基于卷積神經(jīng)網(wǎng)絡(luò)的交叉口過車速度短時(shí)預(yù)測模型研究1

劉 振 ，張 祎， 慕 迪

上海市城鄉(xiāng)建設(shè)和交通發(fā)展研究院

0 引 言

道路交叉口是城市交通網(wǎng)絡(luò)聯(lián)結(jié)的關(guān)鍵節(jié)點(diǎn)，交叉口通行效率降低極易引起道路擁堵，排堵的關(guān)鍵是交叉口交通通行效率的提升。與路段交通流不同，交叉口各種車流、人流交匯、分散、相互交織，交通流不具有明顯的方向性和順序性，而交叉口的道路條件、周邊交通環(huán)境等因素都會影響其通行能力[1]。準(zhǔn)確的交叉口交通狀態(tài)預(yù)測可以給交警出警提供參考信息，從而更有效、更快速地將警力部署到最需要的地方，將交通指揮警力由“被動”轉(zhuǎn)化為“主動”，由“經(jīng)驗(yàn)”轉(zhuǎn)化為“先驗(yàn)”。

相關(guān)學(xué)者對于路段速度預(yù)測和路口通行效率已有了較多的深入研究。朱順應(yīng)等[3]探討了路段上小時(shí)間間隔里的交通預(yù)測ARIMA模型，并對參數(shù)進(jìn)行了標(biāo)定和檢驗(yàn)；翁劍成等[4]基于北京快速路數(shù)據(jù)，構(gòu)建了一種基于K近鄰的非參數(shù)回歸短時(shí)交通預(yù)測模型；吳志周等[5]對比了傳統(tǒng)灰色預(yù)測模型和反向（BP）神經(jīng)網(wǎng)絡(luò)預(yù)測模型的優(yōu)缺點(diǎn)，并建立了灰色神經(jīng)網(wǎng)絡(luò)點(diǎn)速度預(yù)測模型，經(jīng)過實(shí)例分析，該預(yù)測模型具有更好的效果。傳統(tǒng)的預(yù)測方法，比如自回歸滑動平均（ARMA）模型、貝葉斯模型等對于異常交通狀態(tài)下的交通預(yù)測能力較差，無法挖掘數(shù)據(jù)深層的特征信息，而卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）模型具有更強(qiáng)的數(shù)據(jù)特征提取能力，能夠處理更為復(fù)雜的問題，因此本文擬采用CNN模型，對地面交叉口的速度進(jìn)行短時(shí)預(yù)測研究，構(gòu)建的預(yù)測系統(tǒng)已經(jīng)在實(shí)戰(zhàn)中進(jìn)行了應(yīng)用和實(shí)踐，效果良好。

1 技術(shù)路線與評價(jià)指標(biāo)選取

1.1 卷積神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是一種模擬生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能的數(shù)學(xué)模型或計(jì)算模型，由大量神經(jīng)元通過相互連接而構(gòu)成的自適應(yīng)非限行動態(tài)網(wǎng)絡(luò)系統(tǒng)。卷積神經(jīng)網(wǎng)絡(luò)[6]是常用的深度學(xué)習(xí)模型之一。卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層和輸出層構(gòu)成。卷積層和池化層可以取多個(gè)，采用卷積層和池化層交替設(shè)置方式。卷積層輸出特征面的每個(gè)神經(jīng)元與其輸入進(jìn)行局部連接，并通過對應(yīng)的連接權(quán)值與局部輸入進(jìn)行加權(quán)求和，并加上偏置值，得到神經(jīng)元的輸入值。

在大數(shù)據(jù)和云計(jì)算支撐下，采用卷積神經(jīng)網(wǎng)絡(luò)開展交叉口的過車速度預(yù)測，發(fā)揮多層的人工神經(jīng)網(wǎng)絡(luò)所具有的優(yōu)異的特征學(xué)習(xí)能力，既可以快速準(zhǔn)確地挖掘出隱藏在交通大數(shù)據(jù)背后的數(shù)據(jù)關(guān)聯(lián)關(guān)系，又可以避免基于統(tǒng)計(jì)方法的預(yù)測算法存在的“突發(fā)、異?！眻鼍邦A(yù)測不準(zhǔn)的局限。

1.2 技術(shù)路線

研究的數(shù)據(jù)基礎(chǔ)是浮動車實(shí)時(shí)軌跡數(shù)據(jù)、交通信號控制數(shù)據(jù)和高精度的道路基礎(chǔ)數(shù)據(jù)。浮動車軌跡數(shù)據(jù)包含過車車輛ID、時(shí)間、經(jīng)度、緯度、瞬時(shí)速度、行車方向等字段；交通信號控制數(shù)據(jù)主要是相位周期、相序、路口飽和度、綠信比、綠燈過車數(shù)；高精度的道路基礎(chǔ)數(shù)據(jù)主要包括車道級的道路交通標(biāo)線、交通標(biāo)志、交通隔離、防撞設(shè)施、安全島、綠化帶、支撐桿、龍門架、天橋、減速壟、交通信號、公交專用道、公交車站、路側(cè)停車位等信息。高精度交通地圖數(shù)據(jù)見圖1。

圖1 高精度交通地圖數(shù)據(jù)

在算法設(shè)計(jì)時(shí)，系統(tǒng)將獲取的基礎(chǔ)數(shù)據(jù)處理為包含特征的矩陣，基于卷積神經(jīng)網(wǎng)絡(luò)模型對道路交叉口的車速進(jìn)行預(yù)測。具體流程見圖2。

圖2 技術(shù)路線圖

1.3 評價(jià)指標(biāo)

本文采用MAE（Mean Absolute Error，平均絕對誤差）和MAPE（Mean Absolute Percentage Error，平均絕對百分比誤差）來衡量模型效果。設(shè)真實(shí)值為y={y1，y2，y3，…，yn}，預(yù)測值為MAE和MAPE的計(jì)算公式如下：

2 卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測模型

2.1 輸入層

研究中，系統(tǒng)基于上海市2萬輛浮動車的軌跡數(shù)據(jù)、信號控制數(shù)據(jù)和道路網(wǎng)交通基礎(chǔ)數(shù)據(jù)，實(shí)時(shí)處理成時(shí)間周期為2分鐘的路段速度，速度數(shù)據(jù)記錄的字段主要包含路段編號、時(shí)間和速度（見表1）。

表1 路段速度數(shù)據(jù)樣例

基于道路網(wǎng)交通基礎(chǔ)數(shù)據(jù)和路段速度數(shù)據(jù)，篩選交叉口及其相關(guān)聯(lián)的路段和交通組織信息，融合計(jì)算出綠燈時(shí)交叉口的過車車速。

數(shù)據(jù)具體處理步驟如下：

（1）選取上海市外環(huán)線以內(nèi)的中心城內(nèi)的6 915個(gè)道路路段，將路段按照地理位置和交通組織下的路段聯(lián)通關(guān)系，對交叉口進(jìn)行序列編號和速度標(biāo)定；

（2）以交叉口10個(gè)連續(xù)時(shí)間的車速記錄為一組，按照路段編號序列形成一個(gè)10*6 915的序列值，作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的一組特征值；

（3）以2分鐘為時(shí)間滑動窗口，預(yù)測30分鐘后對應(yīng)交叉口的過車車速。

實(shí)戰(zhàn)中，選取了徐家匯區(qū)域內(nèi)8個(gè)交叉口作為預(yù)測案例，用以指導(dǎo)交通疏解的排/派警。以6個(gè)月的數(shù)據(jù)作為訓(xùn)練樣本，按照以上方法將數(shù)據(jù)處理成720*180個(gè)特征和標(biāo)簽的數(shù)據(jù)對，隨機(jī)抽取其中的60%作為訓(xùn)練數(shù)據(jù)，20%作為評估數(shù)據(jù)，20%作為測試數(shù)據(jù)。如以徐匯區(qū)虹橋路/漕溪北路交叉口為例的輸入數(shù)據(jù)見表2。

表2 輸入數(shù)據(jù)樣例

2.2 卷積層

CNN通過卷積操作來提取輸入的不同特征。若干個(gè)特征面組成了卷積層，而特征面則是由多個(gè)神經(jīng)元組成的，這些神經(jīng)元通過卷積核與上一層的特征面的局部區(qū)域連接。就第一層卷積conv1來說，采用16個(gè)1層4*4大小的卷積核，每個(gè)卷積核對應(yīng)輸出一個(gè)特征面：

式中：是輸出層特征面k中i行j列的值；xi,j是輸入層某個(gè)特征面中第i行j列的值；l，k分別是輸入和輸出層的特征面編號；w是卷積核，其中是第k卷積核的特征面l中第m行n列的卷積核參數(shù)；b是偏置項(xiàng)；是激活函數(shù)，這里采用ReLU函數(shù)作為激活函數(shù)：

2.3 池化層

池化層跟在卷積層之后，也可以說卷積層是池化層的輸入。池化層的作用是二次提取特征，每個(gè)神經(jīng)元對局部接受域進(jìn)行池化操作。本文采用最大池化層（MAXPOOL），池化層的維度和步長選擇根據(jù)輸入調(diào)整，原則上輸入數(shù)據(jù)的維度越大，相應(yīng)池化層的維度和步長也稍大。

2.4 Dropout層

為了防止模型的過擬合，提高泛化能力，可以通過丟失數(shù)據(jù)（Dropout）技術(shù)隨機(jī)忽略一定比例的節(jié)點(diǎn)響應(yīng)。這里采用50% Dropout。

2.5 全鏈接層

CNN結(jié)構(gòu)中，在經(jīng)過若干個(gè)卷積層、池化層后，連接一個(gè)或者一個(gè)以上的全連接層。全連接層整合卷積層、池化層中的局部信息。本文在全鏈接層中使用SIGMOID函數(shù)作為激活函數(shù)：

式中：表示第l層第i個(gè)神經(jīng)元的輸出值；θ為參數(shù)；kl表示第l層的神經(jīng)元數(shù)目；特別地，=1 。

2.6 輸出層

最后一層全連接層后面連接輸出層，這里采用SOFTMAX函數(shù)作為輸出層：

式中：vi表示第i個(gè)元素。

卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目標(biāo)是最小化網(wǎng)絡(luò)的損失函數(shù)，這里損失函數(shù)采用交叉熵函數(shù)：

在實(shí)戰(zhàn)中，我們采用了6個(gè)卷積、池化層+2個(gè)全鏈接層+1個(gè)SOFTMAX層，共9層深度，另外，為了避免過擬合并提高模型的泛化能力，在其中嵌入若干個(gè)Dropout層。

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3。

圖3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

最終得到預(yù)測數(shù)據(jù)，即30分鐘后的交叉口的過車預(yù)測速度。輸出的記錄包含交叉口名稱、時(shí)間和預(yù)測速度，具體見表3示例。

表3 輸出層樣例數(shù)據(jù)示例

2.7 模型優(yōu)劣分析

本文構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)道路交叉口的車速預(yù)測模型系統(tǒng)，通過實(shí)戰(zhàn)應(yīng)用效果良好。從MAE和MAPE兩個(gè)指標(biāo)來看，預(yù)測模型評價(jià)指標(biāo)MAE平均值為2.06，MAPE平均值為10.57%，說明預(yù)測結(jié)果與真實(shí)值的偏差較小，模型的預(yù)測效果較好。卷積神經(jīng)網(wǎng)絡(luò)交叉口車速預(yù)測模型評價(jià)結(jié)果如表4。

表4 卷積神經(jīng)網(wǎng)絡(luò)模型評價(jià)指標(biāo)

由于道路交通容易受到極端天氣、交通事件等影響，為車速預(yù)測帶來了一定難度。若僅以統(tǒng)計(jì)學(xué)方法利用歷史數(shù)據(jù)來進(jìn)行預(yù)測，在發(fā)生突發(fā)事件時(shí)，得到的結(jié)果往往與實(shí)際相差甚遠(yuǎn)，而卷積神經(jīng)網(wǎng)絡(luò)可以較好地避免這一技術(shù)局限。以2020年7月15日暴雨日為例，宜山路/欽州路交叉口在暴雨時(shí)采用傳統(tǒng)統(tǒng)計(jì)學(xué)方法的預(yù)測結(jié)果與實(shí)際車速有較大的差距，而卷積神經(jīng)網(wǎng)絡(luò)模型良好地預(yù)測了暴雨下車速的變化。具體見圖4。當(dāng)然，卷積神經(jīng)網(wǎng)絡(luò)模型也有一定的不足：一是調(diào)參復(fù)雜，二是需要的樣本量較大。但基于其良好的預(yù)測效果，卷積神經(jīng)網(wǎng)絡(luò)模型仍是不錯(cuò)的選擇。

圖4 暴雨時(shí)車速預(yù)測精度及車速曲線圖

3 總 結(jié)

在智能交通系統(tǒng)中，通過交叉口的車輛速度更能體現(xiàn)道路交通的暢通情況。本文基于車輛軌跡數(shù)據(jù)、交通信號控制系統(tǒng)數(shù)據(jù)和高精度交通地圖數(shù)據(jù)，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了對道路交叉口車速的短時(shí)預(yù)測。經(jīng)過誤差分析，該模型可以較準(zhǔn)確地預(yù)測交叉口的過車速度，為交叉口警力提前部署提供依據(jù)?？紤]到速度僅僅是車輛通過交叉口的效率指標(biāo)，而非通行的效能指標(biāo)，因此在未來的研究中，可以在車速預(yù)測的基礎(chǔ)上，結(jié)合預(yù)測交叉口的流量數(shù)據(jù)，為提升交叉口通行效能和措施執(zhí)行力提供數(shù)據(jù)支撐。