考慮突發事件影響下的路網交通量預測方法研究

繆榮輝

（福建高速路橋建設發展有限公司,福建 廈門 361001）

0 引言

隨著公路路網密度的不斷增大，公路突發事件愈發頻繁，對道路的正常運行管理提出了嚴峻挑戰。為了及時準確地掌握突發事件對交通流量的影響，準確的時間序列預測和不確定性的可靠估計是非常必要的，這對道路通行狀況異常的上報處理、合理調配資源、做出正確的規劃方案等都至關重要。

交通流量預測短期和中長期交通流量預測兩類，短時交通流量通常是指5 到15 分鐘的流量預測。交通量的預測本身是一個時間序列的問題[1-2]，因此，在早期的交通量模型預測中，時間序列模型在交通量預測研究領域應用較為廣泛[3-4]，其中應用較多的是滑動平均模型（ARIMA），該模型經提出后在交通量預測統計方面取得了顯著成效[5-7]，后續的研究學者也在該模型的基礎上[8-10]，不斷進行了相應的擴展和優化。但局限于模型的參數特性，使得該模型在面對越來越復雜的交通流問題和隨機性問題上，難以滿足預測精度要求。

一般而言，可以用三個參數定量地描述交通狀況：交通流量、交通速度和交通密度。這三個參數的結合能夠準確地反映出智能交通系統對交通控制以及調度的表現情況。為了在模型的訓練和預測中能夠捕捉到時間序列特征，記憶并存儲以往的信息，引入了循環神經網絡來解決交通序列問題，通過學習復雜的時空內部特征，將前幾個隱藏層數據作為當前的數據來源，從而使模型在學習和訓練的過程中完整地保存了歷史數據。

然而，使用神經網絡模型來預測交通流量中的突發狀況仍然是一個較難解決的問題，因此，該文提出了一種考慮端到端的時間序列預測模型架構，并使用貝葉斯神經網絡（BNN）來量化預測突發事件的發生，進一步用于大規模路網交通量的異常檢測。

1 模型的建立

該文在貝葉斯神經網絡的構建中引入了權重參數的概念，以完成擬合最優的后驗分布，這個過程通常被稱為傳統貝葉斯模型中的后驗推斷。然而，由于深度學習模型中復雜的非線性和非共軛性關系，精確的后驗推斷很難實現，此外，大多數用于近似貝葉斯推理的傳統算法也無法擴展到大多數神經網絡參數優化中去，因此，需要針對不同的情況來調整參數以完成算法的優化。

算法的大致思路是在原有長短期記憶模型（LSTM）的基礎上，不改變原有架構，在每個隱藏層后添加隨機丟棄程序，那么模型的輸出結果可近似看作預測后生成的隨機樣本，模型不確定性就可以通過幾次重復模型預測的樣本方差來估計。

1.1 長短期記憶模型的建立

為了在模型的訓練和預測中捕捉時間序列特征，使模型在學習和訓練的過程中完整地保存歷史數據，長短期記憶模型（LSTM）利用記憶單元來替代傳統的隱藏單元用以克服梯度消失和爆炸的現象。記憶模型單元由輸入門、遺忘門、輸出門3 個門控單元組成。這些單元控制了隱藏函數的信息流，其中輸入門控制隱藏信息流的傳遞，遺忘門可以決定當前存儲的歷史信息是否遺棄，輸出門控制輸出信息的向外傳導。

交通量的時間序列定義為X=(x1,x2,…xt)，定義記憶單元隱藏向量M=(m1,m2,…mt)，記憶單元向量C=(c1,c2,…ct)，則遺忘門ft如下式所示：

式中，xt——當前交通量；mt-1——上層隱藏狀態輸入；ct-1——上層狀態向量；σ——sigmoid 函數；Wfx、Wfm、Wfc——權重矩陣；bf——偏置向量。

將當前交通量xt、上層隱藏狀態輸入mt-1、上層狀態向量ct-1共同作為當前的輸入層，輸入門it如下所示：

式中，Wix、Wim、Wic——均代表權重矩陣；bi——偏置向量。

計算此刻的狀態向量ct為：

式中，bc——偏置向量。

將當前交通量xt、上層隱藏狀態輸入mt-1、上層狀態向量ct共同作為當前的輸入層，在輸出門中，通過sigmoid 函數激活當前輸入，輸出門ot如下式所示：

式中，Wox、Wom、Woc——代表權重矩陣；bo——偏置向量。

由輸出門ot和狀態向量ct作為隱藏狀態的輸入，通過tanh激活函數，可得到隱藏狀態向量mt如下式所示：

式中，ot——輸出向量。

1.2 模型不確定性預測

首先，用函數fw(·)表征一個神經網絡結構，其中w表征模型參數的集合，為了評估模型的不確定性，需要量化預測標準誤差η，則近似α水平的預測區間如下式所示：

式中，zα/2——標準法線的α/2 上分位數。

在貝葉斯神經網絡中，為權重參數引入了先驗，在給定一個數據點x后，將后驗分布進行邊緣化處理，可以得到預測分布概率p：

然后通過預測分布的方差量化預測的不確定性，可以使用總方差定律進一步分解：

即方差被分為了兩份，其中，E——方差；Var()——模型不確定性；σ2——固有噪聲。

1.3 模型架構設計

該文神經網絡的完整架構包含兩個主要組件：一個編碼－解碼器框架，用于捕獲時間序列中的固有模式，另一個是預測網絡，從編碼－解碼器框架中獲取輸入指標和外部特征來指導預測結果。

在模型擬合前，首先進行模型的預訓練，擬合出一個可從時間序列中提取有效數據的編碼器，以確保輸入的參數可提供有效信息，并將異常數據信息傳播到預測網絡中。

具體設計步驟如下：給定一個單變量時間序列{xt}，編碼器讀取前t個時間戳{x1,...,xt}構造一個固定維度的狀態向量，之后解碼器根據該狀態向量構造f個時間戳數據{xt, ...,xt+f}；為了構建此時間戳，狀態向量必須從輸入的時間序列中提取有效信息；編碼－解碼器在經過預訓練后，可視為一個能從時間序列中提取關鍵特征的黑盒，當編碼器的最后一個LSTM 單元狀態被提取為狀態向量后，預測神經網絡將以該狀態向量作為特征來預測接下來幾個時間段的數據，并以此傳遞到最終的網絡結構中。網絡結構圖如圖1 所示。

圖1 神經網絡架構圖

2 結果驗證與分析

該文模型由兩層LSTM 單元構成，網絡結構分別包含128 和32 個隱狀態。預測神經網絡由3 個全連接層組成，分別包含128、64 和16 個隱藏單元。輸入樣本通過滑動窗口來構成，在對模型參數進行了反復測試及優化后，確定了預測網絡的最佳參數。測試平臺搭建在Windows10 操作系統中，環境配置為Python 3.6，模型參數如下：迭代步數設置為85 步，學習率設置為0.000 1。最后，將傳統的LSTM 預測模型與該文改進后的預估突發事件不確定性的神經網絡對比驗證算法的訓練效果，以某段城市快速路部分統計數據作為訓練集，分別對未來10 min 和20 min 交通量進行預測，預測訓練結果如圖2~3 所示。

圖3 實際交通量觀測值與模型預測值（預測20 min）

為保證預測模型的精確性和實時性，常采用平均絕對誤差（MAE）、平均絕對百分比誤差（MAPE）、方根誤差（RMSE）評估預測結果，參數模型如下。

式中，N——樣本個數；xi——觀測流量；yi——預測流量。MAE值越小，預測值越接近實際情況；RMSE值越小，模型準確性越好；MAPE值越小，模型適用性越好。

由圖2 及表1 可知，該文所改進的模型預測值與實際交通量觀測值相關性較高，幾乎與實測交通量曲線重疊，而LSTM 模型下的預測值波動較大，受到突發事件的影響較為明顯，難以做出有效及時的調整，相較于該文改進的模型而言應變能力較差，準確度較低。

表1 預測模型評測指標結果

3 結論

（1）該文在原有長短期記憶模型（LSTM）框架的基礎上，不改變原有架構，在每個隱藏層后添加隨機丟棄程序，通過模型的不確定性計算，較好地實現了突發事件下交通量突變情況的預測。

（2）該文給出了考慮突發事件影響下的交通量預測神經網絡架構設計流程，通過初擬合，與傳統的LSTM模型及實測值進行對比，改進的模型與實測值擬合相關性較好，預測準確度高于LSTM 模型，具有良好的適用性。