基于觀測(cè)點(diǎn)遴選與時(shí)空信息的短時(shí)交通流預(yù)測(cè)

徐先峰， 宋亞囡， 黃劉洋， 夏振， 潘卓毅

(長(zhǎng)安大學(xué) 電子與控制工程學(xué)院，陜西 西安 710064)

0 引 言

經(jīng)濟(jì)社會(huì)發(fā)展，交通運(yùn)輸先行。隨著我國(guó)居民汽車(chē)保有量的不斷增加，給道路交通系統(tǒng)帶來(lái)的壓力也越來(lái)越大，交通事故和能源短缺等問(wèn)題日益嚴(yán)重，對(duì)居民的出行造成了許多不便[1]。

早期的交通流預(yù)測(cè)研究主要都是基于參數(shù)化模型展開(kāi)的。在具有噪聲和干擾的環(huán)境中，參數(shù)化模型的預(yù)測(cè)結(jié)果往往不盡人意。因此人們逐漸將重心從參數(shù)化模型轉(zhuǎn)移到非參數(shù)化模型的研究上[2-4]。但單一的預(yù)測(cè)模型預(yù)測(cè)精度很難達(dá)到要求，組合預(yù)測(cè)模型的思路是將多種預(yù)測(cè)模型進(jìn)行融合，提高預(yù)測(cè)精度。Chen等人構(gòu)建多個(gè)非線(xiàn)性L(fǎng)SSVR基本模型進(jìn)行預(yù)測(cè)[5]。Cai等人提出了一種使用GSA搜索最佳SVR參數(shù)的混合交通流量預(yù)測(cè)模型[6]。Zhang等人研究應(yīng)用門(mén)控遞歸神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)考慮天氣條件下的城市交通流量[7]。

本文在充分利用交通流時(shí)空信息的基礎(chǔ)上，利用KNN算法完成待測(cè)觀測(cè)點(diǎn)的上下游觀測(cè)點(diǎn)空間相關(guān)性的遴選，在完成二維輸入數(shù)據(jù)矩陣的構(gòu)造后，研究了基于卷積神經(jīng)網(wǎng)絡(luò)的交通流空間特征的提?。唤Y(jié)合Bi-LSTM對(duì)時(shí)間特征的提取，完成了KNN-CNN-BiLSTM預(yù)測(cè)模型的搭建；分析了用于交通流空間特征優(yōu)化的最佳K值以及預(yù)測(cè)模型的超參數(shù)設(shè)置。與其他的主流預(yù)測(cè)模型進(jìn)行性能對(duì)比可以得出，本文提出的KNN-CNN-BiLSTM模型預(yù)測(cè)精度高，是一種精準(zhǔn)有效的交通流預(yù)測(cè)模型。

1 交通流預(yù)測(cè)模型

1.1 預(yù)測(cè)模型的建立

組合預(yù)測(cè)模型的輸入是從觀測(cè)點(diǎn)實(shí)測(cè)并經(jīng)過(guò)預(yù)處理和KNN算法遴選后的交通流量數(shù)據(jù)，輸入為二維矩陣的數(shù)據(jù)形式。預(yù)測(cè)模型的前半部分是卷積神經(jīng)網(wǎng)絡(luò)層，用于交通流數(shù)據(jù)的空間特征提取，預(yù)測(cè)模型的后半部分是雙向LSTM網(wǎng)絡(luò)，用于提取交通流數(shù)據(jù)的時(shí)間特征，模型使用全連接層來(lái)輸出最后的預(yù)測(cè)交通流量值。KNN-CNN-BiLSTM組合預(yù)測(cè)模型的體系結(jié)構(gòu)如圖1所示。

圖1 KNN-CNN-BiLSTM組合預(yù)測(cè)模型示意圖

1.2 觀測(cè)點(diǎn)遴選模塊

通常在KNN算法中使用較多距離，包括曼哈頓距離、歐式距離和最大距離等。在這三種距離計(jì)算方法中，歐氏距離通過(guò)計(jì)算兩組序列的差值平方和來(lái)衡量數(shù)據(jù)之間的距離，考慮了各個(gè)時(shí)間段之間序列的相似程度。本文選用歐氏距離用于計(jì)算序列之間的距離，運(yùn)用KNN 算法對(duì)相關(guān)監(jiān)測(cè)站點(diǎn)的交通流進(jìn)行篩選，達(dá)到優(yōu)化數(shù)據(jù)集的作用。

1.3 時(shí)空信息提取模塊

在交通流預(yù)測(cè)問(wèn)題中，CNN常常用于預(yù)測(cè)模型的底端部分，對(duì)歷史數(shù)據(jù)的空間特征進(jìn)行捕捉并以特征向量的形式傳送給時(shí)間序列預(yù)測(cè)部分。雙向LSTM模型可以同時(shí)考慮兩個(gè)方向的歷史數(shù)據(jù)，可以更好地利用時(shí)間序列數(shù)據(jù)中包含的所有信息。雙向LSTM的結(jié)構(gòu)如圖2所示。

圖2 雙向LSTM結(jié)構(gòu)示意圖

2 試驗(yàn)結(jié)果及分析

2.1 試驗(yàn)數(shù)據(jù)集介紹

本文的交通流試驗(yàn)樣本數(shù)據(jù)來(lái)自美國(guó)交通研究數(shù)據(jù)實(shí)驗(yàn)室(TRDL)，其編號(hào)包括了I35E、 I394和TH62等高速公路，由美國(guó)交管部門(mén)在各個(gè)高速公路上布置的檢測(cè)器來(lái)獲取全年的交通流量。本文以2016年2月1日至2016年5月31日共四個(gè)月的交通流量數(shù)據(jù)作為試驗(yàn)樣本，采用間隔為15 min的交通流量作為樣本數(shù)據(jù)。

2.2 交通流觀測(cè)點(diǎn)遴選

本文采用KNN算法對(duì)預(yù)測(cè)節(jié)點(diǎn)與上下游的觀測(cè)點(diǎn)進(jìn)行重要程度的排序，實(shí)現(xiàn)有效觀測(cè)點(diǎn)信息的提煉析取和對(duì)無(wú)效信息的過(guò)濾清洗。通過(guò)模型提取時(shí)空特征來(lái)預(yù)測(cè)出下一個(gè)時(shí)間點(diǎn)的交通流，從而實(shí)現(xiàn)短時(shí)交通流預(yù)測(cè)。

由表1可知，當(dāng)K值取6時(shí)，模型可以獲得最佳的預(yù)測(cè)性能。此時(shí)，選取的空間相關(guān)性最大的監(jiān)測(cè)節(jié)點(diǎn)編號(hào)分別為S896、S898、S894、S895、S893和S899，均位于待測(cè)節(jié)點(diǎn)的上下游路段。

表1 不同組合情況下遴選的觀測(cè)點(diǎn)編號(hào)

2.3 預(yù)測(cè)結(jié)果對(duì)比

圖3、圖4分別展示了不同預(yù)測(cè)模型的周內(nèi)、周末預(yù)測(cè)效果，其中SVR模型的預(yù)測(cè)效果最差，而本文利用時(shí)空信息的KNN-CNN-BiLSTM模型預(yù)測(cè)效果最佳。

圖3 不同模型周內(nèi)預(yù)測(cè)

圖4 不同模型周末預(yù)測(cè)

將本文提出的KNN-CNN-BiLSTM模型與目前主流的預(yù)測(cè)模型對(duì)比分析可以得出，本文提出的KNN-CNN-BiLSTM模型相比于目前主流的交通流預(yù)測(cè)模型，其預(yù)測(cè)精度提升明顯，對(duì)比結(jié)果如表2所示。

表2 各種算法預(yù)測(cè)性能對(duì)比表

最后，本文將經(jīng)過(guò)KNN篩選后的數(shù)據(jù)集和未經(jīng)過(guò)篩選的數(shù)據(jù)集分別送入預(yù)測(cè)模型的輸入。由表3可知，經(jīng)過(guò)KNN算法篩選后的數(shù)據(jù)集可以更好地利用待測(cè)節(jié)點(diǎn)上下游節(jié)點(diǎn)的時(shí)空相關(guān)性，經(jīng)過(guò)優(yōu)化后的輸入數(shù)據(jù)集可以改善模型的預(yù)測(cè)精度，大幅縮短預(yù)測(cè)模型的運(yùn)行時(shí)間。預(yù)測(cè)的具體結(jié)果如表3所示。

表3 KNN篩選對(duì)試驗(yàn)結(jié)果的影響

3 結(jié)束語(yǔ)

本文提出了利用交通流時(shí)空信息的KNN-CNN-BiLSTM交通流量預(yù)測(cè)模型，并結(jié)合美國(guó)交通實(shí)驗(yàn)室的實(shí)測(cè)交通流數(shù)據(jù)完成了模型搭建和精細(xì)調(diào)參。結(jié)果表明：KNN算法可以有效地對(duì)上下游觀測(cè)點(diǎn)進(jìn)行遴選，經(jīng)過(guò)遴選優(yōu)化后的數(shù)據(jù)集可以改善模型的預(yù)測(cè)精度；在考慮交通流時(shí)空信息的情況下，將交通流的時(shí)空二維數(shù)據(jù)一起作為預(yù)測(cè)模型的輸入，根據(jù)交通流的空間相關(guān)性改變輸入數(shù)據(jù)的形式，提高了預(yù)測(cè)結(jié)果的準(zhǔn)確性。因此，本文提出的基于KNN-CNN-BiLSTM的交通流預(yù)測(cè)模型是一種精準(zhǔn)有效的模型，具有實(shí)際推廣應(yīng)用價(jià)值。