基于ST-GCN短時路況預測算法的預警系統

李長亮

(中遠海運科技股份有限公司，上海 200135)

0 引 言

近年來，國家有關部門發布了多項用于指導公路信息化發展和智慧公路建設的文件，其中提出的云控平臺將給高速公路的運行管理模式帶來巨大變革。根據2018年3月交通運輸部發布的《關于加快推進新一代國家交通控制網和智慧公路試點的通知》，基于大數據的路網綜合管理已在多個省市試點，為智慧高速云控平臺的發展奠定了基礎。近幾年，很多省市都在大力推進智慧高速公路建設，其中北京、浙江和江蘇的影響力較大。

智慧公路云控平臺主要為一定區域內的高速公路管理提供信息化、智能化手段，為高速公路上的應急事件處置提供信息支撐。借助云控平臺，可全面掌控路網的狀態，提高相關部門的路網管理能力和服務公眾的水平，最終實現高速公路管理“可知、可測、可控、可服務”，使路網運行更安全高效，公眾出行更便捷舒適，交通管理更科學智能，智慧道路更綠色經濟。

隨著經濟的快速發展，車輛的不斷增多，人們對高速公路服務質量的要求越來越高。目前的手機導航軟件支持實時路況探知和未來短時路況預測功能，但在行車過程中頻繁使用手機是比較危險的行為。同時，手機導航軟件是從道路使用者的角度對路況進行預測的，未從道路管理者的角度對路況進行綜合管控。本文嘗試從道路管理者的角度出發，綜合應用各類數據搭建能進行短時路況預測的預警系統。該基于短時路況預測算法的預警系統是智慧公路云控平臺內有關路網管控的一個重要系統。

1 系統概述

1.1 系統架構

該預警系統的原理是：通過搭建數據中臺，將門架數據、收費數據和天氣數據等各種數據匯集到一起；對這些數據進行清洗、轉換、分析和統計等處理之后，將其轉換成數據服務，供系統本身和外部系統調用。因此，該預警系統主要由數據收集層、數據中臺層和展示層等3部分構成，見圖1。

圖1 預警系統架構圖

1) 數據收集層。數據收集主要是讀取各種數據，并將其匯集到系統中。收集的數據主要包括收費車道數據、門架數據、黑名單數據、治超數據、綠色通道車(以下簡稱“綠通”)數據和發行數據等。

2) 數據中臺層。數據中臺包含平臺管理、數據計算和應用程序接口(Application Programming Interface,API)開放平臺等3部分。

(1) 平臺管理主要是對平臺的用戶、API的權限和其他平臺運行的基礎數據進行管理，不包含業務數據；

(2) 數據計算主要是對收集到的業務數據進行清洗、轉換和去重等操作，在此基礎上整理分析統計結果，并將其存儲到各數據庫中；

(3) API開放平臺主要對計算得到的數據進行封裝和查詢，提供對外服務功能，供前端應用或供第三方系統使用。

1.2 系統服務構成

預警系統采用微服務開發架構，底層包含Cassandra集群服務、關系型數據庫服務、ElasticSearch集群服務、Kafka集群服務、Redis服務、Hadoop服務和Spark服務等，底層服務上面是由很多微服務構成的數據應用，例如對發行數據進行分析的發行服務，對綠通數據進行分析的綠通服務，以及治超服務和平臺數據監控等微服務。另外，還有提供給外部開發人員的API開放平臺和提供給后臺管理人員的后臺數據管理服務等。最終這些微服務通過注冊、網關服務，經由Nginx代理對外開放。系統本身也有一些主題展示，也通過Nginx代理對外開放。當然，短時路況預測算法采用的數據主要來自于運營服務。圖2為預警系統服務構成圖。

圖2 預警系統服務構成圖

2 系統工作流程

預警系統包含交通數據獲取模塊、深度學習模塊、算法校正模塊和信息發布模塊等4個模塊，其工作流程見圖3。

圖3 預警系統工作流程

1) 交通數據獲取模塊主要用來獲取實時和歷時的交通數據，這些數據經過預處理之后流入深度學習模塊。交通數據需作脫敏處理。

2) 深度學習模塊采用短時路況預測算法對未來1 h或15 min的路況進行預測。下面以預測某40 km長的區域內未來15 min(即以15 min為1個時間片)的路況為例進行說明。取過去6個時間片(即6個15 min，合計90 min)中每15 min內各組出入口對(以下簡稱OD)的平均車速和流量作為算法的輸入；取未來15 min內各組OD的預測車速作為算法的輸出。

3) 算法校正模塊在對算法進行訓練和學習過程中，通過配置項不斷地對其進行校正，以獲取更好的預測效果和更高的準確度。

4) 信息發布模塊根據預測的車速，按高速公路運行狀態等級劃分標準描繪對應路段的顏色，高速公路上的情報板實時顯示該信息。

2.1 交通數據獲取模塊

交通數據獲取模塊主要用于獲取實時和歷時的交通數據，并對這些數據進行預處理。預處理的內容包括刪除異常數據和重復數據、填補缺失數據、去除噪聲和使數據標準化。這部分工作主要由數據中臺完成。

2.2 深度學習模塊

交通歷史數據作為一種時間序列數據，具有時間相關性，即某時段的交通數據與之前多個時段的交通數據有關，且距離當前時段越近，數據的相關性越強。為分析交通數據的時間相關性，采用深度學習算法探究當前時刻交通數據與滯后時刻交通數據的相關性[1]。考慮到單個路段并不能很好地體現車輛行駛情況的變化趨勢和整個高速路網中路段之間的關聯性，就交通流速度或流量而言，某路段的交通狀況易受周邊路段的影響，如當路段上游堵車時，勢必會導致下游車輛的速度減慢。通過對路網中的交通空間依賴性進行分析，可發現路段間交通數據的空間關聯程度。

2.2.1 空間相關性

圖卷積網絡(Graph Convolutional Network,GCN)模型可獲得中心道路與其周邊道路之間的拓撲關系、編碼道路網絡的拓撲結構和道路上的屬性，進而獲得空間相關性。本文采用GCN模型，從交通數據中學習空間特征。一個雙層GCN模型可表示為

(1)

2.2.2 時間相關性

獲取時間相關性是交通預測的另一個關鍵環節。長短期記憶(Long Short-Term Memory,LSTM)網格采用門控機制控制信息的傳遞及狀態和記憶單元的更新。本文采用LSTM網絡模型，從流量數據中獲得時間相關性[2]。LSTM內部的門控單元分別為輸入門、遺忘門和輸出門，這3個門相互獨立，分別處理時間序列特征信息的輸入、遺忘和輸出過程。圖4為LSTM單元模型的結構。

圖4 LSTM單元模型的結構

2.2.3 時空圖卷積網絡模型

為同時捕獲交通數據的空間相關性和時間相關性，提出一種基于GCN和LSTM網絡單元的時空圖卷積網絡(Spatio-Temporal Graph Convolutional Network，ST-GCN)模型。具體而言，ST-GCN模型由GCN、LSTM網絡單元和注意力機制(Attention)等3部分組成。hi-1為在時間i-1的輸出；GC為圖形卷積過程；ut和rt分別為在時間t的更新門和復位門；hi為在時間i的輸出。具體計算過程如下。

ut=σ(Wu[f(A,Xt),ht-1]+bu)

(2)

rt=σ(Wr[f(A,Xt),ht-1]+br)

(3)

ct=tanh(Wc[f(A,Xt),(rt·ht-1)]+bc)

(4)

ht=ut·ht-1+(1-ut)·ct

(5)

式(2)～式(5)中：f(A,Xt)為圖形卷積過程，定義為式(1)；W和b分別為訓練過程中的權重和偏差；tanh函數為雙切正切曲線函數。圖5為ST-GCN算法流程圖。

ST-GCN模型可處理復雜的空間相關性和時間相關性問題。一方面，利用GCN對高速公路網絡的拓撲結構進行捕捉，得到高速公路網絡的空間相關性；另一方面，利用LSTM網絡單元捕捉道路交通信息的動態變化，獲得時間相關性，最終實現交通預測。

2.3 算法校正模塊

算法校正模塊在對算法進行訓練和學習過程中，通過配置項不斷地對其進行校正，以獲取更好的預測效果和更高的準確度。ST-GCN模型的配置項主要包括學習率、批量大小、訓練循環和隱藏單元數。通過系統配置學習率為0.000 5，批量大小為32個，訓練循環(次數)為50次。隱藏單元(數量)是ST-GCN模型的一個非常重要的參數，可能會極大地影響預測精度，系統配置隱藏單元為128個，此時預測精度最高。圖6為配置項配置界面。

圖5 ST-GCN算法流程圖

圖6 配置項配置界面

2.4 算法驗證模塊

(6)

具體來說，EMA用于衡量預測值與觀察值之間的平均絕對誤差大小，其值越小，說明預測模型的精確度越高。本文采用2022年8月4日—9月15日寧夏銀川市的高速公路數據進行算法訓練和測試，圖7為短時路況預測結果，得到15 min短時預測的EMA為13.36，60 min短時預測的EMA為11.51。即實際車速值和預測車速值的誤差絕對值的平均值僅為13.36和11.51。

a) 15 min短時路況預測

b) 60 min短時路況預測

2.5 信息發布模塊

結合ST-GCN模型輸出的預測車速，根據高速公路運行狀態等級劃分標準(見表1)換算得到路段的顏色信息，根據顏色信息生成可在情報板上顯示的圖片，經接口將圖片推送給情報板展示。高速公路多彩智能情報板上顯示的路況信息見圖8。

表1 高速公路運行狀態等級劃分標準

圖8 高速公路多彩智能情報板上顯示的路況信息

3 管理服務集成

預警系統除了集成實時和歷時的交通數據以外，還集成道路服務者對道路的相關服務內容。本文將智慧服務區系統接入數據中臺，利用外場多彩智能情報板顯示服務區信息，見圖9。

圖9 高速公路多彩智能情報板上顯示的服務區信息

當遇到事故時，將事故詳細數據接入數據中臺，通過車道級別的管控引導車輛提前避讓，同時在交警的授權下開放應急車道，以緩解擁堵現象，見圖10。

圖10 高速公路多彩智能情報上板顯示的車道管控信息

4 結 語

本文根據車輛速度的時間和空間特性提出一種以ST-GCN為核心算法，將GCN、LSTM網絡模型和Attention相結合的基于短時路況預測算法的預警系統。目前該系統已在寧夏銀川繞城高速公路和機場高速公路中得到應用，可對未來15 min和未來1 h的路況進行預測，算法支持2 min級別的更新。外場多彩智能情報板上顯示的預測路況隨著算法結果的更新而實時變化，同時支持道路施工和車道級別的管控等。該系統準確的路況和時間預測、多彩的信息展示得到了司乘用戶的一致認可。然而，目前只能利用門架流水和收費站流水預測路況，數據還存在一定的滯后性和局限性，若能搭配高速公路上浮動車的數據，則系統的預測結果會更準確，這是未來研究的方向。