基于SA-DL 模型的高速公路交通流預測方法研究

楊存祥

（聊城市陽谷縣交通運輸局，山東 聊城 252300）

隨著社會經濟的飛速發展和城鎮人口的快速增長，機動車數量呈逐年上升趨勢，由此引發的道路交通擁擠問題日益嚴峻，尤其是高速公路的擁擠問題，已成為一個國家亟待解決的問題。作為一個國家邁向現代化的重要紐帶，高速公路是發展現代交通運輸業的重要道路[1]。然而，在高速公路上出現的交通擁擠問題，不但給人民的生活造成了很大的不便，而且還限制了高速公路的服務品質，對地區的經濟和社會發展產生了一定的影響。因此對高速公路交通流的預測，不但能夠幫助高速公路的管理者進行科學的調度和引導，還能夠幫助人們選擇最佳的出行路徑，對緩解高速路段的擁堵問題具有重要的理論和現實意義。

1 SA-DL 模型建立

1.1 模型架構設計

基于自注意力機制和深度學習（Self-Attention-DeepLearning,SA-DL）的高速公路交通流預測模型是一種在考慮多因素的預測方法，其利用自注意力模型捕獲高速公路交通流數據的全局空間管關系，提高交通流特征提取能力[2]。SA-DL 模型包括數據處理、特征矩陣構建、卷積神經網絡CNN 和LSTM。

SA-DL 模型首先對交通數據進行缺失值填補、關系型數據選取等預處理；其次建立包含天氣特征和時間特征的二維特征矩陣，然后利用CNN 技術從矩陣中獲取交通流空間特征，提取全局空間依賴關系；最優利用LSTM 提取交通流時間特征，通過全連接層，獲得交通流預測輸出結果[3]。

1.2 數據預處理

由于獲取的高速公路交通流數據存在數據少量缺失的情況，為保證數據預測精度，選取近三年的同一天和同一時間測量傳感器數據的平均值，然后將數據填充到空缺位置，以此來補全缺失數據[4]。

為降低外界因素對高速公路預測結果的影響，采用皮爾遜相關分析法計算目標道路交通流和不同屬性的相關系數，然后根據系數大小選取與高速公路交通流相關性強的特征數據[5]。數據相關系數絕對值越大，其與高速公路交通流的相關性越強；相關系數絕對值越小，其與高速公路交通流的相關性越弱。

1.3 特征矩陣構建

高速公路交通流與道路交通流量和天氣變化相關，因此建立包括天氣信息、空間信息和時間信息的二維特征矩陣，利用矩陣獲取高速公路交通流特征數據。t時刻高速公路交通流量為{xs,t,xs2,t,…,xsm,t}；t時刻天氣數據為{wq1,t,wq2,t,…,wqn,t}。

1.4 自注意力模型

對于可變長度向量序列，一般采用循環網絡和卷積網絡兩種方式對其進行編碼，從而得到等長輸出向量序列[6]。如在圖1 中所示，圖（a）采用卷積網絡對可邊長度向量序列進行編碼，圖（b）采用循環神經網絡對可邊長度向量序列進行編碼。

圖1 循環網絡和卷積網絡的邊長序列編碼

從圖1 中可以看出，循環神經網絡和卷積神經網絡均只能對可變長度序列進行“局部編碼”。卷積神經網絡是一個以N-Gram 為基礎的局部編碼。該算法的基本思路是以字節數表示為N 個滑動窗，然后生成一系列N 個字節的片段序列。每一位字節片段都為gram。該算法計算了所有gram 的出現次數，然后按照預先設定的閾值對gram 進行篩選，得到一個關鍵詞清單，而清單中的gram 類型就是一個特征矢量的一個維度。該模型得出的相鄰關鍵詞均有相關性，整個句子出現的概率為所有關鍵詞出現概率的乘積。

循環神經網絡存在梯度消失問題，其只可以建立短期依賴，而在長距離依賴關系方面，則需要通過增加網絡層數和使用全連接網絡等方式進行建立。

自注意力機制有利于減少交通流預測對外部信息的依賴，以此來更好地捕獲高速公路交通流數據以及特征內在相關性。假設高速公路交通流預測時的輸入信息為H=[h1,h2,…hn]，利用自注意力機制獲得的位置輸出為Y=[y1,y2,…yn]。

首先，將原始輸入 數據映射到值空間V、鍵空間K和查詢空間Q，計算公式如下：

然后計算每個位置注意力分布情況，并對計算結果加權求和：

為進一步加快計算效率，利用矩陣計算出多有位置輸出向量：

將構建的特征矩陣進行一維卷積后導入self-atten tion 中，對相鄰道路的天氣特征和交通流特征進行連接，并計算注意力分布情況，捕獲交通流依賴特征。

2 實驗分析

考慮到高速公路節假日和工作日的交通流存在較大差距，因此分別對節假日和工作日的交通流進行預測和訓練；為驗證SA-DL 模型的預測精度，與ARIMA模型進行對比分析，ARIMA 模型是以時間為基礎，將預測對象隨時間變化所形成的數據序列作為隨機序列，然后利用數學模型來描述該序列，進而從時間序列的過去值及現在值預測未來值。

2.1 數據來源及預處理

數據集來源于某高速公路交通天氣數據和流數據，該高速公路共有3 個收費站，其中2 號收費站為單向行駛路段，只允許車輛進入高速路段。1 和3 號路段為雙向行駛路段。

高速公路交通流和天氣數據采集數據時間范圍為2021 年9 月20 日-2020 年10 月18 日，采集頻率為每隔20min 采集一次數據。天氣數據特征包括風向、氣壓、溫度、降雨量、風速、濕度、降雨量等，采集頻率為3h 采集一次。

2.2 工作日交通流預測

表1 所示SA-DL 模型預測高速公路交通流工作日10d 數據的均方根誤差（RMSE）和平均絕對誤差（MAE）。

表1 對10d 工作日的預測誤差

從表1 中可以看出，對高速公路工作日10d 交通流預測結果的MAE 均值為7.38(15min)-1，RMSE 平均值為9.58(15min)-1。

為驗證提出SA-DL 模型預測性能，利用ARIMA 模型對原始數據進行分析和處理，測試結果如圖2 所示。

圖2 模型MAE 和RMSE 對比結果

從圖2 中可以看出，SA-DL 模型對高速公路交通流的預測結果RMSE 和MAE 均低于ARIMA 模型。與RMSE 模型相比，SA-DL 模型的RMSE 和MAE 分別下降了29.69 與27.93。

2.3 節假日交通流預測

表2 所示SA-DL 模型預測高速公路交通流節假日10d 數據的RMSE 和MAE。

表2 10 天節假日的預測誤差

從表2 中可以看出，SA-DL 對高速公路節假日10d交通流的預測結果的MAE 平均值為6.62 輛·(15min)-1，RMSE 平均值為8.39 輛·(15min)-1。

圖3 所示SA-DL 模型與ARIMA 模型預測結果對比情況，從圖3 中可以看出，SA-DL 模型預測結果明顯低于ARIM 預測結果。SA-DL 模型的RMSE 和MAE 分別下降了19.15 和15.73。

圖3 模型MAE 和RMSE 對比結果

由此可見，對于節假日和工作日道路交通流量的預測結果，SA-DL 預測結果更加準確，SA-DL 模型對高速公路交通流預測結果誤差均值較低，可以為交通管理提供參考。

3 結論

基于深度學習和自注意力機制的預測模型，采用自注意力機制捕獲高速公路交通流空間依賴關系，進一步提高交通流空間特征提取能力；采用LSTM 解決時序依賴性問題，提取數據趨勢性和周期性特征。對于高速公路節假日和工作日交通流量的預測，SA-DL 模型預測結果精度明顯優于ARIMA 模型，并且與實際觀測結果基本一致。將天氣特征和時空特征引入交通流預測過程中，利用自注意力機制特征關鍵信息，捕獲全局依賴關系，可以進一步提高預測結果的準確性。