基于卷積神經(jīng)網(wǎng)絡(luò)的交叉口過車速度短時(shí)預(yù)測(cè)模型研究1

劉 振 ，張 祎， 慕 迪

上海市城鄉(xiāng)建設(shè)和交通發(fā)展研究院

0 引 言

道路交叉口是城市交通網(wǎng)絡(luò)聯(lián)結(jié)的關(guān)鍵節(jié)點(diǎn)，交叉口通行效率降低極易引起道路擁堵，排堵的關(guān)鍵是交叉口交通通行效率的提升。與路段交通流不同，交叉口各種車流、人流交匯、分散、相互交織，交通流不具有明顯的方向性和順序性，而交叉口的道路條件、周邊交通環(huán)境等因素都會(huì)影響其通行能力[1]。準(zhǔn)確的交叉口交通狀態(tài)預(yù)測(cè)可以給交警出警提供參考信息，從而更有效、更快速地將警力部署到最需要的地方，將交通指揮警力由“被動(dòng)”轉(zhuǎn)化為“主動(dòng)”，由“經(jīng)驗(yàn)”轉(zhuǎn)化為“先驗(yàn)”。

相關(guān)學(xué)者對(duì)于路段速度預(yù)測(cè)和路口通行效率已有了較多的深入研究。朱順應(yīng)等[3]探討了路段上小時(shí)間間隔里的交通預(yù)測(cè)ARIMA模型，并對(duì)參數(shù)進(jìn)行了標(biāo)定和檢驗(yàn)；翁劍成等[4]基于北京快速路數(shù)據(jù)，構(gòu)建了一種基于K近鄰的非參數(shù)回歸短時(shí)交通預(yù)測(cè)模型；吳志周等[5]對(duì)比了傳統(tǒng)灰色預(yù)測(cè)模型和反向（BP）神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的優(yōu)缺點(diǎn)，并建立了灰色神經(jīng)網(wǎng)絡(luò)點(diǎn)速度預(yù)測(cè)模型，經(jīng)過實(shí)例分析，該預(yù)測(cè)模型具有更好的效果。傳統(tǒng)的預(yù)測(cè)方法，比如自回歸滑動(dòng)平均（ARMA）模型、貝葉斯模型等對(duì)于異常交通狀態(tài)下的交通預(yù)測(cè)能力較差，無法挖掘數(shù)據(jù)深層的特征信息，而卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）模型具有更強(qiáng)的數(shù)據(jù)特征提取能力，能夠處理更為復(fù)雜的問題，因此本文擬采用CNN模型，對(duì)地面交叉口的速度進(jìn)行短時(shí)預(yù)測(cè)研究，構(gòu)建的預(yù)測(cè)系統(tǒng)已經(jīng)在實(shí)戰(zhàn)中進(jìn)行了應(yīng)用和實(shí)踐，效果良好。……