、CNN-GRU 和CNN-LSTM。

（1）擬合曲線。利用STE-ConvLSTM 模型、只考慮時空特性的ST-ConvLSTM 模型和6 種傳統交通流預測模型ARIMA、SVR、LSTM、CNN、CNN-LSTM 和CNN-GRU，對數據樣本進行預測。圖5 所示為2016-10-24 高速公路收費站1＿0 和2＿0 方向4 種深度學習模型預測值與交通流量真實值的擬合曲線，其中，縱坐標為20 min 采樣周期的交通流量值。從2 個方向擬合曲線可見，本文的ST-ConvLSTM 模型和STEConvLSTM模型在交通流波峰和波谷時間范圍內的擬合效果均要優于其他深度學習模型。

圖5 不同模型擬合效果

（2）模型評價指標對比。交通流預測屬于回歸預測任務，采用平均絕對誤差（Mean Absolute Error，MAE）和均方根誤差（Root Mean Squared Error，RMSE）作為模型預測效果的評估指標，用于分析不同模型的交通流預測仿真結果。結果見表1，表中列出了本文所提出的STE-ConvLSTM模型與ARIMA、SVR、LSTM、CNN、CNN-LSTM、CNN-GRU 和ST-ConvLSTM 模型的誤差指標MAE和RMSE 的對比。由于數據集中速度只有駛入高速公路的數據，所以STE-ConvLSTM 模型只有3 個預測值。由表1 可見，傳統的數理統計模型ARIMA，難以學習時空數據的復雜關聯性，預測誤差較大；傳統機器學習模型SVM和深度學習模型可自主學習數據的復雜特征，使預測誤差大幅降低，表現出更好的預測效果；關注交通流時空相關性的STConvLSTM模型預測準確性高于其他只考慮時間相關性的傳統預測模型，預測效果整體提升，且可利用Conv2D層實現多變量多步輸出；考慮天氣、交通速度等外部因素STE-ConvLSTM模型，相較于ST-ConvLSTM模型，各收費站的預測誤差整體下降，表現出更好的性能。

表1 模型評價指標對比

為進一步驗證高速公路交通流受天氣、速度等外界因素的影響以及STE-ConvLSTM模型和數據建模方式的優越性，將交通流、天氣、速度數據延空間維度排列處理成時空矩陣輸入基準模型進行預測，計算誤差，并與將各類時空序列數據處理為類圖像時間序列數據輸入STE-ConvLSTM 模型的誤差結果對比，結果見表2。根據表1、2 的結果對比可見，融合外部因素的模型預測效果優于只考慮交通流數據的模型；STEConvLSTM模型以及數據建模方式相較于將交通流與外部因素融合為時空矩陣輸入基線深度學習模型，能更好地提取、融合各類時空數據的特征和非線性關系，所以交通流的預測精度有所提高。

表2 加入外界因素后模型評價指標對比

3 結 語

針對交通流具有隨機性、時空關聯性等復雜特性且易受到外部因素影響的特點，將時空序列數據通過滑動窗口的方法轉化成類圖像數據構成的時間序列，采用深度學習方法，構建基于ConvLSTM 網絡的模型框架。仿真結果表明，考慮外部因素可提高交通流預測的準確性，且與基準模型相比，本文提出的STEConvLSTM模型使交通流的預測準確度明顯提高。本文的仿真結論如下：

（1）就交通流預測效果而言，深度學習模型由于能學習大規模數據的復雜特征，其性能優于傳統機器學習模型和數理統計模型。

（2）ConvLSTM網絡可以更好地學習高速公路交通流的時空關聯性，提高預測的準確性。

（3）通過將其他與交通流相關的時空序列數據與交通流數據延深度方向堆疊，構建類圖像時間序列數據的方式，可更好地提取、融合不同數據的特征，提升預測效果。

基于深度學習模型，融合其他影響因素進行交通流預測，預測準確度較高，可為交通管理部門科學決策提供新的技術依據。在后續研究中，將開展高速公路路網級別的流量預測，構建能處理海量、高維數據的可擴展模型。