許宏科，劉 佳，劉栩濤，曹嘉晨，趙 威

(長(zhǎng)安大學(xué) 電子與控制工程學(xué)院，西安 710064)

我國(guó)城市化進(jìn)程發(fā)展迅速，車輛的保有量和出行需求總量不斷增加，伴隨著城市交通擁堵問(wèn)題頻發(fā)，增加了交通事故發(fā)生的概率，影響了市民的出行時(shí)間和旅行體驗(yàn)。為此，智能交通系統(tǒng)(ITS)的實(shí)現(xiàn)為解決城市交通需求提供了新的思路，準(zhǔn)確實(shí)時(shí)的短時(shí)交通流預(yù)測(cè)是智能交通系統(tǒng)的關(guān)鍵環(huán)節(jié)，可為城市交通管控策略、路徑最優(yōu)規(guī)劃、平面交叉口優(yōu)化方案提供數(shù)據(jù)支撐，一直以來(lái)是交通領(lǐng)域研究的熱點(diǎn)問(wèn)題。

短時(shí)交通流預(yù)測(cè)是指根據(jù)道路歷史或?qū)崟r(shí)采集的交通流數(shù)據(jù)，對(duì)未來(lái)5 min～15 min以內(nèi)的交通流量進(jìn)行循環(huán)預(yù)測(cè)。目前，已經(jīng)有很多有效的模型與方法應(yīng)用到短時(shí)交通流預(yù)測(cè)的研究中，主要可分為基于物理和基于數(shù)據(jù)驅(qū)動(dòng)的模型。基于物理的模型包括但不限于自回歸積分移動(dòng)平均模型(ARIMA)[1]、隨機(jī)森林模型[2]、卡爾曼濾波[3]等。朱湧等[4]基于時(shí)間序列預(yù)測(cè)模型，提出了多參數(shù)時(shí)間序列指數(shù)平滑改進(jìn)方法用于預(yù)測(cè)下一時(shí)刻路段交通流量。OU等[5]提出了基于偏差修正隨機(jī)森林算法與數(shù)據(jù)驅(qū)動(dòng)特征選擇策略相結(jié)合的預(yù)測(cè)方法，對(duì)昆山市3種城市道路的交通流量進(jìn)行預(yù)測(cè)驗(yàn)證。孫湘海等[6]在考慮交通流日周期特性的基礎(chǔ)上，提出了季節(jié)自回歸求和移動(dòng)平均模型，對(duì)城市的短時(shí)交通流進(jìn)行預(yù)測(cè)。秦鳴等[7]采用改進(jìn)的卡爾曼濾波算法來(lái)預(yù)測(cè)路段交通量，進(jìn)一步將優(yōu)化后的卡爾曼濾波與二次指數(shù)平滑法相結(jié)合來(lái)預(yù)測(cè)短時(shí)交通量。基于數(shù)據(jù)驅(qū)動(dòng)模型包括但不限于非參數(shù)回歸模型[8]、支持向量回歸(SVR)[9]以及神經(jīng)網(wǎng)絡(luò)[10]等。吳晉武等[11]利用主成分分析法對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行降維處理，再進(jìn)行非參數(shù)回歸交通預(yù)測(cè)算法的構(gòu)建。Zheng等[12]提出了一種基于時(shí)空數(shù)據(jù)融合的交通流稀疏回歸預(yù)測(cè)模型，并在城市和郊區(qū)2種交通場(chǎng)景驗(yàn)證了模型的適用性。Cai等[13]提出了一種基于支持向量回歸的交通流量預(yù)測(cè)方法，并通過(guò)重力搜索算法(GSA)進(jìn)行參數(shù)最優(yōu)搜索。Ran等[14]建立了深度學(xué)習(xí)模型架構(gòu)，使用交通門(mén)戶實(shí)時(shí)的圖像數(shù)據(jù)源來(lái)預(yù)測(cè)城市交通流擁堵?tīng)顩r。鐘晨昊等[15]基于LSTM構(gòu)建短時(shí)交通流預(yù)測(cè)模型，并與傳統(tǒng)預(yù)測(cè)方法進(jìn)行比較，驗(yàn)證了LSTM預(yù)測(cè)模型具有良好的準(zhǔn)確性和泛化性。

綜上所述，現(xiàn)有的短時(shí)交通流預(yù)測(cè)模型大都考慮到交通流的時(shí)間相關(guān)性因素，并未重點(diǎn)研究預(yù)測(cè)站點(diǎn)空間性的相關(guān)因素，而城市道路上某斷點(diǎn)的交通流量必然與上下游或路網(wǎng)其他站點(diǎn)的交通狀況有關(guān)，使得城市短時(shí)交通流的預(yù)測(cè)精度、預(yù)測(cè)模型的泛化性有待提高。因此有必要對(duì)路網(wǎng)中影響預(yù)測(cè)站點(diǎn)的其他站點(diǎn)進(jìn)行篩選，在保證預(yù)測(cè)模型復(fù)雜度無(wú)明顯增加的前提下，提高短時(shí)交通流預(yù)測(cè)模型的精度。

針對(duì)現(xiàn)有短時(shí)交通流預(yù)測(cè)方法的局限，本文提出了PCA和LSTM神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測(cè)方法，通過(guò)PCA篩選預(yù)測(cè)站點(diǎn)，提取交通流預(yù)測(cè)序列，從而考慮到預(yù)測(cè)站點(diǎn)交通量的空間相關(guān)性問(wèn)題。

1 城市交通流特性分析

城市交通流量代表著居民的出行需求，個(gè)體的工作日出行需求應(yīng)該有規(guī)可循，因此交通流量也應(yīng)有較強(qiáng)的周期性，這也是交通流預(yù)測(cè)的前提和基礎(chǔ)。同時(shí)，城市路網(wǎng)復(fù)雜且交通狀態(tài)經(jīng)常受突發(fā)事件、天氣條件以及道路環(huán)境等因素影響，造成城市交通流量也有很強(qiáng)的隨機(jī)性。以合肥市地磁線圈監(jiān)測(cè)的交通流量數(shù)據(jù)為基礎(chǔ)，分析其交通流量的特性變化趨勢(shì)，如圖1所示。從圖1中可以看出，城市交通流具有明顯的周期性、漸變性和隨機(jī)性。

圖1 城市連續(xù)一周交通流量變化趨勢(shì)

2 短時(shí)交通流預(yù)測(cè)模型

2.1 特征因子篩選

結(jié)合城市交通流量序列的特點(diǎn)，采用主成分分析法篩選與預(yù)測(cè)斷面相關(guān)的附近站點(diǎn)，從而揭示路網(wǎng)中交通流的空間相關(guān)性。主成分分析法是一種使用最廣泛的數(shù)據(jù)降維算法，其主要思想是將n維特征映射到k維特征上，新得到的k維是全新的正交特征也被稱為主成分，該主成分保留絕大部分方差的維度特征，實(shí)現(xiàn)對(duì)數(shù)據(jù)特征的降維處理。將城市路網(wǎng)中各站點(diǎn)的短時(shí)交通流量作為初始變量，通過(guò)主成分分析法篩選與預(yù)測(cè)斷面有關(guān)的站點(diǎn)，在保證預(yù)測(cè)結(jié)果精度的同時(shí)，簡(jiǎn)化了網(wǎng)絡(luò)結(jié)構(gòu)，提高了運(yùn)算效率。設(shè)m為檢測(cè)的短時(shí)交通量樣本總數(shù)，n為路網(wǎng)中預(yù)測(cè)斷面附近的站點(diǎn)數(shù)，k為篩選后的站點(diǎn)數(shù)，X為原始交通量特征因子矩陣，S為原始矩陣的協(xié)方差矩陣，Z為篩選后的交通量特征因子矩陣，主成分分析法計(jì)算過(guò)程分為以下5個(gè)步驟：1) 整理原始矩陣Xm×n；2) 計(jì)算原始矩陣的協(xié)方差矩陣Sm×n=COV(X)；3) 求解協(xié)方差矩陣的特征值和特征向量；4) 選取給定k個(gè)特征值所對(duì)應(yīng)的特征向量所構(gòu)成的矩陣Wn×k；5) 計(jì)算篩選后的特征因子矩陣Zm×k=Xm×nWn×k。

2.2 預(yù)測(cè)網(wǎng)絡(luò)構(gòu)建

LSTM是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)RNN(Recursive Neural Network)，通過(guò)對(duì)記憶塊的控制來(lái)實(shí)現(xiàn)控制記憶的功能，主要解決了長(zhǎng)序列訓(xùn)練過(guò)程中的梯度消失和梯度爆炸問(wèn)題，適用于學(xué)習(xí)長(zhǎng)期依賴信息。在城市短時(shí)交通流預(yù)測(cè)問(wèn)題中，篩選出的與預(yù)測(cè)斷面具有相關(guān)性的站點(diǎn)歷史交通流量數(shù)據(jù)為時(shí)序數(shù)據(jù)，將各站點(diǎn)的歷史數(shù)據(jù)按5 min為間隔進(jìn)行劃分并將其作為L(zhǎng)STM預(yù)測(cè)網(wǎng)絡(luò)的輸入，將下一個(gè)5 min預(yù)測(cè)斷面的交通流量數(shù)據(jù)作為L(zhǎng)STM預(yù)測(cè)網(wǎng)絡(luò)的輸出，構(gòu)建基于LSTM神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)模型，其過(guò)程如圖2所示。

圖2 PCA結(jié)合LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法流程

2.3 預(yù)測(cè)模型評(píng)價(jià)指標(biāo)

將預(yù)測(cè)結(jié)果的誤差作為模型評(píng)價(jià)指標(biāo)，本文選擇常用的均方誤差(RMSE)、平均絕對(duì)誤差(MAE)和準(zhǔn)確率(ACC)作為評(píng)價(jià)指標(biāo)，具體定義如下：

(1)

(2)

(3)

3 實(shí)例分析

研究數(shù)據(jù)來(lái)源于OPENITS合肥市示范區(qū)黃山路天智路口地磁檢測(cè)器得到的交通流量數(shù)據(jù)，各檢測(cè)器編號(hào)在路口布設(shè)的位置如圖3所示，其中共包含26個(gè)斷面檢測(cè)器。

選取地磁檢測(cè)器2016年7月11日至2016年8月24日的采集數(shù)據(jù)，其中80%的數(shù)據(jù)用于LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練，其余20%的數(shù)據(jù)用于對(duì)訓(xùn)練模型進(jìn)行測(cè)試。每個(gè)檢測(cè)器的采集周期為15 s，因此需要先將交通流量數(shù)據(jù)以5 min為周期進(jìn)行聚合，作為流量預(yù)測(cè)序列的單個(gè)樣本值?？紤]到交通流預(yù)測(cè)問(wèn)題的實(shí)時(shí)性需求，將LSTM預(yù)測(cè)模型層數(shù)設(shè)置為4層，其中包括輸入層、輸出層和2個(gè)LSTM層。將篩選后與預(yù)測(cè)斷面相關(guān)的站點(diǎn)歷史交通流量數(shù)據(jù)作為預(yù)測(cè)網(wǎng)絡(luò)的輸入，將預(yù)測(cè)站點(diǎn)下一個(gè)時(shí)刻的交通流量作為輸出，最終基于PCA-LSTM的城市短時(shí)交通流預(yù)測(cè)的預(yù)測(cè)效果如圖4所示。

圖3 地磁檢測(cè)設(shè)備位置示意

圖4 短時(shí)交通流量預(yù)測(cè)結(jié)果

從圖4中可以看出，預(yù)測(cè)站點(diǎn)交通流量預(yù)測(cè)值與實(shí)際值吻合度較高，表明本文所提出的預(yù)測(cè)模型應(yīng)用于實(shí)際城市短時(shí)交通流量預(yù)測(cè)問(wèn)題具有可行性。為了對(duì)比分析，本文還建立了經(jīng)典的支持向量回歸和BP神經(jīng)網(wǎng)絡(luò)模型，用同樣的訓(xùn)練樣本對(duì)支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測(cè)試，并將與本文提出模型的各類誤差指標(biāo)進(jìn)行對(duì)比，結(jié)果見(jiàn)表1。

從表1中可以看出，本文提出的預(yù)測(cè)模型PCA-LSTM在預(yù)測(cè)精度和預(yù)測(cè)誤差方面明顯優(yōu)于支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)模型，LSTM模型的預(yù)測(cè)效果次之。PCA-LSTM預(yù)測(cè)模型的預(yù)測(cè)誤差和精度基本接近LSTM預(yù)測(cè)網(wǎng)絡(luò)，但經(jīng)過(guò)降維篩選后的模型訓(xùn)練速度有著明顯地提升，由于神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果具有一定的浮動(dòng)性，可認(rèn)為使用PCA進(jìn)行預(yù)測(cè)站點(diǎn)篩選在未影響預(yù)測(cè)模型精度的前提下有效地提高了預(yù)測(cè)模型的訓(xùn)練速度。總體來(lái)說(shuō)，該模型是較好的城市短時(shí)交通流量預(yù)測(cè)方法，具有較高的準(zhǔn)確性和較好的實(shí)用性。

表1 預(yù)測(cè)模型分析結(jié)果

4 結(jié)論

本文提出了PCA與LSTM神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測(cè)模型，通過(guò)PCA對(duì)與預(yù)測(cè)斷面有關(guān)的站點(diǎn)進(jìn)行篩選，將篩選出的站點(diǎn)歷史交通流量數(shù)據(jù)作為L(zhǎng)STM預(yù)測(cè)網(wǎng)絡(luò)的輸入來(lái)進(jìn)行城市短時(shí)交通流量預(yù)測(cè)，并使用合肥市示范區(qū)路網(wǎng)的交通流量數(shù)據(jù)進(jìn)行驗(yàn)證，結(jié)果表明該預(yù)測(cè)模型性能優(yōu)于經(jīng)典的支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)模型，具有較高的準(zhǔn)確率和參考性。