基于深度學(xué)習(xí)的智慧城市交通路口短時流量預(yù)測

摘 要：本文旨在提高城市交通管理的智能化水平，并以深度學(xué)習(xí)技術(shù)為核心，設(shè)計針對交通路口的短時流量預(yù)測方法。通過整合固定監(jiān)測設(shè)備與移動數(shù)據(jù)源，全面采集交通路口的車輛流動數(shù)據(jù)，并經(jīng)過精細(xì)的數(shù)據(jù)預(yù)處理保證數(shù)據(jù)質(zhì)量。采用雙向長短期記憶網(wǎng)絡(luò)（Bi-directional Long Short-Term Memory，Bi-LSTM）深度學(xué)習(xí)模型獨(dú)特的“門”控機(jī)制有效捕捉時間序列中的復(fù)雜依賴關(guān)系，通過模型構(gòu)建與訓(xùn)練、流量預(yù)測以及結(jié)果輸出，結(jié)合全連接層，對短時交通流量進(jìn)行準(zhǔn)確預(yù)測。試驗結(jié)果表明，該方法顯著縮小了預(yù)測誤差，為智慧城市交通管理提供了有力的數(shù)據(jù)支撐與決策依據(jù)。

關(guān)鍵詞：深度學(xué)習(xí)；短時流量；交通路口；智慧城市" " "中圖分類號：U 491" 文獻(xiàn)標(biāo)志碼：A

智慧城市旨在通過集成先進(jìn)的信息與通信技術(shù)，對城市運(yùn)行系統(tǒng)進(jìn)行全面感知、分析、整合和智能響應(yīng)，提高資源使用效率、優(yōu)化城市管理、改善居民生活質(zhì)量。在智慧城市的眾多組成部分中，交通系統(tǒng)作為城市運(yùn)行的基礎(chǔ)，提高其智能化水平對緩解交通擁堵、減少交通事故、提高出行效率具有至關(guān)重要的作用。交通流量預(yù)測對優(yōu)化交通信號控制、制定交通管理策略、規(guī)劃交通基礎(chǔ)設(shè)施建設(shè)等方面具有重要意義。因此，尋找一種更加高效、準(zhǔn)確的交通流量預(yù)測方法成為研究熱點(diǎn)。

楊國威等[1]提出融合多通道卷積神經(jīng)網(wǎng)絡(luò)和注意力機(jī)制與雙向長短期記憶網(wǎng)絡(luò)的交通流量預(yù)測方法。但當(dāng)面對數(shù)據(jù)源不穩(wěn)定或數(shù)據(jù)缺失的情況時，難以高效且實時獲取這些外部數(shù)據(jù)。陸由付等[2]采用奇異譜分析算法來迭代優(yōu)化網(wǎng)絡(luò)中的超參數(shù)，以此提高模型的訓(xùn)練效率和預(yù)測性能。奇異譜分析算法的復(fù)雜性和較高的計算成本可能會限制其處理大數(shù)據(jù)集或?qū)崟r預(yù)測任務(wù)時的效率。

針對現(xiàn)有成果，本次研究將引進(jìn)深度學(xué)習(xí)技術(shù)，以某智慧城市為例，對其交通路口短時流量預(yù)測方法進(jìn)行設(shè)計。

1 交通流數(shù)據(jù)預(yù)處理

交通信息采集技術(shù)根據(jù)設(shè)備固定性分為固定與移動兩類。固定型技術(shù)適用于特定地點(diǎn)，實現(xiàn)定點(diǎn)長期監(jiān)測，而移動型技術(shù)則靈活覆蓋路段，可以實現(xiàn)大范圍自由采集[3]。前者可以保證數(shù)據(jù)連續(xù)穩(wěn)定，后者提供全面靈活的交通洞察。根據(jù)采集需求選擇技術(shù)，能精準(zhǔn)捕捉交通動態(tài)信息。

在完成數(shù)據(jù)采集后，設(shè)定車流量閾值、速度閾值[4]，去除采樣數(shù)據(jù)中的異常數(shù)據(jù)，可以用公式（1）、公式（2）表示此過程。

式中：q為流量數(shù)據(jù)；f1為q的修正系數(shù)；C為交通路口通行上限值；T為數(shù)據(jù)采樣間隔；v為速度；f2為v的修正系數(shù)；vt為交通路口速度限值。

在保留數(shù)據(jù)中核心信息的基礎(chǔ)上，引進(jìn)一次指數(shù)平滑算法去除部分冗余內(nèi)容，完成數(shù)據(jù)去噪[5]。該算法通過賦予近期數(shù)據(jù)較高的權(quán)重，按照權(quán)重遞減的順序處理歷史數(shù)據(jù)，平滑時間序列數(shù)據(jù)中的隨機(jī)波動。一次指數(shù)平滑算法的優(yōu)勢是其具有高效性、適應(yīng)性和直觀性。首先，該算法相對簡單，計算速度快，能夠高效地處理大規(guī)模數(shù)據(jù)集，這對需要快速響應(yīng)和分析大量數(shù)據(jù)的應(yīng)用場景尤為重要。其次，通過調(diào)整平滑系數(shù)，算法可以靈活適應(yīng)不同數(shù)據(jù)特性的去噪需求，保證去除冗余信息，同時可以準(zhǔn)確提取和保留數(shù)據(jù)中的核心信息。最后，平滑后的數(shù)據(jù)呈現(xiàn)出更加平滑、連續(xù)的特點(diǎn)，這有助于用戶更清晰地識別數(shù)據(jù)中的趨勢和模式，為決策提供更為可靠和直觀的依據(jù)。可以用公式（3）表示此過程。

式中：為平滑處理后的數(shù)據(jù)；m為處理次數(shù)；X為數(shù)據(jù)冗余程度；k為平滑指數(shù)。

2 短時交通流量預(yù)測方法

利用深度學(xué)習(xí)技術(shù)中的LSTM算法構(gòu)建短時交通流量預(yù)測模型。LSTM通過遺忘門、輸入門和輸出門控制信息的流動，有效處理時間序列數(shù)據(jù)中的長期依賴關(guān)系[6]。為了進(jìn)一步提高預(yù)測性能，采用Bi-LSTM算法處理序列數(shù)據(jù)時可以利用過去和未來的信息。具體步驟如下。

對進(jìn)入神經(jīng)網(wǎng)絡(luò)遺忘門的預(yù)處理后的數(shù)據(jù)進(jìn)行初步更新，其過程如公式（4）所示。

式中：F為遺忘門輸出；σ為Sigmoid函數(shù)；Wf為遺忘門權(quán)重；ht-1為上一時間狀態(tài)（隱藏）；xt為當(dāng)前輸入；bf為遺忘門偏置。

更新后的數(shù)據(jù)進(jìn)入輸入門與輸出門，對數(shù)據(jù)每個時間步狀態(tài)進(jìn)行更新。可用公式（5）、公式（6）表示此過程。

式中：i、o為輸入門、輸出門的對應(yīng)輸出；Wi、Wo為輸入門、輸出門對應(yīng)的學(xué)習(xí)權(quán)重；bi、bo為輸入門、輸出門對應(yīng)的偏置量。

Bi-LSTM由兩個LSTM層組成，一個正向處理輸入序列，一個反向處理，最終將兩個方向的輸出進(jìn)行合并[7]。在模型訓(xùn)練階段，將預(yù)處理后的數(shù)據(jù)作為樣本數(shù)據(jù)，輸入Bi-LSTM模型中，訓(xùn)練出能夠準(zhǔn)確預(yù)測短時交通流量的時序數(shù)據(jù)。模型表達(dá)式如公式（7）所示。

式中：H為短時交通流量時序數(shù)據(jù)輸出；θ為學(xué)習(xí)率；Ct為矩陣元素乘積。

為了將Bi-LSTM的輸出轉(zhuǎn)換為具體的流量預(yù)測值，在Bi-LSTM層后添加一到多個全連接層。通過訓(xùn)練，這些全連接層可以學(xué)習(xí)從Bi-LSTM輸出到實際流量值之間的映射關(guān)系，最終輸出預(yù)測的短時交通流量值，計算過程如公式（8）所示。

式中：y為路口車流量預(yù)測值；O為全連接層訓(xùn)練次數(shù)；μ為全連接層數(shù)量；Y為全連接層神經(jīng)元數(shù)量。

當(dāng)訓(xùn)練能夠準(zhǔn)確預(yù)測短時交通流量的模型時，調(diào)整模型參數(shù)，細(xì)致地優(yōu)化學(xué)習(xí)率、權(quán)重和偏置等關(guān)鍵參數(shù)，最小化預(yù)測誤差。學(xué)習(xí)率作為控制模型學(xué)習(xí)速度的超參數(shù)，其大小直接影響模型的收斂速度和最終性能。學(xué)習(xí)率過小可能導(dǎo)致訓(xùn)練過程緩慢，而學(xué)習(xí)率過大則可能使模型在最優(yōu)解附近震蕩甚至發(fā)散。權(quán)重和偏置是神經(jīng)網(wǎng)絡(luò)中的可訓(xùn)練參數(shù)，在每次迭代中，根據(jù)預(yù)測誤差，利用反向傳播算法進(jìn)行更新。在訓(xùn)練初期，通常會將較小的隨機(jī)值作為初始權(quán)重和偏置，然后通過多次迭代逐漸調(diào)整至最優(yōu)值。這個過程需要精細(xì)地平衡模型的擬合能力和泛化能力，避免過擬合或欠擬合現(xiàn)象。

為了實現(xiàn)這個目標(biāo)，采用梯度下降法來優(yōu)化模型參數(shù)。根據(jù)預(yù)測誤差的梯度信息，自動調(diào)整參數(shù)更新的方向和步長，高效地搜索最優(yōu)解。通過反復(fù)迭代訓(xùn)練過程，模型逐漸學(xué)習(xí)到交通流量數(shù)據(jù)的內(nèi)在規(guī)律和時空依賴特性，最終能夠輸出準(zhǔn)確可靠的短時交通流量預(yù)測結(jié)果。

通過上述步驟，模型會輸出一個或多個時間步的短時交通流量預(yù)測值。這些預(yù)測值可以直接用于交通管理決策，例如信號控制優(yōu)化、交通流量疏導(dǎo)等。

3 對比試驗

3.1 試驗準(zhǔn)備

完成上述內(nèi)容設(shè)計后，將某智慧城市作為研究試點(diǎn)，深入分析其關(guān)鍵交通路口的流量與運(yùn)營情況，以市中心交匯的路口為例，利用智能監(jiān)測系統(tǒng)獲取真實數(shù)據(jù)，在早晚高峰時段（7：00—9：00和17：00—19：00），該路口東西向車流量平均達(dá)到1500輛/h，南北向車流量也高達(dá)1300輛/h。在非高峰時段，車流量顯著減少，約為高峰時段的40%。

結(jié)合交通運(yùn)營情況分析，該路口利用智能信號燈控制系統(tǒng)有效緩解了交通擁堵問題，平均等待時間縮短了20%。同時，應(yīng)用智慧停車系統(tǒng)使周邊停車難問題得到改善，車位周轉(zhuǎn)率提高了30%。這些數(shù)據(jù)表明，智慧交通技術(shù)在提高城市交通運(yùn)營效率、緩解交通壓力方面發(fā)揮了重要作用。

在此基礎(chǔ)上，采集城市交通路口相關(guān)流量數(shù)據(jù)，將其作為訓(xùn)練樣本，見表1。

在深入研究中發(fā)現(xiàn)，現(xiàn)有的流量預(yù)測方法盡管在提高交通管理效率上發(fā)揮了重要作用，但仍存在一些不足。當(dāng)前預(yù)測模型通常難以全面考慮天氣突變、特殊事件（例如交通事故、大型活動）等不可預(yù)見因素，導(dǎo)致預(yù)測精度下降。根據(jù)實際數(shù)據(jù)統(tǒng)計，當(dāng)遭遇突發(fā)暴雨天氣時，某智慧城市交通路口的實際車流量比預(yù)測值高出約30%，直接導(dǎo)致交通擁堵加劇，平均通行時間延長了20min。此外，現(xiàn)有預(yù)測模型對交通流復(fù)雜動態(tài)變化的捕捉能力有限，特別是網(wǎng)絡(luò)交通流中的時空相關(guān)性，進(jìn)一步影響了預(yù)測的準(zhǔn)確性和實時性。

3.2 試驗步驟

針對現(xiàn)有方法的不足，引進(jìn)文獻(xiàn)[1]提出的基于外部因素的流量預(yù)測方法、文獻(xiàn)[2]提出的基于SSA-CNN-BiLSTM的流量預(yù)測方法，將其作為對照組1、2，采用文獻(xiàn)[1]方法、文獻(xiàn)[2]方法、本文設(shè)計的方法分別對智慧城市交通路口短時流量進(jìn)行預(yù)測。為保證預(yù)測結(jié)果的可靠性，在設(shè)計方法后，按照表2內(nèi)容，對本文方法中深度學(xué)習(xí)的訓(xùn)練條件與技術(shù)參數(shù)進(jìn)行分析。

在試驗過程中，利用交通監(jiān)測設(shè)備（例如交通攝像頭、傳感器、GPS等）收集歷史交通流量數(shù)據(jù)，同時獲取相關(guān)的天氣數(shù)據(jù)、事件數(shù)據(jù)等作為輔助信息。在訓(xùn)練過程中，可能需要調(diào)整模型的參數(shù)以優(yōu)化預(yù)測性能。為了更準(zhǔn)確地評估模型的性能，可以對數(shù)據(jù)進(jìn)行交叉驗證，多次重復(fù)訓(xùn)練和測試過程。

3.3 試驗結(jié)果與分析

當(dāng)評估交通路口短時流量方法的性能時，將預(yù)測結(jié)果與訓(xùn)練集中已知的實際流量數(shù)據(jù)進(jìn)行比對。此過程不僅揭示了預(yù)測值與實際值之間的差異，即預(yù)測偏差，還成為檢驗所設(shè)計預(yù)測方法應(yīng)用效果的核心指標(biāo)。通過量化偏差，能夠直觀地了解預(yù)測方法的準(zhǔn)確性、穩(wěn)定性和泛化能力。統(tǒng)計預(yù)測結(jié)果如圖1～圖3所示。

從圖1～圖3的結(jié)果可以看出，在3種方法中，應(yīng)用本文設(shè)計的方法對智慧城市交通路口短時流量進(jìn)行預(yù)測的流量值與實際流量值偏差較小，而應(yīng)用文獻(xiàn)[1]、文獻(xiàn)[2]方法的預(yù)測結(jié)果與實際值偏差較大。由此可以證明，本文設(shè)計的方法在交通路口車流量預(yù)測方法的應(yīng)用效果較好。

4 結(jié)語

目前的交通流量預(yù)測方法多用統(tǒng)計模型或時間序列分析，利用這種方法處理復(fù)雜多變的交通數(shù)據(jù)時，難以準(zhǔn)確捕捉交通流量的時空特性、動態(tài)變化以及突發(fā)事件的影響，導(dǎo)致預(yù)測結(jié)果不夠精確，難以滿足智能交通系統(tǒng)對實時性和準(zhǔn)確性的要求。深度學(xué)習(xí)通過模擬人類大腦中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)方式，能夠自動從海量數(shù)據(jù)中提取復(fù)雜特征，構(gòu)建高精度的預(yù)測模型。經(jīng)過實踐，這項技術(shù)已具有強(qiáng)大的學(xué)習(xí)能力和預(yù)測性能。因此，本文應(yīng)用深度學(xué)習(xí)技術(shù)，以某智慧城市為例，通過交通流數(shù)據(jù)預(yù)處理、建立交通流量時序模型、路口車輛占用率計算，對城市交通路口短時流量預(yù)測方法進(jìn)行設(shè)計研究，助力交通管理者及時制定有效的交通調(diào)度方案，緩解交通擁堵，為公眾提供更加便捷、高效的出行服務(wù)。

參考文獻(xiàn)

[1]楊國威，陳靜，張昭沖，等.考慮外部因素的MCNN-ABiLSTM交通流量預(yù)測模型[J].天津職業(yè)技術(shù)師范大學(xué)學(xué)報，2024，34（1）：66-73.

[2]陸由付，孔維麟，田垚，等.基于SSA-CNN-BiLSTM組合模型的短時交通流量預(yù)測[J].交通運(yùn)輸研究，2024，10（1）：18-27.

[3]劉劍平，杜佳欣，羅子云，等.基于LSTM的小洋山北作業(yè)區(qū)投產(chǎn)初期洋山深水港主航道交通流量預(yù)測與分析[J].航海，2024（1）：19-23.

[4]廉清云，孫偉，李潤生.基于注意力機(jī)制的堆疊LSTM短時船舶交通流預(yù)測模型[J].大連海事大學(xué)學(xué)報，2024，50（1）：57-65.

[5]徐厚生，郭佳麗.結(jié)合時間注意力機(jī)制的Bi-GRU-Atten的短時交通流預(yù)測[J].遼寧工程技術(shù)大學(xué)學(xué)報（自然科學(xué)版），2023，42（6）：763-768.

[6]包文華，劉海瑞，方圓，等.基于CNN-ARIMA的交通路口短周期交通車流量預(yù)測方法[J].汽車實用技術(shù)，2023，48（22）：178-182.

[7]鐘林嵐，張安勤，田秀霞.基于周期圖卷積與多頭注意力GRU組合的交通流量預(yù)測模型[J].計算機(jī)應(yīng)用研究，2024，41（4）：1041-1046.