基于深度卷積神經網絡的交通流量預測數學模型設計

劉紅敏

摘 ?要： 精確的交通流量預測是實現未來智能交通的關鍵技術。神經網絡模型在該領域的預測方面具有一定的優勢。因此，為了提高預測精度，設計一種基于深度卷積神經網絡的交通流量預測數學模型。首先，對交通流量數據的預處理方法進行分析，然后結合特征訓練過程和卷積神經網絡構建深度神經網絡結構，并給出深度神經網絡的配置參數。利用美國明尼蘇達大學UMD分校的交通流數據集進行仿真實驗，結果表明，提出的模型可以對短時交通全局趨勢進行預測，并具有較好的穩定性和預測精度。

關鍵詞： 交通流量預測; 智能交通; 數學模型; 深度神經網絡; 預測精度; 仿真實驗

中圖分類號： TN99?34 ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）13?0110?03

Design of traffic flow prediction Mathematical model based on

deep convolutional neural network

LIU Hongmin

（Guangzhou ?University ?Sontan ?College， Guangzhou 511370， China）

Abstract： Accurate traffic flow prediction is a key technology for realizing intelligent transportation in the future. Neural network models have certain advantages in the prediction of this field. Therefore， in order to improve the prediction accuracy， a traffic flow prediction mathematical model based on deep convolutional neural network is designed. The preprocessing method of traffic flow data is analyzed. The deep neural network structure is constructed by combining feature training process and convolutional neural network. The configuration parameters of deep neural network are given in this paper. The simulation experiments were carried out with the traffic flow dataset of the UMD Branch， University of Minnesota. The results show that the proposed model can predict the short?term global traffic trend， and has good stability and prediction accuracy.

Keywords： traffic flow prediction; intelligent transportation; prediction methematical model; deep neural network; prediction accuracy; simulation experiment

0 ?引 ?言

隨著我國經濟的不斷發展，人們的生活水平不斷提高，汽車已經逐步走進了每一個家庭。汽車作為一種現代化的交通工具，已經成為人們生活和工作中不可或缺的重要組成部分。社會對汽車的依賴程度也逐年加深，導致機動車的數量出現了快速增長。伴隨而來的是日益嚴重的環境問題和交通擁堵問題。

為了解決以上問題，相關部門和專家提出許多應對方案，例如增加交通基礎建設、減少機動車數量、單雙號機動車限行等。但是以上方案均會增加社會經濟負擔，并且只能是權宜之計，無法從根本上解決問題。隨著人工智能技術的火熱發展，未來智能交通系統成為一種更加可行、有效的選擇。智能交通系統是一種結合先進信息科學技術的交通運輸管理系統，能夠有效地緩解交通擁堵，減少能耗，有利于實現綠色交通出行。實現未來智能交通系統的關鍵技術之一就是精確的交通流量預測。

因此，本文將深度卷積神經網絡運用于智能交通，提出一種基于深度卷積神經網絡的交通流量預測數學模型。交通流數據集DataSet1（預處理后）上的仿真實驗結果表明，相比其他人工智能學習模型，如BP神經網絡模型和支持向量機模型，深度卷積神經網絡模型對短時交通流量的預測具有較好的效果，且具有較好的全局收斂性。

1 ?相關研究現狀分析

針對交通流量預測問題，現有的研究方法可以分為三大類：長期預測、中期預測和短期預測。其中，時間長度為5～10 min的短時預測在智能交通系統中扮演著十分重要的角色。

目前，文獻[1]提出一種基于BP神經網絡在交通事故預測的方法，通過使用自適應學習和附加動量因子對BP神經網絡進行改進。文獻[2]提出一種基于混合支持向量機的城市短時交通預測方法，充分利用支持向量機良好的泛化能力、全局最優和較強自適應性的特點[3]。但是交通流數據通常具有明顯的非線性、不確定性和時空相關性，因此現有方法在處理短時預測時仍不滿足需求，存在準確率不穩定的問題。

深度學習算法已經成為一個十分熱門的研究領域[4?5]。學習算法的主要目的是自動將數據轉換為更簡單的形式，以便于在構建分類時提取有用的信息。因此，不少文獻采用深度神經網絡結構實現智能識別或預測[6]。本文提出運用深度卷積神經網絡來解決短時交通流量預測難度較大的問題。

2 ?交通流量數據預處理

假設一個長度為[n]的交通流數據序列為[x=][{xii=1，2，…，n}]，則相空間重構后的時間序列為：

3 ?深度神經網絡模型

深度學習算法是一種特殊的表示算法，它使用神經網絡來發現多層次特征，從而表達數據抽象概念。圖1描述了本文提出的深度神經網絡結構。該深度神經網絡有5層，每一層的節點數量如圖1所示。全部20個特征輸入到輸入層。在最后一層，運用Soft?max函數生成概率度量。度量中具有最高數值的結果將被選作最終預測結果。

圖1 ?深度神經網絡結構

3.1 ?特征訓練過程

采用稀疏自動編碼機實現非監督特征訓練過程，以便進行深度神經網絡結構中的卷積操作。稀疏自動編碼機的稀疏約束過程中散度懲罰因子的計算方式為：

3.2 ?深度神經網絡配置參數

本文將負對數似然函數作為成本函數，并采用學習率為0.01的隨機梯度下降方法。訓練過程中根據數據集大小設定批量大小為50，并且每50個特征輸入更新一次網絡權值。深度神經網絡配置參數如表1所示。

表1 ?深度神經網絡配置參數

4 ?實驗結果與分析

4.1 ?實驗環境

實驗仿真環境為：Windows 7，Intel[?] CoreTM i7 CPU （3.00 GHz），8 GB內存， Matlab R2014a。實驗數據采用美國明尼蘇達大學UMD分校的交通流數據集，具體使用數據集DataSet1，包含1 440組數據。

4.2 ?實驗評價指標

4.3 ?預測結果分析

分別采用BP神經網絡模型、支持向量機模型和本文深度卷積神經網絡模型在數據集DataSet1上運行10次，并取平均值作為最終預測結果，最終的預測性能結果如表2所示。

表2 ?數據集DataSet1的預測性能結果

由表2可以總結出，相比BP神經網絡模型[1]和支持向量機模型[2]，深度卷積神經網絡模型預測精度更高。數據集DataSet1均為時間間隔5 min樣本。因此說明提出的深度卷積神經網絡模型在短時交通流預測上是有效的。此外，深度卷積神經網絡模型的10次運行結果波動較小，即預測更穩定。

5 ?結 ?論

本文提出一種基于深度卷積神經網絡的交通流量預測數學模型。對預處理后的交通流數據集進行仿真實驗，得出如下結論：深度卷積神經網絡模型在短時交通流預測上是有效的;相比BP神經網絡模型和支持向量機模型，深度卷積神經網絡模型預測更穩定，精度也更高，充分表明該數學模型可以滿足實時交通流預測的需要。

參考文獻

[1] 陳海龍，彭偉.改進BP神經網絡在交通事故預測中的研究[J]. 華東師范大學學報（自然科學版），2017（2）：61?68.

CHEN Hailong， PENG Wei. Research on improved BP neural network in traffic accident prediction [J]. Journal of East China Normal University （Natural science）， 2017（2）： 61?68.

[2] 歐陽俊，陸鋒，劉興權，等.基于多核混合支持向量機的城市短時交通預測[J].中國圖象圖形學報，2018，15（11）：1688?1695.

OUYANG Jun， LU Feng， LIU Xingquan， et al. Urban short?term traffic prediction based on multi?core hybrid support vector machine [J]. Journal of image and graphics， 2018， 15（11）： 1688?1695.

[3] YIN Y， WANG X， BAI M. Online state?based structured SVM combined with incremental PCA for robust visual tracking [J]. IEEE transactions on cybernetics， 2017， 45（9）： 1988?2000.

[4] ZHENG Z， CHEN W， WU X， et al. LSTM network： a deep learning approach for short?term traffic forecast [J]. IET intelligent transport systems， 2017， 11（2）： 68?75.

[5] SAMEK W， BINDER A， MONTAVON G， et al. Evaluating the visualization of what a deep neural network has learned [J]. IEEE transactions on neural networks & learning systems， 2017， 28（11）： 2660?2673.

[6] LI J， MEI X， PROKHOROV D. Deep neural network for structural prediction and lane detection in traffic scene [J]. IEEE transactions on neural networks & learning systems， 2017， 28（3）： 690?703.

[7] 鮑婷婷，陳建良.交通預測信息對路網流量演化穩定性影響分析[J].公路交通科技，2017，34（7）：121?129.

BAO Tingting， CHEN Jianliang. Analysis of impact of traffic prediction information on evolution of road network traffic [J]. Journal of highway and transportation research and development， 2017， 34（7）： 121?129.

[8] XI C， LEI P， ZHANG M， et al. A public traffic demand forecast method based on computational experiments [J]. IEEE transactions on intelligent transportation systems， 2017， 18（4）： 984?995.

[9] 景鵬，徐海彬，杜年茂，等.基于.NET框架的交通預測監控系統設計[J].電子技術與軟件工程，2017（22）：253.

JING Peng， XU Haibin， DU Nianmao， et al. Design of traffic prediction and monitoring system based on .NET framework [J]. Electronic technology and software engineering， 2017（22）： 253.

[10] SHAO Yinchi，MU Yunfei，，YU Xiaodan，DONG Xiaohong， et al. A spatial?temporal charging load forecast and impact analysis method for distribution network using EVs?traffic?distribution model [J]. Proceedings of the CSEE， 2017， 37（18）： 5207?5219.