基于深度學(xué)習(xí)的高速公路交通流數(shù)據(jù)監(jiān)控方法研究

林藝華

摘 要：用深度學(xué)習(xí)的方法對高速公路上的定時交通流進行監(jiān)測，有關(guān)部門根據(jù)監(jiān)測到的數(shù)據(jù)結(jié)果進行交通管控，緩解道路壓力，保障交通安全。首先，用遞歸神經(jīng)網(wǎng)絡(luò)RNN進行短期交通流量預(yù)測，然后利用殘差反卷積形成深層網(wǎng)絡(luò)從而實現(xiàn)長期的交通流量預(yù)測。在此基礎(chǔ)上，創(chuàng)新性的使用圖卷積進行特征提取，提高模型的魯棒性。通過實驗證明，基于深度學(xué)習(xí)的長短期交通流量預(yù)測具有重要的研究意義和使用價值。

關(guān)鍵詞：深度學(xué)習(xí);RNN;殘差反卷積;圖卷積：交通流量預(yù)測

中圖分類號：TP38 文獻標(biāo)識碼：A 文章編號：1001-5922（2021）05-0182-05

Research on Expressway Traffic Flow Data Monitoring Method Based on Depth Learning

Lin Yihua

（Yuexiu （China） Transportation Infrastructure Investment Limited Company， Guangzhou 510600， China ）

Abstract：The content of this paper is to monitor the regular traffic flow on expressways with the method of deep learning， and relevant departments carry out traffic control according to the monitored data results to relieve road pressure and ensure traffic safety.? First， the recurrent neural network RNN is used for short-term traffic flow prediction， and then the residual deconvolution is used to form a deep network to realize long-term traffic flow prediction.? On this basis， the innovative use of graph convolution for feature extraction improves the robustness of the model.? Experiments show that the long-term and short-term traffic flow prediction based on depth learning has important research significance and application value.

Key words：deep learning;? RNN; residual deconvolution; graph convolution： traffic flow prediction

0 前言

隨著城市化的不斷發(fā)展，越來越多的人開始聚集。這給我國旅游業(yè)帶來了機遇，但是卻給交通管制帶來了前所未有的壓力。目前，一些關(guān)于交通的單位時間內(nèi)人流量和速度的研究已經(jīng)成為了重點的研究內(nèi)容?；谥衅诤烷L期客流預(yù)測通常指的是時間跨度在未來3～15年的范圍之內(nèi)，而短期客流預(yù)測通常具有下一周或一個月的預(yù)測范圍。對城市客流的研究是城市交通規(guī)劃、運營和安全防護的重要方面。短期客流預(yù)測可用于優(yōu)化線路和客流組織，為運營商提供預(yù)警和多方?jīng)Q策，進一步提高城市的科學(xué)管理水平，對于安全和操作具有實際重要性。該預(yù)測可以為先進的客流控制和誘導(dǎo)方法提供證據(jù)，該方法可以防止擁塞，踐踏和其他安全事故。而一些長期預(yù)測也是在短期預(yù)測的舉出上不斷的進行優(yōu)化的，因此二者都對交通管制具有指導(dǎo)意義。

1 基于RNN的交通流量預(yù)測

RNN循環(huán)神經(jīng)網(wǎng)絡(luò)中的LSTM長短期記憶網(wǎng)絡(luò)目前在對自然語言的處理上有著很好的效果。由于，LSTM的提出能夠很好的解決RNN的梯度爆炸和消失的問題，二者的結(jié)合使用符合交通流預(yù)測的問題。

1.1 RNN的簡介

RNN被稱為循環(huán)神經(jīng)網(wǎng)絡(luò)是因為它的輸入和輸出不是相互獨立的，能夠利用記憶來聯(lián)系上下文的關(guān)系。在交通流的預(yù)測中，未來的交通流量是和之前的樣本數(shù)據(jù)有聯(lián)系的，所以用RNN來做交通流預(yù)測。

圖1展示了RNN的完整結(jié)構(gòu)圖，以預(yù)測5個長度的句子為例，具體可以通過以下的公式進行運算。

xt指是在時刻t的輸入樣本數(shù)據(jù)，例如x1是一個one-hot vector對應(yīng)整個句子的第二個單詞，st是在時刻t的隱藏狀態(tài)，也是網(wǎng)絡(luò)的記憶部分，具體st計算如下：

函數(shù) f 使用的是非線性的例如tanh或者ReLU，Ot是時刻的輸出，例如在我們進行預(yù)測時時一個句子的下一個單詞，那么我們希望得到的輸出是我們字典中所有詞的概率組成的向量，計算公式如下：

具體來用以下的公式來表示RNN在其具體的某一層網(wǎng)絡(luò)結(jié)構(gòu)的的計算方法：

狀態(tài)和當(dāng)前輸入傳輸給Tanh函數(shù)，得到的結(jié)果在-1和1之間，從而進行判斷來調(diào)節(jié)網(wǎng)絡(luò)，最后把Tanh輸出和Sigmoid二者的輸出相乘，Sigmoid輸出將決定在Tanh輸出中哪些信息是相對重要的并需要保留的。

1.2 數(shù)據(jù)的準(zhǔn)備及處理

本次實驗是對道路交通流的短期預(yù)測，也是后續(xù)研究的基礎(chǔ)實驗。由于keras相當(dāng)于對tensorflow函數(shù)的封裝。所以，實驗環(huán)境使用的是keras2.3版本，python3.6版本，windows環(huán)境下的tensorflow-gpu1.5版本。把Caltrans Performance Measurement System （PeMS）獲取的作為本次實驗的數(shù)據(jù)集，得到的原始數(shù)據(jù)是長度為n的一個一維數(shù)據(jù)，通過數(shù)據(jù)標(biāo)準(zhǔn)化，并且用keras對數(shù)據(jù)進行清洗，劃分出實驗所需的訓(xùn)練集和測試集。具體按照訓(xùn)練集70%，測試集30%。

1.3 實驗所用的網(wǎng)絡(luò)模型

把上述劃分好的數(shù)據(jù)集進行亂序處理。圖2所示是本次實驗的兩層隱層LSTM網(wǎng)絡(luò)結(jié)構(gòu)?？梢钥闯?，第一層LSTM網(wǎng)絡(luò)的輸出增大為64，而第二層LSTM實現(xiàn)了降維處理。第一層和第二層的疊加使用能夠有效的利用LSTM產(chǎn)生的輸入和輸出之間的聯(lián)系。用RNN結(jié)構(gòu)中的忘記門和輸出門來緩解梯度爆炸的情況的出現(xiàn)。

1.4 網(wǎng)絡(luò)訓(xùn)練過程

編碼器使用的是Auto-Encoders自動編碼。首先，對第一層輸入進行編碼，然后利用第二層的參數(shù)計算進行重新輸入，然后利用重新設(shè)置的輸入與實際輸入形成損失參數(shù)，整體是一個三層結(jié)構(gòu)。同時，提出圖卷積（圖3）循環(huán)網(wǎng)絡(luò)創(chuàng)新的在交通流檢測上的應(yīng)用。

時空注意力機制的應(yīng)用能夠關(guān)注到重要的交通信息，防止出現(xiàn)遺漏狀況。訓(xùn)練過程用train_seas（）函數(shù)進行訓(xùn)練，使用RMS作為優(yōu)化器，學(xué)習(xí)率設(shè)置為0.001.一個batch為256，進行12個循環(huán)次數(shù)，訓(xùn)練時間在30min之內(nèi)。用CPU來實驗也可以進行，時間上過慢。

1.5 實驗結(jié)果

在本次實驗中，我們使用的是MAE、MSE、RMSE、MAPE、R2幾個指標(biāo)對交通流的預(yù)測結(jié)果準(zhǔn)確性進行評估。這里，使用之前訓(xùn)練好的模型對測試集進行預(yù)測。具體的實驗結(jié)果如圖4所示。

其中，藍色為真實值，橙色為使用RNN和LSTM預(yù)測出的結(jié)果值?？梢钥闯?，由于訓(xùn)練次數(shù)不夠，模型的擬合程度不高。數(shù)值的波動性較大，可能由于采集的數(shù)據(jù)中存在中斷現(xiàn)象導(dǎo)致的。通過其他線條的預(yù)測結(jié)果顯示，這種方法檢測效果良好，如表1所示。

GRN是一種圖卷積循環(huán)神經(jīng)網(wǎng)絡(luò)，SAES傳統(tǒng)的預(yù)測方式，是利用編碼器對交通流進行監(jiān)測的一種方式。從三者的精度對比圖可知，基于循環(huán)神經(jīng)網(wǎng)絡(luò)的預(yù)測方式精度不差，且代碼量簡單，所以使用這種方法具有可行性。

2 基于殘差網(wǎng)絡(luò)的交通流監(jiān)測

目前，基于對高速公路上交通流預(yù)測大多采用的是短時預(yù)測。短期預(yù)測大多基于一周內(nèi)的樣本數(shù)據(jù)進行預(yù)測，上一章節(jié)中的RNN就是短期預(yù)測的一種代表方式。本章將研究使用一種深層次的殘差反卷積網(wǎng)絡(luò)模型對交通流量實現(xiàn)長時間的預(yù)測。其在精度上有了較大的提升，并且算法的魯棒性較強。

2.1 實驗配置和數(shù)據(jù)集介紹

本次研究使用的是從網(wǎng)絡(luò)上利用python爬蟲技術(shù)爬取的高速公路上海市延安高架和內(nèi)環(huán)的連續(xù)3d之內(nèi)的樣本數(shù)據(jù)，即以高速公路上的交通流量為標(biāo)準(zhǔn)。從而實現(xiàn)長時的交通流量預(yù)測實驗。選取的實驗驗證時間為上午的八點到十點內(nèi)的時間段。對于爬取到的缺失數(shù)據(jù)進行刪除或修復(fù)，要考慮到數(shù)據(jù)的連續(xù)性。選擇1000個數(shù)據(jù)作為訓(xùn)練集，同時選取了30個樣本數(shù)據(jù)作為測試集。每隔350m進行檢測。

本次實驗由于實驗的樣本數(shù)據(jù)容量較大以及網(wǎng)絡(luò)結(jié)構(gòu)相對復(fù)雜，所以對硬件配置的要求高一些。所用的實驗環(huán)境是windows系統(tǒng)下的tensorflow，i7的NVIDIA Geforce GTX1080 GPU，也可以用遠程服務(wù)器進行實驗。

2.2 實驗所用的網(wǎng)絡(luò)模型

為了增強數(shù)據(jù)的關(guān)聯(lián)性從而更好地提升精度，增強魯棒性。將得到的原始數(shù)據(jù)按照每五分鐘的時間間隔，進行輸入。同時，這種方法的使用還能有效的去除噪音對數(shù)據(jù)產(chǎn)生的影響。在對歷史數(shù)據(jù)的選取過程中用以下的公式進行數(shù)據(jù)的輸入。

其中，Si表示不同的時間輸入，x指的是每天監(jiān)測到的交通流矩陣數(shù)據(jù)樣本。m表示所用到的檢測器的數(shù)量，n是取到的時間間隔在時間跨度上的劃分。這里的T是周期性的，由于每5min監(jiān)測一次，所以接下來的矩陣時間維度上的輸入為T-5，T-10。

本次實驗最重要的部分就是最后的生成器部分，使用的是殘差反卷積的網(wǎng)絡(luò)模型，并在此基礎(chǔ)上進一步進行模型的改進。具體的網(wǎng)絡(luò)模型結(jié)構(gòu)圖如下圖5所示。

由圖5得到了實驗所用到的網(wǎng)絡(luò)結(jié)構(gòu)圖，首先將輸入的交通數(shù)據(jù)流矩陣作為輸入經(jīng)過三層卷積神經(jīng)網(wǎng)絡(luò)，激活函數(shù)分別使用了Tanh和Relu，然后經(jīng)過上采樣進入反卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)中去。上采樣的作用是較少數(shù)據(jù)量和改變數(shù)據(jù)的維度。經(jīng)過了三層反卷積最后得到了樣本數(shù)據(jù)的特征圖。反卷積操作與卷積操作是相反的。運用反卷積能夠減少在特征提取過程中的相關(guān)特征丟失，并且保持了數(shù)據(jù)有相同的維度。

2.3 實驗的訓(xùn)練過程

引入了空間的注意力機制，使得模型能夠更具泛化性。從而實現(xiàn)時間和空間上的動態(tài)聯(lián)系。本小節(jié)中將重點介紹實驗訓(xùn)練過程中的重要過程，反卷積上采樣操作。反卷積是圖像的上采樣的經(jīng)典操作之一，其他兩種是雙線性插值法和反池化法。反卷積又叫做轉(zhuǎn)置卷積，其操作過程與一半的卷積過程相反。其操作過程較為簡單，以下面的公式推導(dǎo)來理解反卷積的具體實現(xiàn)過程：

o=size of output

i = size of input

P = padding

S = strides

利用上述已經(jīng)定義好上述的數(shù)學(xué)描述，那么在進行反卷積時的輸入與輸出的計算關(guān)系式為利用上面反卷積可以實現(xiàn)圖像由小分辨率到大分辨率的對應(yīng)映射。解決了經(jīng)過CNN卷積層后圖像尺寸變小的問題。這里，可以在相關(guān)步驟內(nèi)提取到更為清晰的交通流特征數(shù)據(jù)。

2.4 實驗結(jié)果分析

本次實驗設(shè)置的每個卷積核的步長為1，學(xué)習(xí)率設(shè)置為0.0001，網(wǎng)絡(luò)進行了約20000次的訓(xùn)練。首先，展示出了利用不同的時間輸入粒子的有效性。具體的判別方法與第二章中的實驗相似。

評估實驗結(jié)果的精度使用的是平均誤差MSE，平均絕對誤差MAE以及均方根誤差RMSE。以下為不同時間輸入的有效性驗證。并且創(chuàng)新型的在實驗中引入注意力機制，確保各個檢測器之間有著相同的距離，這里設(shè)置為3.5km，在時間維度，考慮到不同的時間間隔高速公路上的交通流數(shù)據(jù)的關(guān)聯(lián)性。如表2所示。

DCN為我們本次實驗的反卷積操作，而另外兩組對比實驗是記錄了單獨提取低時間2min和高時間25min作為兩種不同的間隔時間的實驗結(jié)果。經(jīng)實驗結(jié)果驗證，本次研究提出的提取關(guān)聯(lián)的時間粒子模型在有著較好的性能。

2.5 評價方法

在進行道路系統(tǒng)的交通流的預(yù)測過程中，需要使用間隔時間來進行時時間步的設(shè)置。在實現(xiàn)長期預(yù)測時，這種方法尤為適用。

均方根誤差（RMSE）和平均絕對誤差（MAE）都符合這一要求，盡管RMSE更常用，并將在本次研究中采用。與MAE不同，RMAE對待測數(shù)據(jù)更敏感 。這個問題的性能指標(biāo)將是從第1d到第7d的一周內(nèi)時間交通流的RMSE?？梢允褂玫囊粋€可能的評分是所有預(yù)測日的RMSE，它更具有準(zhǔn)確性。

均方根誤差，它是實驗所測的預(yù)測值與真值偏差的平方和觀測次數(shù)n比值的平方根，在實際測量中，由于實驗的次數(shù)不多，真值只能用最能被信任的量（最佳）值來代替。同時，均方根誤差能夠快速區(qū)別出數(shù)據(jù)中的最大值和最小值，所以，均方根誤差能夠很好地反映出試驗過程是否準(zhǔn)確。其作為實驗精度的評價指標(biāo)之一，這一測量列真誤差的均方根差（真誤差平方的算術(shù)平均值再開方），稱為標(biāo)準(zhǔn)偏差，以σ表示。σ反映了測量數(shù)據(jù)偏離真實值的程度，σ越小，表示測量精度越高，因此可用σ作為評定這一測量過程精度的標(biāo)準(zhǔn)。具體的公式如下式：

3 結(jié)語

文章首先論述了高速公路的交通數(shù)據(jù)流的幾種監(jiān)控方法以及其數(shù)據(jù)特點，然后使用深度學(xué)習(xí)的研究方法。創(chuàng)新性的使用了圖卷積神經(jīng)網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)對高速公路上的交通流數(shù)據(jù)進行特征提取。同時，做了兩組對比實驗，實驗證明RNN和LSTM相結(jié)合的方法比傳統(tǒng)的編碼器預(yù)測交通數(shù)據(jù)流在性能上有了很大提升。又提出了一種引入注意力機制的殘差神經(jīng)網(wǎng)絡(luò)用于交通流的長期預(yù)測，將RMSE作為模型的評價指標(biāo)進行實驗評估，經(jīng)過不斷的對比實驗驗證出提出的融合模型具有有效性。

同時，通過優(yōu)化算法配置參數(shù)來進行網(wǎng)絡(luò)和算法上的優(yōu)化。分別在自制的輕量數(shù)據(jù)集和具有實際生活中的上海高速公路路段的交通流進行監(jiān)測，在兩個數(shù)據(jù)集上都有著良好的預(yù)測效果。并且克服了RNN在預(yù)測過程中易出現(xiàn)的梯度消失和爆炸等情況。在以后的實驗中，要克服硬件上的困難，在稍大一些的數(shù)據(jù)集上進行實驗，從而對算法進行優(yōu)化，提升模型得到泛化性。

參考文獻

[1]陳淑燕.交通流量預(yù)測方法和多相位交通信號模糊技術(shù)的研究[D]南京：東南大學(xué)，2003.

[2]賀國光，李宇.基于數(shù)學(xué)模型的短時交通預(yù)測方法探討[J].系統(tǒng)工程理論與實踐，2000（12）：51-56.

[3]胡小健，陸健.基于二步自適應(yīng)的交通實時預(yù)測模型[[J]南京：東南大學(xué)，210096

[4] Zheng Zhao，Weihai Chen，Xingming Wu，et al. LSTM network： a deep learning approach for short-term traffic forecast[J]. IET Intelligent Transport Systems， 2017， 11（2）：68-75.

[5] Yang Hao-Fan; Dillon Tharam S; Chen Yi-Ping Phoebe. Optimized Structure of the Traffic Flow ForecastingModel With a Deep Learning Approach[J]. IEEE Transactions on Neural Networks& Learning Systems， 2017， 28（10）：2371-2381.

[6] Lv Y， DuanY， Kang W， et al. Traffic Flow Prediction With Big Data： A Deep LearningApproach[J]. IEEE Transactions on Intelligent Transportation Systems， 2015，16（2）：865-873.

[7] KoesdwiadyA， Soua R， Karray F. Improving Traffic Flow Prediction With Weather Informationin Connected Cars： A Deep Learning Approach[J]. IEEE Transactions on VehicularTechnology， 2016， 65（12）：9508-9517.

[8] Omar Y.Al-Jarrah，Paul D.Yoo，Sami Muhaidat ， et al. Efficient Machine Learning for Big Data ： A Review [J]. Big Data Research， 2015， 2（3）：87-93.

[9] Chun Mei Duan.Design of Big Data Processing System Architecture Based on Hadoop under the Cloud Computing[J]. Applied Mechanics and Materials， 2014， 3207：6302-6306.

[10] Anyu Cheng，Xiao Jiang，Yongfu Li， et al. Multiple sources and multiple measures based traffic flowprediction using the chaos theory and support vector regression method[J]. Physica A： Statistical Mechanics and its Applications， 2017， 466：422-434.