郭嘉宸，楊宇燊，王研，毛仕龍，孫麗珺

精細(xì)化短時交通流預(yù)測模型及遷移部署方案

郭嘉宸，楊宇燊，王研，毛仕龍，孫麗珺*

（青島科技大學(xué) 信息科學(xué)技術(shù)學(xué)院，山東青島 266061）（通信作者電子郵箱lijunsun@qust.edu.cn）

精細(xì)化短時交通流預(yù)測是保證智能交通系統(tǒng)（ITS）合理決策的前提。為了建立無人駕駛汽車換道模型、預(yù)測車輛軌跡、引導(dǎo)車輛出行，及時為每條車道預(yù)測車流量成為亟須解決的問題，然而精細(xì)化短時交通流預(yù)測面臨著以下挑戰(zhàn)：一是交通流數(shù)據(jù)日益多元化，傳統(tǒng)預(yù)測方法難以滿足ITS高精度、短時延的要求；二是為每條車道訓(xùn)練預(yù)測模型會造成大量的資源浪費(fèi)。針對以上問題，提出利用卷積-門控循環(huán)單元（Conv-GRU）結(jié)合灰色關(guān)聯(lián)度分析法（GRA）建立精細(xì)化短時交通流預(yù)測模型預(yù)測車道流量?？紤]到深度學(xué)習(xí)訓(xùn)練時間長、推理時間相對較短的特點(diǎn)，提出云-霧部署方案；同時，為避免為每條車道訓(xùn)練預(yù)測模型，在云-霧部署方案的基礎(chǔ)上提出了模型遷移部署方案，該方案僅需訓(xùn)練部分車道的預(yù)測模型，然后通過GRA將訓(xùn)練好的預(yù)測模型遷移部署到關(guān)聯(lián)車道進(jìn)行預(yù)測。對真實交通流數(shù)據(jù)集進(jìn)行大量對比實驗的結(jié)果表明：與傳統(tǒng)深度學(xué)習(xí)預(yù)測方法相比，所提模型擁有更精準(zhǔn)的預(yù)測性能，與卷積-長短期記憶（Conv-LSTM）網(wǎng)絡(luò)相比在提高精度的基礎(chǔ)上運(yùn)行時間更短，且能在保證高精度預(yù)測的情況下實現(xiàn)模型遷移，比訓(xùn)練每條車道的預(yù)測模型節(jié)省了約49%的訓(xùn)練時間。

精細(xì)化短時交通流預(yù)測；卷積-門控循環(huán)單元；灰色關(guān)聯(lián)度分析法；時空特征；部署方案

0 引言

隨著人均機(jī)動車保有量以及城市化率的逐步提高，交通擁堵、事故頻發(fā)、尾氣排放等問題導(dǎo)致城市交通管理面臨嚴(yán)峻挑戰(zhàn)。智能交通系統(tǒng)（Intelligent Transportation System，ITS）［1］通過數(shù)字化、智能化的方式改善交通管理，它的可靠性在很大程度上依賴于對短時交通流的準(zhǔn)確預(yù)測［2］。

短時交通流預(yù)測是指通過歷史交通數(shù)據(jù)預(yù)測相關(guān)路段或路口5～15 min后的交通狀況。隨著路網(wǎng)規(guī)模的擴(kuò)大，傳統(tǒng)的基于時間序列［3-4］與基于統(tǒng)計概率的預(yù)測方法在精準(zhǔn)度、計算時延等方面已難以滿足需求。而且隨著傳感器的升級，交通數(shù)據(jù)逐漸多元化，包含速度、道路情況、交通路程時間等多個屬性，僅依靠淺層機(jī)器學(xué)習(xí)無法有效解決。深度學(xué)習(xí)［5］可以通過挖掘數(shù)據(jù)間復(fù)雜的非線性時空關(guān)系精準(zhǔn)預(yù)測流量，因此受到了越來越多的關(guān)注。

目前的短時交通流預(yù)測研究大多預(yù)測路口整體流量，忽視了精細(xì)化預(yù)測各個車道的流量。精細(xì)化車道流量預(yù)測一方面可為無人駕駛汽車提供必要的車道路況信息，幫助車輛制定換道策略［6］；另一方面在預(yù)測車輛軌跡時，需要考慮車輛與周圍道路、車輛的交互，這包含了被預(yù)測車輛與周圍車輛所在車道信息［7］。僅憑預(yù)測路口整體流量無法做到這兩點(diǎn)。如圖1所示，路口總流量與車道流量分布并不總是相似，例如北路口和北左車道的流量分布相似，但與其他兩條車道相似性較弱。這是因為各車道有著不同的功能，每條車道上的車流量有屬于自己的特征，不能簡單地通過路口流量推算出各車道流量，因此本文采用深度學(xué)習(xí)對車道流量進(jìn)行精細(xì)化短時預(yù)測。

圖1 路口流量和車道流量對比

針對深度學(xué)習(xí)模型部署問題，傳統(tǒng)做法是將所有數(shù)據(jù)從采集設(shè)備發(fā)送到云數(shù)據(jù)中心進(jìn)行分析處理［8］，然而，數(shù)據(jù)移動將產(chǎn)生高帶寬費(fèi)用和高時延，同時也面臨著隱私泄露的風(fēng)險；但是如果在霧節(jié)點(diǎn)上訓(xùn)練模型，可能會由于計算資源有限而無法按時完成任務(wù)。因此本文考慮使用云-霧的方案對本文模型進(jìn)行部署，以期解決霧節(jié)點(diǎn)資源緊張、云數(shù)據(jù)中心計算耗時且昂貴的問題；而且在此基礎(chǔ)上進(jìn)行模型遷移，將訓(xùn)練好的一條車道流量預(yù)測模型遷移至關(guān)聯(lián)度高的其他車道，以有效減少計算開銷。本文的主要工作如下：

1）提出一種精細(xì)化短時交通流預(yù)測模型對路口車道流量進(jìn)行預(yù)測。首先利用灰色關(guān)聯(lián)度分析法（Grey Relational Analysis， GRA）對車道進(jìn)行關(guān)聯(lián)度分析，其次利用卷積-門控循環(huán)單元（Convolutional-Gated Recurrent Unit， Conv-GRU）提取流量數(shù)據(jù)的時空特征。該操作能提高預(yù)測準(zhǔn)確性，減少訓(xùn)練時間，實現(xiàn)時間間隔為5 min的車道流量預(yù)測。

2）提出云-霧遷移部署方案，考慮利用車道間的關(guān)聯(lián)度，將訓(xùn)練好的流量預(yù)測模型遷移到與其關(guān)聯(lián)度高的車道上，以減少計算開銷。

3）利用真實數(shù)據(jù)集進(jìn)行實驗，結(jié)果表明本文模型具有可遷移性和高精準(zhǔn)度，且遷移后的模型也保持了較高的精度。

1 相關(guān)工作

針對短時交通流量預(yù)測，大部分研究采用了基于時間序列和統(tǒng)計概率的預(yù)測方法。如Williams等［9］用自回歸整合滑動平均（AutoregrRessive Integrated Moving Average， ARIMA）模型將交通流建模為自回歸移動平均過程；但ARIMA主要用來處理線性關(guān)系，無法準(zhǔn)確對交通流建模。Zhao等［10］利用高斯過程對交通流建模，并結(jié)合K最近鄰（K-Nearest Neighbor， KNN）算法提出了四階高斯過程動態(tài)模型（Gaussian Process Dynamical Model， GPDM）。

此外，許多學(xué)者以支持向量機(jī)（Support Vector Machine， SVM）［11］、自編碼器（AutoEncoder， AE）［12］等淺層機(jī)器學(xué)習(xí)為基礎(chǔ)在流量預(yù)測方面取得了一系列的研究成果。例如Feng等［13］將多項式核和高斯核復(fù)合成自適應(yīng)多核支持向量機(jī)（Adaptive Multi-kernel Support Vector Machine， AMSVM），并利用粒子群優(yōu)化算法優(yōu)化參數(shù)，通過自適應(yīng)調(diào)整核權(quán)重預(yù)測短時交通流量；Lv等［14］提出了一種基于堆棧自編碼器的預(yù)測方法，然而該方法易陷入局部極小值，難以優(yōu)化。

近年來，深度學(xué)習(xí)的迅速發(fā)展為交通流量預(yù)測提供了更多的選擇［15-26］。利用長短期記憶（Long Short Term Memory， LSTM）網(wǎng)絡(luò)善于處理時間序列數(shù)據(jù)的特點(diǎn)［16-18］，Luo等［18］提出了一種KNN-LSTM方法，該方法使用KNN捕獲空間特征，利用LSTM捕獲流量的時間特征，結(jié)合時空特征對流量進(jìn)行預(yù)測。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN），作為一種前饋式的神經(jīng)網(wǎng)絡(luò)也被廣泛應(yīng)用于流量預(yù)測［19-23］。杜圣東等［23］利用卷積-長短期記憶（Convolutional-Long Short-Term Memory， Conv-LSTM）網(wǎng)絡(luò)、LSTM以及注意力機(jī)制提出了一種基于序列到序列的時空注意力學(xué)習(xí)的交通流預(yù)測模型。

綜上所述，深度學(xué)習(xí)在交通流量預(yù)測中具有較大優(yōu)勢，但已有研究通常采用不同的模型、方法以并行的方式提取交通流量的時間特征、空間特征，然后將特征融合進(jìn)行預(yù)測。這種并行融合的方式會導(dǎo)致交通流特征不能充分融合。雖然文獻(xiàn)［23］中提到的Conv-LSTM可以融合空間和時間特征，但其中的LSTM相比門控循環(huán)單元（Gated Recurrent Unit， GRU）存在訓(xùn)練時間過長、收斂慢的缺點(diǎn)。

目前針對短時流量預(yù)測的研究大多把路口看作一個整體，對于路口精細(xì)化預(yù)測——分車道流量預(yù)測的研究目前仍是少數(shù)。因此本文提出利用GRA和Conv-GRU預(yù)測路口車道流量。該模型不僅可以融合提取流量數(shù)據(jù)的時空特征，并且其中的GRU模塊相比LSTM有更短的訓(xùn)練時間和更高的收斂速度。

現(xiàn)有研究很少關(guān)注模型完成后的實際部署問題。Mu等［8］設(shè)計了一種智能交通網(wǎng)絡(luò)物理云控制系統(tǒng)，該系統(tǒng)利用云計算實現(xiàn)交通流量預(yù)測；Yu等［15］提出了一種云-邊緣-物聯(lián)網(wǎng)三層架構(gòu)，其中云數(shù)據(jù)中心負(fù)責(zé)數(shù)據(jù)處理，邊緣負(fù)責(zé)模型訓(xùn)練與推理，物聯(lián)網(wǎng)層負(fù)責(zé)信息采集；谷遠(yuǎn)利等［24］僅利用靠近車輛的5個邊緣節(jié)點(diǎn)承擔(dān)短時流量預(yù)測模型的訓(xùn)練與推理。但上述方法都沒有考慮邊緣服務(wù)器計算資源有限和數(shù)據(jù)傳輸?shù)臅r延問題，因此本文提出云-霧遷移部署方案對模型進(jìn)行部署。

2 精細(xì)化短時交通流預(yù)測模型

精細(xì)化短時交通流預(yù)測模型由數(shù)據(jù)預(yù)處理、車道關(guān)聯(lián)度分析、預(yù)測模型設(shè)計三部分組成。本文使用的主要符號如表1所示。

表1 主要符號說明

2.1 數(shù)據(jù)預(yù)處理

由于設(shè)備老化、長期環(huán)境等因素，數(shù)據(jù)會產(chǎn)生缺失、異常等現(xiàn)象，因此在建立模型前需要對數(shù)據(jù)進(jìn)行預(yù)處理操作。

2.2 車道關(guān)聯(lián)度分析

車道作為城市路網(wǎng)的重要組成部分，同一路口內(nèi)的車道、相鄰路口的車道間都存在著一定的關(guān)聯(lián)度。本文引入GRA［27］分析車道的關(guān)聯(lián)度。GRA根據(jù)各因素間發(fā)展態(tài)勢的相似或者相異程度來衡量各個因素的關(guān)聯(lián)程度，且對樣本的數(shù)量和分布律沒有要求，更適用于容易發(fā)生突變的交通流量數(shù)據(jù)。具體步驟如下：

2.3 預(yù)測模型設(shè)計

總體模型主要由輸入層、卷積層、激活層、全連接層組成，如圖3所示。

圖2 部分車道的灰色關(guān)聯(lián)度熱圖

Fig. 2 Grey relation heatmap of some lanes

圖3 預(yù)測模型框架

圖4 Conv-GRU模塊結(jié)構(gòu)

Conv-GRU模塊工作步驟如下：

圖5 一維卷積

同理，以數(shù)據(jù)矩陣第1行第2列為初始位置與滑動濾波器的卷積核相乘，得到：

以此類推，得到整個道路總的數(shù)據(jù)矩陣的卷積值如下：

步驟2 聚合所有的卷積值，形成交通流量數(shù)據(jù)空間特征。為了提高神經(jīng)網(wǎng)絡(luò)的表達(dá)能力，引入非線性激活函數(shù)，如式（10）所示。

步驟3 為降低數(shù)據(jù)的維度，采用平均池化技術(shù)濾除數(shù)據(jù)中不必要的信息和特征。

步驟4 將卷積和池化后的空間特征輸入到GRU模塊中，形成交通流量的時空特征。

圖7 GRU結(jié)構(gòu)

GRU結(jié)構(gòu)包括兩個門控：更新門和重置門。具體步驟如下：

4）利用更新門計算當(dāng)前時刻狀態(tài)的輸出。

3 云-霧遷移部署方案

云-霧遷移部署方案如圖8所示。霧節(jié)點(diǎn)計算和存儲數(shù)據(jù)能力有限，無法承擔(dān)復(fù)雜的計算任務(wù)，僅可保存少量最新數(shù)據(jù)：而云數(shù)據(jù)中心有豐富的計算資源和強(qiáng)大的存儲數(shù)據(jù)能力，霧節(jié)點(diǎn)需要將復(fù)雜的計算任務(wù)和大量歷史數(shù)據(jù)上傳到云數(shù)據(jù)中心。訓(xùn)練深度學(xué)習(xí)模型一般需要大量的歷史數(shù)據(jù)和計算資源；相比模型訓(xùn)練，深度學(xué)習(xí)模型的推理僅需要少量最新數(shù)據(jù)，消耗少量計算資源。因此，本文將流量預(yù)測模型的訓(xùn)練放置到云數(shù)據(jù)中心，模型推理放置到霧節(jié)點(diǎn)；同時考慮到車道間具有不同程度的關(guān)聯(lián)性，在云-霧部署方案的基礎(chǔ)上提出了模型遷移部署方案，以減少資源消耗。

圖8 云-霧遷移部署方案示意圖

關(guān)聯(lián)車道模型遷移算法描述如下：

4 實驗設(shè)置及結(jié)果分析

4.1 數(shù)據(jù)來源和實驗環(huán)境

實驗使用的數(shù)據(jù)集是2019年6月1日到2019年12月31日山東省青島市的交通流量數(shù)據(jù)。數(shù)據(jù)由十字路口的地磁傳感器采集，包含9個路口及其所有車道流量數(shù)據(jù)，采用6—11月數(shù)據(jù)作為訓(xùn)練集，12月整月數(shù)據(jù)作為預(yù)測集。檢測器每5 min提取一次流量數(shù)據(jù)。

實驗硬件環(huán)境平臺：中央處理器為Intel Core i5-8300H @ 2.30 GHz，運(yùn)行內(nèi)存為8 GB，機(jī)械硬盤內(nèi)存為1 TB；軟件環(huán)境平臺包括Python3.6、Keras、Tensorflow等。

4.2 實驗結(jié)果及分析

為驗證本文模型的準(zhǔn)確性，采用RMSE（計算公式見式（21））和MAE（計算公式見式（22））兩個評價指標(biāo)來評估預(yù)測結(jié)果。

將本文模型與Conv-LSTM、GRU、LSTM三個基準(zhǔn)模型進(jìn)行比較，結(jié)果如表2所示。從表2可以看出，無論是工作日還是休息日，本文模型的誤差均小于對比的基準(zhǔn)模型，模型精準(zhǔn)度也更高。

表2 不同方法在工作日和休息日的交通流量預(yù)測性能

為進(jìn)一步比較預(yù)測方法的準(zhǔn)確性，將本文模型與GRU、LSTM、CNN-LSTM三個基準(zhǔn)模型分別對江西路—福州南路—南北直行的車道的2019-12-30（工作日）和2019-12-22（休息日）進(jìn)行流量預(yù)測，結(jié)果如圖9、10所示。圖9、10是經(jīng)過測試集實驗后選擇了迭代18到20次的結(jié)果，此迭代次數(shù)下模型預(yù)測效果好且預(yù)測時間短。

分析圖9、10可知，無論預(yù)測工作日還是休息日的交通流量，本文模型的預(yù)測結(jié)果均比Conv-LSTM、GRU以及LSTM更加精確。這是因為本文模型是利用Conv-GRU將CNN和GRU集成為一個模塊，融合提取流量數(shù)據(jù)的時空特征；Conv-LSTM雖然也是將特征進(jìn)行融合，但礙于LSTM自身的性能，造成預(yù)測結(jié)果不如本文模型；而LSTM與GRU僅僅考慮了數(shù)據(jù)的單一特征，沒有充分結(jié)合數(shù)據(jù)的時空特征。

結(jié)合表2以及圖9、10的結(jié)果，雖然本文模型與Conv-LSTM方法的性能相差不大，但二者在每輪的迭代時間上有所差異，如表3所示。這是因為本文采用了Conv-GRU模型，其中的GRU模型與Conv-LSTM中的LSTM相比，少了一個門控循環(huán)單元，因此隨著迭代步數(shù)的增加，運(yùn)行時間明顯減少。

表3 不同迭代次數(shù)下模型運(yùn)行時間

表4顯示在同樣的迭代次數(shù)下，在推理時間以及預(yù)測精準(zhǔn)度上本文模型均優(yōu)于Conv-LSTM；但由于數(shù)據(jù)量較少，結(jié)果的差異不明顯，隨著數(shù)據(jù)的增多，結(jié)果差異會進(jìn)一步顯現(xiàn)。

表4 模型推理時間及性能對比

此外，針對城市中路網(wǎng)復(fù)雜、車道數(shù)目龐大，無法對所有車道進(jìn)行模型訓(xùn)練的問題，本文提出了模型遷移部署方案將訓(xùn)練好的車道流量模型遷移到關(guān)聯(lián)度較高的車道，以減少訓(xùn)練模型的個數(shù)。

實驗從車道間關(guān)聯(lián)度最接近1的數(shù)值開始，用第3章的關(guān)聯(lián)車道模型遷移算法尋找閾值。結(jié)果表明，車道關(guān)聯(lián)度大于0.89時，預(yù)測效果良好，小于0.89時預(yù)測效果較差。圖11給出了模型在遷移前后的性能對比：在模型遷移前，模型預(yù)測本車道車流量時具有良好的性能，而模型遷移后的預(yù)測性能則有不同表現(xiàn)。

圖11（a）是0.89<關(guān)聯(lián)度<1時，模型遷移后的預(yù)測結(jié)果，具有良好的精準(zhǔn)度；而圖11（b）是關(guān)聯(lián)度<0.89的預(yù)測結(jié)果，可以明顯看出存在一定的誤差。且多次實驗的最終結(jié)果表明：任何一條車道擁有的關(guān)聯(lián)度大于0.89的關(guān)聯(lián)車道最少為3條，最多為12條，因此，減少訓(xùn)練模型數(shù)目比例約為60%～70%，模型訓(xùn)練個數(shù)大幅減少。

以本實驗為例，預(yù)計完成所有車道預(yù)測模型的訓(xùn)練需3 582 s，而經(jīng)過遷移后，預(yù)計僅需1 752 s，節(jié)省約49%的時間。此外本文實驗采用的數(shù)據(jù)集為9個路口中55條車道數(shù)據(jù)，而一個城市中車道數(shù)量約為上千條，隨著車道數(shù)增多，節(jié)省的時間和計算資源也更多。實驗最終結(jié)果表明，本文提出的模型遷移部署方案可減少需要訓(xùn)練的模型個數(shù)，縮短模型訓(xùn)練總時間，減少計算資源消耗，同時模型本身也保持著精準(zhǔn)的預(yù)測性能。

圖9 工作日交通流量預(yù)測

圖10 休息日交通流量預(yù)測

圖11 模型遷移結(jié)果與關(guān)聯(lián)度的關(guān)系

5 結(jié)語

本文提出的精細(xì)化短時流量預(yù)測模型利用Conv-GRU對車道流量進(jìn)行預(yù)測，并利用GRA對車道進(jìn)行關(guān)聯(lián)度分析，能在保持精度的同時減少訓(xùn)練時間；在模型部署方面，引入霧計算提出了云-霧部署方案；同時針對城市中車道數(shù)量龐大、無法逐一訓(xùn)練模型的情況，提出模型遷移部署方案，將訓(xùn)練好的流量預(yù)測模型遷移到與其關(guān)聯(lián)度高的其余車道上，減少計算開銷；最后利用真實數(shù)據(jù)集進(jìn)行實驗，結(jié)果驗證了模型的預(yù)測精準(zhǔn)度和可遷移性。

未來工作將重點(diǎn)關(guān)注交通事故、天氣情況等突發(fā)因素對交通流預(yù)測的影響；同時還將深入研究深度學(xué)習(xí)模型的分層部署問題以及如何利用車道流量數(shù)據(jù)預(yù)測車輛軌跡。

[1] NALLAPERUMA D， NAWARATNE R， BANDARAGODA T， et al. Online incremental machine learning platform for big data-driven smart traffic management［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（12）： 4679-4690.

[2] VLAHOGIANNI E I， KARLAFTIS M G， GOLIAS J C. Short-term traffic forecasting： where we are and where we’re going［J］. Transportation Research Part C： Emerging Technologies， 2014， 43（Pt 1）： 3-19.

[3] WEIGEND A S， GERSHENFELD N A. Time Series Prediction： Forecasting the Future and Understanding the Past［M］. New York： Routledge， 2018： 2-11.

[4] KUMAR S V， VANAJAKSHI L. Short-term traffic flow prediction using seasonal ARIMA model with limited input data［J］. European Transport Research Review， 2015， 7： No.21.

[5] KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［C］// Proceedings of the 25th International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2012： 1097-1105.

[6] 薛春銘，譚國真，丁男，等. 基于博弈論的人類駕駛與無人駕駛協(xié)作換道模型［J］. 計算機(jī)工程， 2017， 43（12）：261-266.（XUE C M， TAN G Z， DING N， et al. Cooperative lane-changing model of human driving and unmanned driving based on game theory［J］. Computer Engineering， 2017， 43（12）： 261-266.）

[7] 包智鵬，支永帥，張素民，等. 基于BiGRU的多模態(tài)駕駛行為及軌跡預(yù)測［J］. 大連理工大學(xué)學(xué)報， 2021， 61（3）：246-254.（BAO Z P， ZHI Y S， ZHANG S M， et al. BiGRU based multi-model maneuvers and trajectory prediction［J］. Journal of Dalian University of Technology， 2021， 61（3）： 246-254.）

[8] MU S D， XIONG Z X， TIAN Y X. Intelligent traffic control system based on cloud computing and big data mining［J］. IEEE Transactions on Industrial Informatics， 2019， 15（12）： 6583-6592.

[9] WILLIAMS B M， HOEL L A. Modeling and forecasting vehicular traffic flow as a seasonal ARIMA process： theoretical basis and empirical results［J］. Journal of Transportation Engineering， 2003， 129（6）： 664-672.

[10] ZHAO J， SUN S L. High-order Gaussian process dynamical models for traffic flow prediction［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（7）： 2014-2019.

[11] VAPNIK V N. An overview of statistical learning theory［J］. IEEE Transactions on Neural Networks， 1999， 10（5）： 988-999.

[12] BENGIO Y， COURVILLE A， VINCENT P. Representation learning： a review and new perspectives［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2013， 35（8）： 1798-1828.

[13] FENG X X， LING X Y， ZHENG H F， et al. Adaptive multi-kernel SVM with spatial-temporal correlation for short-term traffic flow prediction［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（6）： 2001-2013.

[14] LV Y S， DUAN Y J， KANG W W， et al. Traffic flow prediction with big data： a deep learning approach［J］. IEEE Transactions on Intelligent Transportation Systems， 2015， 16（2）： 865-873.

[15] YU X J， SUN L J， YAN Y， et al. A short-term traffic flow prediction method based on spatial-temporal correlation using edge computing［J］. Computers and Electrical Engineering， 2021， 93： No.107219.

[16] ZHENG J H， HUANG M F. Traffic flow forecast through time series analysis based on deep learning［J］. IEEE Access， 2020， 8： 82562-82570.

[17] SHAO H X， SOONG B H. Traffic flow prediction with Long Short-Term Memory Networks （LSTMs）［C］// Proceedings of the 2016 IEEE Region 10 Conference. Piscataway： IEEE， 2016： 2986-2989.

[18] LUO X L， LI D Y， YANG Y， et al. Spatiotemporal traffic flow prediction with KNN and LSTM［J］. Journal of Advanced Transportation， 2019， 2019： No.4145353.

[19] GUO S N， LIN Y F， LI S J， et al. Deep spatial-temporal 3D convolutional neural networks for traffic data forecasting［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（10）： 3913-3926.

[20] KHAJEH HOSSEINI M， TALEBPOUR A. Traffic prediction using time-space diagram： a convolutional neural network approach［J］. Transportation Research Record， 2019， 2673（7）： 425-435.

[21] 鄧烜堃，萬良，丁紅衛(wèi)，等. 基于深度學(xué)習(xí)的交通流量預(yù)測研究［J］. 計算機(jī)工程與應(yīng)用， 2019， 55（2）：228-235.（DENG X K， WANG L， DING H W， et al. Traffic flow prediction based on deep neural networks［J］. Computer Engineering and Applications， 2019， 55（2）：228-235.）

[22] 徐凌偉，權(quán)天祺. 移動協(xié)作通信系統(tǒng)中斷概率性能智能預(yù)測［J］. 聊城大學(xué)學(xué)報（自然科學(xué)版）， 2020， 33（6）： 33-39， 75.（XU L W， QUAN T Q. OP performance intelligent prediction of mobile cooperative communication system［J］. Journal of Liaocheng University （Natural Science Edition）， 2020， 33（6）： 33-39， 75.）

[23] 杜圣東，李天瑞，楊燕，等. 一種基于序列到序列時空注意力學(xué)習(xí)的交通流預(yù)測模型［J］. 計算機(jī)研究與發(fā)展， 2020， 57（8）： 1715-1728.（DU S D， LI T R， YANG Y， et al. A sequence-to-sequence spatial-temporal attention learning model for urban traffic flow prediction［J］. Journal of Computer Research and Development， 2020， 57（8）： 1715-1728.）

[24] 谷遠(yuǎn)利，陸文琦，李萌，等. 基于組合深度學(xué)習(xí)的快速路車道級速度預(yù)測研究［J］. 交通運(yùn)輸系統(tǒng)工程與信息， 2019， 19（4）： 79-86.（GU Y L， LU W Q， LI M， et al. Lane-level traffic speed prediction for expressways based on a combined deep learning model［J］. Transportation Systems Engineering and Information， 2019， 19（4）：79-86.）

[25] HUANG Y P， QIAN L P， FENG A Q， et al. Short-term traffic prediction by two-level data driven model in 5G-enabled edge computing networks［J］. IEEE Access， 2019， 7： 123981-123991.

[26] 張琛，徐國麗. 基于云遺傳的RBF神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測［J］. 計算機(jī)工程與應(yīng)用， 2014， 50（16）： 216-220.（ZHANG C， XU G L. Prediction for traffic flow of RBF neural network based on cloud genetic algorithm［J］. Computer Engineering and Applications， 2014， 50（16）： 216-220.）

[27] 劉思峰，郭天榜，黨耀國，等. 灰色系統(tǒng)理論及其應(yīng)用［M］. 2版. 北京：科學(xué)出版社， 1999：17-29.（LIU S F， GUO T B， DANG Y G， et al. Grey System Theory and Its Application［M］. 2nd ed. Beijing： Science Press， 1999： 17-29.）

Refined short-term traffic flow prediction model and migration deployment scheme

GUO Jiachen， YANG Yushen， WANG Yan， MAO Shilong， SUN Lijun*

（，，266061，）

Refined short-term traffic flow prediction is the premise to ensure the rational decision making in Intelligent Transportation System （ITS）. In order to establish the lane-changing model of self-driving car， predict vehicle trajectories， and guide vehicle routes， the timely traffic flow prediction for each lane has become an urgent problem to solve. However， refined short-term traffic flow prediction faces the following challenges： first， with the increasing diversity of traffic flow data， the traditional prediction methods cannot meet the requirements of ITS for high precision and short time delay； second， training prediction model for each lane make a huge waste of resources. To solve the above problems， a refined short-term traffic flow prediction model combined Convolutional-Gated Recurrent Unit （Conv-GRU） with Grey Relational Analysis （GRA） was proposed to predict lane flow. Considering the characteristics of long training time and relatively short reasoning time of deep learning， a cloud-fog deployment scheme was designed. Meanwhile， to avoid training prediction models for each lane， a model migration deployment scheme was proposed， which only needs to train the prediction model of some lanes， and then the trained prediction models were migrated to the associated lane for prediction through GRA. Experimental results of extensive comparisons on a real-world dataset show that， compared with traditional deep learning prediction methods， the proposed model has more accurate prediction performance； compared with Convolutional-Long Short-Term Memory （Conv-LSTM） network， the model has shorter running time. Furthermore， the model migration is realized by the proposed model under the condition of ensuring high-precision prediction， which saves about 49% of training time compared to training prediction model for each lane.

refined short-term traffic flow prediction; Convolutional-Gated Recurrent Unit (Conv-GRU); Grey Relational Analysis (GRA); spatiotemporal feature; deployment scheme

This work is partially supported by 2020 College Student Innovation Training Program of Qingdao University of Science and Technology （S202010426017）.

GUO Jiachen， born in 1997， M. S. candidate. His research interests include deep learning， intelligent transportation.

YANG Yushen， born in 2000. His research interests include deep learning， intelligent transportation.

WANG Yan， born in 2000. His research interests include deep learning， intelligent transportation.

MAO Shilong， born in 2000. His research interests include deep learning， intelligent transportation.

SUN Lijun， born in 1978， Ph. D.， associate professor. Her research interests include fog/edge computing， intelligent transportation， crowdsourcing.

TP391

A

1001-9081（2022）06-1748-08

10.11772/j.issn.1001-9081.2021061411

2021?08?06；

2021?09?17；

2021?11?17。

青島科技大學(xué)2020年大學(xué)生創(chuàng)新訓(xùn)練計劃項目（S202010426017）。

郭嘉宸（1997－），男，山東煙臺人，碩士研究生，CCF會員，主要研究方向：深度學(xué)習(xí)、智能交通；楊宇燊（2000－），男，福建三明人，主要研究方向：深度學(xué)習(xí)、智能交通；王研（2000－），男，山東臨沂人，主要研究方向：深度學(xué)習(xí)、智能交通；毛仕龍（2000－），男，山東菏澤人，主要研究方向：深度學(xué)習(xí)、智能交通；孫麗珺（1978－），女，山東淄博人，副教授，博士，CCF會員，主要研究方向：霧/邊緣計算、智能交通、眾包。