基于邊緣計算和深度學習的交通流預測研究
2023-04-29 00:00:00劉華
西部交通科技 2023年9期
基金項目：廣西交通職業(yè)技術學院科學研究項目“基于邊緣計算的交通預警系統(tǒng)”（編號：JZY2021KAY07）；廣西交通職業(yè)技術學院科學研究項目“廣西高速公路交通擁堵防治的研究與應用”（編號：JZY2021KAZ05）；廣西高校中青年教師科研基礎能力提升項目“大數(shù)據(jù)背景下道路運輸交通安全風險預警平臺研究與應用”（編號：2022KY1122）；廣西高等教育本科教學改革工程項目“智能時代高校思想政治理論課‘3+3+3’教學模式的研究與實踐”（編號：2021JGA393）
作者簡介：劉 華（1984—），碩士，工程師，講師，研究方向：計算機應用技術、人工智能、大數(shù)據(jù)。
摘要：文章提出一種基于邊緣計算和深度學習的交通流預測方法，采用基于CNN-LSTM的深度學習模型，并將深度學習模型中的數(shù)據(jù)預處理和推理計算移動到邊緣節(jié)點上。實驗結果表明，該方法可以有效地提高交通流預測的準確性和實時性，具有較好的應用前景。
關鍵詞：邊緣計算；深度學習；交通流預測；智慧交通
中圖分類號：U491.1+12
0 引言
隨著城市化進程的加速和汽車保有量的增加，城市交通擁堵已經(jīng)成為一大難題，嚴重影響著城市的發(fā)展和居民的生活質量。為了解決這一問題，智慧城市建設中的交通管理是一個重要方向。而交通流預測是智慧交通領域中的一個重要研究問題，對于交通管理、出行規(guī)劃、交通安全等方面都有重要意義。
近年來，隨著5G技術和物聯(lián)網(wǎng)的快速發(fā)展，涉及交通相關的邊緣設備越來越多，如車輛感應器、車速傳感器、信號燈控制器、道路溫濕度傳感器、視頻監(jiān)控識別器等。根據(jù)IDC的預測，到2026年，我國將有100億物聯(lián)網(wǎng)設備和傳感器在線，因此基于邊緣計算在智能交通領域的應用逐漸成為研究熱點。邊緣計算采用分布式計算的思想，將計算和存儲資源移動到數(shù)據(jù)源的近端，減少了數(shù)據(jù)傳輸?shù)臅r間，提高了計算速度，關鍵特點包括低延遲、高帶寬、節(jié)能等［1-2］。邊緣計算在車聯(lián)網(wǎng)的交通流預測 ［3］方面有著高效的應用，能夠在細粒度的網(wǎng)絡流量模型下提升流量的測量精度，并且降低主干網(wǎng)絡的負載；也在危險品運輸車輛跟蹤預警［4］和交通事故風險深度預測［5］方面有著良好的實踐，可以更加有效保障車輛的運行安全。
深度學習是一種基于神經(jīng)網(wǎng)絡的機器學習方法，其主要特點是可以自動學習數(shù)據(jù)中的特征，并用于分類、回歸、聚類等任務。常用的深度學習模型包括卷積神經(jīng)網(wǎng)絡（CNN）、循環(huán)神經(jīng)網(wǎng)絡（RNN）和長短期記憶網(wǎng)絡（LSTM）等已被很多研究者應用于交通流預測，實驗結果表明比傳統(tǒng)的預測模型具有更高的預測精度［6-8］。
在現(xiàn)有研究的基礎上，本文為了進一步提高交通流預測的實時性和準確性，設計了一種基于邊緣計算和深度學習相結合的預測系統(tǒng)架構，并給出了基于CNN-LSTM深度學習模型的算法實現(xiàn)方案。主要實現(xiàn)過程是利用邊緣節(jié)點上的計算能力先對采集到的交通流數(shù)據(jù)進行預處理，然后將處理好的數(shù)據(jù)發(fā)送至云端的深度學習模型進行訓練和預測。通過實驗分析表明，該方法有效地減少了數(shù)據(jù)在網(wǎng)絡中的傳輸延遲，提高了交通流預測效率和精度。
1 基于邊緣計算和深度學習的交通流預測系統(tǒng)架構
基于邊緣計算和深度學習的交通流預測系統(tǒng)主要包括以下四個部分：數(shù)據(jù)采集與處理模塊、邊緣計算節(jié)點、云端中心節(jié)點、用戶應用界面。整個系統(tǒng)架構如下頁圖1所示。
1.1 數(shù)據(jù)采集與處理模塊
數(shù)據(jù)采集與處理模塊負責從交通傳感器和車載設備等數(shù)據(jù)源中獲取交通數(shù)據(jù)，并進行預處理和清洗。常見的交通數(shù)據(jù)包括車輛速度、車道流量、交通事件等，這些數(shù)據(jù)可以通過傳感器和車載設備等方式進行采集。采集到的數(shù)據(jù)需要經(jīng)過預處理和清洗，包括數(shù)據(jù)去重、異常值處理、數(shù)據(jù)補全等操作。處理后的數(shù)據(jù)可以直接用于建模和預測。
1.2 邊緣計算節(jié)點
邊緣計算節(jié)點是指在距離數(shù)據(jù)源頭更近的位置進行計算和處理的節(jié)點。在交通流預測系統(tǒng)中，邊緣計算節(jié)點主要負責數(shù)據(jù)分析、特征提取和建模等任務。由于交通數(shù)據(jù)量大且實時性要求高，將這些任務移動到邊緣節(jié)點可以大大減少數(shù)據(jù)傳輸和響應時間，提高系統(tǒng)性能。
1.3 云端中心節(jié)點
云端中心節(jié)點是指在云端進行數(shù)據(jù)存儲和模型訓練的節(jié)點。在交通流預測系統(tǒng)中，中心節(jié)點主要負責模型的訓練和優(yōu)化，并將訓練好的模型傳輸?shù)竭吘壒?jié)點，用于實時預測，還可以對預測結果進行分析和優(yōu)化，提高預測準確度和魯棒性。
1.4 用戶應用界面
用戶應用界面是指交通流預測系統(tǒng)的可視化界面，用于展示交通狀況和預測結果。用戶可以通過界面查看實時的交通流量、速度和密度等信息，以及未來一段時間內的交通預測結果。用戶界面還可以提供交通建議和路線規(guī)劃等功能，幫助用戶更好地規(guī)劃行程。
基于邊緣計算和深度學習的交通流預測研究/劉 華
2 基于CNN-LSTM的交通流預測模型
本文采用卷積神經(jīng)網(wǎng)絡（CNN）模型提取交通流數(shù)據(jù)的時空特征，對每個監(jiān)測點的歷史交通流狀態(tài)進行特征提取，然后使用長短時記憶網(wǎng)絡（LSTM）模型進行交通流數(shù)據(jù)的時間序列建模，捕捉交通流數(shù)據(jù)中的時序依賴關系，最后通過全連接層將LSTM模型的輸出轉化為預測值。下面詳細介紹構建CNN-LSTM的交通流預測模型的方法和步驟。
2.1 交通流數(shù)據(jù)建模
通過傳感器采集到的交通流數(shù)據(jù)通常包括監(jiān)測路段的車輛數(shù)量、速度、密度等相關信息，采集頻率一般在1～5 min內。使用邊緣計算設備對原始交通流數(shù)據(jù)進行預處理后，再將有效數(shù)據(jù)傳輸?shù)皆贫酥行墓?jié)點進行模型訓練。假設第i個監(jiān)測點在時間點t的速度為vi，t，對每個時間點t設定一段歷史時間序列t-L，t-L+1，…，t-1，就可以得到時間速度序列vi，t-L，vi，t-L+1，…，vi，t-1，將每個時間點N個監(jiān)測點的數(shù)據(jù)與時間速度序列拼接形成一個NL的矩陣Xt，如式（1）所示。
2.2 CNN模型
卷積神經(jīng)網(wǎng)絡（CNN）模型通過卷積操作提取交通流數(shù)據(jù)中的時空特征，捕捉交通流數(shù)據(jù)的空間和時間關系，利用池化操作可以對特征圖進行下采樣，將原始數(shù)據(jù)的維度降低，提高計算效率。設定CNN模型的輸入是交通流數(shù)據(jù)Xt，輸出Ct表示對Xt的特征提取結果，計算公式如式（2）～（3）所示。
式中：Zt，k——第k個卷積核對輸入序列Xt的卷積結果；
wi，j，k ——第k個卷積核的權重；
Xt，i，j——輸入序列Xt的第i行、第j列的值；
Ct，k——第k個卷積核對輸入序列Xt的卷積結果后的輸出值;
ReLU——激活函數(shù);
p——卷積核的行數(shù);
q——卷積核的列數(shù);
bk——偏置項。
2.3 LSTM模型
長短時記憶網(wǎng)絡（LSTM）模型是一種適用于時間序列數(shù)據(jù)建模的深度學習模型，它能夠自適應地學習時間序列數(shù)據(jù)中的長期依賴關系，并在序列預測任務中表現(xiàn)出較好的性能。將CNN模型提取到的交通流空間特征序列化為時間序列，輸入到LSTM模型，可以實現(xiàn)交通流量的時空特征融合，提高交通流預測的有效性。每個LSTM單元包含了輸入門、遺忘門、輸出門和記憶單元四個部分。設定LSTM模型的輸入是Ct，輸出是Y︿t，表示對特征序列Ct的建模和預測結果，計算公式如式（4）～（5）所示。
ht=LSTMCt，ht-1，ct-1""" （4）
?t=Denseht，Wdense+bdense""" （5）
其中：LSTM——LSTM層；
ht——LSTM層的輸出；
Dense——全連接層；
Wdense——全連接層的權重；
bdense——全連接層的偏置項。
2.4 CNN-LSTM融合模型
通過上述對CNN和LSTM模型的分析，單一模型無法有效捕獲交通流量和速度之間的相關性，從而影響預測的精度。CNN-LSTM模型通過CNN提取交通流數(shù)據(jù)的空間特征，然后通過LSTM提取交通流數(shù)據(jù)的時序特征，并通過全連接層進行交通流預測，模型的總體框架如圖2所示，具體的預測算法步驟如下：
Step 1 對交通流量數(shù)據(jù)和速度數(shù)據(jù)進行預處理，填補缺失值，刪除異常值。
Step 2 將數(shù)據(jù)輸入模型并對數(shù)據(jù)進行分類，劃分訓練集和測試集數(shù)據(jù)，并對數(shù)據(jù)進行歸一化處理。
Step 3 設置模型卷積核，步長等參數(shù)值并選擇合適的優(yōu)化算法，然后遍歷所有數(shù)據(jù)。
Step 4 將處理后的數(shù)據(jù)輸入到CNN模型，提取空間特征。
Step 5 將CNN網(wǎng)絡輸出的交通流空間特征數(shù)據(jù)輸入到LSTM模型，進一步提取數(shù)據(jù)的時間序列特征。
Step 6 設定batchsize、epoch等參數(shù)對模型進行訓練，最終輸出交通流預測模型。
3 實驗結果分析
本研究在模型訓練中使用交叉熵損失函數(shù)和隨機梯度下降法進行優(yōu)化，模型驗證中使用均方根誤差（RMSE）、平均絕對誤差（MAE）和平均絕對百分比誤差（MAPE）來衡量預測模型的性能，其數(shù)值越小，預測效果越好。RMSE、MAE和MAPE的計算公式如式（6）～（8）所示。
式中：n——樣本的數(shù)量；
yi——實際值；
?i——預測值。
為了評估本文模型的有效性，采用美國加州交通管理系統(tǒng)提供的標準化公開數(shù)據(jù)集PeMSD7進行實驗，該數(shù)據(jù)集以每隔5 min記錄交通流量數(shù)據(jù)。實驗選取的數(shù)據(jù)時間段為2021-01-01至2021-10-31，按照7∶3的比例分為訓練集和測試集。使用Python編程語言和TensorFlow框架實現(xiàn)CNN-LSTM模型，實驗設備為Win10操作系統(tǒng)計算機（Intel Core（TM）i7-9700處理器，內存32 G），并開啟了GPU加速進行模型訓練。
如表1所示，在同樣的實驗環(huán)境下對比本文設計的CNN-LSTM模型與三個基準模型（ARIMA、LSTM、CNN）的性能，CNN-LSTM模型在三個評估指標上的表現(xiàn)都比其他模型更好，特別是在MAPE上，CNN-LSTM模型有著更小的誤差，表明基于CNN-LSTM的交通流預測模型具有更高的預測精度和有效性。
4 結語
本研究針對交通流預測中存在的數(shù)據(jù)規(guī)模大、計算復雜度高、預測準確性低等問題，提出了一種基于邊緣計算和深度學習的交通流預測技術，旨在提高交通流預測的準確性和可靠性。將交通流預測任務分配給邊緣計算節(jié)點和云端節(jié)點，以降低數(shù)據(jù)傳輸和處理時間，同時采用基于CNN-LSTM的交通流預測模型，可以更好地處理時空相關性和周期性等特征。實驗結果表明，基于邊緣計算和深度學習的交通流預測技術具有較好的預測性能。
未來的研究可以考慮將其他交通數(shù)據(jù)如交通事件、氣象數(shù)據(jù)等納入模型中，實現(xiàn)對交通流的綜合預測。一方面可以將交通流預測與交通信號控制相結合，實現(xiàn)智能交通的控制和優(yōu)化；另一方面還可以探索將區(qū)塊鏈技術應用于交通流預測中，實現(xiàn)交通數(shù)據(jù)的安全共享和隱私保護。
參考文獻
［1］盧 毅，宋家辛，張 華.高速公路智能交通系統(tǒng)邊緣計算應用研究［J］.公路，2021，66（3）：242-245.
［2］吳建波，朱文霞，劇 亮，等.邊緣計算在智慧交通系統(tǒng)中的應用［J］.計算機與現(xiàn)代化，2021（12）：103-109，122.
［3］凌 敏，羅 影，袁 亮，等.一種面向智慧交通的車聯(lián)網(wǎng)網(wǎng)絡流量估計方法［J］.西安電子科技大學學報，2021，48（3）：40-48.
［4］馬峻巖，劉仟金，許 良，等.基于邊緣計算的危險品運輸車輛跟蹤預警方法［J］.交通信息與安全，2020，38（5）：120-128.
［5］嚴麗平，郭成源.基于邊緣計算的城市交通事故風險深度預測［J］.計算機仿真，2022，39（12）：226-229，329.
［6］劉明宇，吳建平，王鈺博，等.基于深度學習的交通流量預測［J］.系統(tǒng)仿真學報，2018，30（11）：4 100-4 105，4 114.
［7］王竟成，張 勇，胡永利，等.基于圖卷積網(wǎng)絡的交通預測綜述［J］.北京工業(yè)大學學報，2021，47（8）：954-970.
［8］羅向龍，李丹陽，楊 彧，等.基于KNN-LSTM的短時交通流預測［J］.北京工業(yè)大學學報，2018，44（12）：1 521-1 527.
收稿日期：2023-04-07
