基于動態圖生成的車道級交通流預測

劉煒燾,馮 輝,王一然,王凌云,余凱峰,孔祥杰

(1.浙江浙能技術研究院有限公司,浙江 杭州 311121;2.浙江工業大學 計算機科學與技術學院,浙江 杭州 310023)

隨著城市化進程的加快和智慧城市的建設,幾乎無處不在的道路傳感器使車輛處于普適環境中。在車輛與傳感器的隱式交互下,傳感器能夠不斷地探測車速、車流量等交通情況,因此人們無須關心道路上潛在的計算設備,只需關注自身的出行,從手機應用或智能車載終端獲取擁堵提示、路徑引導等出行服務。由此可見,智能交通系統(Intelligent traffic system,ITS)是普適計算的重要應用之一,而ITS的交通控制和交通規劃需要以實時、準確的交通流預測作為基礎。交通流預測能夠掌握路網、路段、車道在一般時段和日期下的運行規律,并學習特殊地段(商圈、學校、醫院)、突發事件(交通事故、交通擁堵)、特殊期間(擁堵形成期、擁堵期、擁堵消散期)的交通運行特性,完成對未來交通情況的準確預測[1],為日常出行和交通管理提供關鍵信息。現有的交通流預測方法可大致分為模型驅動型和數據驅動型兩大類[2-4]。模型驅動型方法[5-6]以交通流中基本參數(速度、流量、占有率)之間的各類公式為先驗知識,無法對天氣、交通事故等特殊因素或偶然事件進行處理。因此現有的研究著重于數據驅動型方法中具有多維度數據分析能力的深度學習方法。Wu等[7]為了使預測過程能夠適應環境的變化,提出了基于T-RNN的多模態預測方法。為了更好地擬合高峰流量,Jing等[8]引入了基于梯度提升決策樹的輕量級梯度提升機算法,并結合LSTM神經網絡模型對城市軌道交通客流進行預測。……