摘 要:本文旨在提高城市交通管理的智能化水平,并以深度學(xué)習(xí)技術(shù)為核心,設(shè)計針對交通路口的短時流量預(yù)測方法。通過整合固定監(jiān)測設(shè)備與移動數(shù)據(jù)源,全面采集交通路口的車輛流動數(shù)據(jù),并經(jīng)過精細的數(shù)據(jù)預(yù)處理保證數(shù)據(jù)質(zhì)量。采用雙向長短期記憶網(wǎng)絡(luò)(Bi-directional Long Short-Term Memory,Bi-LSTM)深度學(xué)習(xí)模型獨特的“門”控機制有效捕捉時間序列中的復(fù)雜依賴關(guān)系,通過模型構(gòu)建與訓(xùn)練、流量預(yù)測以及結(jié)果輸出,結(jié)合全連接層,對短時交通流量進行準(zhǔn)確預(yù)測。試驗結(jié)果表明,該方法顯著縮小了預(yù)測誤差,為智慧城市交通管理提供了有力的數(shù)據(jù)支撐與決策依據(jù)。
關(guān)鍵詞:深度學(xué)習(xí);短時流量;交通路口;智慧城市" " "中圖分類號:U 491" 文獻標(biāo)志碼:A
智慧城市旨在通過集成先進的信息與通信技術(shù),對城市運行系統(tǒng)進行全面感知、分析、整合和智能響應(yīng),提高資源使用效率、優(yōu)化城市管理、改善居民生活質(zhì)量。在智慧城市的眾多組成部分中,交通系統(tǒng)作為城市運行的基礎(chǔ),提高其智能化水平對緩解交通擁堵、減少交通事故、提高出行效率具有至關(guān)重要的作用。交通流量預(yù)測對優(yōu)化交通信號控制、制定交通管理策略、規(guī)劃交通基礎(chǔ)設(shè)施建設(shè)等方面具有重要意義。因此,尋找一種更加高效、準(zhǔn)確的交通流量預(yù)測方法成為研究熱點。
楊國威等[1]提出融合多通道卷積神經(jīng)網(wǎng)絡(luò)和注意力機制與雙向長短期記憶網(wǎng)絡(luò)的交通流量預(yù)測方法。但當(dāng)面對數(shù)據(jù)源不穩(wěn)定或數(shù)據(jù)缺失的情況時,難以高效且實時獲取這些外部數(shù)據(jù)。陸由付等[2]采用奇異譜分析算法來迭代優(yōu)化網(wǎng)絡(luò)中的超參數(shù),以此提高模型的訓(xùn)練效率和預(yù)測性能。奇異譜分析算法的復(fù)雜性和較高的計算成本可能會限制其處理大數(shù)據(jù)集或?qū)崟r預(yù)測任務(wù)時的效率。
針對現(xiàn)有成果,本次研究將引進深度學(xué)習(xí)技術(shù),以某智慧城市為例,對其交通路口短時流量預(yù)測方法進行設(shè)計。
1 交通流數(shù)據(jù)預(yù)處理
交通信息采集技術(shù)根據(jù)設(shè)備固定性分為固定與移動兩類。固定型技術(shù)適用于特定地點,實現(xiàn)定點長期監(jiān)測,而移動型技術(shù)則靈活覆蓋路段,可以實現(xiàn)大范圍自由采集[3]。前者可以保證數(shù)據(jù)連續(xù)穩(wěn)定,后者提供全面靈活的交通洞察。根據(jù)采集需求選擇技術(shù),能精準(zhǔn)捕捉交通動態(tài)信息。
在完成數(shù)據(jù)采集后,設(shè)定車流量閾值、速度閾值[4],去除采樣數(shù)據(jù)中的異常數(shù)據(jù),可以用公式(1)、公式(2)表示此過程。
式中:q為流量數(shù)據(jù);f1為q的修正系數(shù);C為交通路口通行上限值;T為數(shù)據(jù)采樣間隔;v為速度;f2為v的修正系數(shù);vt為交通路口速度限值。
在保留數(shù)據(jù)中核心信息的基礎(chǔ)上,引進一次指數(shù)平滑算法去除部分冗余內(nèi)容,完成數(shù)據(jù)去噪[5]。該算法通過賦予近期數(shù)據(jù)較高的權(quán)重,按照權(quán)重遞減的順序處理歷史數(shù)據(jù),平滑時間序列數(shù)據(jù)中的隨機波動。一次指數(shù)平滑算法的優(yōu)勢是其具有高效性、適應(yīng)性和直觀性。首先,該算法相對簡單,計算速度快,能夠高效地處理大規(guī)模數(shù)據(jù)集,這對需要快速響應(yīng)和分析大量數(shù)據(jù)的應(yīng)用場景尤為重要。其次,通過調(diào)整平滑系數(shù),算法可以靈活適應(yīng)不同數(shù)據(jù)特性的去噪需求,保證去除冗余信息,同時可以準(zhǔn)確提取和保留數(shù)據(jù)中的核心信息。最后,平滑后的數(shù)據(jù)呈現(xiàn)出更加平滑、連續(xù)的特點,這有助于用戶更清晰地識別數(shù)據(jù)中的趨勢和模式,為決策提供更為可靠和直觀的依據(jù)??梢杂霉剑?)表示此過程。
式中:為平滑處理后的數(shù)據(jù);m為處理次數(shù);X為數(shù)據(jù)冗余程度;k為平滑指數(shù)。
2 短時交通流量預(yù)測方法
利用深度學(xué)習(xí)技術(shù)中的LSTM算法構(gòu)建短時交通流量預(yù)測模型。LSTM通過遺忘門、輸入門和輸出門控制信息的流動,有效處理時間序列數(shù)據(jù)中的長期依賴關(guān)系[6]。為了進一步提高預(yù)測性能,采用Bi-LSTM算法處理序列數(shù)據(jù)時可以利用過去和未來的信息。具體步驟如下。
對進入神經(jīng)網(wǎng)絡(luò)遺忘門的預(yù)處理后的數(shù)據(jù)進行初步更新,其過程如公式(4)所示。
式中:F為遺忘門輸出;σ為Sigmoid函數(shù);Wf為遺忘門權(quán)重;ht-1為上一時間狀態(tài)(隱藏);xt為當(dāng)前輸入;bf為遺忘門偏置。
更新后的數(shù)據(jù)進入輸入門與輸出門,對數(shù)據(jù)每個時間步狀態(tài)進行更新??捎霉剑?)、公式(6)表示此過程。
式中:i、o為輸入門、輸出門的對應(yīng)輸出;Wi、Wo為輸入門、輸出門對應(yīng)的學(xué)習(xí)權(quán)重;bi、bo為輸入門、輸出門對應(yīng)的偏置量。
Bi-LSTM由兩個LSTM層組成,一個正向處理輸入序列,一個反向處理,最終將兩個方向的輸出進行合并[7]。在模型訓(xùn)練階段,將預(yù)處理后的數(shù)據(jù)作為樣本數(shù)據(jù),輸入Bi-LSTM模型中,訓(xùn)練出能夠準(zhǔn)確預(yù)測短時交通流量的時序數(shù)據(jù)。模型表達式如公式(7)所示。
式中:H為短時交通流量時序數(shù)據(jù)輸出;θ為學(xué)習(xí)率;Ct為矩陣元素乘積。
為了將Bi-LSTM的輸出轉(zhuǎn)換為具體的流量預(yù)測值,在Bi-LSTM層后添加一到多個全連接層。通過訓(xùn)練,這些全連接層可以學(xué)習(xí)從Bi-LSTM輸出到實際流量值之間的映射關(guān)系,最終輸出預(yù)測的短時交通流量值,計算過程如公式(8)所示。
式中:y為路口車流量預(yù)測值;O為全連接層訓(xùn)練次數(shù);μ為全連接層數(shù)量;Y為全連接層神經(jīng)元數(shù)量。
當(dāng)訓(xùn)練能夠準(zhǔn)確預(yù)測短時交通流量的模型時,調(diào)整模型參數(shù),細致地優(yōu)化學(xué)習(xí)率、權(quán)重和偏置等關(guān)鍵參數(shù),最小化預(yù)測誤差。學(xué)習(xí)率作為控制模型學(xué)習(xí)速度的超參數(shù),其大小直接影響模型的收斂速度和最終性能。學(xué)習(xí)率過小可能導(dǎo)致訓(xùn)練過程緩慢,而學(xué)習(xí)率過大則可能使模型在最優(yōu)解附近震蕩甚至發(fā)散。權(quán)重和偏置是神經(jīng)網(wǎng)絡(luò)中的可訓(xùn)練參數(shù),在每次迭代中,根據(jù)預(yù)測誤差,利用反向傳播算法進行更新。在訓(xùn)練初期,通常會將較小的隨機值作為初始權(quán)重和偏置,然后通過多次迭代逐漸調(diào)整至最優(yōu)值。這個過程需要精細地平衡模型的擬合能力和泛化能力,避免過擬合或欠擬合現(xiàn)象。
為了實現(xiàn)這個目標(biāo),采用梯度下降法來優(yōu)化模型參數(shù)。根據(jù)預(yù)測誤差的梯度信息,自動調(diào)整參數(shù)更新的方向和步長,高效地搜索最優(yōu)解。通過反復(fù)迭代訓(xùn)練過程,模型逐漸學(xué)習(xí)到交通流量數(shù)據(jù)的內(nèi)在規(guī)律和時空依賴特性,最終能夠輸出準(zhǔn)確可靠的短時交通流量預(yù)測結(jié)果。
通過上述步驟,模型會輸出一個或多個時間步的短時交通流量預(yù)測值。這些預(yù)測值可以直接用于交通管理決策,例如信號控制優(yōu)化、交通流量疏導(dǎo)等。
3 對比試驗
3.1 試驗準(zhǔn)備
完成上述內(nèi)容設(shè)計后,將某智慧城市作為研究試點,深入分析其關(guān)鍵交通路口的流量與運營情況,以市中心交匯的路口為例,利用智能監(jiān)測系統(tǒng)獲取真實數(shù)據(jù),在早晚高峰時段(7:00—9:00和17:00—19:00),該路口東西向車流量平均達到1500輛/h,南北向車流量也高達1300輛/h。在非高峰時段,車流量顯著減少,約為高峰時段的40%。
結(jié)合交通運營情況分析,該路口利用智能信號燈控制系統(tǒng)有效緩解了交通擁堵問題,平均等待時間縮短了20%。同時,應(yīng)用智慧停車系統(tǒng)使周邊停車難問題得到改善,車位周轉(zhuǎn)率提高了30%。這些數(shù)據(jù)表明,智慧交通技術(shù)在提高城市交通運營效率、緩解交通壓力方面發(fā)揮了重要作用。
在此基礎(chǔ)上,采集城市交通路口相關(guān)流量數(shù)據(jù),將其作為訓(xùn)練樣本,見表1。
在深入研究中發(fā)現(xiàn),現(xiàn)有的流量預(yù)測方法盡管在提高交通管理效率上發(fā)揮了重要作用,但仍存在一些不足。當(dāng)前預(yù)測模型通常難以全面考慮天氣突變、特殊事件(例如交通事故、大型活動)等不可預(yù)見因素,導(dǎo)致預(yù)測精度下降。根據(jù)實際數(shù)據(jù)統(tǒng)計,當(dāng)遭遇突發(fā)暴雨天氣時,某智慧城市交通路口的實際車流量比預(yù)測值高出約30%,直接導(dǎo)致交通擁堵加劇,平均通行時間延長了20min。此外,現(xiàn)有預(yù)測模型對交通流復(fù)雜動態(tài)變化的捕捉能力有限,特別是網(wǎng)絡(luò)交通流中的時空相關(guān)性,進一步影響了預(yù)測的準(zhǔn)確性和實時性。
3.2 試驗步驟
針對現(xiàn)有方法的不足,引進文獻[1]提出的基于外部因素的流量預(yù)測方法、文獻[2]提出的基于SSA-CNN-BiLSTM的流量預(yù)測方法,將其作為對照組1、2,采用文獻[1]方法、文獻[2]方法、本文設(shè)計的方法分別對智慧城市交通路口短時流量進行預(yù)測。為保證預(yù)測結(jié)果的可靠性,在設(shè)計方法后,按照表2內(nèi)容,對本文方法中深度學(xué)習(xí)的訓(xùn)練條件與技術(shù)參數(shù)進行分析。
在試驗過程中,利用交通監(jiān)測設(shè)備(例如交通攝像頭、傳感器、GPS等)收集歷史交通流量數(shù)據(jù),同時獲取相關(guān)的天氣數(shù)據(jù)、事件數(shù)據(jù)等作為輔助信息。在訓(xùn)練過程中,可能需要調(diào)整模型的參數(shù)以優(yōu)化預(yù)測性能。為了更準(zhǔn)確地評估模型的性能,可以對數(shù)據(jù)進行交叉驗證,多次重復(fù)訓(xùn)練和測試過程。
3.3 試驗結(jié)果與分析
當(dāng)評估交通路口短時流量方法的性能時,將預(yù)測結(jié)果與訓(xùn)練集中已知的實際流量數(shù)據(jù)進行比對。此過程不僅揭示了預(yù)測值與實際值之間的差異,即預(yù)測偏差,還成為檢驗所設(shè)計預(yù)測方法應(yīng)用效果的核心指標(biāo)。通過量化偏差,能夠直觀地了解預(yù)測方法的準(zhǔn)確性、穩(wěn)定性和泛化能力。統(tǒng)計預(yù)測結(jié)果如圖1~圖3所示。
從圖1~圖3的結(jié)果可以看出,在3種方法中,應(yīng)用本文設(shè)計的方法對智慧城市交通路口短時流量進行預(yù)測的流量值與實際流量值偏差較小,而應(yīng)用文獻[1]、文獻[2]方法的預(yù)測結(jié)果與實際值偏差較大。由此可以證明,本文設(shè)計的方法在交通路口車流量預(yù)測方法的應(yīng)用效果較好。
4 結(jié)語
目前的交通流量預(yù)測方法多用統(tǒng)計模型或時間序列分析,利用這種方法處理復(fù)雜多變的交通數(shù)據(jù)時,難以準(zhǔn)確捕捉交通流量的時空特性、動態(tài)變化以及突發(fā)事件的影響,導(dǎo)致預(yù)測結(jié)果不夠精確,難以滿足智能交通系統(tǒng)對實時性和準(zhǔn)確性的要求。深度學(xué)習(xí)通過模擬人類大腦中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)方式,能夠自動從海量數(shù)據(jù)中提取復(fù)雜特征,構(gòu)建高精度的預(yù)測模型。經(jīng)過實踐,這項技術(shù)已具有強大的學(xué)習(xí)能力和預(yù)測性能。因此,本文應(yīng)用深度學(xué)習(xí)技術(shù),以某智慧城市為例,通過交通流數(shù)據(jù)預(yù)處理、建立交通流量時序模型、路口車輛占用率計算,對城市交通路口短時流量預(yù)測方法進行設(shè)計研究,助力交通管理者及時制定有效的交通調(diào)度方案,緩解交通擁堵,為公眾提供更加便捷、高效的出行服務(wù)。
參考文獻
[1]楊國威,陳靜,張昭沖,等.考慮外部因素的MCNN-ABiLSTM交通流量預(yù)測模型[J].天津職業(yè)技術(shù)師范大學(xué)學(xué)報,2024,34(1):66-73.
[2]陸由付,孔維麟,田垚,等.基于SSA-CNN-BiLSTM組合模型的短時交通流量預(yù)測[J].交通運輸研究,2024,10(1):18-27.
[3]劉劍平,杜佳欣,羅子云,等.基于LSTM的小洋山北作業(yè)區(qū)投產(chǎn)初期洋山深水港主航道交通流量預(yù)測與分析[J].航海,2024(1):19-23.
[4]廉清云,孫偉,李潤生.基于注意力機制的堆疊LSTM短時船舶交通流預(yù)測模型[J].大連海事大學(xué)學(xué)報,2024,50(1):57-65.
[5]徐厚生,郭佳麗.結(jié)合時間注意力機制的Bi-GRU-Atten的短時交通流預(yù)測[J].遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版),2023,42(6):763-768.
[6]包文華,劉海瑞,方圓,等.基于CNN-ARIMA的交通路口短周期交通車流量預(yù)測方法[J].汽車實用技術(shù),2023,48(22):178-182.
[7]鐘林嵐,張安勤,田秀霞.基于周期圖卷積與多頭注意力GRU組合的交通流量預(yù)測模型[J].計算機應(yīng)用研究,2024,41(4):1041-1046.