基于大數(shù)據(jù)的城市短時交通流預(yù)測方法研究

黃政

關(guān)鍵詞：交通流預(yù)測;交通大數(shù)據(jù);深度學習;門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)

1緒論

城市道路短時交通流預(yù)測是智能交通系統(tǒng)實現(xiàn)交通誘導和交通控制的關(guān)鍵部分，精準的短時交通流預(yù)測可為其提供及時和有價值的參考信息。交通流預(yù)測是通過大量歷史數(shù)據(jù)或?qū)崟r采集的交通數(shù)據(jù)科學預(yù)測未來時刻的道路交通狀況，短時交通流預(yù)測通常是對未來5～15分鐘內(nèi)的交通流量進行循環(huán)預(yù)測，為道路使用者和運輸從業(yè)者提供更優(yōu)的出行路徑，減少交通擁堵，提高道路的安全性和通行效率。

目前，短時交通流的預(yù)測方法主要有數(shù)理建模法和數(shù)據(jù)驅(qū)動法。數(shù)理建模法主要有時問序列模型、混沌理論模型以及卡爾曼方程等。文獻[3]提出以季節(jié)為周期的自回歸滑動平均模型交通流短期預(yù)測，利用大量歷史相關(guān)數(shù)據(jù)開展參數(shù)估計實現(xiàn)預(yù)測的目的。文獻[4]首先應(yīng)用方差優(yōu)化速度預(yù)測，采用卡爾曼濾波交通預(yù)測模型，在所測速度隨時間起伏較小的條件下，提高了網(wǎng)絡(luò)模型的預(yù)測精度。數(shù)據(jù)驅(qū)動法主要包括深度學習和神經(jīng)網(wǎng)絡(luò)。Huang等將深度學習應(yīng)用于短時交通流預(yù)測中，其運用無監(jiān)督學習法獲取相關(guān)交通流數(shù)據(jù)特征，提高了預(yù)測的準確率。Ma等將LSTM網(wǎng)絡(luò)引入交通速度預(yù)測，LSTM模型可提高交通流數(shù)據(jù)的長時間依賴。

綜上所述，交通數(shù)據(jù)采集手段的發(fā)展和深度學習的應(yīng)用為解決交通相關(guān)問題提供了新的思路，本文分析深度學習的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)算法對城市短時交通流預(yù)測進行探索。

2短時交通流預(yù)測模型

2.1 LSTM神經(jīng)網(wǎng)模型

LSTM由循環(huán)神經(jīng)網(wǎng)絡(luò)優(yōu)化演變來的，LSTM神經(jīng)加入了門控機制來保存輸入系列相關(guān)信息，期中引入了輸入門、遺忘門、輸出門，從而解決了長序列訓練中梯度消失及梯度爆炸問等，使其擁有學習交通流長序列信息的功能，LSTM模型內(nèi)部結(jié)構(gòu)如圖1所示。

圖1中，箭頭是參數(shù)傳遞方向，x表示模型的輸入?yún)?shù)，h。為單元當前的輸出，c。是當前單元結(jié)構(gòu)的狀態(tài)信息f、i、o。分別表示遺忘門、輸入門和輸出門的輸出信息。如下是該模型的傳遞公式。

2.2門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)

門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)GRU可看做LSTM的一個重要變體網(wǎng)絡(luò)，它的特點是將循環(huán)體的輸入門和遺忘門合并為更新門，GRU只有重置門和更新門兩個門控機制，其工作原理與LSTM模型相似，都是用門控機制來選擇保留和遺忘一些信息，在這樣的工作方式下，有選擇的存儲來自交通流序列的時間關(guān)聯(lián)信息，保留了長期時間序列信息減少梯度消失問題，同時，GRU結(jié)構(gòu)相對簡單，模型收斂速度較快，GRU的計算效率比LSTM有所提高。GRU結(jié)構(gòu)示意圖如圖2所示。

3實驗與結(jié)果分析

3.1數(shù)據(jù)及預(yù)處理

本文采用PeMS收集的交通流數(shù)據(jù)進行分析，選取2016年3月1日至2016年4月20日期間對某路段的交通流量數(shù)據(jù)，時間間隔為5min。其中80%的數(shù)據(jù)用于GRU神經(jīng)網(wǎng)絡(luò)預(yù)測模型的訓練，20%的數(shù)據(jù)用于測試。受外界干擾，常出現(xiàn)數(shù)據(jù)異?；蛉笔У痊F(xiàn)象，通常需要進行實驗數(shù)據(jù)的預(yù)處理。本文運用Min-Max函數(shù)對數(shù)據(jù)做歸一化操作，提高模型的收斂速度和預(yù)測能力。

3.2預(yù)測模型評價指標

為了對預(yù)測的結(jié)果進行分析，本文將模型預(yù)測的結(jié)果誤差作為評價指標，期中，選擇了常用的均方誤差、平均絕對誤差和平均絕對百分比誤差來描述和評價各模型的預(yù)測精度，相關(guān)誤差公式如下：

3.3實驗內(nèi)容及結(jié)果

本文對構(gòu)建的短時交通流量預(yù)測模型運用Python語言開發(fā)環(huán)境，在Keras中進行訓練測試。

為了對比分析，本文建立SVR模型、ARIMA模型、LSTM模型，以及GRU模型4種模型進行訓練和測試。其中，統(tǒng)計模型ARIMA的建立基于Statsmodels庫，模型的參數(shù)為默認值，模型SVR的建立基于Sklearn庫，模型的參數(shù)為默認值。將LSTM預(yù)測模型層數(shù)設(shè)為4層，包括輸入層、輸出層和2個LSTM層。期中，隱層神經(jīng)元為64，訓練迭代次數(shù)（epoch）為100，采用Adam算法作為模型訓練的優(yōu)化器。

將預(yù)測位置的歷史交通數(shù)據(jù)輸入預(yù)測網(wǎng)絡(luò)模型中，下一時刻交通流量作為輸出，基于GRU的短時交通流預(yù)測結(jié)果分別如圖3所示，可見交通流的預(yù)測值與實際交通量吻合度較高，表明本文所用的GRU預(yù)測模型能有效預(yù)測出道路下一時刻的交通流量，GRU網(wǎng)絡(luò)可較好地擬合交通流變化的非線性特性，并能自適應(yīng)獲取序列數(shù)據(jù)問的關(guān)聯(lián)性，選取歷史數(shù)據(jù)進行預(yù)測，模型展現(xiàn)了很好的預(yù)測性能。

不同模型的各類誤差指標進行對比的結(jié)果如表1。從中可見，GUR模型的預(yù)測誤差及精度與LSTM預(yù)測網(wǎng)絡(luò)接近，都明顯優(yōu)于SVR模型和ARIMA模型，神經(jīng)網(wǎng)絡(luò)具有多隱含層的結(jié)構(gòu)有助于獲取交通流數(shù)據(jù)的特征，使得GRU模型各類指標均較小，表現(xiàn)出了良好的預(yù)測指標，實驗結(jié)果證明，GRU模型可較準確地模擬城市交通流量的實時變化情況，可用于城市交通流量的預(yù)測。

4結(jié)論

本文建立了GRU的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，利用深度學習對交通流預(yù)測作了相關(guān)探索。將歷史交通流數(shù)據(jù)輸入GRU神經(jīng)網(wǎng)絡(luò)中，挖掘短時交通流數(shù)據(jù)的時間特征，對城市短時交通流進行預(yù)測。實驗結(jié)果表明該網(wǎng)絡(luò)模型預(yù)測性能優(yōu)于SVR模型和ARIMA網(wǎng)絡(luò)模型，具有較高的準確率，可為智能交通管理與控制提供有效依據(jù)。