基于大數據的城市短時交通流預測方法研究

黃政

關鍵詞：交通流預測;交通大數據;深度學習;門控循環單元神經網絡

1緒論

城市道路短時交通流預測是智能交通系統實現交通誘導和交通控制的關鍵部分，精準的短時交通流預測可為其提供及時和有價值的參考信息。交通流預測是通過大量歷史數據或實時采集的交通數據科學預測未來時刻的道路交通狀況，短時交通流預測通常是對未來5～15分鐘內的交通流量進行循環預測，為道路使用者和運輸從業者提供更優的出行路徑，減少交通擁堵，提高道路的安全性和通行效率。

目前，短時交通流的預測方法主要有數理建模法和數據驅動法。數理建模法主要有時問序列模型、混沌理論模型以及卡爾曼方程等。文獻[3]提出以季節為周期的自回歸滑動平均模型交通流短期預測，利用大量歷史相關數據開展參數估計實現預測的目的。文獻[4]首先應用方差優化速度預測，采用卡爾曼濾波交通預測模型，在所測速度隨時間起伏較小的條件下，提高了網絡模型的預測精度。數據驅動法主要包括深度學習和神經網絡。Huang等將深度學習應用于短時交通流預測中，其運用無監督學習法獲取相關交通流數據特征，提高了預測的準確率。Ma等將LSTM網絡引入交通速度預測，LSTM模型可提高交通流數據的長時間依賴。

綜上所述，交通數據采集手段的發展和深度學習的應用為解決交通相關問題提供了新的思路，本文分析深度學習的神經網絡結構，利用門控循環單元神經網絡算法對城市短時交通流預測進行探索。

2短時交通流預測模型

2.1 LSTM神經網模型

LSTM由循環神經網絡優化演變來的，LSTM神經加入了門控機制來保存輸入系列相關信息，期中引入了輸入門、遺忘門、輸出門，從而解決了長序列訓練中梯度消失及梯度爆炸問等，使其擁有學習交通流長序列信息的功能，LSTM模型內部結構如圖1所示。

圖1中，箭頭是參數傳遞方向，x表示模型的輸入參數，h。為單元當前的輸出，c。是當前單元結構的狀態信息f、i、o。分別表示遺忘門、輸入門和輸出門的輸出信息。如下是該模型的傳遞公式。

2.2門控循環單元神經網絡

門控循環單元神經網絡GRU可看做LSTM的一個重要變體網絡，它的特點是將循環體的輸入門和遺忘門合并為更新門，GRU只有重置門和更新門兩個門控機制，其工作原理與LSTM模型相似，都是用門控機制來選擇保留和遺忘一些信息，在這樣的工作方式下，有選擇的存儲來自交通流序列的時間關聯信息，保留了長期時間序列信息減少梯度消失問題，同時，GRU結構相對簡單，模型收斂速度較快，GRU的計算效率比LSTM有所提高。GRU結構示意圖如圖2所示。

3實驗與結果分析

3.1數據及預處理

本文采用PeMS收集的交通流數據進行分析，選取2016年3月1日至2016年4月20日期間對某路段的交通流量數據，時間間隔為5min。其中80%的數據用于GRU神經網絡預測模型的訓練，20%的數據用于測試。受外界干擾，常出現數據異常或缺失等現象，通常需要進行實驗數據的預處理。本文運用Min-Max函數對數據做歸一化操作，提高模型的收斂速度和預測能力。

3.2預測模型評價指標

為了對預測的結果進行分析，本文將模型預測的結果誤差作為評價指標，期中，選擇了常用的均方誤差、平均絕對誤差和平均絕對百分比誤差來描述和評價各模型的預測精度，相關誤差公式如下：

3.3實驗內容及結果

本文對構建的短時交通流量預測模型運用Python語言開發環境，在Keras中進行訓練測試。

為了對比分析，本文建立SVR模型、ARIMA模型、LSTM模型，以及GRU模型4種模型進行訓練和測試。其中，統計模型ARIMA的建立基于Statsmodels庫，模型的參數為默認值，模型SVR的建立基于Sklearn庫，模型的參數為默認值。將LSTM預測模型層數設為4層，包括輸入層、輸出層和2個LSTM層。期中，隱層神經元為64，訓練迭代次數（epoch）為100，采用Adam算法作為模型訓練的優化器。

將預測位置的歷史交通數據輸入預測網絡模型中，下一時刻交通流量作為輸出，基于GRU的短時交通流預測結果分別如圖3所示，可見交通流的預測值與實際交通量吻合度較高，表明本文所用的GRU預測模型能有效預測出道路下一時刻的交通流量，GRU網絡可較好地擬合交通流變化的非線性特性，并能自適應獲取序列數據問的關聯性，選取歷史數據進行預測，模型展現了很好的預測性能。

不同模型的各類誤差指標進行對比的結果如表1。從中可見，GUR模型的預測誤差及精度與LSTM預測網絡接近，都明顯優于SVR模型和ARIMA模型，神經網絡具有多隱含層的結構有助于獲取交通流數據的特征，使得GRU模型各類指標均較小，表現出了良好的預測指標，實驗結果證明，GRU模型可較準確地模擬城市交通流量的實時變化情況，可用于城市交通流量的預測。

4結論

本文建立了GRU的神經網絡預測模型，利用深度學習對交通流預測作了相關探索。將歷史交通流數據輸入GRU神經網絡中，挖掘短時交通流數據的時間特征，對城市短時交通流進行預測。實驗結果表明該網絡模型預測性能優于SVR模型和ARIMA網絡模型，具有較高的準確率，可為智能交通管理與控制提供有效依據。