基于深度學習的路網(wǎng)短時交通流預測

葉津凌

摘要：隨著智慧城市建設(shè)工作的推進，智慧交通作為智慧城市建設(shè)過程中十分關(guān)鍵的構(gòu)成環(huán)節(jié)，其發(fā)展備受人們的關(guān)注和重視。對于智慧交通的踐行而言，其中一個關(guān)鍵的內(nèi)容就是走好交通流量的預測和評估。而且科學合理進行路網(wǎng)短時交通流的預測和評估，會對后續(xù)的交通控制以及相應(yīng)誘導系統(tǒng)的構(gòu)建產(chǎn)生積極影響，這也是目前我國在人工職能研究領(lǐng)域的核心關(guān)注點。本文在觀點論述的過程中，基于深度學習理論出發(fā)，針對路網(wǎng)短時交通流的預測評估進行了觀點的闡釋和解讀。

關(guān)鍵詞：深度學習;路網(wǎng);短時交通流預測和評估;分析研究

隨著時代的進步和發(fā)展，在交通運行的過程中，重視路網(wǎng)短時交通流預測和分析十分關(guān)鍵。在路網(wǎng)短時交通流預測和評估上，有針對性的引入深度學習網(wǎng)絡(luò)模型，對保障路網(wǎng)短時交通流預測和評估效果有積極作用。

一、交通流預測問題

所謂交通流預測，指的是通過進行歷史交通數(shù)據(jù)的給定，針對接下來時間段相應(yīng)交通數(shù)值進行針對性的評估和分析。數(shù)據(jù)驅(qū)動的交通預測問題在這些年來備受市場的關(guān)注。通過科學合理的進行交通流的預測與評估，能夠?qū)崿F(xiàn)對任何和交通相關(guān)的數(shù)據(jù)進行分析評估，了解交通進出量、交通流量等等相關(guān)信息，并可以對目標時間段內(nèi)出租車的需求、出租車接送情況進行評估。通過科學合理進行交通流量的預測和評估，對有效進行交通運行狀態(tài)的分析，制定相應(yīng)的交通管控措施有積極幫助。

二、交通流預測的傳統(tǒng)方式

在進行交通流預測的實現(xiàn)上，過去傳統(tǒng)使用的是數(shù)學時間序列預測法，以及卡爾曼濾波法、自回歸綜合移動平均及其變體法等。這些早期的方式主要是針對獨立位置交通時間序列進行預測。但是隨著時代的進步和發(fā)展，在實現(xiàn)交通流預測的過程中，也開始引入對空間信息的綜合考量和評估，同時在一些預測中也納入了外部語境信息等。而且通過對既有的研究進行綜合評估和分析，在既有的研究中也進行了不同技術(shù)的引入，基于此實現(xiàn)建?？臻g交互信息的構(gòu)建。在既有的研究中，也有學者指出，可以基于正則化實現(xiàn)對歷盡位置以及時間點預測差異的出色平滑，基于此科學合理完成對近距離空間以及時間依賴關(guān)系的解讀。在這些研究中，其強調(diào)周邊應(yīng)該有類似的交通環(huán)境和狀況。通過研究，證實了通過一些附加因素能夠確保有出色的預測成效。但是既有的方式更多是立足傳統(tǒng)時間序列或是機器學習模型進行觀點的闡釋，難以對一些相對復雜的非線性時空依賴關(guān)系作出出色的解讀。

三、深度學習方法

深度學習方法的提出是隨著技術(shù)發(fā)展提出的一種全新的學習方法。當前，在很多有較高挑戰(zhàn)難度和復雜性的學習任務(wù)踐行上，深度學習取得了突出的應(yīng)用?；谏疃葘W習方法的引入，促使研究人員能夠針對一些復雜非線性關(guān)系進行針對性的模型構(gòu)建，而且當前無論是從計算機視覺還是從自然語言處理等多方面視角來說，通過研發(fā)工作的不斷深入，能夠?qū)崿F(xiàn)深度學習技術(shù)到具體交通預測問題的落地。比如通過一些研究完成城市交通模型的構(gòu)建，并引入熱圖圖像應(yīng)用，在具體的呈現(xiàn)上，可以將目標時間段的交通量看作是像素值在地圖中進行針對性的凸顯。也可以進行歷史交通圖像的給定，通過模型實現(xiàn)對接下來時間戳交通圖像的預測和分析。在具體的實現(xiàn)上，針對一些非線性空間依賴關(guān)系的建模，主要是借助卷積神經(jīng)網(wǎng)絡(luò)方式實現(xiàn)。比如在神經(jīng)網(wǎng)絡(luò)框架的設(shè)計上，利用多來源上下文數(shù)據(jù)完成相應(yīng)設(shè)計，基于該設(shè)計實現(xiàn)對出租車供需缺口的預測和評估。在該方式的利用上，其特征十分廣泛，但是在建模實現(xiàn)上，沒有圍繞時空交互進行針對性的建模。

通過研究可知，引入CNN，可以實現(xiàn)在空間相關(guān)性的捕捉上，圖像使用的是城市的交通。比如我們可以借助CNN實現(xiàn)交通速度圖像進行相應(yīng)速度預測。在研究過程中，明確強調(diào)在交通流圖像上可以引入殘差CNN。這些方式都可以確保能夠輕松簡單的實現(xiàn)對城市CNN的使用，而且在預測上，可以將所有地區(qū)都納入到預測范疇。我們可以了解到，在進行目標區(qū)域預測的過程中，若是在實現(xiàn)上，將一些不相關(guān)區(qū)域納入其中，可能會對預測的效果產(chǎn)生負面、消極影響。而且在應(yīng)用上，雖然所有引入的方式能夠確保我們在預測的過程中，可以借助歷史時間戳流量圖像完成，但是在進行模型構(gòu)建上，其并非是顯式的完成時間順序依賴關(guān)系完成模型構(gòu)建。

在進行順序依賴關(guān)系模型構(gòu)建上，也有學者提出了LSTM方式。通過這種方式進行模型構(gòu)建，能夠?qū)σ恍O端情況下的交通順序依賴關(guān)系進行針對性的評估和預測。尤其是在有較高交通流量時段，或是事故后場景的預測和評估上，這種方式有出色的應(yīng)用意義。在具體實現(xiàn)上，第一行研究主要是將一些完全連階層堆疊在一起，在過程中，可以將不同來源的上下文數(shù)據(jù)融合在一起，基于此對交通需求以及出租車的需求情況等進行綜合的評估和預測。采取該方式進行預測其特性十分廣泛，但是沒有做到顯式的進行空間以及時間交互關(guān)系建模。第二行研究在進行交通流預測的空間相關(guān)性實現(xiàn)上，則是基于卷積結(jié)構(gòu)達成。第三行的則是基于遞歸神經(jīng)網(wǎng)絡(luò)模型對順序依賴關(guān)系來完成相應(yīng)模型構(gòu)建。

在既有的研究中，針對出租車需求預測的時空依賴性問題解決，也有學者基于卷積LSTM達成。在研究中，學者認為，在進行需求預測的實現(xiàn)上，可以引入多視圖時空網(wǎng)絡(luò)實現(xiàn)。在網(wǎng)絡(luò)的踐行上，其同時實現(xiàn)LSTM、local-CNN和語義網(wǎng)絡(luò)的嵌入，在過程中也對時空依賴性進行針對性的學習。

四、結(jié)論

本文在觀點論述的過程中，就交通預測問題展開了深入的探討和論述，同時在研究中，針對當前我國在交通預測實現(xiàn)上的傳統(tǒng)方式以及深度學習方式進行了綜合分析。實施上，在進行一些非線性模型的構(gòu)建上，深度學習方式能夠具備更出色的建模效果。未來，我們在進行交通流預測工作踐行上，可以充分借助深度學習來實現(xiàn)神經(jīng)網(wǎng)絡(luò)的優(yōu)化布局，不斷推動相應(yīng)性能的優(yōu)化和改進，確保在進行交通流預測的實現(xiàn)上，有更短的耗時，也有更少的資源耗費，基于此確保在預測工作踐行上，有更高的預測精準性。

參考文獻

[1]陶璐. 基于深度學習的路網(wǎng)短時交通流預測研究[D].北京交通大學，2021.

[2]馬晨敏. 基于深度學習的短時交通流量預測模型研究[D].南京信息工程大學，2021.DOI：10.27248/d.cnki.gnjqc.2021.000140.

[3]李海濤. 基于深度學習的交通流運行風險評估方法研究[D].吉林大學，2021.DOI：10.27162/d.cnki.gjlin.2021.002783.

基金資助：江西省教育廳科學技術(shù)研究項目（項目名稱：基于深度學習的交通流時間序列模型構(gòu)建與應(yīng)用，項目編號：GJJ204604）