基于網格劃分的城市短時交通流量時空預測模型

王海起，王志海，李留珂，孔浩然，王瓊，徐建波

基于網格劃分的城市短時交通流量時空預測模型

王海起，王志海*，李留珂，孔浩然，王瓊，徐建波

（中國石油大學（華東） 海洋與空間信息學院，山東 青島 266580）（ ? 通信作者電子郵箱m15169527853@163.com）

準確的交通流量預測在幫助交通管理部門采取有效的交通控制和誘導手段以及幫助出行者合理規劃路線等方面具有重要意義。針對傳統深度學習模型對交通數據時空特性考慮不足的問題，在卷積神經網絡（CNN）和長短時記憶（LSTM）單元的理論框架下，結合城市交通流量的時空特性，建立了一種基于注意力機制的CNN-LSTM預測模型——STCAL。首先，采用細粒度的網格劃分方法來構建交通流量的時空矩陣；其次，利用CNN模型作為空間組件來提取城市交通流量不同時期下的空間特性；最后，利用基于注意力機制的LSTM模型作為動態時間組件來捕獲交通流量的時序特征和趨勢變動性，并實現交通流量的預測。實驗結果表明，STCAL模型與循環門單元（GRU）和時空殘差網絡（ST-ResNet）相比，均方根誤差（RMSE）指標分別減小了17.15%和7.37%，均絕對誤差（MAE）指標分別減小了22.75%和9.14%，決定系數（R2）指標分別提升了11.27%和2.37%。同時，發現該模型在規律性較高的工作日的預測效果好于周末，且對工作日早高峰的預測效果最好，可見該模型可為短時城市區域交通流量變化監測提供依據。

短時交通流量預測；時空特性；卷積神經網絡；長短時記憶；注意力機制

0 引言

在經濟快速發展的背景下，我國的汽車保有量逐年攀升，過快的汽車增長速度和較低的道路容納力之間的矛盾愈發突出。交通問題是個極為重要的現實問題，如何有效地緩解交通壓力、提高路網的通行能力，已成為大中城市迫切需要解決的問題之一。隨著數據采集技術和信息處理技術的快速發展和在交通運輸領域的廣泛應用，智能交通系統（Intelligent Transportation System， ITS）也隨之發展起來［1］。精準、實時的城市交通流量預測是城市交通控制和引導的基礎，也是智能交通系統的重要組成部分。由于交通情況變化迅速，長時交通流在現實應用中很難發揮作用；而預測時長不超過15 min的短時交通流量預測，更符合現實生活需求，更具有實際意義。

目前，現有的交通預測方法大體可以分為動態建模和數據驅動兩類。數據驅動類方法當前有著相當廣泛的應用，以典型的統計方法和機器學習及其組合為代表［2］，其中主要的方法有三類，分別為基于統計的線性預測方法、基于非線性模型的預測方法以及基于深度學習的預測方法。基于統計的線性預測方法中典型的模型為自回歸差分移動平均（AutoRegressive Integrated Moving Average， ARIMA）模型，Kohonen ARIMA模型［3］、subset ARIMA模型［4］、seasonal ARIMA模型［5］等的變體模型提高了交通流預測的精度，但ARIMA模型預測要求交通流數據是平穩的，面對復雜的交通狀況時，則難以保證預測精度。基于非線性模型的預測方法包括支持向量機［6］、小波分析［7］、人工神經網絡［8］等，該方法在交通流預測中的數據擬合能力較強，但未考慮道路間的空間關系，且需要大量數據。1997年，Kirby等［9］討論了神經網絡和時間序列在交通預測方面的優缺點，發現在數據量少的情況下神經網絡的預測效果并不好，且未考慮道路間空間關系對交通預測的影響。基于深度學習的預測方法，相對于傳統的神經網絡方法，有更強大的特征學習能力，適用于交通流的預測任務。Sun等［10］利用GPS軌跡數據考慮了前30～90 min的交通速度數據，構建了卷積神經網絡（Convolutional Neural Network， CNN）、循環神經網絡（Recurrent Neural Network， RNN）、支持向量機回歸（Support Vector Regression， SVR）等幾種交通速度預測模型，結果表明深度學習方法優于機器學習方法。Zhang等［11］使用一種時空殘差卷積網絡對城市范圍的人流動進行預測。陳治亞等［12］深入探究了時間占有率等因素對交通流預測結果的影響，提出了基于多維度長短時記憶（Long Short-Term Memory，LSTM）單元模型的短時交通流預測模型。王體迎等［13］利用循環門單元（Gated Recurrent Unit，GRU）對加拿大大不列顛哥倫比亞的真實交通流量數據進行建模分析。各研究發現深度學習方法在交通預測上有不錯表現，但是絕大多數深度學習方法對于交通數據的時空特征考慮不全，使得預測精度降低，且內部結構復雜，模型訓練工作量加重。

為了充分提取交通流的時空特征、提高模型的預測精度，基于出租車GPS數據，根據城市交通流的時空特性，利用CNN模型和基于注意力機制的LSTM模型建立了交通流短時預測模型。

1 基于CNN-LSTM的城市區域短時交通流時空預測模型

1.1　交通流預測問題定義

1.1.1城市交通流網格表示

其中：R為軌跡集，為軌跡集中的一條軌跡，為軌跡上的軌跡點，和為的經緯度坐標，為集合的基數。

1.1.2交通流時空矩陣的劃分

根據上述交通流存在的特性，將輸入數據分為三部分，分別為鄰近項、日周期項和周周期項。

1.2　STCAL模型結構

根據城市交通流量存在的時空特性及現有模型存在的不足，提出了一種基于注意力機制的CNN-LSTM預測模型STCAL （Spatial-Temporal Convolutional Attention-LSTM network），如圖2所示。模型由空間組件和動態時間組件所構成：空間組件根據交通流的時間特性分為3個模塊（鄰近模塊、日周期模塊和周周期模塊），分別獨立使用多層的卷積神經網絡模型來提取不同時期下城市交通的空間特征；動態時間組件使用了以長短時記憶單元作為基本單元搭建的編解碼器（Encoder-Decoder）模型，并嵌入注意力機制來處理交通流的趨勢變動性，實現最終的預測結果。

圖2　模型結構

1.2.1空間組件：CNN模型

1.2.2動態時間組件：基于注意力機制的LSTM模型

LSTM是循環神經網絡最有代表性的變體之一［15］，它通過門函數和記憶細胞的共同作用，可以有選擇性地控制信息的傳遞。基于LSTM搭建的Encoder-Decoder架構來處理交通流量的時間特性，并引入注意力機制，來適應城市交通流量的趨勢變動性。其中，Encoder端負責捕獲交通流量時間依賴性，并編碼成一個向量輸入到Decoder端；Decoder端對編碼向量進行解構并且輸出多步預測。

圖3　注意力機制

2 STCAL模型應用

2.1　數據概況及預處理

研究使用的數據源來自北京市33 000多輛出租車于2015年5月4日至2015年6月20日所產生的GPS軌跡點數據。根據北京市軌跡數據的核密度分布（圖4），可以發現數據集中分布在北京市五環內區域，所以研究范圍選擇為北京市五環內區域，即坐標范圍經度116.207 958至116.549 958，緯度39.758 235至40.024 828。本文選擇前36 d的數據作為訓練數據，后12 d為測試數據。

圖4　GPS軌跡點核密度分布

車輛GPS數據采集裝置的采樣間隔為60 s，原始數據量大，但也包含著較多的噪聲數據，并不適合直接使用，需要進行數據預處理。GPS裝置在定位、采集和傳輸過程中不可避免地會出現多種形式的誤差，出租車GPS數據的異常與誤差可以劃分為冗余數據、漂移數據和定位偏差數據。

1） 冗余數據。由于GPS設備故障或司機短時間內重復打表，導致出現了多個字段完全相同的數據，需要對重復數據剔除，只保留一條數據。

2） 漂移數據。漂移數據指的是出租車GPS設備受城市高大建筑、樹木或電磁干擾，出現了坐標位置或者速度明顯異常。本文采用閾值判別法，對漂移數據進行識別，綜合實際情況將速度閾值設置為180 km/h，對超出閾值范圍的數據予以剔除；并對區間速度正常，但是坐標位置與行程距離明顯不匹配的予以剔除；對坐標正常但區間速度過大的予以剔除。

3） 定位偏差數據。由于GPS自身定位偏差，會出現GPS軌跡點偏離路網道路的情況，本文采用基于隱馬爾可夫模型（Hidden Markov Model， HMM）［16］的地圖匹配算法，對GPS軌跡數據進行糾偏。

網格單元的尺寸的確定，因考慮到北京市道路最寬處為長安街120 m，網格步長設置在120 m到1 400 m，以5 min的單位時間間隔來統計每個網格交通量總數，計算不同網格步長下失效網格比例（圖5）。結果表明：網格步長在1 000 m時，網格失效比低于25%；網格步長在1 000 m之后，網格失效比的走勢趨于平緩，所以選擇1 000 m的步長劃分網格，共39×39個網格。

圖5　不同尺寸網格失效比例

2.2　數據的時間特性分析

基于北京市出租車GPS軌跡數據，每隔15 min統計了北京市五環內7：00 — 9：00共8個時間片的車流量。以7：00 — 7：15的車流量為基準，與剩下7個時間片的車流量進行了Peason相關性分析。

如圖6所示，7：00 — 7：15的車流量與7：15 — 7：30的車流量的相關系數R值最高，且Peason相關系數隨時間增長，相關性減弱，這說明城市交通流量具有時間鄰近性。

圖6　北京市7：00 — 9：00車流量Peason相關系數

如圖7所示，城市交通流量遵循著日周期模式和周周期模式，但工作日與周末的車流量變化差異較大，這說明兩者的交通狀態具有顯著的差異。

如圖8所示，每天的交通流量變化具有明顯的“三峰”特征，即早高峰、午平峰、晚高峰。但從高峰時間的細節來看，這個時間并不是嚴格固定的，這說明城市交通流量具有趨勢變動性。以上分析表明，北京市出租車的交通流量數據具有明顯的城市交通流量的時間特性，很適用于本文所提出的STCAL模型的訓練和測試工作。

圖7　北京市連續兩周（05-04 — 05-17）出租車交通流量統計

圖8　北京市單周每日交通流量統計

2.3　基準指標及實驗參數設置

選用均方根誤差（Root Mean Square Error，RMSE）、均絕對誤差（Mean Absolute Error，MAE）以及決定系數（R2）作為模型的評價指標，具體計算方式如下：

選用5種傳統的交通流量基準方法，包括歷史均值法（Historical Average，HA）、ARIMA、SVR、GRU、LSTM和時空殘差網絡（Spatio-Temporal Residual Network， ST-ResNet），來反映STCAL模型的預測性能。

STCAL模型中主要的參數有卷積層數、卷積核大小、空間組件的全連接層神經元個數、LSTM隱藏層個數、隱藏層單元數目等。其中空間組件CNN模型中卷積層為2，卷積核大小為3×3，第一層和第二層的卷積核數目分別為16和1，激活函數（·）為LeakyReLU，全連接層中激活函數（·）為tanh；動態時間組件LSTM模型中層數為2。空間組件的全連接層神經元個數和LSTM隱藏層單元數目是兩個比較關鍵的參數，因為時間組件中LSTM的輸入維度取決于空間組件全連接層的輸出維度，這控制著時間組件的初始信息量，而LSTM隱藏層單元數目代表隱狀態的維度，控制著最后傳遞的信息量。這二者對最后的預測結果影響較大需要進行實驗來確定，根據數據維度和網絡架構復雜度，設置全連接層神經元個數為500、1 000、1 500，LSTM隱藏層單元數目為8、16、32、64、128。在不同全連接層神經元個數和LSTM隱藏層單元數目下進行實驗，利用均方根誤差（RMSE）進行評價。實驗結果如圖9所示，最終選擇了預測精度最高的一組參數，全連接層神經元數目為1 000，LSTM隱藏層單元數目為128。

圖 9　不同參數設置下的精度評定

另外鄰近項、日周期項和周周期項輸入的時間長度會影響模型所承載的信息量和預測精度，為簡化計算，將各項輸入的時間長度設置為相同的，各項輸入時間長度分別設置為15 min、25 min、35 min、45 min，即輸入的時間片段總長度為9、15、21、27。使用RMSE來評價，結果如圖10所示。從結果上看，各項輸入時間長度為35 min，輸入時間片總長度為21時，預測效果最好，因此設置各項輸入時間長度為35 min作為最后的輸入參數。

圖10　不同輸入時間長度下的精度評定

其他參數設置有批尺寸batch size為64，學習率設置為0.001，損失函數為均方誤差MSE，并使用批量歸一化層BN和學習率自適應優化算法Adam來優化訓練速度；在訓練集中，隨機選擇80%的數據來訓練模型，20%的數據用于驗證。

3 模型預測結果與分析

3.1　模型預測對比分析

為了更好地驗證STCAL模型的預測效果，使用RMSE、MAE和R2來評價模型，與經典的交通流量預測模型HA、ARIMA、SVR、GRU和ST-ResNet進行對比，結果如表1所示。

表1不同方法在預測時長為5 min下的性能比較

Tab.1　Performance comparison of different methods under prediction duration of 5 minutes

從表1可以看出，傳統方法HA因只依賴于歷史觀測值，而ARIMA模型本質上只能捕捉線性關系，所以兩種模型在城市范圍內交通量預測方面表現較差；SVR為非線性模型，所以預測效果好于前兩種方法；GRU和LSTM好于SVR，這是因為兩者具有調節信息傳遞的門控函數，在訓練過程中根據預測結果與真實結果的誤差反饋，來調節丟棄和保留信息的比例；ST-ResNet是一種時空神經網絡，所以預測誤差較低。而模型STCAL在兩種評價指標中均表現出了最佳性能，相較于SVR、GRU、LSTM和ST-ResNet，其中RMSE指標分別減小了58.48%、17.15%、17.07%和7.37%；MAE指標分別減少了63.45%、22.75%、22.53%和9.14%；R2指標分別提升了50.83%、11.27%、11.14%和2.37%。表2是本文模型不同時長下的預測結果，從結果上看出，5 min到15 min的預測效果比較好，隨著預測時長的增長，預測性能也在逐漸下降，這說明模型并不適合長時段預測。

表2STCAL模型在不同預測時長下的性能

Tab.2　Performance of STCAL model under different prediction durations

3.2　不同時段模型預測分析

人們對于高峰期的交通擁堵狀態更加在意，將工作日和周末的高平峰時期的數據進行測試，其中早高峰為8：00 — 9：00，午平峰為14：00 — 15：00，晚高峰為20：00 — 21：00，預測時長為5 min，每個高平峰期共12個預測結果，進行平均得到最后的預測結果。結果如表3所示，其中工作日預測誤差比周末預測誤差整體較小，且工作日早高峰的預測效果最好，RMSE和MAE分別為7.260和3.412。因為工作日的交通量整體高于周末交通量，且工作日較周末表現出明顯的規律性，模型對于交通流量周期性學習較好，所以工作日預測效果較好，而對于規律性較弱的周末，預測效果一般。

表3STCAL模型在高峰時段性能比較

Tab.3　STCAL model performance comparison during peak hours

選擇北京市車流量較大的西直門進行車流量預測，圖11是預測時長5 min下的工作日（6月17日）和周末（6月20日）的交通流量預測值與真實值對比，STCAL模型的預測值的趨勢走向與真實值基本一致，工作日的預測效果強于周末，而且工作日的早晚上下班的高峰時段的預測值與真實值吻合度較高，但也存在像震蕩較為明顯的午間時段的預測值與真實值之間存在一定的偏差。

圖11　易堵地點的預測值與真實值對比

4 結語

依據城市交通流的時空特性，提出了一種新的基于注意力的CNN-LSTM的時空預測模型——STCAL。該模型分為空間組件和時間組件兩部分：空間組件負責提取捕獲城市交通流量動態的空間特征；時間組件為基于LSTM的編解碼器，編碼器負責捕獲交通流量時間依賴性，解碼器負責對編碼向量進行解構并且輸出多步預測，并由嵌入時間組件的注意力機制來捕捉交通流的趨勢變動性。STCAL模型能夠同時捕獲交通流的時空特性，與經典的交通流量預測模型HA、ARIMA、SVR、GRU和ST-ResNet相比，模型的預測精度最高。在不同時長的預測結果對比中，發現模型更適用于短時交通流量預測，可為短時城市區域交通流量變化監測提供依據。對比模型在工作日與周末的預測結果，工作日高峰時段的預測效果優于周末高峰時段，因為工作日人們活動更有規律性，模型對于周期規律性學習較好，所以預測效果更好。

STCAL模型只單純考慮了城市交通流量自身因素，未考慮外部因素對于預測所帶來的影響，例如交通事故、天氣情況、大型事件，這些都會造成交通流量的短時突變，所以未來可以考慮其他特征的提取模塊來對非典型情況下的交通流量進行預測。

[1] 張任，謝楊. 智能交通系統在中國的發展趨勢與前景［J］. 科技視界，2013（7）：32-33.（ZHANG R， XIE Y. Intelligent transportation system in China’s development trends and prospects［J］. Science and Technology Vision， 2013（7）：32-33.）

[2] YU B， YIN H T， ZHU Z X. Spatio-temporal graph convolutional networks： a deep learning framework for traffic forecasting［C］// Proceeding of the 27th International Joint Conference on Artificial Intelligence. California： IJCAI.org， 2018：3634-3640.

[3] VAN DER VOORT M， DOUGHERTY M， WATSON S. Combining Kohonen maps with ARIMA time series models to forecast traffic flow［J］. Transportation Research Part C： Emerging Technologies， 1996， 4（5）：307-318.

[4] LEE S， FAMBRO D B. Application of subset autoregressive integrated moving average model for short-term freeway traffic volume forecasting［J］. Transportation Research Record， 1999， 1678（1）：179-188.

[5] WILLIAMS B M， HOEL L A. Modeling and forecasting vehicular traffic flow as a seasonal ARIMA process： theoretical basis and empirical results［J］. Journal of Transportation Engineering， 2003， 129（6）：664-672.

[6] 楊剛，王樂，戴麗珍，等. 自適應權重粒子群優化LS-SVM的交通流預測［J］. 控制工程， 2017， 24（9）：1838-1843.（YANG G， WANG L， DAI L Z， et al. Traffic flow prediction based on adaptive particle swarm optimization of least square support vector machine［J］. Control Engineering of China， 2017， 24（9）：1838-1843.）

[7] 賀國光，馬壽峰，李宇. 基于小波分解與重構的交通流短時預測法［J］. 系統工程理論與實踐， 2002， 22（9）：101-106， 131.（HE G G， MA S F， LI Y. Study on the short-term forecasting for traffic flow based on wavelet analysis［J］. System Engineering — Theory and Practice， 2002， 22（9）：101-106， 131.）

[8] QIU C Y， WANG C L， ZUO X Q， et al. A Bayesian regularized neural network approach to short-term traffic speed prediction［C］// Proceeding of the 2011 IEEE International Conference on Systems， Man， and Cybernetics. Piscataway： IEEE， 2011： 2215-2220.

[9] KIRBY H R， WATSON S M， DOUGHERTY M S. Should we use neural networks or statistical models for short-term motorway traffic forecasting？［J］. International Journal of Forecasting， 1997， 13（1）： 43-50.

[10] SUN S M， CHEN J， SUN J. Traffic congestion prediction based on GPS trajectory data［J］. International Journal of Distributed Sensor Networks， 2019， 15（5）： No.1550147719847440.

[11] ZHANG J B， ZHENG Y， QI D K. Deep spatio-temporal residual networks for citywide crowd flows prediction［C］// Proceeding of the 31st AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2017： 1655-1661.

[12] 陳治亞，王小軍. 基于多維度LSTM模型的短時交通流預測［J］. 鐵道科學與工程學報， 2020， 17（11）：2946-2952.（CHEN Z Y， WANG X J. Short-term traffic flow prediction based on multi-dimensional LSTM model［J］. Journal of Railway Science and Engineering， 2020， 17（11）：2946-2952.）

[13] 王體迎，時鵬超，劉蔣瓊，等. 基于門限遞歸單元循環神經網絡的交通流預測方法研究［J］. 重慶交通大學學報（自然科學版）， 2018， 37（11）：76-82（WANG T Y， SHI P C， LIU J Q， et al. Research on traffic flow prediction method based on gated recurrent unit recurrent neural network［J］. Journal of Chongqing Jiaotong University （Natural Science）， 2018， 37（11）：76-82.）

[14] GU J X， WANG Z H， KUEN J， et al. Recent advances in convolutional neural networks［J］. Pattern Recognition， 2018， 77： 354-377.

[15] HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural Computation， 1997， 9（8）： 1735-1780.

[16] 高文超，李國良，塔娜. 路網匹配算法綜述［J］. 軟件學報， 2018， 29（2）：225-250.（GAO W C， LI G L， TA N. Survey of map matching algorithms［J］. Journal of Software， 2018， 29（2）：225-250.）

WANG Haiqi， born in 1972， Ph. D.， associate professor. His research interests include geographic information， machine learning， spatial/spatiotemporal statistical analysis.

WANG Zhihai， born in 1998， M. S. candidate. His research interests include urban spatial-temporal data prediction， machine learning.

LI Liuke， born in 1997， M. S. candidate. Her research interests include spatiotemporal big data mining， geographic knowledge graph.

KONG Haoran， born in 1997， M. S. candidate. His research interests include geographic named entity recognition.

WANG Qiong， born in 1999， M. S. candidate. His research interests include spatial-temporal big data mining.

XU Jianbo， born in 1994， M. S. candidate. His research interests include spatial-temporal distribution characteristics of cities based on specific themes.

Spatial-temporal prediction model of urban short-term traffic flow based on grid division

WANG Haiqi， WANG Zhihai*， LI Liuke， KONG Haoran， WANG Qiong， XU Jianbo

（，（），266580，）

Accurate traffic flow prediction is very important in helping traffic management departments to take effective traffic control and guidance measures and travelers to plan routes reasonably. Aiming at the problem that the traditional deep learning models do not fully consider the spatial-temporal characteristics of traffic data， a CNN-LSTM prediction model based on attention mechanism， namely STCAL （Spatial-Temporal Convolutional Attention-LSTM network）， was established under the theoretical frameworks of Convolutional Neural Network （CNN） and Long Short-Term Memory （LSTM） unit and with the combination of the spatial-temporal characteristics of urban traffic flow. Firstly， the fine-grained grid division method was used to construct the spatial-temporal matrix of traffic flow. Secondly， CNN model was used as a spatial component to extract the spatial characteristics of urban traffic flow in different periods. Finally， the LSTM model based on attention mechanism was used as a dynamic time component to capture the temporal characteristics and trend variability of traffic flow， and the prediction of traffic flow was realized. Experimental results show that compared with Gated Recurrent Unit （GRU） and Spatio-Temporal Residual Network （ST-ResNet）， STCAL model has the Root Mean Square Error （RMSE） index reduced by 17.15% and 7.37% respectively， the Mean Absolute Error （MAE） index reduced by 22.75% and 9.14% respectively， and the coefficient of determination （R2） index increased by 11.27% and 2.37% respectively. At the same time， it is found that the proposed model has the prediction effect on weekdays with high regularity higher than that on weekends， and has the best prediction effect of morning peak on weekdays， showing that it can provide a basis for short-term urban regional traffic flow change monitoring.

short-term traffic flow prediction; spatial-temporal feature; Convolutional Neural Network （CNN）; Long Short-Term Memory （LSTM）; attention mechanism

This work is partially supported by National Natural Science Foundation of China （62071492）， Natural Science Foundation of Shandong Province （ZR202102180193）.

TP181

A

1001-9081（2022）07-2274-07

10.11772/j.issn.1001-9081.2021050838

2021?05?21；

2021?09?15；

2021?09?22。

國家自然科學基金資助項目（62071492）；山東省自然科學基金資助項目（ZR202102180193）。

王海起（1972—），男，河南南陽人，副教授，博士，主要研究方向：地理信息、機器學習、空間和時空統計分析； 王志海（1998—），男，山東濰坊人，碩士研究生，主要研究方向：城市時空數據預測、機器學習； 李留珂（1997—），女，河南商丘人，碩士研究生，主要研究方向：時空大數據挖掘、地理知識圖譜； 孔浩然（1997—），男，山東濟寧人，碩士研究生，主要研究方向：地理命名實體識別； 王瓊（1999—），男，安徽宿州人，碩士研究生，主要研究方向：時空大數據挖掘； 徐建波（1994—），男，江蘇鹽城人，碩士研究生，主要研究方向：基于特定主題的城市時空分布特征。