胡正 彭建

摘要 文章提出基于車輛大數(shù)據(jù)和深度神經(jīng)網(wǎng)路的AI路況短期預(yù)測(cè)模型，在不擴(kuò)張路網(wǎng)規(guī)模的前提下，綜合運(yùn)用智能AI來(lái)提高交通運(yùn)輸?shù)男屎徒煌肪W(wǎng)的通行能力。同時(shí)，文章基于預(yù)測(cè)模型開(kāi)發(fā)了智慧交通實(shí)時(shí)AI路況發(fā)布系統(tǒng)中AI路況短期預(yù)測(cè)應(yīng)用，提供了短期路況預(yù)測(cè)信息，能夠?qū)β房凇⒙范?、區(qū)域的道路交通服務(wù)水平給出實(shí)時(shí)評(píng)價(jià)，為道路交通管理決策提供支持，進(jìn)一步驗(yàn)證了方案的可行性。

關(guān)鍵詞 深度學(xué)習(xí);AI（人工智能）;交通安全;大數(shù)據(jù)

中圖分類號(hào) D631.5 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-8949（2022）01-0059-04

0 引言

2019年9月19日，國(guó)務(wù)院正式印發(fā)《交通強(qiáng)國(guó)建設(shè)綱要》，提出“交通強(qiáng)國(guó)”戰(zhàn)略。旨在推進(jìn)數(shù)據(jù)資源賦能交通發(fā)展，加速交通基礎(chǔ)設(shè)施網(wǎng)、運(yùn)輸服務(wù)網(wǎng)、能源網(wǎng)與信息網(wǎng)絡(luò)融合發(fā)展，構(gòu)建先進(jìn)的交通信息基礎(chǔ)設(shè)施。構(gòu)建綜合交通大數(shù)據(jù)中心體系，深化交通公共服務(wù)和電子政務(wù)發(fā)展。同時(shí)，隨著汽車保有量的持續(xù)增長(zhǎng)，許多城市的道路承載容量已經(jīng)達(dá)到飽和，交通安全、出行效率、環(huán)境保護(hù)等問(wèn)題突出，交通問(wèn)題在一定程度上已經(jīng)成為制約經(jīng)濟(jì)、社會(huì)穩(wěn)定發(fā)展的“瓶頸”問(wèn)題。然而有限的土地和經(jīng)濟(jì)制約等使得道路建設(shè)不可能達(dá)到相對(duì)滿意的里程數(shù)，就需要在不擴(kuò)張路網(wǎng)規(guī)模的前提下，綜合運(yùn)用現(xiàn)代信息與通信技術(shù)等手段來(lái)提高交通運(yùn)輸?shù)男?，以提高交通路網(wǎng)的通行能力[1]。

實(shí)時(shí)準(zhǔn)確的交通流量預(yù)測(cè)，即有效地利用大量實(shí)時(shí)交通數(shù)據(jù)信息去滾動(dòng)預(yù)測(cè)未來(lái)幾分鐘內(nèi)的交通狀況，這種短期預(yù)測(cè)與以小時(shí)、天、月甚至是年計(jì)算的基于交通規(guī)劃的戰(zhàn)略預(yù)測(cè)有著本質(zhì)區(qū)別，其結(jié)果可以直接運(yùn)用到智能交通系統(tǒng)中協(xié)助交通擁堵預(yù)測(cè)研判、警力資源合理調(diào)度，提高交通治理效率以及給出行者提供實(shí)時(shí)有效的信息。

英國(guó)、德國(guó)、美國(guó)有一些州市正在研究和建立交通預(yù)測(cè)系統(tǒng)，國(guó)內(nèi)學(xué)者、企業(yè)對(duì)交通流短期預(yù)測(cè)模型進(jìn)行了一定的研究。某公司整合動(dòng)態(tài)數(shù)據(jù)在武漢市進(jìn)行智慧交通應(yīng)用建設(shè)，包括對(duì)城市擁堵的短時(shí)間預(yù)測(cè)等應(yīng)用。某公司利用自身的硬件存儲(chǔ)資源優(yōu)勢(shì)進(jìn)行車輛大數(shù)據(jù)整合，特別在紅綠燈優(yōu)化方面進(jìn)行了一定程度的研究。交通短時(shí)預(yù)測(cè)需要強(qiáng)大的數(shù)據(jù)支撐以及模型的訓(xùn)練、驗(yàn)證，才能實(shí)現(xiàn)一定的效果。目前，諸多單位基于自身優(yōu)勢(shì)進(jìn)行了研究探索并取得了一些成果，但仍存在著很大的研究與應(yīng)用空間。

1 技術(shù)路線

1.1 大數(shù)據(jù)應(yīng)用平臺(tái)

多源數(shù)據(jù)融合對(duì)來(lái)自多源、多媒質(zhì)、不同時(shí)間、不同模式、不同表示方法的傳感器數(shù)據(jù)和信息按一定的準(zhǔn)則，結(jié)合知識(shí)庫(kù)，分析、綜合為一個(gè)全面的情報(bào)，最后得到被感知對(duì)象更精確的描述，并在此基礎(chǔ)上為用戶提供需求信息。其最大優(yōu)勢(shì)在于它能合理協(xié)調(diào)多元數(shù)據(jù)，充分綜合有用信息，在較短時(shí)間內(nèi)、以較小的代價(jià)，得到使用單個(gè)傳感器所不能得到的數(shù)據(jù)特征[2]。

該文方案形成海量車輛位置大數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)接入、清洗、轉(zhuǎn)換和標(biāo)準(zhǔn)化等處理流程，其包括路況相關(guān)的道路屬性、時(shí)間屬性、空間屬性等特征量，通過(guò)進(jìn)一步接入某省交警行業(yè)相關(guān)數(shù)據(jù)來(lái)豐富車輛大數(shù)據(jù)，在完成數(shù)據(jù)接入、清洗、入庫(kù)的同時(shí)，實(shí)現(xiàn)車輛動(dòng)態(tài)、靜態(tài)數(shù)據(jù)可視化管理、數(shù)據(jù)及時(shí)更新與維護(hù)，保證數(shù)據(jù)的現(xiàn)勢(shì)性，實(shí)時(shí)同步數(shù)據(jù)包括“浮動(dòng)車”“兩客一?！薄癎PS軌跡”“公交”“氣象”融合組成的路況數(shù)據(jù)，同步頻率為分鐘級(jí)（如圖1）。

1.2 深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)成

神經(jīng)網(wǎng)絡(luò)能夠依據(jù)實(shí)時(shí)的交通信息更新網(wǎng)絡(luò)，可以保證預(yù)測(cè)的實(shí)時(shí)性，同時(shí)適合交通系統(tǒng)影響因素多的特點(diǎn)，不僅可以利用研究路段的歷史數(shù)據(jù)，還考慮相關(guān)路段的影響以及各種影響交通系統(tǒng)的因素，如天氣情況、道路施工情況、事故情況、道路條件等。

深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中一項(xiàng)非常重要的工作便是特征提取，前期工作便是數(shù)據(jù)挖掘，挖掘隱藏在數(shù)據(jù)中對(duì)短期預(yù)測(cè)有價(jià)值的信息。下面是從時(shí)間、空間領(lǐng)域兩維度做的數(shù)據(jù)分析。通過(guò)對(duì)數(shù)據(jù)的初步分析發(fā)現(xiàn)，不同的時(shí)間（星期特征日、工作日、周末、小時(shí)）、空間（道路的屬性、道路等級(jí)、道路長(zhǎng)度等）信息，路況的速度分布有著明顯的差異性，因此，特征提取工作主要分成時(shí)間維度相關(guān)特征提取和空間相關(guān)特征維度提取兩方面[3]。

該文依據(jù)深度神經(jīng)網(wǎng)絡(luò)技術(shù)從時(shí)間和空間兩個(gè)維度對(duì)車輛位置大數(shù)據(jù)的屬性數(shù)據(jù)中進(jìn)行深度挖掘，提取數(shù)據(jù)中對(duì)短期路況預(yù)測(cè)有價(jià)值的顯式和隱式信息，形成深度神經(jīng)網(wǎng)絡(luò)依賴的特征量，如時(shí)間-速度關(guān)系，工作日-速度關(guān)系，星期-速度關(guān)系，從而建立理想的預(yù)測(cè)模型。

1.3 利用位置大數(shù)據(jù)進(jìn)行路況短期預(yù)測(cè)和調(diào)優(yōu)

預(yù)測(cè)模型不同于基于交通模式的路況預(yù)測(cè)模型，該文通過(guò)確定反映待預(yù)測(cè)路鏈特征的特征數(shù)據(jù)向量，進(jìn)一步根據(jù)預(yù)設(shè)交通流信息庫(kù)確定該特征數(shù)據(jù)向量對(duì)應(yīng)的真實(shí)路況值，最后根據(jù)該特征數(shù)據(jù)向量以及真實(shí)路況值建立路況預(yù)測(cè)模型。

該文挖掘影響道路未來(lái)2 h速度的影響因素，將影響因素轉(zhuǎn)化為機(jī)器學(xué)習(xí)任務(wù)的特征X，結(jié)合歷史未來(lái)2 h的速度真值Y，利用深度學(xué)習(xí)算法學(xué)習(xí)X與Y之間的映射關(guān)系。最終在不知道未來(lái)1 h速度的情況下，把X輸入到深度神經(jīng)網(wǎng)絡(luò)模型，模型推理得到未來(lái)1 h的速度預(yù)測(cè)值Y，并最終形成預(yù)測(cè)服務(wù)發(fā)布給用戶。

1.4 方案實(shí)現(xiàn)

該文應(yīng)用實(shí)現(xiàn)卡口、各警種內(nèi)部浮動(dòng)車數(shù)據(jù)與互聯(lián)網(wǎng)浮動(dòng)車數(shù)據(jù)與車輛網(wǎng)、手機(jī)信令以及天氣等多種數(shù)據(jù)融合，將形成符合城市真實(shí)運(yùn)行狀態(tài)的實(shí)時(shí)動(dòng)態(tài)交通信息。路況預(yù)測(cè)模型采用特征數(shù)據(jù)向量和對(duì)應(yīng)的真實(shí)路況值作為訓(xùn)練數(shù)據(jù)，不僅能夠表現(xiàn)出個(gè)體差異性，還能夠使路況預(yù)測(cè)變得更加準(zhǔn)確，打破了傳統(tǒng)路況預(yù)測(cè)準(zhǔn)確率的瓶頸。

2 實(shí)驗(yàn)與結(jié)果分析

該文分別對(duì)預(yù)測(cè)技術(shù)、預(yù)測(cè)方案選型、深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)過(guò)程進(jìn)行了分析，其中預(yù)測(cè)技術(shù)分析包含以下幾種方法：

（1）歷史數(shù)據(jù)填補(bǔ)預(yù)測(cè)法-CONT。使用某路段的行駛速度、旅行時(shí)間對(duì)預(yù)測(cè)值進(jìn)行填補(bǔ)。即預(yù)測(cè)5 min后的速度等于當(dāng)前速度，預(yù)測(cè)10 min、15 min……后的速度也等于當(dāng)前速度。該方法被很多短期預(yù)測(cè)系統(tǒng)采用，不需要進(jìn)行復(fù)雜的建模，同時(shí)在短期預(yù)測(cè)時(shí)（例如5～15 min），一條路段的速度變化比較少，因此使用該方法在短期預(yù)測(cè)時(shí)會(huì)比較有效。

（2）時(shí)間序列預(yù)測(cè)法-AR。在交通流預(yù)測(cè)的研究中非常廣泛地使用，它通過(guò)歷史數(shù)據(jù)生成（時(shí)間，速度/旅行時(shí)間）的數(shù)據(jù)對(duì)，再據(jù)此數(shù)據(jù)對(duì)生成連續(xù)的時(shí)間序列。該方法首先建立歷史的速度Pattern，形如（Link id，Day of week，time stamp of day，speed）。即對(duì)每條路段分成特征日和時(shí)間戳，每個(gè)時(shí)間戳?xí)r長(zhǎng)5 min，因此一天為288個(gè)時(shí)間戳，特征日/時(shí)間戳對(duì)應(yīng)一個(gè)平均速度，將該平均速度作為一個(gè)歷史“基準(zhǔn)速度”，隨后基于此Pattern對(duì)所有歷史速度進(jìn)行差分，并基于差分結(jié)果建立訓(xùn)練模型[4]。

（3）歷史數(shù)據(jù)統(tǒng)計(jì)預(yù)測(cè)法-STAT。對(duì)每條路段根據(jù)特征日（周一—周日），時(shí)間戳進(jìn)行歷史平均速度統(tǒng)計(jì)，預(yù)測(cè)時(shí)提取這條路段相應(yīng)特征日，時(shí)間戳的速度作為預(yù)測(cè)速度。

（4）深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法-DNN。建立兩層網(wǎng)絡(luò)，輸入前3 h每個(gè)時(shí)間戳的速度向量，輸出為預(yù)測(cè)1 h的速度向量。該模塊中調(diào)參的目標(biāo)是使預(yù)測(cè)值與真實(shí)值接近，但調(diào)參是基于歷史數(shù)據(jù)的，因此調(diào)整的參數(shù)只是對(duì)于該訓(xùn)練所用的歷史數(shù)據(jù)最為合適的，并不一定意味著對(duì)于其他時(shí)間都是最為有效，因此在有新數(shù)據(jù)時(shí)需要“適時(shí)”更新，以達(dá)到最佳效果。

使用相同數(shù)據(jù)分別用上述模型進(jìn)行訓(xùn)練，并用相同測(cè)試數(shù)據(jù)進(jìn)行測(cè)試后對(duì)比分析各個(gè)模型的優(yōu)劣及適應(yīng)情況，情況如圖2所示。

上圖為多種預(yù)測(cè)模型使用相同的三周數(shù)據(jù)的非深夜時(shí)段作為測(cè)試的結(jié)果。其中每個(gè)柱狀表示一種算法預(yù)測(cè)一種時(shí)長(zhǎng)的速度的平均誤差?？梢钥闯鲇腥缦聝牲c(diǎn)規(guī)律：

對(duì)于大部分算法而言，預(yù)測(cè)的時(shí)長(zhǎng)越長(zhǎng)（即預(yù)測(cè)離當(dāng)前時(shí)間越久）那么誤差率將會(huì)越高，也就是預(yù)測(cè)越不準(zhǔn)確。這可以理解為，越靠近當(dāng)前時(shí)間的路況，其規(guī)律性越強(qiáng)，而越久之后的路況由于各種因素的影響（例如事故，流量不可預(yù)計(jì)的變化等等），越難預(yù)測(cè)。從預(yù)測(cè)誤差率來(lái)看，25 min以內(nèi)，大部分算法可以將誤差率保持在20%以下，這也是可以接受的誤差率，在此誤差率下，預(yù)測(cè)的準(zhǔn)確度較高。而25 min以后誤差率普遍分布在20%～30%之間，這些數(shù)據(jù)可以有選擇地使用，即它們可能會(huì)出現(xiàn)預(yù)測(cè)比較不準(zhǔn)的情況，雖然總體平均誤差并不是很高。

對(duì)于各種不同模型，可以看出其在不同預(yù)測(cè)時(shí)長(zhǎng)的差異。比較明顯的是CONT和STAT，CONT在短時(shí)預(yù)測(cè)（5～25 min）時(shí)，其誤差率一直是最低的，但是隨著時(shí)長(zhǎng)變長(zhǎng)，預(yù)測(cè)準(zhǔn)確率的下降非常明顯。而STAT模型卻相反，它的預(yù)測(cè)誤差率在所有時(shí)長(zhǎng)上保持一個(gè)比較平穩(wěn)的水平，不隨著預(yù)測(cè)時(shí)長(zhǎng)的增加而變化，因此雖然在短時(shí)預(yù)測(cè)時(shí)其誤差率越超其他幾種模型，但是在50 min之后，由于其他模型在此時(shí)已經(jīng)都很難預(yù)測(cè)準(zhǔn)確，STAT模型反而比其他模型預(yù)測(cè)得更為準(zhǔn)確。可以預(yù)見(jiàn)，在1 h之后，這種模型對(duì)于其他模型的優(yōu)勢(shì)將越來(lái)越明顯[5]。

該文的目標(biāo)為預(yù)測(cè)值無(wú)限接近于真實(shí)值，目前主流的評(píng)價(jià)標(biāo)準(zhǔn)有以下幾種：

MAE（平均絕對(duì)誤差），MSE（平均平方差），MAPE（平均相對(duì)誤差率），考慮到準(zhǔn)確率是預(yù)測(cè)關(guān)鍵評(píng)價(jià)指標(biāo)，因此該項(xiàng)目把MAPE作為評(píng)價(jià)指標(biāo)。

由于該指標(biāo)屬于誤差值，因此MAPE值越小越好。代表模型預(yù)測(cè)越準(zhǔn)確，準(zhǔn)確率越高。DNN模型在執(zhí)行效率、模型調(diào)優(yōu)難易程度、模型的性能等維度方面展示很好的綜合性能，用某地2019年9月份近一個(gè)月數(shù)據(jù)對(duì)模型進(jìn)行評(píng)價(jià)，評(píng)價(jià)結(jié)果如圖3所示。

DNN適合規(guī)律性較差的時(shí)間序列。特征日的規(guī)律難找，特征日之內(nèi)時(shí)間戳的規(guī)律也比較難找，且變化幅度較大的情況。圖3為不同日的早高峰速度曲線。DNN算法是帶入之前歷史上發(fā)生過(guò)的4 h狀態(tài)，如果前3 h狀態(tài)經(jīng)過(guò)轉(zhuǎn)換后可以與預(yù)測(cè)前3 h狀態(tài)相仿，那所預(yù)測(cè)的最后1 h狀態(tài)就與該次歷史的最后1 h速度相近。因此它并不涉及特征日，時(shí)間戳等特性，而僅僅是時(shí)間序列的規(guī)律性。神經(jīng)網(wǎng)絡(luò)方法是用于發(fā)布段較短，且離上下閘道較近的情況，尤其是高峰期其效果相對(duì)于其他方法要明顯一點(diǎn)。故該文中采用DNN作為短期預(yù)測(cè)方案[6]。

3 結(jié)論

該文結(jié)合實(shí)際需求對(duì)基于車輛大數(shù)據(jù)和深度神經(jīng)網(wǎng)絡(luò)的AI路況短期預(yù)測(cè)模型進(jìn)行研究應(yīng)用，并提出了實(shí)施方案進(jìn)行應(yīng)用，實(shí)施結(jié)果表明該方案具有良好的可行性。

AI路況預(yù)測(cè)服務(wù)的應(yīng)用基于通過(guò)實(shí)時(shí)交通信息服務(wù)，實(shí)現(xiàn)預(yù)測(cè)交通運(yùn)行態(tài)勢(shì)、判定擁堵級(jí)別，為交通管理部門提供輔助決策支持，提高出警效率，同時(shí)基于未來(lái)路況智慧規(guī)劃出行路徑提供實(shí)時(shí)誘導(dǎo)，縮短公眾出行時(shí)間，極大提高城市交通出行體驗(yàn)。從而降低城市擁堵率、保證城市交通暢通，是“城市交通大腦”的重要組成部分，對(duì)于提高交通管理水平，提升城市整體形象起著重要作用。

隨著市場(chǎng)逐步推廣，該文應(yīng)用研究將應(yīng)用到更多產(chǎn)品以及項(xiàng)目建設(shè)中，通過(guò)不斷地模型訓(xùn)練優(yōu)化以及矯正，不斷提高路況預(yù)測(cè)的準(zhǔn)確率。綜合不同預(yù)測(cè)技術(shù)及模型，并結(jié)合實(shí)際情況相應(yīng)模型調(diào)整，或者綜合多種模型應(yīng)用進(jìn)行實(shí)際路況預(yù)測(cè)，提高實(shí)際應(yīng)用的準(zhǔn)確率和適應(yīng)性。

參考文獻(xiàn)

[1]李亮.大數(shù)據(jù)背景下智慧公安交通管理系統(tǒng)建設(shè)研究[D].北京：中國(guó)人民公安大學(xué)，2019.

[2]沈國(guó)江，王嘯虎，孔祥杰.短時(shí)交通流量智能組合預(yù)測(cè)模型及應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐，2011（3）：561-568.

[3]周翔宇.基于感知數(shù)據(jù)的路況信息管理服務(wù)系統(tǒng)軟件體系結(jié)構(gòu)設(shè)計(jì)[D].天津：天津大學(xué)，2012.

[4]趙雅麗.基于深度學(xué)習(xí)的車輛跟蹤算法研究[D].北京：北京工業(yè)大學(xué)，2018.

[5]羅軍舟，金嘉暉，宋愛(ài)波，等.云計(jì)算：體系架構(gòu)與關(guān)鍵技術(shù)[J].通信學(xué)報(bào)，2011（7）：3-21.

[6]黨倩，王維鋒，丁閃閃，等.基于ArcEngine的交通運(yùn)行監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].華東交通大學(xué)學(xué)報(bào)，2016（3）：74-78.