張宇 余華云

摘要：交通預(yù)測是實現(xiàn)智慧城市中智能交通系統(tǒng)的重要組成部分，直接影響到后續(xù)的交通控制與誘導(dǎo)系統(tǒng)的實現(xiàn)，已經(jīng)越來越受到人工智能研究領(lǐng)域的重視。例如，準(zhǔn)確預(yù)測的士需求，可協(xié)助的士公司預(yù)先調(diào)配的士以滿足乘客的出行需求，并減少街道上浪費(fèi)能源和加劇交通擁堵的空車。隨著Uber、滴滴出行等打車需求服務(wù)在中國的日益普及，我們能夠持續(xù)收集大規(guī)模的打車需求數(shù)據(jù)。如何利用這樣的大數(shù)據(jù)來提高需求預(yù)測是一個有趣而關(guān)鍵的現(xiàn)實問題。傳統(tǒng)的需求預(yù)測方法大多依賴于時間序列預(yù)測技術(shù)，無法對復(fù)雜的非線性時空關(guān)系進(jìn)行建模。最近在深度學(xué)習(xí)方面的研究表明，通過從大量數(shù)據(jù)中學(xué)習(xí)復(fù)雜特征和相關(guān)性，深度學(xué)習(xí)在傳統(tǒng)的挑戰(zhàn)性任務(wù)（如圖像分類）中表現(xiàn)出優(yōu)異的性能。這一突破激發(fā)了研究人員探索交通預(yù)測問題的深度學(xué)習(xí)技術(shù)。本文將簡單介紹交通預(yù)測問題，以及其中涉及的傳統(tǒng)方法和深度學(xué)習(xí)算法。

關(guān)鍵詞：交通預(yù)測;傳統(tǒng)方法;深度學(xué)習(xí)

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2019）36-0182-02

交通是城市的脈搏，影響著數(shù)百萬人的日常生活。未來智慧城市最根本的問題之一是如何建立一個高效的交通系統(tǒng)。為了解決這個問題，一個關(guān)鍵組件是一個準(zhǔn)確的需求預(yù)測模型。交通預(yù)測是一個時空預(yù)測問題，由于交通相關(guān)數(shù)據(jù)集的不斷增長及其在實際應(yīng)用中的影響而受到越來越多的關(guān)注。同時，準(zhǔn)確的交通預(yù)測模型對于許多實際應(yīng)用是必不可少的。例如，出租車需求預(yù)測可以幫助出租車公司提前分配出租車;交通量預(yù)測可以幫助交通部門更好地管理和控制交通，緩解交通擁堵。我們對旅游需求的預(yù)測越好，我們就能更好地預(yù)先分配資源來滿足需求，避免不必要的能源消費(fèi)。目前，隨著優(yōu)步、滴滴出行等打車需求服務(wù)的日益普及，我們能夠以前所未有的規(guī)模收集海量的需求數(shù)據(jù)。如何利用大數(shù)據(jù)更好地預(yù)測交通需求，在人工智能研究領(lǐng)域引起了越來越多的關(guān)注。本文研究了出租車需求預(yù)測問題;這個問題是如何通過使用歷史出租車請求數(shù)據(jù)預(yù)測未來某個地區(qū)的出租車請求數(shù)量。

1交通預(yù)測問題

交通預(yù)測是在給定歷史交通數(shù)據(jù)后（例如，前一個月每個小時的區(qū)域或道路交叉口的交通量），預(yù)測下一個時間段的交通相關(guān)值。數(shù)據(jù)驅(qū)動的交通預(yù)測問題幾十年來一直受到廣泛關(guān)注，交通預(yù)測的問題可以包括預(yù)測任何與交通有關(guān)的數(shù)據(jù)，例如交通量（從GPS或環(huán)路傳感器收集的）、出租車接送、交通進(jìn)出流量和出租車需求等。這些不同類型的交通數(shù)據(jù)的問題制定過程是相同的。本質(zhì)上，目標(biāo)是預(yù)測a的交通相關(guān)值時間戳中的位置。

2傳統(tǒng)方法

數(shù)學(xué)時間序列預(yù)測方法是常用的方法，自回歸綜合移動平均（ARIMA）及其變體和卡爾曼濾波被廣泛應(yīng)用于交通預(yù)測問題。雖然這些早期的方法分別研究每個單獨(dú)位置的交通時間序列，但最近的研究開始考慮空間信息（例如，增加附近位置模型相似性的正則化）、外部語境信息（如增加場地信息、天氣狀況、當(dāng)?shù)鼗顒拥忍卣鳎?。在此外，最近的研究也明確地引入了各種技術(shù)來建?？臻g交互信息。例如，Deng等人利用路網(wǎng)矩陣因子分解來獲取道路連通區(qū)域之間的相關(guān)性來預(yù)測交通量。幾項研究也提出了通過正則化來平滑鄰近位置和時間點的預(yù)測差異，實現(xiàn)對近距離空間和時間的依賴關(guān)系。這些研究假設(shè)附近地區(qū)的交通狀況應(yīng)該相似。雖然這些研究表明考慮各種附加因素可以提高預(yù)測效果，但這些方法仍然基于傳統(tǒng)的時間序列模型或機(jī)器學(xué)習(xí)模型，不能很好地捕捉復(fù)雜的非線性時空依賴關(guān)系。

3深度學(xué)習(xí)方法

最近，深度學(xué)習(xí)在許多具有挑戰(zhàn)性的學(xué)習(xí)任務(wù)中取得了巨大的成功，使研究人員能夠?qū)?fù)雜的非線性關(guān)系進(jìn)行建模，并在計算機(jī)視覺和自然語言處理領(lǐng)域顯示了有前景的結(jié)果。這一成功啟發(fā)了幾項將深度學(xué)習(xí)技術(shù)應(yīng)用于交通預(yù)測問題的研究。例如，幾項研究將城市交通建模為熱圖圖像，將一段時間的交通量視為像素值。給定一組歷史交通圖像，該模型預(yù)測下一個時間戳的交通圖像。利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對非線性空間依賴關(guān)系進(jìn)行建模。例如，利用多個來源的上下文數(shù)據(jù)設(shè)計了一個神經(jīng)網(wǎng)絡(luò)框架，預(yù)測出租車供需缺口。該方法使用了廣泛的特征，但沒有對時空交互進(jìn)行建模。

一系列的研究使用CNN將整個城市的交通作為圖像來捕捉空間相關(guān)性。例如，利用CNN對交通速度圖像進(jìn)行速度預(yù)測問題。提出在交通流圖像上使用殘差CNN。這些方法簡單地使用整個城市的CNN，并將使用所有地區(qū)的預(yù)測。我們觀察到，利用不相關(guān)的區(qū)域（如偏遠(yuǎn)區(qū)域）來預(yù)測目標(biāo)區(qū)域?qū)嶋H上可能會損害性能。此外，雖然這些方法確實使用歷史時間戳的流量圖像進(jìn)行預(yù)測，但它們沒有顯式地對時間順序依賴關(guān)系建模。

另一組研究使用LSTM對順序依賴關(guān)系進(jìn)行建模。Yu等人提出應(yīng)用長短時記憶（LSTM）網(wǎng)絡(luò)和自動編碼器來捕捉極端情況下預(yù)測交通的順序依賴關(guān)系，特別是在高峰時刻和事故后場景。第一行研究堆疊了幾個完全連接的層，融合了來自多個來源的上下文數(shù)據(jù)，用于預(yù)測交通需求、出租車供需缺口。這些方法使用了廣泛的特性，但沒有顯式地對空間和時間交互進(jìn)行建模。第二行研究應(yīng)用卷積結(jié)構(gòu)捕獲交通流預(yù)測的空間相關(guān)性。第三條研究采用基于遞歸神經(jīng)網(wǎng)絡(luò)的模型對順序依賴關(guān)系進(jìn)行建模。為了建模非線性時間依賴關(guān)系，研究人員提出使用基于遞歸神經(jīng)網(wǎng)絡(luò)（RNN）的框架，Yu等人提出使用長短時記憶網(wǎng)絡(luò)（LSTM）來預(yù)測環(huán)路傳感器讀數(shù)。結(jié)果表明，所提出的LSTM模型能夠?qū)?fù)雜的序列交互進(jìn)行建模。與以往基于傳統(tǒng)時間序列預(yù)測方法的方法相比，這些開拓性的嘗試顯示出更好的性能。然而，雖然這些研究明確地對時間順序依賴或空間依賴進(jìn)行了建模，但沒有一個研究同時考慮這兩個方面。

最近，一些研究使用卷積LSTM處理出租車需求預(yù)測的時空依賴性。Yao等人進(jìn)一步提出了一種多視圖時空網(wǎng)絡(luò)用于需求預(yù)測，該網(wǎng)絡(luò)融合了LSTM、local-CNN和語義網(wǎng)絡(luò)嵌入，同時學(xué)習(xí)時空依賴性?；诼肪W(wǎng)的研究將傳統(tǒng)的CNN和RNN結(jié)構(gòu)擴(kuò)展到基于圖的CNN和RNN進(jìn)行交通預(yù)測，如graph convolu-tional GRU、graph attention等。

4結(jié)論

本文對交通預(yù)測問題做了說明，并介紹了交通預(yù)測中的傳統(tǒng)方法和深度學(xué)習(xí)方法。深度學(xué)習(xí)對非線性的建模能力使其大大超出傳統(tǒng)方法。在未來，我們計劃對交通預(yù)測中最新的時空神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，進(jìn)一步改進(jìn)其性能，用更短的時間、更少的資源達(dá)到更精確的預(yù)測率。

參考文獻(xiàn)：

[1] Huaxiu Yao， Xianfeng Tang， Hua Wei， ey al.Revisiting Spa-tial-Temporal Similarity：A Deep Leaming Framework for rrraf_fic Prediction[C]. AAAI Conference on Artificial Intelligence，2019.

[2] Huaxiu Yao， Fei Wu， Jintao Ke， et al.Deep multi-view spa-tial-temporal network for taxi demand prediction. AAAI Con-ference on Artificial Intelligence， 2018.

[3]周光臨.組合知識圖譜和深度學(xué)習(xí)的城市交通擁堵區(qū)域預(yù)測研究[D].合肥：中國科學(xué)技術(shù)大學(xué)，2019.

[4]冉祥棟.基于深度學(xué)習(xí)的交通時問預(yù)測模型與方法研究[D].北京：北京科技大學(xué)，2019.

[5]周揚(yáng)棟.城市道路短時交通流預(yù)測方法研究[D].江西：江西理工大學(xué)，2018.

[6]金文蔚.城市區(qū)域人口流量計算及預(yù)測研究[D].北京：北京交通大學(xué)，2018.

[7]安磊.基于Recurrent Neural Network的網(wǎng)約車供需預(yù)測方法[D].河北：河北師范大學(xué)，2018.

[8]寧洪波.基于Spark云計算平臺的城市交通流實時預(yù)測技術(shù)[D].廣東：廣東工業(yè)大學(xué)，2018.

[9]喬松林.基于深度學(xué)習(xí)的短時交通流量預(yù)測研究[D].青島：青島大學(xué)，2018.

[10]康丹青.基于深度學(xué)習(xí)的短時交通流預(yù)測方法研究[D].哈爾濱：哈爾濱理工大學(xué)，2018.

【通聯(lián)編輯：梁書】

收稿日期：2019-09-27

作者簡介：張宇（1995-），男，碩士，研究方向為軟件工程、圖形圖像處理、機(jī)器學(xué)習(xí);余華云（1968-），男，副教授，研究方向為軟件工

程、多媒體信息處理。