基于ST-GCN短時(shí)路況預(yù)測算法的預(yù)警系統(tǒng)

李長亮

(中遠(yuǎn)海運(yùn)科技股份有限公司，上海 200135)

0 引 言

近年來，國家有關(guān)部門發(fā)布了多項(xiàng)用于指導(dǎo)公路信息化發(fā)展和智慧公路建設(shè)的文件，其中提出的云控平臺(tái)將給高速公路的運(yùn)行管理模式帶來巨大變革。根據(jù)2018年3月交通運(yùn)輸部發(fā)布的《關(guān)于加快推進(jìn)新一代國家交通控制網(wǎng)和智慧公路試點(diǎn)的通知》，基于大數(shù)據(jù)的路網(wǎng)綜合管理已在多個(gè)省市試點(diǎn)，為智慧高速云控平臺(tái)的發(fā)展奠定了基礎(chǔ)。近幾年，很多省市都在大力推進(jìn)智慧高速公路建設(shè)，其中北京、浙江和江蘇的影響力較大。

智慧公路云控平臺(tái)主要為一定區(qū)域內(nèi)的高速公路管理提供信息化、智能化手段，為高速公路上的應(yīng)急事件處置提供信息支撐。借助云控平臺(tái)，可全面掌控路網(wǎng)的狀態(tài)，提高相關(guān)部門的路網(wǎng)管理能力和服務(wù)公眾的水平，最終實(shí)現(xiàn)高速公路管理“可知、可測、可控、可服務(wù)”，使路網(wǎng)運(yùn)行更安全高效，公眾出行更便捷舒適，交通管理更科學(xué)智能，智慧道路更綠色經(jīng)濟(jì)。

隨著經(jīng)濟(jì)的快速發(fā)展，車輛的不斷增多，人們對高速公路服務(wù)質(zhì)量的要求越來越高。目前的手機(jī)導(dǎo)航軟件支持實(shí)時(shí)路況探知和未來短時(shí)路況預(yù)測功能，但在行車過程中頻繁使用手機(jī)是比較危險(xiǎn)的行為。同時(shí)，手機(jī)導(dǎo)航軟件是從道路使用者的角度對路況進(jìn)行預(yù)測的，未從道路管理者的角度對路況進(jìn)行綜合管控。本文嘗試從道路管理者的角度出發(fā)，綜合應(yīng)用各類數(shù)據(jù)搭建能進(jìn)行短時(shí)路況預(yù)測的預(yù)警系統(tǒng)。該基于短時(shí)路況預(yù)測算法的預(yù)警系統(tǒng)是智慧公路云控平臺(tái)內(nèi)有關(guān)路網(wǎng)管控的一個(gè)重要系統(tǒng)。

1 系統(tǒng)概述

1.1 系統(tǒng)架構(gòu)

該預(yù)警系統(tǒng)的原理是：通過搭建數(shù)據(jù)中臺(tái)，將門架數(shù)據(jù)、收費(fèi)數(shù)據(jù)和天氣數(shù)據(jù)等各種數(shù)據(jù)匯集到一起；對這些數(shù)據(jù)進(jìn)行清洗、轉(zhuǎn)換、分析和統(tǒng)計(jì)等處理之后，將其轉(zhuǎn)換成數(shù)據(jù)服務(wù)，供系統(tǒng)本身和外部系統(tǒng)調(diào)用。因此，該預(yù)警系統(tǒng)主要由數(shù)據(jù)收集層、數(shù)據(jù)中臺(tái)層和展示層等3部分構(gòu)成，見圖1。

圖1 預(yù)警系統(tǒng)架構(gòu)圖

1) 數(shù)據(jù)收集層。數(shù)據(jù)收集主要是讀取各種數(shù)據(jù)，并將其匯集到系統(tǒng)中。收集的數(shù)據(jù)主要包括收費(fèi)車道數(shù)據(jù)、門架數(shù)據(jù)、黑名單數(shù)據(jù)、治超數(shù)據(jù)、綠色通道車(以下簡稱“綠通”)數(shù)據(jù)和發(fā)行數(shù)據(jù)等。

2) 數(shù)據(jù)中臺(tái)層。數(shù)據(jù)中臺(tái)包含平臺(tái)管理、數(shù)據(jù)計(jì)算和應(yīng)用程序接口(Application Programming Interface,API)開放平臺(tái)等3部分。

(1) 平臺(tái)管理主要是對平臺(tái)的用戶、API的權(quán)限和其他平臺(tái)運(yùn)行的基礎(chǔ)數(shù)據(jù)進(jìn)行管理，不包含業(yè)務(wù)數(shù)據(jù)；

(2) 數(shù)據(jù)計(jì)算主要是對收集到的業(yè)務(wù)數(shù)據(jù)進(jìn)行清洗、轉(zhuǎn)換和去重等操作，在此基礎(chǔ)上整理分析統(tǒng)計(jì)結(jié)果，并將其存儲(chǔ)到各數(shù)據(jù)庫中；

(3) API開放平臺(tái)主要對計(jì)算得到的數(shù)據(jù)進(jìn)行封裝和查詢，提供對外服務(wù)功能，供前端應(yīng)用或供第三方系統(tǒng)使用。

1.2 系統(tǒng)服務(wù)構(gòu)成

預(yù)警系統(tǒng)采用微服務(wù)開發(fā)架構(gòu)，底層包含Cassandra集群服務(wù)、關(guān)系型數(shù)據(jù)庫服務(wù)、ElasticSearch集群服務(wù)、Kafka集群服務(wù)、Redis服務(wù)、Hadoop服務(wù)和Spark服務(wù)等，底層服務(wù)上面是由很多微服務(wù)構(gòu)成的數(shù)據(jù)應(yīng)用，例如對發(fā)行數(shù)據(jù)進(jìn)行分析的發(fā)行服務(wù)，對綠通數(shù)據(jù)進(jìn)行分析的綠通服務(wù)，以及治超服務(wù)和平臺(tái)數(shù)據(jù)監(jiān)控等微服務(wù)。另外，還有提供給外部開發(fā)人員的API開放平臺(tái)和提供給后臺(tái)管理人員的后臺(tái)數(shù)據(jù)管理服務(wù)等。最終這些微服務(wù)通過注冊、網(wǎng)關(guān)服務(wù)，經(jīng)由Nginx代理對外開放。系統(tǒng)本身也有一些主題展示，也通過Nginx代理對外開放。當(dāng)然，短時(shí)路況預(yù)測算法采用的數(shù)據(jù)主要來自于運(yùn)營服務(wù)。圖2為預(yù)警系統(tǒng)服務(wù)構(gòu)成圖。

圖2 預(yù)警系統(tǒng)服務(wù)構(gòu)成圖

2 系統(tǒng)工作流程

預(yù)警系統(tǒng)包含交通數(shù)據(jù)獲取模塊、深度學(xué)習(xí)模塊、算法校正模塊和信息發(fā)布模塊等4個(gè)模塊，其工作流程見圖3。

圖3 預(yù)警系統(tǒng)工作流程

1) 交通數(shù)據(jù)獲取模塊主要用來獲取實(shí)時(shí)和歷時(shí)的交通數(shù)據(jù)，這些數(shù)據(jù)經(jīng)過預(yù)處理之后流入深度學(xué)習(xí)模塊。交通數(shù)據(jù)需作脫敏處理。

2) 深度學(xué)習(xí)模塊采用短時(shí)路況預(yù)測算法對未來1 h或15 min的路況進(jìn)行預(yù)測。下面以預(yù)測某40 km長的區(qū)域內(nèi)未來15 min(即以15 min為1個(gè)時(shí)間片)的路況為例進(jìn)行說明。取過去6個(gè)時(shí)間片(即6個(gè)15 min，合計(jì)90 min)中每15 min內(nèi)各組出入口對(以下簡稱OD)的平均車速和流量作為算法的輸入；取未來15 min內(nèi)各組OD的預(yù)測車速作為算法的輸出。

3) 算法校正模塊在對算法進(jìn)行訓(xùn)練和學(xué)習(xí)過程中，通過配置項(xiàng)不斷地對其進(jìn)行校正，以獲取更好的預(yù)測效果和更高的準(zhǔn)確度。

4) 信息發(fā)布模塊根據(jù)預(yù)測的車速，按高速公路運(yùn)行狀態(tài)等級劃分標(biāo)準(zhǔn)描繪對應(yīng)路段的顏色，高速公路上的情報(bào)板實(shí)時(shí)顯示該信息。

2.1 交通數(shù)據(jù)獲取模塊

交通數(shù)據(jù)獲取模塊主要用于獲取實(shí)時(shí)和歷時(shí)的交通數(shù)據(jù)，并對這些數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理的內(nèi)容包括刪除異常數(shù)據(jù)和重復(fù)數(shù)據(jù)、填補(bǔ)缺失數(shù)據(jù)、去除噪聲和使數(shù)據(jù)標(biāo)準(zhǔn)化。這部分工作主要由數(shù)據(jù)中臺(tái)完成。

2.2 深度學(xué)習(xí)模塊

交通歷史數(shù)據(jù)作為一種時(shí)間序列數(shù)據(jù)，具有時(shí)間相關(guān)性，即某時(shí)段的交通數(shù)據(jù)與之前多個(gè)時(shí)段的交通數(shù)據(jù)有關(guān)，且距離當(dāng)前時(shí)段越近，數(shù)據(jù)的相關(guān)性越強(qiáng)。為分析交通數(shù)據(jù)的時(shí)間相關(guān)性，采用深度學(xué)習(xí)算法探究當(dāng)前時(shí)刻交通數(shù)據(jù)與滯后時(shí)刻交通數(shù)據(jù)的相關(guān)性[1]。考慮到單個(gè)路段并不能很好地體現(xiàn)車輛行駛情況的變化趨勢和整個(gè)高速路網(wǎng)中路段之間的關(guān)聯(lián)性，就交通流速度或流量而言，某路段的交通狀況易受周邊路段的影響，如當(dāng)路段上游堵車時(shí)，勢必會(huì)導(dǎo)致下游車輛的速度減慢。通過對路網(wǎng)中的交通空間依賴性進(jìn)行分析，可發(fā)現(xiàn)路段間交通數(shù)據(jù)的空間關(guān)聯(lián)程度。

2.2.1 空間相關(guān)性

圖卷積網(wǎng)絡(luò)(Graph Convolutional Network,GCN)模型可獲得中心道路與其周邊道路之間的拓?fù)潢P(guān)系、編碼道路網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和道路上的屬性，進(jìn)而獲得空間相關(guān)性。本文采用GCN模型，從交通數(shù)據(jù)中學(xué)習(xí)空間特征。一個(gè)雙層GCN模型可表示為

(1)

2.2.2 時(shí)間相關(guān)性

獲取時(shí)間相關(guān)性是交通預(yù)測的另一個(gè)關(guān)鍵環(huán)節(jié)。長短期記憶(Long Short-Term Memory,LSTM)網(wǎng)格采用門控機(jī)制控制信息的傳遞及狀態(tài)和記憶單元的更新。本文采用LSTM網(wǎng)絡(luò)模型，從流量數(shù)據(jù)中獲得時(shí)間相關(guān)性[2]。LSTM內(nèi)部的門控單元分別為輸入門、遺忘門和輸出門，這3個(gè)門相互獨(dú)立，分別處理時(shí)間序列特征信息的輸入、遺忘和輸出過程。圖4為LSTM單元模型的結(jié)構(gòu)。

圖4 LSTM單元模型的結(jié)構(gòu)

2.2.3 時(shí)空圖卷積網(wǎng)絡(luò)模型

為同時(shí)捕獲交通數(shù)據(jù)的空間相關(guān)性和時(shí)間相關(guān)性，提出一種基于GCN和LSTM網(wǎng)絡(luò)單元的時(shí)空圖卷積網(wǎng)絡(luò)(Spatio-Temporal Graph Convolutional Network，ST-GCN)模型。具體而言，ST-GCN模型由GCN、LSTM網(wǎng)絡(luò)單元和注意力機(jī)制(Attention)等3部分組成。hi-1為在時(shí)間i-1的輸出；GC為圖形卷積過程；ut和rt分別為在時(shí)間t的更新門和復(fù)位門；hi為在時(shí)間i的輸出。具體計(jì)算過程如下。

ut=σ(Wu[f(A,Xt),ht-1]+bu)

(2)

rt=σ(Wr[f(A,Xt),ht-1]+br)

(3)

ct=tanh(Wc[f(A,Xt),(rt·ht-1)]+bc)

(4)

ht=ut·ht-1+(1-ut)·ct

(5)

式(2)～式(5)中：f(A,Xt)為圖形卷積過程，定義為式(1)；W和b分別為訓(xùn)練過程中的權(quán)重和偏差；tanh函數(shù)為雙切正切曲線函數(shù)。圖5為ST-GCN算法流程圖。

ST-GCN模型可處理復(fù)雜的空間相關(guān)性和時(shí)間相關(guān)性問題。一方面，利用GCN對高速公路網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)進(jìn)行捕捉，得到高速公路網(wǎng)絡(luò)的空間相關(guān)性；另一方面，利用LSTM網(wǎng)絡(luò)單元捕捉道路交通信息的動(dòng)態(tài)變化，獲得時(shí)間相關(guān)性，最終實(shí)現(xiàn)交通預(yù)測。

2.3 算法校正模塊

算法校正模塊在對算法進(jìn)行訓(xùn)練和學(xué)習(xí)過程中，通過配置項(xiàng)不斷地對其進(jìn)行校正，以獲取更好的預(yù)測效果和更高的準(zhǔn)確度。ST-GCN模型的配置項(xiàng)主要包括學(xué)習(xí)率、批量大小、訓(xùn)練循環(huán)和隱藏單元數(shù)。通過系統(tǒng)配置學(xué)習(xí)率為0.000 5，批量大小為32個(gè)，訓(xùn)練循環(huán)(次數(shù))為50次。隱藏單元(數(shù)量)是ST-GCN模型的一個(gè)非常重要的參數(shù)，可能會(huì)極大地影響預(yù)測精度，系統(tǒng)配置隱藏單元為128個(gè)，此時(shí)預(yù)測精度最高。圖6為配置項(xiàng)配置界面。

圖5 ST-GCN算法流程圖

圖6 配置項(xiàng)配置界面

2.4 算法驗(yàn)證模塊

(6)

具體來說，EMA用于衡量預(yù)測值與觀察值之間的平均絕對誤差大小，其值越小，說明預(yù)測模型的精確度越高。本文采用2022年8月4日—9月15日寧夏銀川市的高速公路數(shù)據(jù)進(jìn)行算法訓(xùn)練和測試，圖7為短時(shí)路況預(yù)測結(jié)果，得到15 min短時(shí)預(yù)測的EMA為13.36，60 min短時(shí)預(yù)測的EMA為11.51。即實(shí)際車速值和預(yù)測車速值的誤差絕對值的平均值僅為13.36和11.51。

a) 15 min短時(shí)路況預(yù)測

b) 60 min短時(shí)路況預(yù)測

2.5 信息發(fā)布模塊

結(jié)合ST-GCN模型輸出的預(yù)測車速，根據(jù)高速公路運(yùn)行狀態(tài)等級劃分標(biāo)準(zhǔn)(見表1)換算得到路段的顏色信息，根據(jù)顏色信息生成可在情報(bào)板上顯示的圖片，經(jīng)接口將圖片推送給情報(bào)板展示。高速公路多彩智能情報(bào)板上顯示的路況信息見圖8。

表1 高速公路運(yùn)行狀態(tài)等級劃分標(biāo)準(zhǔn)

圖8 高速公路多彩智能情報(bào)板上顯示的路況信息

3 管理服務(wù)集成

預(yù)警系統(tǒng)除了集成實(shí)時(shí)和歷時(shí)的交通數(shù)據(jù)以外，還集成道路服務(wù)者對道路的相關(guān)服務(wù)內(nèi)容。本文將智慧服務(wù)區(qū)系統(tǒng)接入數(shù)據(jù)中臺(tái)，利用外場多彩智能情報(bào)板顯示服務(wù)區(qū)信息，見圖9。

圖9 高速公路多彩智能情報(bào)板上顯示的服務(wù)區(qū)信息

當(dāng)遇到事故時(shí)，將事故詳細(xì)數(shù)據(jù)接入數(shù)據(jù)中臺(tái)，通過車道級別的管控引導(dǎo)車輛提前避讓，同時(shí)在交警的授權(quán)下開放應(yīng)急車道，以緩解擁堵現(xiàn)象，見圖10。

圖10 高速公路多彩智能情報(bào)上板顯示的車道管控信息

4 結(jié) 語

本文根據(jù)車輛速度的時(shí)間和空間特性提出一種以ST-GCN為核心算法，將GCN、LSTM網(wǎng)絡(luò)模型和Attention相結(jié)合的基于短時(shí)路況預(yù)測算法的預(yù)警系統(tǒng)。目前該系統(tǒng)已在寧夏銀川繞城高速公路和機(jī)場高速公路中得到應(yīng)用，可對未來15 min和未來1 h的路況進(jìn)行預(yù)測，算法支持2 min級別的更新。外場多彩智能情報(bào)板上顯示的預(yù)測路況隨著算法結(jié)果的更新而實(shí)時(shí)變化，同時(shí)支持道路施工和車道級別的管控等。該系統(tǒng)準(zhǔn)確的路況和時(shí)間預(yù)測、多彩的信息展示得到了司乘用戶的一致認(rèn)可。然而，目前只能利用門架流水和收費(fèi)站流水預(yù)測路況，數(shù)據(jù)還存在一定的滯后性和局限性，若能搭配高速公路上浮動(dòng)車的數(shù)據(jù)，則系統(tǒng)的預(yù)測結(jié)果會(huì)更準(zhǔn)確，這是未來研究的方向。