基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)研究

葉津凌

摘要：隨著時(shí)代的進(jìn)步和發(fā)展，當(dāng)前我國家庭機(jī)動(dòng)車的保有量也實(shí)現(xiàn)了針對(duì)性的提升。在這種情況下，由于城市交通的飛速發(fā)展，越來越多的機(jī)動(dòng)車投入使用，導(dǎo)致我國也有越來越高的交通事故發(fā)生概率，空氣污染的程度不斷加劇。在交通發(fā)展的過程中，引入基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)分析，對(duì)我們更好了解短時(shí)交通流量，并結(jié)合交通流量科學(xué)合理進(jìn)行交通情況的評(píng)估和預(yù)測(cè)起到了積極幫助。

關(guān)鍵詞：深度學(xué)習(xí);短時(shí)交通流;預(yù)測(cè)研究和分析

在當(dāng)前的交通流預(yù)測(cè)過程中，為了更好的評(píng)估交通流量情況，引入先進(jìn)的技術(shù)和理念，科學(xué)合理進(jìn)行交通流量的評(píng)估和分析十分關(guān)鍵。本文在觀點(diǎn)探討的過程中，引入深度學(xué)習(xí)模型，就基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)進(jìn)行了觀點(diǎn)的探討和論述。

一、基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)模型構(gòu)建

在進(jìn)行短時(shí)交通流預(yù)測(cè)的額實(shí)現(xiàn)上，對(duì)于評(píng)估模型的構(gòu)建，要明確模型構(gòu)建的目標(biāo)，以及模型在預(yù)測(cè)工作開展上，使用的核心評(píng)價(jià)指標(biāo)。結(jié)合本文設(shè)定的模型，在進(jìn)行相應(yīng)評(píng)價(jià)指標(biāo)的設(shè)定上，需要針對(duì)目標(biāo)時(shí)間范疇內(nèi)獲取的預(yù)測(cè)結(jié)果進(jìn)行精準(zhǔn)的標(biāo)準(zhǔn)，通過預(yù)測(cè)值以及實(shí)際檢測(cè)結(jié)果的比對(duì)，了解到模型在短時(shí)交通流量預(yù)測(cè)方面的預(yù)測(cè)效果。在完成了相應(yīng)評(píng)價(jià)指標(biāo)的設(shè)定后，需要進(jìn)行模型的針對(duì)性構(gòu)建。一般來說，神經(jīng)網(wǎng)絡(luò)模型本身在應(yīng)用上，其非線性關(guān)系映射能力十分突出為此在進(jìn)行數(shù)據(jù)的徐蓮實(shí)現(xiàn)上，若是有相同的輸入以及輸出個(gè)數(shù)，那么此時(shí)由于隱含層本身有不同呢的單元數(shù)量，這樣也會(huì)導(dǎo)致最終獲取的權(quán)闕值存在較大的差異。這種情況下，模型在應(yīng)用上，其就會(huì)有較大的差異存在。本文在模型的構(gòu)建上，需要就不同路段短時(shí)交通流量情況進(jìn)行全面綜合的額考量和評(píng)估，了解到不同路段交通流量之間的彼此關(guān)系。在進(jìn)行模型樣本的構(gòu)建上，使用的是歷史交通流量數(shù)據(jù)，同時(shí)基于觀測(cè)點(diǎn)的個(gè)數(shù)分析完成相應(yīng)數(shù)據(jù)的生成。在進(jìn)行數(shù)據(jù)的分類上，主要包括訓(xùn)練以及預(yù)測(cè)兩類不同的數(shù)據(jù)。

（一）基于實(shí)驗(yàn)數(shù)據(jù)實(shí)現(xiàn)位置對(duì)應(yīng)路況的獲取

在進(jìn)行實(shí)驗(yàn)數(shù)據(jù)采集上，選擇是2020.1-2021.1月期間某路段的交通流量數(shù)據(jù)。所有數(shù)據(jù)信息的獲取結(jié)合短時(shí)交通流預(yù)測(cè)數(shù)據(jù)實(shí)現(xiàn)。在進(jìn)行相應(yīng)數(shù)據(jù)的篩選上，要求所有數(shù)據(jù)必須有精準(zhǔn)的來源，對(duì)于交通流量信息的記錄要準(zhǔn)確到秒。

（二）處理實(shí)驗(yàn)數(shù)據(jù)

在實(shí)驗(yàn)數(shù)據(jù)的處理，考慮到篩選的路段為城市核心路段，在該路段的周邊，分布的主要是小區(qū)以及大學(xué)城等。為此在該路段的車流量表現(xiàn)，早晚有較高的車流量。另外，在該路段中，其有相對(duì)齊全的交通流量數(shù)據(jù)信息，為此在進(jìn)行相應(yīng)實(shí)驗(yàn)數(shù)據(jù)的處理上，主要是基于“訓(xùn)練—輸入”、“訓(xùn)練—輸出”、“測(cè)試—輸入”、“測(cè)試—輸出”四種類型來完成相應(yīng)數(shù)據(jù)的匯總和分類。

二、仿真分析

在實(shí)現(xiàn)基于深度學(xué)習(xí)的短時(shí)交通流量預(yù)測(cè)模型應(yīng)用上，完成模型構(gòu)建后，還要始終完成構(gòu)建的模型進(jìn)行仿真模擬分析，了解所構(gòu)建的模型是否能夠真正契合具體的使用需求。通過仿真模擬，也可以了解模型在具體應(yīng)用中存在的問題和不足，并針對(duì)存在的問題和不足進(jìn)行相應(yīng)的修正，促使模型能夠更契合短時(shí)交通流量預(yù)測(cè)的目標(biāo)。具體來說，在仿真分析實(shí)現(xiàn)上，相應(yīng)的操作對(duì)策是：

（一）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以及對(duì)應(yīng)參數(shù)的設(shè)置

對(duì)于輸入層的神經(jīng)元設(shè)置而言，在進(jìn)行數(shù)據(jù)處理和分析上，結(jié)合數(shù)據(jù)處理工作的要求，在矩陣的規(guī)劃上，使用的是的輸入類的數(shù)據(jù)?；诜治龊吞接?，在進(jìn)行神經(jīng)網(wǎng)絡(luò)輸入層對(duì)應(yīng)的神經(jīng)元設(shè)定上，最終設(shè)定的是5。

在隱藏層的神經(jīng)元規(guī)劃上，考慮到不同隱藏層節(jié)點(diǎn)數(shù)量一般會(huì)對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的精度和準(zhǔn)確性產(chǎn)生較大的影響。所以在規(guī)劃上，若是有太少的節(jié)點(diǎn)數(shù)設(shè)置，則無法最終獲取的結(jié)果有較高的精準(zhǔn)性。若是在過程中設(shè)定了過多的節(jié)點(diǎn)數(shù)量，會(huì)導(dǎo)致在神經(jīng)網(wǎng)絡(luò)模型使用上，陷入到過擬合的情況。所以為了確保上述情況不會(huì)發(fā)生，一般在進(jìn)行計(jì)算上，將最優(yōu)隱藏層的神經(jīng)元數(shù)量設(shè)定是12。在進(jìn)行所有數(shù)據(jù)的類別劃分上，將其分為訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)以及測(cè)試數(shù)據(jù)三類。

在相應(yīng)的參數(shù)信息設(shè)定上，本文在進(jìn)行參數(shù)獲取上，使用的算法為LM。在進(jìn)行具體的計(jì)算上，將學(xué)習(xí)率設(shè)定是0.1，同時(shí)在過程中，對(duì)于最大迭代次數(shù)epoch，將其設(shè)定為1000，對(duì)于整個(gè)參數(shù)信息的設(shè)定而言，要求精度至少可以滿足0.000000001。

（二）預(yù)測(cè)結(jié)果分析

在使用仿真模擬進(jìn)行預(yù)測(cè)實(shí)現(xiàn)上，若是適當(dāng)進(jìn)行隱藏層節(jié)點(diǎn)數(shù)量的增加，可以確保在訓(xùn)練的過程中，有更少的訓(xùn)練誤差。本文在進(jìn)行分析上，設(shè)定的隱藏層數(shù)量是12，在這種情況下進(jìn)行針對(duì)性的訓(xùn)練，最終獲取的結(jié)果有較小的訓(xùn)練誤差，而且在具體的訓(xùn)練實(shí)現(xiàn)桑，其有較快的收斂速度。通過本文的數(shù)據(jù)訓(xùn)練，最終獲取的訓(xùn)練及數(shù)據(jù)能夠出色對(duì)模型具體的運(yùn)行情況作出科學(xué)的評(píng)估和解讀，而且在進(jìn)行預(yù)測(cè)實(shí)現(xiàn)上，共計(jì)進(jìn)行了連續(xù)11次到了預(yù)測(cè)。并對(duì)每次訓(xùn)練獲取的結(jié)果進(jìn)行綜合分析和比對(duì)。通過訓(xùn)練可知，本文最終獲取的樣本輸出誤差保持在恒定的狀態(tài)，不再有減小表現(xiàn)，甚至在后續(xù)幾次訓(xùn)練中，最終獲取的結(jié)果誤差有明顯的增加表現(xiàn)。最佳結(jié)果獲取是通過第五次訓(xùn)練達(dá)成的。

綜合對(duì)預(yù)測(cè)結(jié)果的評(píng)估分析可知，通過本文設(shè)定的模型進(jìn)行樣本數(shù)據(jù)信息的分析和評(píng)估，樣本的誤差曲線以及測(cè)試樣本的誤差曲線走勢(shì)都是慢慢下降的，呈現(xiàn)良好的相關(guān)性，并且達(dá)到了一個(gè)合適的目標(biāo)誤差。

三、總結(jié)

隨著技術(shù)的升級(jí)和發(fā)展，基于深度學(xué)習(xí)的模型構(gòu)建能夠滿足短時(shí)交通流量預(yù)測(cè)的需求。在本文構(gòu)建的模型應(yīng)用上，其能夠契合當(dāng)前短時(shí)交通流量預(yù)測(cè)需求，在預(yù)測(cè)工作實(shí)現(xiàn)上有相對(duì)較小的誤差，有較好的預(yù)測(cè)效果。

參考文獻(xiàn)

[1]陶璐. 基于深度學(xué)習(xí)的路網(wǎng)短時(shí)交通流預(yù)測(cè)研究[D].北京交通大學(xué)，2021.

[2]李瑩，李曉霞.基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)[J].公路工程，2021，46（03）：314-319.DOI：10.19782/j.cnki.1674-0610.2021.03.048.

[3]馬晨敏. 基于深度學(xué)習(xí)的短時(shí)交通流量預(yù)測(cè)模型研究[D].南京信息工程大學(xué)，2021.DOI：10.27248/d.cnki.gnjqc.2021.000140.

[4]李海濤. 基于深度學(xué)習(xí)的交通流運(yùn)行風(fēng)險(xiǎn)評(píng)估方法研究[D].吉林大學(xué)，2021.DOI：10.27162/d.cnki.gjlin.2021.002783.

[5]房崇鑫. 基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)及其路徑誘導(dǎo)的研究與實(shí)現(xiàn)[D].揚(yáng)州大學(xué)，2021.DOI：10.27441/d.cnki.gyzdu.2021.001789.

基金資助：江西省教育廳科學(xué)技術(shù)研究項(xiàng)目（項(xiàng)目名稱：基于深度學(xué)習(xí)的交通流時(shí)間序列模型構(gòu)建與應(yīng)用，項(xiàng)目編號(hào)：GJJ204604）