基于LSTM模型的在線地圖路段交通狀態預測

摘 "要：為準確及時地預測城市道路交通狀態，幫助管理部門實施交通管理措施，預防交通擁堵發生，文章實時獲取在線地圖交通狀態數據，將其劃分為路段粒度后，使用路段上下游以及對向車道交通狀態作為特征矩陣輸入LSTM網絡模型，對路段工作日的交通狀態進行預測，并與單路段交通狀態作為特征矩陣輸入的結果和其他模型結果做對比。實驗結果表明，考慮多路段LSTM網絡模型預測的平均MAE、RMSE和準確率分別為3.797、6.263和82.15%，證明了LSTM網絡模型能較好地預測對路段狀態，且考慮到路段上下游車道狀態因素相對于單純考慮路段的交通狀態可以提高預測精度。

"關鍵詞：交通狀態預測；深度學習；LSTM模型；數據挖掘；城市道路

"中圖分類號：U491.4 " "文獻標志碼：A " "DOI：10.13714/j.cnki.1002-3100.2023.07.014

Abstract： In order to accurately and timely predict the state of urban road traffic， help management sectors to implement traffic management measures to prevent traffic congestion. In this paper， the traffic state of online map are obtained in real time， and they are divided into section granularity. Then， the traffic state of upstream and downstream sections and the traffic state of opposite lanes are used as the characteristic matrix to input the LSTM network model， and the traffic state of section working days is predicted. The results are compared with the results of single section traffic state as the feature matrix input and other model results. The experimental results show that the average MAE， RMSE and accuracy of the LSTM model are 3.797， 6.263 and 82.15%， respectively， which proves that the LSTM model can better predict traffic state of the road section， and the prediction accuracy can be improved by considering the traffic state of the upstream and downstream lanes of the road section compared with the traffic state of the road section.

Key words： traffic status prediction; deep learning; LSTM model; data mining; city roads

0 "引 "言

交通擁堵嚴重阻礙了社會經濟生活的良性發展。智能交通系統可通過采集交通數據，預測路段的交通狀態，從而做出高效的交通誘導和分流措施，緩解道路交通擁堵壓力[1-2]。因此，如何獲取可靠實時的交通狀態數據，準確預測道路交通狀態具有重要意義。

交通狀態預測研究所使用的算法模型最早是以統計學方法為主，隨著計算機算力不斷提升，機器學習方法以及性能更強的深度學習方法因為其自身的強大數據處理能力，逐漸被研究者采用。如XU D等使用了核KNN作為模型，解決了非參數模型無法處理多粒度多維度特征的問題[3]；Bagus Priambodo等考慮到路網的空間關系，使用K-means與GLCM結合查詢出彼此交通狀態相關性較高的道路作為特征，采用KNN模型預測[4]；吳家成等將ARIMA和SVR模型結合將城市路網劃分為等大區塊依據交通指數生成交通指數云圖實現了宏觀路網區域預測[5]；閆賀等利用改進SVM對城市公路交通狀態進行預測，提高了模型迭代效率，參數求解變得較為容易[6]；Qin P等認為卡爾曼濾波器的實時性能可以很好地彌補SVM不能有效反映實時預測的缺陷，設計的改進模型相對于SVM尋優更為簡單[7]；周曉等提出了一種考慮路段上下游的車輛平均速度的卡爾曼濾波理論的預測模型，并使用線圈傳感器采集的實際數據仿真驗證[8]；郭力瑋將熱力圖數據和道路延時指數數據作為特征使用BP神經網絡對路段進行預測，該方法依據路段不同的擁堵特性采用不同的預測策略，更符合交通擁堵規律[9]；劉群等利用ETC門架系統數據預測交通流，對比分析多種神經網絡預測結果得出ELMAN模型的預測精度最優[10]；閆旭等使用自由流動可達矩陣提高FAST-GCN改進模型的預測精度，能更深層次挖掘城市路網交通狀態復雜信息[11]。

傳統的交通數據獲取方式鋪設和維修成本較高，難以覆蓋全道路以及路網，實時性和動態反饋性表現較差[12-13]。近年來隨著交通大數據和智慧交通的發展，互聯網多源道路數據因其覆蓋面積廣，獲取成本低，能夠根據用戶出行信息對路網狀態實時更新，提供了更大范圍且更具有時效性的樣本數據，可以成為較好的狀態預測數據源。現有文章也逐漸采用互聯網多源道路數據作為數據支撐，使用機器學習和深度學習算法對交通狀態數據進行預測[14]。雖然目前在線地圖平臺能為交通參與者提供交通狀態查詢服務，但無法提供半天或者一天等更長時間的持續狀態預測。

"使用基于深度學習的在線地圖數據交通狀態預測，提供了一種低成本且高效準確的道路網絡狀態預測的方法，這種方法精確度較高且成本低，可以滿足中小型城市交通的實時交通狀態預測。考慮到長短期記憶網絡（LSTM）處理長時段序列數據的優秀性能，本文獲取武漢市在線地圖數據，首先分析了路網交通狀態分布特點，之后使用長短期記憶網絡模型對道路交通狀態進行預測，預測結果精度較好。

1 "交通狀態數據源

"本文使用高德在線地圖的API接口，爬取武漢市從2020年11月9日至2020年12月23日中共計324條重要道路的實時交通狀態數據，數據獲取間隔為15min，即每條道路每1天有96條數據記錄。隨后將324條道路依據高德地圖語義描述規則劃分為路段粒度的909條路段，并與相對應的交通狀態進行匹配[15]。路網交通狀態表述為：暢通、緩慢、擁堵、嚴重擁堵四種狀態，選取某工作日高峰小時狀態數據使用Arcgis平臺可視化如圖1所示。

根據圖1所描述的某高峰小時路網交通狀態空間分布，武漢市交通擁堵現象主要聚集在部分重要路段。少部分路段存在嚴重擁堵現象的同時，另一部分路段即使在高峰小時時段仍然保持著行駛暢通。圖2、圖3分別給出了所有路段分別在工作日以及工作周（包含周一至周五）的平均車輛行駛速度變化趨勢，分析可知工作日每日的7點至9點以及17點至19點為高峰小時時段存在明顯擁堵現象，11點至16點則存在長時段的緩行現象。綜上所述，路段緩行和擁堵現象存在空間上的分布集中性、不均勻性以及時間上的日周期性，周周期性等特點。

2 "路段交通狀態預測

2.1 "數據預處理

將獲取的交通狀態描述信息，按照高德地圖狀態區間速度劃分規則劃分為：嚴重擁堵（5～12km/h）、擁堵（13～25km/h）、緩行（26～34km/h）、暢通（35～60km/h），分別把四種交通狀態量化為狀態區間平均速度8.5km/h、19km/h、30km/h、48km/h表示。之后將切割得到的909條路段與不同時刻交通狀態量化數據進行匹配。交通狀態數據缺失部分則采用均值填充法，將該道路缺失時段對應的其他工作日該時段已知速度數據的均值進行補充。

為提高預測精度，增加模型學習效率，將數據集進行歸一化處理。歸一化處理能夠一定程度上減小不同特征因素量綱的影響，便于梯度計算，加快求解過程中參數的收斂速度。采用Python語言sklearn庫中的min-max方法，將數據映射到區間0，1中。min-max原理如下：

x= " " " " " " " " " " nbsp; " " " " " " " " " " " "（1）

式中：x為第i時刻原始數據；x為樣本序列數據最小值；x為樣本序列最大值；x為歸一化后的第i時刻數據。

"采用平均絕對誤差MAE和均方根誤差RMSE作為評價模型精度的指標，公式如下：

MAE= " " " " " " " " " " " " " " " " " " " " " "（2）

RMSE= " " " " " " " " " " " " " " " " " " " " （3）

式中：y為i時刻預測值；x為i時刻真實值；m為交通狀態數據預測點數量。

2.2 "LSTM網絡模型

" 為解決隱變量模型無法長期儲存信息及短期輸入缺失的問題，長短期記憶網絡（LSTM）引入了記憶元用于記錄附加的信息，相對于傳統CNN神經網絡擁有長時記憶功能，擅長處理具有長期依賴特點的時間序列數據。獲取的路段交通狀態數據時間跨度較長，數據量較大，使用LSTM模型能夠深度表達特征，防止梯度爆炸[16-17]。類似于計算機的邏輯門，LSTM通過遺忘門、輸入門、輸出門三種門單元結構控制記憶元，其單元結構如圖4所示。

三個門均使用Sigmoid激活函數的全連接層用以計算權值。LSTM計算單元會將上一個計算單元所儲存的前時間步的隱狀態h與當前時間步x數據輸入至遺忘門，遺忘門通過內部邏輯決定遺忘多少隱狀態中的輸入，其返回值在0，1間，0表示全部遺忘，而1表示全部記憶上一層的信息。輸入門與一個tanh函數控制單元儲存信息將單元上一個狀態值C更新為C。輸出門則負責過濾單元狀態信息，對所需數據進行輸出。公式如下：

f=σW·h， x+b " " " " " " " " " " " " " " " " " " " " （4）

i=σW·h， x+b " " " " " " " " " " " " " " " " " " " " （5）

=tanhW·h， x+b " " " " " " " " " " " " " " " " " " " （6）

C=f·C+i· " " " " " " " " " " " " " " " " " " " " " " （7）

o=σW·h， x+b " " " " " " " " " " " " " " " " " " " " "（8）

h=o·tanhC " " " " " " " " " " " " " " " " " " " " " " （9）

式中：h、h分別為t-1時刻與t時刻輸出值；x為t時刻輸入值；W、W、W、W為權重參數；b、b、b、b為偏置參數；σ為Sigmoid激活函數，輸出范圍為0，1；tanh表示雙曲正切函數，輸出范圍為-1，1；f、i、o分別為遺忘門、輸入門、輸出門的門控狀態；、C分別為更新前的和更新后的單元狀態。

2.3 "特征矩陣及參數設置

"輸入時間序列樣本的數量會對預測精度造成影響，一般看來樣本數量越大其精度越高。為對輸入的時間序列數量進行控制，本文采用滑動窗口法。這種方法原理是：設定窗口大小為n， 如果需要預測樣本為第i時刻x，則將樣本時刻前n個時段時間序列x…x、x數據作為特征矩陣輸入，得到第i時刻預測值y， 模型預測下一個時刻即第i+1時刻時，會將y作為第i時刻樣本與之前時刻組成前n個時段時間序列x…x、x、y數據作為特征矩陣輸入，得到第i時刻預測值y，對于第i+2時刻，前n個時段時間序列為x…x、x、y、y。依次類推，直到獲得所有所需時刻預測值。窗口越小，所輸入的樣本序列就越短，單個時刻特征保留時間也越短，使用過短的樣本序列，模型無法捕捉更長時間的樣本特征，降低了模型預測精度；反之窗口越大，所輸入的樣本序列就越長，單個時刻特征保留時間也越長，但過長的樣本序列會對預測造成更多的無關影響，并會增加模型學習的難度。為使得模型有更高精度的預測，需要確定合適的窗口大小。本文以12組序列數據（3h）為一個梯度，選取窗口大小分別為12（3h）、24（6h）、36（9h）、48（12h）、60（15h）、72（18h）、84（21h）、96（24h）進行實驗。

根據表1中描述，在固定模型隨機種子下，以不同滑動窗口大小輸入的模型預測出來的RMSE和MAE也有所不同。其中將窗口設置為24（6h）時，MAE、RMSE分別為5.102、2.806均達到最小，因此模型將會采用24（6h）作為窗口大小進行預測。考慮到路段交通狀態會受到其道路上下游及對向車道交通狀態影響，本文構建了包含路段與其上下游及對向車道交通狀態信息的二維特征矩陣如下所示[18]：

（10）

式中：x為第i時刻需預測道路的歷史速度值、x為第i時刻需預測道路對向車道的歷史速度值、x為第i時刻需預測道路上游道路的歷史速度值、x為第i時刻需預測道路下游道路的歷史速度值、n為滑動窗口法窗口大小。

"通過調整LSTM模型中的學習率（Learning rate）、隱藏單元個數（Lstm_units）、優化器（Optimizer）、epoch和網絡層數的參數設置，獲得最佳參數組合，使得模型性能達到最優。

"學習率在0.01，0.02，0.05，0.001，0.002，0.005，…，0.000 05范圍內選取，隱藏單元個數在24，48，64，128范圍內選取，優化器則使用Adam、RMSprop、AdaGrad三種，eporch的取值范圍為10～100，步長為10，網絡層數則選擇1層和2層兩種。最終選擇損失最小的一組，其參數設置為：學習率選擇0.000 1、優化器使用Adam、eporch取值為70、選擇2層128單元數網絡結構。

3 "預測實驗和結果分析

3.1 "預測實驗

"由于部分道路存在長時間暢通情況，此道路用來狀態預測價值較小，故本文將非暢通狀態占比總狀態大于40%的道路作為研究對象，節選共15條道路進行預測。考慮到路段和它的上下游路段及其對向車道之間相關性，分別按照單路段特征、待預測路段及其上下游路段三路段特征、待預測路段及其上下游路段和對向路段四路段特征三種模型分別進行模型訓練和結果預測。將數據集最后3天，共188個時間點作為預測真實值，用來檢驗模型準確率。

3.2 "結果分析

模型對道路狀態及速度的預測平均準確度和平均誤差結果如表2所示，可以看出使用不同道路進行多次實驗后，LSTM模型預測均表現較好。使用三路段和四路段的MAE和RMSE均低于只使用單條路段狀態的預測結果，同時其狀態預測準確率高于單路段預測模型，其中考慮路段及其上下游路段的三路段為特征模型精度最高。因某些道路往返方向交通量具有較大不平衡性，其方向分布系數過大，故以對向車道交通狀態為特征的模型預測結果有時反而會表現較差。

圖5為三種LSTM模型對部分道路連續三個工作日的行駛速度預測結果，由圖可知考慮到多路段狀態特征模型的預測值與真實值更加吻合，對數據變化反應更加敏感，其預測精度也更高。

考慮路段及其上下游路段的三路段為特征LSTM模型預測誤差分析如圖6、圖7所示，將道路根據交通狀態分布特征分為兩種類型道路進行分析，其中Ⅰ型道路暢通狀態占比較高，其他三種狀態占比較小，預測誤差主要集中在高峰時段及高峰時段間隔時段；Ⅱ型道路緩行狀態占比較高，暢通狀態略少，暢通狀態主要分布在深夜及凌晨時間區間，這種類型路段的預測誤差主要集中在非高峰時段的深夜和凌晨時間區間。

LSTM模型與不同模型對選取道路交通狀態及速度的預測平均準確度和平均誤差結果對比如表3所示，考慮三路段特征的LSTM模型MAE和RMSE均低于BP神經網絡和隨機森林預測模型，交通狀態預測準確率最高。

4 "結 "論

"交通狀態預測對智慧交通系統起到十分關鍵的作用，準確的交通狀態預測模型能實時監測復雜的城市路網交通狀態并提供可靠的預測信息，輔助交通擁堵的疏導，提高城市的通行效率。本文通過高德地圖在線平臺實時獲取武漢市關鍵路段交通狀態信息，并采用長短期記憶網絡模型對路段交通狀態進行預測。實驗結果表明，模型預測精度較高，能夠實現對路段交通狀態的準確預測，考慮到道路交通狀態不僅具有時間相關性，還具有空間相關性，將路段上下游及其對向道路交通狀態作為特征，可以提高模型的預測精度。由于缺乏氣候等數據，本文未考慮氣候對交通狀態造成的影響。后續研究中，可以將氣候等數據作為特征，進一步提高模型精度。

參考文獻：

[1] 佘顥. 基于狀態預測的交通擁堵控制研究與應用[D]. 合肥：中國科學技術大學，2020.

[2] 孫靜怡，牟若瑾，劉擁華. 考慮大型車因素的支持向量機短時交通狀態預測模型研究[J]. 公路交通科技，2018，35（10）：126-132.

[3] "XU D， WANG Y， PENG P， et al. Real-time road traffic state prediction based on Kernel-KNN[J]. Transportemetrica A： Transport Science， 2020，16（1）：104-118.

[4] "PRIAMBODO B， AHMAD A， KADIR R A. Spatio-temporal knn prediction of traffic state based on statistical features in neighbouring roads[J]. Journal of Intelligent amp; Fuzzy Systems， 2021（Preprint）：1-15.

[5] 吳家成，王洪鈺，肖建力. 面向區域交通狀態預測的時空集成模型[J]. 上海理工大學學報，2021，43（5）：474-483.

[6] 閆賀，朱麗，戚湧. 基于改進SVM的城市道路短時交通狀態預測[J]. 南京師大學報（自然科學版），2019，42（3）：129-137.

[7] "QIN P， XU Z， YANG W， et al. Real-time road traffic state prediction based on SVM and Kalman filter[C] // China Conference on Wireless Sensor Networks. Springer， Singapore， 2017：262-272.

[8] 周曉，唐宇舟，劉強. 基于卡爾曼濾波的道路平均速度預測模型研究[J]. 浙江工業大學學報，2020，48（4）：392-396，404.

[9] 郭力瑋. 基于在線地圖數據挖掘的交通運行態勢預測方法研究[D]. 重慶：重慶交通大學，2019.

[10] 劉群，楊濯丞，蔡蕾. 基于ETC門架數據的高速公路短時交通流預測[J]. 公路交通科技，2022，39（4）：123-130.

[11] 閆旭，范曉亮，鄭傳潘，等. 基于圖卷積神經網絡的城市交通態勢預測算法[J]. 浙江大學學報（工學版），2020，54（6）：1147-1155.

[12] 姚智勝，邵春福. 道路交通狀態預測研究[J]. 哈爾濱工業大學學報，2009（4）：247-249.

[13] "LIU Y， LIU Z， VU H L， et al. A spatio-temporal ensemble method for large-scale traffic state prediction[J]. Computer-Aided Civil and Infrastructure Engineering， 2020，35（1）：26-44.

[14] 姚博凡，鄧如豐，熊宸，等. 基于時空特征向量的城市快速路交通狀態長時段預測[J]. 中山大學學報（自然科學版），2021，60（3）：115-123.

[15] 陳華偉，邵毅明，敖谷昌，等. 基于在線地圖交通狀態的關鍵道路動態識別方法[J]. 交通運輸系統工程與信息，2019，19（5）：50-58.

[16] "DO L N N， TAHERIFAR N， VU H L. Survey of neural network-based models for short-term traffic state prediction[J]. Wiley Interdisciplinary Reviews： Data Mining and Knowledge Discovery， 2019，9（1）：1-24.

[17] 馬焱棋，林群，趙昱程，等. 基于深度學習LSTM對交通流狀態的預測[J]. 數學的實踐與認識，2021，51（4）：47-56.

[18] 李桃迎，王婷，張羽琪. 考慮多特征的高速公路交通流預測模型[J]. 交通運輸系統工程與信息，2021，21（3）：101-111.