基于深度學習的短時交通流量預測

(沈陽理工大學 遼寧 沈陽 110159)

目前，在交通流量預測方面，普遍的流量預測方法是依賴于統計學方法進行的，根據統計學進行預測的方法主要有根據概率預測、回歸預測以及根據時序預測等等。這些早期的預測算法預測能力較低，魯棒性差，執行效果不穩定，所以預測的結果沒有十分理想。

本研究基于深度學習搭建合適的深度學習預測模型，使用這種方法提取有效的特征進行預測，調整參數，得到最佳結果。

一、深度學習模型設計

(一)交通流量時間特征的提取

長短期記憶網絡主要依靠幾個“門”來完成提取特征的功能。首先是“遺忘門”，長短期記憶網絡第一步就是決定哪些信息被遺忘，決定保存哪一部分合理的特征信息，接著就是決定什么信息應該保存，那就是“輸入門”和狀態Ct，最后是“輸出門”決定要輸出什么，這個輸出是由神經元狀態決定的，并且有一個濾波器。

(二)交通流量空間特征的提取

對于交通流量來說，研究周邊的交通流量對研究點的影響也是非常必要的。卷積神經網絡可以一維空間網絡也可以是二維空間網絡，是一種前饋神經網絡，是有監督的訓練，本質上是一種從輸入到輸出的映射，能夠實現大量數據的從輸入到輸出的映射關系，并且不需要十分精準的數學表達式，只需要用已知的模式對大量的數據進行訓練，網絡就擁有從輸入到輸出的映射功能，并且提取數據某個狀態的特征。經典的卷積神經網絡結構包括：卷積層，降采樣層，全連接層。

本文為了對應短期的交通流量預測，所以只采用卷積層和全連接層來提取空間特征，不使用降采樣層對數據的規模進行縮減。

(三)交通流量數字特征的提取

交通流量的本身就是大量數字組成的，所以研究交通流量本身的數字特征是非常必要的。自編碼的目的是讓他的輸出盡量和輸入一致，在輸出盡可能復現輸入的過程中，關注中間隱藏層的映射關系，從而提取輸入的交通流量的數據的特征。中間的過程分別叫做編碼和解碼，編碼和解碼的變化過程都是線性變化和非線性激活。

本實驗使用自編碼網絡提取交通流量數據的數字本身特征，從輸入層到輸出層的映射過程中提取特征h，逐步調整權重(Wi)和偏置量(bi)，使得整個網絡盡可能擬合訓練數據。

二、基于深度學習的短時交通流量預測模型和實驗

本實驗采用英國倫敦環城高速公路的交通流量數據集，共21個觀測點，124000條數據作為實驗中的訓練集和測試集，根據公式(1)和公式(2)對平均絕對誤差(MAE)以及均方誤差(MSE)來測試模型的性能。

(1)

(2)

其中，fi表示預測值，yi表示真實值。結果如表所示。

預測方法平均絕對誤差(MAE)均方誤差(MSE)LSTM0.170.22LSTM+CNN0.0730.16LSTM+SAE0.120.22LSTM+CNN+SAE0.0450.05

從實驗數據可以看出，單使用長短期記憶網絡提取的特征來預測交通流量的絕對誤差和均方誤差比較高，而且提取的特征相對單一。使用長短期以及網絡和卷積神經網絡或者自編碼網絡結合，改善了提取特征的單一性，從表中可以看出增加了一種特征可以使誤差有所降低。使用本文提出的三種網絡相結合，得到三種交通流量特征來預測下一時刻的交通流量，誤差可以達到最低。由此可以看出，本文提出的短期交通流量預測的方法是可行的，而且模型的性能良好。

三、總結

本文提出使用深度學習的方法進行短期交通流量預測，使用三種深度學習的方法進行交通流量特征提取，最后進行特征融合，使用英國高速公路的流量進行結果驗證，對比使用較少特征進行流量預測的結果，結果顯示本文提出的方法對交通流量預測的結果準確性有所提高。目前使用三種特征提取來預測交通流量，未來可以探索更多的特征提取方法，來進一步提升準確度。