基于邊緣計算和深度學習的交通流預測研究

基金項目：廣西交通職業技術學院科學研究項目“基于邊緣計算的交通預警系統”（編號：JZY2021KAY07）；廣西交通職業技術學院科學研究項目“廣西高速公路交通擁堵防治的研究與應用”（編號：JZY2021KAZ05）；廣西高校中青年教師科研基礎能力提升項目“大數據背景下道路運輸交通安全風險預警平臺研究與應用”（編號：2022KY1122）；廣西高等教育本科教學改革工程項目“智能時代高校思想政治理論課‘3+3+3’教學模式的研究與實踐”（編號：2021JGA393）

作者簡介：劉 華（1984—），碩士，工程師，講師，研究方向：計算機應用技術、人工智能、大數據。

摘要：文章提出一種基于邊緣計算和深度學習的交通流預測方法，采用基于CNN-LSTM的深度學習模型，并將深度學習模型中的數據預處理和推理計算移動到邊緣節點上。實驗結果表明，該方法可以有效地提高交通流預測的準確性和實時性，具有較好的應用前景。

關鍵詞：邊緣計算；深度學習；交通流預測；智慧交通

中圖分類號：U491.1⁺12

0 引言

隨著城市化進程的加速和汽車保有量的增加，城市交通擁堵已經成為一大難題，嚴重影響著城市的發展和居民的生活質量。為了解決這一問題，智慧城市建設中的交通管理是一個重要方向。而交通流預測是智慧交通領域中的一個重要研究問題，對于交通管理、出行規劃、交通安全等方面都有重要意義。

近年來，隨著5G技術和物聯網的快速發展，涉及交通相關的邊緣設備越來越多，如車輛感應器、車速傳感器、信號燈控制器、道路溫濕度傳感器、視頻監控識別器等。根據IDC的預測，到2026年，我國將有100億物聯網設備和傳感器在線，因此基于邊緣計算在智能交通領域的應用逐漸成為研究熱點。邊緣計算采用分布式計算的思想，將計算和存儲資源移動到數據源的近端，減少了數據傳輸的時間，提高了計算速度，關鍵特點包括低延遲、高帶寬、節能等^［1-2］。邊緣計算在車聯網的交通流預測 ^［3］方面有著高效的應用，能夠在細粒度的網絡流量模型下提升流量的測量精度，并且降低主干網絡的負載；也在危險品運輸車輛跟蹤預警^［4］和交通事故風險深度預測^［5］方面有著良好的實踐，可以更加有效保障車輛的運行安全。

深度學習是一種基于神經網絡的機器學習方法，其主要特點是可以自動學習數據中的特征，并用于分類、回歸、聚類等任務。常用的深度學習模型包括卷積神經網絡（CNN）、循環神經網絡（RNN）和長短期記憶網絡（LSTM）等已被很多研究者應用于交通流預測，實驗結果表明比傳統的預測模型具有更高的預測精度^［6-8］。

在現有研究的基礎上，本文為了進一步提高交通流預測的實時性和準確性，設計了一種基于邊緣計算和深度學習相結合的預測系統架構，并給出了基于CNN-LSTM深度學習模型的算法實現方案。主要實現過程是利用邊緣節點上的計算能力先對采集到的交通流數據進行預處理，然后將處理好的數據發送至云端的深度學習模型進行訓練和預測。通過實驗分析表明，該方法有效地減少了數據在網絡中的傳輸延遲，提高了交通流預測效率和精度。

1 基于邊緣計算和深度學習的交通流預測系統架構

基于邊緣計算和深度學習的交通流預測系統主要包括以下四個部分：數據采集與處理模塊、邊緣計算節點、云端中心節點、用戶應用界面。整個系統架構如下頁圖1所示。

1.1 數據采集與處理模塊

數據采集與處理模塊負責從交通傳感器和車載設備等數據源中獲取交通數據，并進行預處理和清洗。常見的交通數據包括車輛速度、車道流量、交通事件等，這些數據可以通過傳感器和車載設備等方式進行采集。采集到的數據需要經過預處理和清洗，包括數據去重、異常值處理、數據補全等操作。處理后的數據可以直接用于建模和預測。

1.2 邊緣計算節點

邊緣計算節點是指在距離數據源頭更近的位置進行計算和處理的節點。在交通流預測系統中，邊緣計算節點主要負責數據分析、特征提取和建模等任務。由于交通數據量大且實時性要求高，將這些任務移動到邊緣節點可以大大減少數據傳輸和響應時間，提高系統性能。

1.3 云端中心節點

云端中心節點是指在云端進行數據存儲和模型訓練的節點。在交通流預測系統中，中心節點主要負責模型的訓練和優化，并將訓練好的模型傳輸到邊緣節點，用于實時預測，還可以對預測結果進行分析和優化，提高預測準確度和魯棒性。

1.4 用戶應用界面

用戶應用界面是指交通流預測系統的可視化界面，用于展示交通狀況和預測結果。用戶可以通過界面查看實時的交通流量、速度和密度等信息，以及未來一段時間內的交通預測結果。用戶界面還可以提供交通建議和路線規劃等功能，幫助用戶更好地規劃行程。

基于邊緣計算和深度學習的交通流預測研究/劉 華

2 基于CNN-LSTM的交通流預測模型

本文采用卷積神經網絡（CNN）模型提取交通流數據的時空特征，對每個監測點的歷史交通流狀態進行特征提取，然后使用長短時記憶網絡（LSTM）模型進行交通流數據的時間序列建模，捕捉交通流數據中的時序依賴關系，最后通過全連接層將LSTM模型的輸出轉化為預測值。下面詳細介紹構建CNN-LSTM的交通流預測模型的方法和步驟。

2.1 交通流數據建模

通過傳感器采集到的交通流數據通常包括監測路段的車輛數量、速度、密度等相關信息，采集頻率一般在1～5 min內。使用邊緣計算設備對原始交通流數據進行預處理后，再將有效數據傳輸到云端中心節點進行模型訓練。假設第i個監測點在時間點t的速度為v_i，t，對每個時間點t設定一段歷史時間序列t-L，t-L+1，…，t-1，就可以得到時間速度序列v_i，t-L，v_i，t-L+1，…，v_i，t-1，將每個時間點N個監測點的數據與時間速度序列拼接形成一個NL的矩陣X_t，如式（1）所示。

2.2 CNN模型

卷積神經網絡（CNN）模型通過卷積操作提取交通流數據中的時空特征，捕捉交通流數據的空間和時間關系，利用池化操作可以對特征圖進行下采樣，將原始數據的維度降低，提高計算效率。設定CNN模型的輸入是交通流數據X_t，輸出C_t表示對X_t的特征提取結果，計算公式如式（2）～（3）所示。

式中：Z_t，k——第k個卷積核對輸入序列X_t的卷積結果；

w_i，j，k ——第k個卷積核的權重；

X_t，i，j——輸入序列X_t的第i行、第j列的值；

C_t，k——第k個卷積核對輸入序列X_t的卷積結果后的輸出值;

ReLU——激活函數;

p——卷積核的行數;

q——卷積核的列數;

b_k——偏置項。

2.3 LSTM模型

長短時記憶網絡（LSTM）模型是一種適用于時間序列數據建模的深度學習模型，它能夠自適應地學習時間序列數據中的長期依賴關系，并在序列預測任務中表現出較好的性能。將CNN模型提取到的交通流空間特征序列化為時間序列，輸入到LSTM模型，可以實現交通流量的時空特征融合，提高交通流預測的有效性。每個LSTM單元包含了輸入門、遺忘門、輸出門和記憶單元四個部分。設定LSTM模型的輸入是C_t，輸出是Y︿_t，表示對特征序列C_t的建模和預測結果，計算公式如式（4）～（5）所示。

h_t=LSTMC_t，h_t-1，c_t-1""" （4）

?_t=Denseh_t，W_dense+b_dense""" （5）

其中：LSTM——LSTM層；

h_t——LSTM層的輸出；

Dense——全連接層；

W_dense——全連接層的權重；

b_dense——全連接層的偏置項。

2.4 CNN-LSTM融合模型

通過上述對CNN和LSTM模型的分析，單一模型無法有效捕獲交通流量和速度之間的相關性，從而影響預測的精度。CNN-LSTM模型通過CNN提取交通流數據的空間特征，然后通過LSTM提取交通流數據的時序特征，并通過全連接層進行交通流預測，模型的總體框架如圖2所示，具體的預測算法步驟如下：

Step 1 對交通流量數據和速度數據進行預處理，填補缺失值，刪除異常值。

Step 2 將數據輸入模型并對數據進行分類，劃分訓練集和測試集數據，并對數據進行歸一化處理。

Step 3 設置模型卷積核，步長等參數值并選擇合適的優化算法，然后遍歷所有數據。

Step 4 將處理后的數據輸入到CNN模型，提取空間特征。

Step 5 將CNN網絡輸出的交通流空間特征數據輸入到LSTM模型，進一步提取數據的時間序列特征。

Step 6 設定batchsize、epoch等參數對模型進行訓練，最終輸出交通流預測模型。

3 實驗結果分析

本研究在模型訓練中使用交叉熵損失函數和隨機梯度下降法進行優化，模型驗證中使用均方根誤差（RMSE）、平均絕對誤差（MAE）和平均絕對百分比誤差（MAPE）來衡量預測模型的性能，其數值越小，預測效果越好。RMSE、MAE和MAPE的計算公式如式（6）～（8）所示。

式中：n——樣本的數量；

y_i——實際值；

?_i——預測值。

為了評估本文模型的有效性，采用美國加州交通管理系統提供的標準化公開數據集PeMSD7進行實驗，該數據集以每隔5 min記錄交通流量數據。實驗選取的數據時間段為2021-01-01至2021-10-31，按照7∶3的比例分為訓練集和測試集。使用Python編程語言和TensorFlow框架實現CNN-LSTM模型，實驗設備為Win10操作系統計算機（Intel Core（TM）i7-9700處理器，內存32 G），并開啟了GPU加速進行模型訓練。

如表1所示，在同樣的實驗環境下對比本文設計的CNN-LSTM模型與三個基準模型（ARIMA、LSTM、CNN）的性能，CNN-LSTM模型在三個評估指標上的表現都比其他模型更好，特別是在MAPE上，CNN-LSTM模型有著更小的誤差，表明基于CNN-LSTM的交通流預測模型具有更高的預測精度和有效性。

4 結語

本研究針對交通流預測中存在的數據規模大、計算復雜度高、預測準確性低等問題，提出了一種基于邊緣計算和深度學習的交通流預測技術，旨在提高交通流預測的準確性和可靠性。將交通流預測任務分配給邊緣計算節點和云端節點，以降低數據傳輸和處理時間，同時采用基于CNN-LSTM的交通流預測模型，可以更好地處理時空相關性和周期性等特征。實驗結果表明，基于邊緣計算和深度學習的交通流預測技術具有較好的預測性能。

未來的研究可以考慮將其他交通數據如交通事件、氣象數據等納入模型中，實現對交通流的綜合預測。一方面可以將交通流預測與交通信號控制相結合，實現智能交通的控制和優化；另一方面還可以探索將區塊鏈技術應用于交通流預測中，實現交通數據的安全共享和隱私保護。

參考文獻

［1］盧 毅，宋家辛，張 華.高速公路智能交通系統邊緣計算應用研究［J］.公路，2021，66（3）：242-245.

［2］吳建波，朱文霞，劇 亮，等.邊緣計算在智慧交通系統中的應用［J］.計算機與現代化，2021（12）：103-109，122.

［3］凌 敏，羅 影，袁 亮，等.一種面向智慧交通的車聯網網絡流量估計方法［J］.西安電子科技大學學報，2021，48（3）：40-48.

［4］馬峻巖，劉仟金，許 良，等.基于邊緣計算的危險品運輸車輛跟蹤預警方法［J］.交通信息與安全，2020，38（5）：120-128.

［5］嚴麗平，郭成源.基于邊緣計算的城市交通事故風險深度預測［J］.計算機仿真，2022，39（12）：226-229，329.

［6］劉明宇，吳建平，王鈺博，等.基于深度學習的交通流量預測［J］.系統仿真學報，2018，30（11）：4 100-4 105，4 114.

［7］王竟成，張 勇，胡永利，等.基于圖卷積網絡的交通預測綜述［J］.北京工業大學學報，2021，47（8）：954-970.

［8］羅向龍，李丹陽，楊 彧，等.基于KNN-LSTM的短時交通流預測［J］.北京工業大學學報，2018，44（12）：1 521-1 527.

收稿日期：2023-04-07