劉紅敏

摘 ?要： 精確的交通流量預(yù)測(cè)是實(shí)現(xiàn)未來智能交通的關(guān)鍵技術(shù)。神經(jīng)網(wǎng)絡(luò)模型在該領(lǐng)域的預(yù)測(cè)方面具有一定的優(yōu)勢(shì)。因此，為了提高預(yù)測(cè)精度，設(shè)計(jì)一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)數(shù)學(xué)模型。首先，對(duì)交通流量數(shù)據(jù)的預(yù)處理方法進(jìn)行分析，然后結(jié)合特征訓(xùn)練過程和卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并給出深度神經(jīng)網(wǎng)絡(luò)的配置參數(shù)。利用美國明尼蘇達(dá)大學(xué)UMD分校的交通流數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明，提出的模型可以對(duì)短時(shí)交通全局趨勢(shì)進(jìn)行預(yù)測(cè)，并具有較好的穩(wěn)定性和預(yù)測(cè)精度。

關(guān)鍵詞： 交通流量預(yù)測(cè); 智能交通; 數(shù)學(xué)模型; 深度神經(jīng)網(wǎng)絡(luò); 預(yù)測(cè)精度; 仿真實(shí)驗(yàn)

中圖分類號(hào)： TN99?34 ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2019）13?0110?03

Design of traffic flow prediction Mathematical model based on

deep convolutional neural network

LIU Hongmin

（Guangzhou ?University ?Sontan ?College， Guangzhou 511370， China）

Abstract： Accurate traffic flow prediction is a key technology for realizing intelligent transportation in the future. Neural network models have certain advantages in the prediction of this field. Therefore， in order to improve the prediction accuracy， a traffic flow prediction mathematical model based on deep convolutional neural network is designed. The preprocessing method of traffic flow data is analyzed. The deep neural network structure is constructed by combining feature training process and convolutional neural network. The configuration parameters of deep neural network are given in this paper. The simulation experiments were carried out with the traffic flow dataset of the UMD Branch， University of Minnesota. The results show that the proposed model can predict the short?term global traffic trend， and has good stability and prediction accuracy.

Keywords： traffic flow prediction; intelligent transportation; prediction methematical model; deep neural network; prediction accuracy; simulation experiment

0 ?引 ?言

隨著我國經(jīng)濟(jì)的不斷發(fā)展，人們的生活水平不斷提高，汽車已經(jīng)逐步走進(jìn)了每一個(gè)家庭。汽車作為一種現(xiàn)代化的交通工具，已經(jīng)成為人們生活和工作中不可或缺的重要組成部分。社會(huì)對(duì)汽車的依賴程度也逐年加深，導(dǎo)致機(jī)動(dòng)車的數(shù)量出現(xiàn)了快速增長。伴隨而來的是日益嚴(yán)重的環(huán)境問題和交通擁堵問題。

為了解決以上問題，相關(guān)部門和專家提出許多應(yīng)對(duì)方案，例如增加交通基礎(chǔ)建設(shè)、減少機(jī)動(dòng)車數(shù)量、單雙號(hào)機(jī)動(dòng)車限行等。但是以上方案均會(huì)增加社會(huì)經(jīng)濟(jì)負(fù)擔(dān)，并且只能是權(quán)宜之計(jì)，無法從根本上解決問題。隨著人工智能技術(shù)的火熱發(fā)展，未來智能交通系統(tǒng)成為一種更加可行、有效的選擇。智能交通系統(tǒng)是一種結(jié)合先進(jìn)信息科學(xué)技術(shù)的交通運(yùn)輸管理系統(tǒng)，能夠有效地緩解交通擁堵，減少能耗，有利于實(shí)現(xiàn)綠色交通出行。實(shí)現(xiàn)未來智能交通系統(tǒng)的關(guān)鍵技術(shù)之一就是精確的交通流量預(yù)測(cè)。

因此，本文將深度卷積神經(jīng)網(wǎng)絡(luò)運(yùn)用于智能交通，提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)數(shù)學(xué)模型。交通流數(shù)據(jù)集DataSet1（預(yù)處理后）上的仿真實(shí)驗(yàn)結(jié)果表明，相比其他人工智能學(xué)習(xí)模型，如BP神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型，深度卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)短時(shí)交通流量的預(yù)測(cè)具有較好的效果，且具有較好的全局收斂性。

1 ?相關(guān)研究現(xiàn)狀分析

針對(duì)交通流量預(yù)測(cè)問題，現(xiàn)有的研究方法可以分為三大類：長期預(yù)測(cè)、中期預(yù)測(cè)和短期預(yù)測(cè)。其中，時(shí)間長度為5～10 min的短時(shí)預(yù)測(cè)在智能交通系統(tǒng)中扮演著十分重要的角色。

目前，文獻(xiàn)[1]提出一種基于BP神經(jīng)網(wǎng)絡(luò)在交通事故預(yù)測(cè)的方法，通過使用自適應(yīng)學(xué)習(xí)和附加動(dòng)量因子對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)。文獻(xiàn)[2]提出一種基于混合支持向量機(jī)的城市短時(shí)交通預(yù)測(cè)方法，充分利用支持向量機(jī)良好的泛化能力、全局最優(yōu)和較強(qiáng)自適應(yīng)性的特點(diǎn)[3]。但是交通流數(shù)據(jù)通常具有明顯的非線性、不確定性和時(shí)空相關(guān)性，因此現(xiàn)有方法在處理短時(shí)預(yù)測(cè)時(shí)仍不滿足需求，存在準(zhǔn)確率不穩(wěn)定的問題。

深度學(xué)習(xí)算法已經(jīng)成為一個(gè)十分熱門的研究領(lǐng)域[4?5]。學(xué)習(xí)算法的主要目的是自動(dòng)將數(shù)據(jù)轉(zhuǎn)換為更簡單的形式，以便于在構(gòu)建分類時(shí)提取有用的信息。因此，不少文獻(xiàn)采用深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)智能識(shí)別或預(yù)測(cè)[6]。本文提出運(yùn)用深度卷積神經(jīng)網(wǎng)絡(luò)來解決短時(shí)交通流量預(yù)測(cè)難度較大的問題。

2 ?交通流量數(shù)據(jù)預(yù)處理

假設(shè)一個(gè)長度為[n]的交通流數(shù)據(jù)序列為[x=][{xii=1，2，…，n}]，則相空間重構(gòu)后的時(shí)間序列為：

3 ?深度神經(jīng)網(wǎng)絡(luò)模型

深度學(xué)習(xí)算法是一種特殊的表示算法，它使用神經(jīng)網(wǎng)絡(luò)來發(fā)現(xiàn)多層次特征，從而表達(dá)數(shù)據(jù)抽象概念。圖1描述了本文提出的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。該深度神經(jīng)網(wǎng)絡(luò)有5層，每一層的節(jié)點(diǎn)數(shù)量如圖1所示。全部20個(gè)特征輸入到輸入層。在最后一層，運(yùn)用Soft?max函數(shù)生成概率度量。度量中具有最高數(shù)值的結(jié)果將被選作最終預(yù)測(cè)結(jié)果。

圖1 ?深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.1 ?特征訓(xùn)練過程

采用稀疏自動(dòng)編碼機(jī)實(shí)現(xiàn)非監(jiān)督特征訓(xùn)練過程，以便進(jìn)行深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的卷積操作。稀疏自動(dòng)編碼機(jī)的稀疏約束過程中散度懲罰因子的計(jì)算方式為：

3.2 ?深度神經(jīng)網(wǎng)絡(luò)配置參數(shù)

本文將負(fù)對(duì)數(shù)似然函數(shù)作為成本函數(shù)，并采用學(xué)習(xí)率為0.01的隨機(jī)梯度下降方法。訓(xùn)練過程中根據(jù)數(shù)據(jù)集大小設(shè)定批量大小為50，并且每50個(gè)特征輸入更新一次網(wǎng)絡(luò)權(quán)值。深度神經(jīng)網(wǎng)絡(luò)配置參數(shù)如表1所示。

表1 ?深度神經(jīng)網(wǎng)絡(luò)配置參數(shù)

4 ?實(shí)驗(yàn)結(jié)果與分析

4.1 ?實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)仿真環(huán)境為：Windows 7，Intel[?] CoreTM i7 CPU （3.00 GHz），8 GB內(nèi)存， Matlab R2014a。實(shí)驗(yàn)數(shù)據(jù)采用美國明尼蘇達(dá)大學(xué)UMD分校的交通流數(shù)據(jù)集，具體使用數(shù)據(jù)集DataSet1，包含1 440組數(shù)據(jù)。

4.2 ?實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

4.3 ?預(yù)測(cè)結(jié)果分析

分別采用BP神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型和本文深度卷積神經(jīng)網(wǎng)絡(luò)模型在數(shù)據(jù)集DataSet1上運(yùn)行10次，并取平均值作為最終預(yù)測(cè)結(jié)果，最終的預(yù)測(cè)性能結(jié)果如表2所示。

表2 ?數(shù)據(jù)集DataSet1的預(yù)測(cè)性能結(jié)果

由表2可以總結(jié)出，相比BP神經(jīng)網(wǎng)絡(luò)模型[1]和支持向量機(jī)模型[2]，深度卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度更高。數(shù)據(jù)集DataSet1均為時(shí)間間隔5 min樣本。因此說明提出的深度卷積神經(jīng)網(wǎng)絡(luò)模型在短時(shí)交通流預(yù)測(cè)上是有效的。此外，深度卷積神經(jīng)網(wǎng)絡(luò)模型的10次運(yùn)行結(jié)果波動(dòng)較小，即預(yù)測(cè)更穩(wěn)定。

5 ?結(jié) ?論

本文提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)數(shù)學(xué)模型。對(duì)預(yù)處理后的交通流數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)，得出如下結(jié)論：深度卷積神經(jīng)網(wǎng)絡(luò)模型在短時(shí)交通流預(yù)測(cè)上是有效的;相比BP神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型，深度卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)更穩(wěn)定，精度也更高，充分表明該數(shù)學(xué)模型可以滿足實(shí)時(shí)交通流預(yù)測(cè)的需要。

參考文獻(xiàn)

[1] 陳海龍，彭偉.改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在交通事故預(yù)測(cè)中的研究[J]. 華東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2017（2）：61?68.

CHEN Hailong， PENG Wei. Research on improved BP neural network in traffic accident prediction [J]. Journal of East China Normal University （Natural science）， 2017（2）： 61?68.

[2] 歐陽俊，陸鋒，劉興權(quán)，等.基于多核混合支持向量機(jī)的城市短時(shí)交通預(yù)測(cè)[J].中國圖象圖形學(xué)報(bào)，2018，15（11）：1688?1695.

OUYANG Jun， LU Feng， LIU Xingquan， et al. Urban short?term traffic prediction based on multi?core hybrid support vector machine [J]. Journal of image and graphics， 2018， 15（11）： 1688?1695.

[3] YIN Y， WANG X， BAI M. Online state?based structured SVM combined with incremental PCA for robust visual tracking [J]. IEEE transactions on cybernetics， 2017， 45（9）： 1988?2000.

[4] ZHENG Z， CHEN W， WU X， et al. LSTM network： a deep learning approach for short?term traffic forecast [J]. IET intelligent transport systems， 2017， 11（2）： 68?75.

[5] SAMEK W， BINDER A， MONTAVON G， et al. Evaluating the visualization of what a deep neural network has learned [J]. IEEE transactions on neural networks & learning systems， 2017， 28（11）： 2660?2673.

[6] LI J， MEI X， PROKHOROV D. Deep neural network for structural prediction and lane detection in traffic scene [J]. IEEE transactions on neural networks & learning systems， 2017， 28（3）： 690?703.

[7] 鮑婷婷，陳建良.交通預(yù)測(cè)信息對(duì)路網(wǎng)流量演化穩(wěn)定性影響分析[J].公路交通科技，2017，34（7）：121?129.

BAO Tingting， CHEN Jianliang. Analysis of impact of traffic prediction information on evolution of road network traffic [J]. Journal of highway and transportation research and development， 2017， 34（7）： 121?129.

[8] XI C， LEI P， ZHANG M， et al. A public traffic demand forecast method based on computational experiments [J]. IEEE transactions on intelligent transportation systems， 2017， 18（4）： 984?995.

[9] 景鵬，徐海彬，杜年茂，等.基于.NET框架的交通預(yù)測(cè)監(jiān)控系統(tǒng)設(shè)計(jì)[J].電子技術(shù)與軟件工程，2017（22）：253.

JING Peng， XU Haibin， DU Nianmao， et al. Design of traffic prediction and monitoring system based on .NET framework [J]. Electronic technology and software engineering， 2017（22）： 253.

[10] SHAO Yinchi，MU Yunfei，，YU Xiaodan，DONG Xiaohong， et al. A spatial?temporal charging load forecast and impact analysis method for distribution network using EVs?traffic?distribution model [J]. Proceedings of the CSEE， 2017， 37（18）： 5207?5219.