基于深度學(xué)習(xí)的路網(wǎng)短時(shí)交通流預(yù)測(cè)

柴葳崴

（西安鐵路職業(yè)技術(shù)學(xué)院,西安 710014）

1 引言

隨著當(dāng)前我國(guó)社會(huì)經(jīng)濟(jì)的不斷發(fā)展，城市中鐵路線路、公路數(shù)量也在不斷地增加，在這種情況下，引發(fā)了很多的問題。例如，交通污染、交通堵塞等等，嚴(yán)重的危害著人們的日常生活。近年來，智能交通系統(tǒng)逐漸的產(chǎn)生和優(yōu)化，有效的緩解了道路交通問題，并為外出者提供了很多可行的策略。智能交通系統(tǒng)是交通管理的中心，它能夠給出行者提出不同的交通路徑，并且給出相應(yīng)的出行服務(wù)、出行時(shí)間等信息。實(shí)時(shí)、準(zhǔn)確性的路網(wǎng)交通流預(yù)測(cè)，有效的提高了路網(wǎng)運(yùn)行的安全性和運(yùn)行效率。新時(shí)期下，有必要利用一些科學(xué)、有效的方法對(duì)路網(wǎng)交通流量做出準(zhǔn)確的預(yù)測(cè)，以更好的解決目前道路交通中所存在的問題。

2 深度學(xué)習(xí)的涵義

很長(zhǎng)時(shí)間以來，人們就一直在致力于研究神經(jīng)網(wǎng)絡(luò)，力求將神經(jīng)系統(tǒng)和視覺系統(tǒng)相聯(lián)系，不斷地促進(jìn)二者之間的融合。從傳統(tǒng)的機(jī)器學(xué)習(xí)和信息處理技術(shù)來看，它們中僅僅包含著單個(gè)的非線性特征轉(zhuǎn)換。其中，影響較大的是條件隨機(jī)域、SVM模型以及一個(gè)隱含層的多層感知器。從它們之間的特征來看,基本上知識(shí)從原始的輸入信號(hào)到一個(gè)特定空間的轉(zhuǎn)換體系。關(guān)于人們的一些信息處理機(jī)制要從豐富的感知輸入入手，從中提取出復(fù)雜的結(jié)構(gòu)以及相應(yīng)的內(nèi)部表示。深度學(xué)習(xí)結(jié)構(gòu)可以說是一個(gè)多層感知器，在其中包含了多隱含層。通過不斷的學(xué)習(xí)，能夠?qū)W習(xí)到深層次的非線性網(wǎng)絡(luò)結(jié)構(gòu)，從而來一步一步的逼近較為復(fù)雜的函數(shù)。

3 DBN-SVR路網(wǎng)短時(shí)交通流預(yù)測(cè)模型

3.1 DBN模型

DBM模型是一個(gè)含有三個(gè)隱含層的網(wǎng)絡(luò)模型結(jié)構(gòu)，通過三個(gè)RBM模型之間進(jìn)行疊加，可以形成一個(gè)DBM模型。從RBM模型來看，其訓(xùn)練的過程基本上是屬于無監(jiān)督的訓(xùn)練階段過程的，因此，DBM模型的訓(xùn)練過程也可以說是無監(jiān)督的。

（1）逐層無監(jiān)督學(xué)習(xí)。在這一過程中，需要首先訓(xùn)練第一個(gè)RBM，并且輸入一些原始性的數(shù)據(jù)以及這個(gè)RBM的固定的參數(shù)，然后再將第一個(gè)RBM的輸出作為第二個(gè)的輸入，以此來推，通過這些方法來對(duì)所有的層進(jìn)行訓(xùn)練，就可以得到一個(gè)多層DBN模型。

（2）有監(jiān)督的微調(diào)。微調(diào)過程是指在將整個(gè)DBN網(wǎng)絡(luò)模型實(shí)現(xiàn)訓(xùn)練之后，可以在模型的頂層連接一個(gè)較為合適的預(yù)測(cè)器，通過采用梯度下降的算法來微調(diào)網(wǎng)絡(luò)權(quán)值矩陣，在誤差反向傳播中就會(huì)導(dǎo)致RBM參數(shù)發(fā)生一些輕微的變化，但是從整個(gè)模型來看，其影響力不夠大。

3.2 支持向量回歸

支持向量是一種學(xué)習(xí)性的算法，主要是從統(tǒng)計(jì)學(xué)理論著眼的，它能夠有效的根據(jù)樣本的數(shù)據(jù)來計(jì)算出模型的復(fù)雜程度，在復(fù)雜程度和學(xué)習(xí)能力之間尋求平衡。SVM模型具有自我學(xué)習(xí)自我調(diào)整的特點(diǎn)，其能夠很好的進(jìn)行函數(shù)擬合，并廣泛的運(yùn)用于函數(shù)擬合回歸預(yù)測(cè)之中，同時(shí)，也能夠得到良好的預(yù)測(cè)效果。從總體上來看，交通流數(shù)據(jù)是一種復(fù)雜的、隨機(jī)的非平穩(wěn)時(shí)間序列。在本文的研究和分析中，我們采用SVR作為短時(shí)交通流預(yù)測(cè)模型的預(yù)測(cè)器。SVR是一項(xiàng)具備非線性前饋的網(wǎng)絡(luò)，其能夠有效的對(duì)時(shí)間序列進(jìn)行預(yù)測(cè)性的處理。

3.3 DBN-SVR路網(wǎng)短時(shí)交通流預(yù)測(cè)模型

由于在不同的路段中交通流具有時(shí)間和空間上的聯(lián)系性，因此，可以設(shè)所預(yù)測(cè)的模型輸入數(shù)據(jù)，并由此能夠進(jìn)一步的得出在任意一個(gè)路段中交通流預(yù)測(cè)值。具體的交通流預(yù)測(cè)算法的流程基本上如下所示：

（1）根據(jù)交通流數(shù)據(jù)的相關(guān)特征，構(gòu)造出輸入數(shù)據(jù)；

（2）對(duì)交通流數(shù)據(jù)集進(jìn)行預(yù)處理從而能夠有效的得到殘差量；

（3）將殘差量作為DBN網(wǎng)絡(luò)模型輸入進(jìn)行特征學(xué)習(xí)，得到交通流特征；

（4）將交通流特征作為輸入項(xiàng)，根據(jù)交通流預(yù)測(cè)公式，通過利用SVR預(yù)測(cè)模型來對(duì)流量進(jìn)行很好的預(yù)測(cè)；

（5）還原原始交通流數(shù)據(jù)，從而得出實(shí)際的交通流預(yù)測(cè)值。

4 交通流時(shí)空特性分析

在一段時(shí)間之內(nèi)，交通流數(shù)據(jù)可能會(huì)在時(shí)間和空間上表現(xiàn)出相關(guān)性和一些差異性的特征，因此，可以從這兩方面對(duì)鐵路交通流特性進(jìn)行分析。

4.1 交通流在時(shí)間上的特性

從時(shí)間上來看，交通流數(shù)據(jù)在一段時(shí)間內(nèi)存在著很強(qiáng)的規(guī)律性，并且能夠呈現(xiàn)出趨勢(shì)性的信息和特征。從總體上來看，周與周之間的交通流數(shù)據(jù)有著一定的相似性，而周末和非周末之間又存在著很大的差異性。經(jīng)過相關(guān)的數(shù)據(jù)佐證，可以發(fā)現(xiàn)，交通流數(shù)據(jù)在周末兩天流量分布狀態(tài)基本上是相同的，和非周末的數(shù)據(jù)之間存在著明顯的不同，在非周末明顯的從早晚高峰變成了單峰值。

4.2 交通流在空間上的特性

交通流系統(tǒng)是動(dòng)態(tài)和復(fù)雜的，在路網(wǎng)之間各個(gè)路段之間的交通流是彼此聯(lián)系的，其間存在著很大的關(guān)聯(lián)性。對(duì)所有路網(wǎng)的所有路段進(jìn)行分組，在分組完成之后，要選擇出適當(dāng)?shù)闹怠Ｔ谶x擇最優(yōu)壓縮矩陣時(shí)，要充分的根據(jù)預(yù)測(cè)的相關(guān)誤差以及在期間運(yùn)行的時(shí)間來進(jìn)行確定。

總之，可以得出這樣的一個(gè)結(jié)論：交通流數(shù)據(jù)在一定的時(shí)間內(nèi)其具有很強(qiáng)的規(guī)律性，并且在不同的周期內(nèi)其又存在著很大的差異性。此外，不同的路段之間交通流是有相關(guān)性的，在研究的過程中，要充分的根據(jù)路段之間的相關(guān)性程度來對(duì)路段進(jìn)行分組，以更好的實(shí)現(xiàn)對(duì)路網(wǎng)數(shù)據(jù)進(jìn)行有效的壓縮，從而減少預(yù)測(cè)的難度，更好的提高運(yùn)行的效率。

5 結(jié)語

從目前的鐵路運(yùn)輸來看，其所面臨的交通問題較多，嚴(yán)重的影響到了人們的工作和生活。將DBN模型運(yùn)用于交通流預(yù)測(cè)中，可以有效的提高預(yù)測(cè)的準(zhǔn)確性，保證預(yù)測(cè)的效果，為人們提供更加恰當(dāng)?shù)某鲂行畔?，從而更有效的保證人們的日常生活，為人們帶來更多的便捷。

[1]褚鵬宇.融合時(shí)空信息的短時(shí)交通流預(yù)測(cè)[D].西南交通大學(xué),2016.

[2]吳凡.基于短時(shí)交通流預(yù)測(cè)的城市區(qū)域交通信號(hào)控制研究[D].南京理工大學(xué),2016.

[3]姚智勝.基于實(shí)時(shí)數(shù)據(jù)的道路網(wǎng)短時(shí)交通流預(yù)測(cè)理論與方法研究[D].北京交通大學(xué),2007.