(沈陽理工大學 遼寧 沈陽 110159)

目前，在交通流量預測方面，普遍的流量預測方法是依賴于統(tǒng)計學方法進行的，根據(jù)統(tǒng)計學進行預測的方法主要有根據(jù)概率預測、回歸預測以及根據(jù)時序預測等等。這些早期的預測算法預測能力較低，魯棒性差，執(zhí)行效果不穩(wěn)定，所以預測的結(jié)果沒有十分理想。

本研究基于深度學習搭建合適的深度學習預測模型，使用這種方法提取有效的特征進行預測，調(diào)整參數(shù)，得到最佳結(jié)果。

一、深度學習模型設計

(一)交通流量時間特征的提取

長短期記憶網(wǎng)絡主要依靠幾個“門”來完成提取特征的功能。首先是“遺忘門”，長短期記憶網(wǎng)絡第一步就是決定哪些信息被遺忘，決定保存哪一部分合理的特征信息，接著就是決定什么信息應該保存，那就是“輸入門”和狀態(tài)Ct，最后是“輸出門”決定要輸出什么，這個輸出是由神經(jīng)元狀態(tài)決定的，并且有一個濾波器。

(二)交通流量空間特征的提取

對于交通流量來說，研究周邊的交通流量對研究點的影響也是非常必要的。卷積神經(jīng)網(wǎng)絡可以一維空間網(wǎng)絡也可以是二維空間網(wǎng)絡，是一種前饋神經(jīng)網(wǎng)絡，是有監(jiān)督的訓練，本質(zhì)上是一種從輸入到輸出的映射，能夠?qū)崿F(xiàn)大量數(shù)據(jù)的從輸入到輸出的映射關系，并且不需要十分精準的數(shù)學表達式，只需要用已知的模式對大量的數(shù)據(jù)進行訓練，網(wǎng)絡就擁有從輸入到輸出的映射功能，并且提取數(shù)據(jù)某個狀態(tài)的特征。經(jīng)典的卷積神經(jīng)網(wǎng)絡結(jié)構包括：卷積層，降采樣層，全連接層。

本文為了對應短期的交通流量預測，所以只采用卷積層和全連接層來提取空間特征，不使用降采樣層對數(shù)據(jù)的規(guī)模進行縮減。

(三)交通流量數(shù)字特征的提取

交通流量的本身就是大量數(shù)字組成的，所以研究交通流量本身的數(shù)字特征是非常必要的。自編碼的目的是讓他的輸出盡量和輸入一致，在輸出盡可能復現(xiàn)輸入的過程中，關注中間隱藏層的映射關系，從而提取輸入的交通流量的數(shù)據(jù)的特征。中間的過程分別叫做編碼和解碼，編碼和解碼的變化過程都是線性變化和非線性激活。

本實驗使用自編碼網(wǎng)絡提取交通流量數(shù)據(jù)的數(shù)字本身特征，從輸入層到輸出層的映射過程中提取特征h，逐步調(diào)整權重(Wi)和偏置量(bi)，使得整個網(wǎng)絡盡可能擬合訓練數(shù)據(jù)。

二、基于深度學習的短時交通流量預測模型和實驗

本實驗采用英國倫敦環(huán)城高速公路的交通流量數(shù)據(jù)集，共21個觀測點，124000條數(shù)據(jù)作為實驗中的訓練集和測試集，根據(jù)公式(1)和公式(2)對平均絕對誤差(MAE)以及均方誤差(MSE)來測試模型的性能。

(1)

(2)

其中，fi表示預測值，yi表示真實值。結(jié)果如表所示。

預測方法平均絕對誤差(MAE)均方誤差(MSE)LSTM0.170.22LSTM+CNN0.0730.16LSTM+SAE0.120.22LSTM+CNN+SAE0.0450.05

從實驗數(shù)據(jù)可以看出，單使用長短期記憶網(wǎng)絡提取的特征來預測交通流量的絕對誤差和均方誤差比較高，而且提取的特征相對單一。使用長短期以及網(wǎng)絡和卷積神經(jīng)網(wǎng)絡或者自編碼網(wǎng)絡結(jié)合，改善了提取特征的單一性，從表中可以看出增加了一種特征可以使誤差有所降低。使用本文提出的三種網(wǎng)絡相結(jié)合，得到三種交通流量特征來預測下一時刻的交通流量，誤差可以達到最低。由此可以看出，本文提出的短期交通流量預測的方法是可行的，而且模型的性能良好。

三、總結(jié)

本文提出使用深度學習的方法進行短期交通流量預測，使用三種深度學習的方法進行交通流量特征提取，最后進行特征融合，使用英國高速公路的流量進行結(jié)果驗證，對比使用較少特征進行流量預測的結(jié)果，結(jié)果顯示本文提出的方法對交通流量預測的結(jié)果準確性有所提高。目前使用三種特征提取來預測交通流量，未來可以探索更多的特征提取方法，來進一步提升準確度。