一種結(jié)構(gòu)優(yōu)化的深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)

張 陽,廖曉燁,楊書敏,辛東嶸

(1. 福建理工大學(xué) 交通運(yùn)輸學(xué)院,福建 福州 350118; 2. 同濟(jì)大學(xué) 交通運(yùn)輸工程學(xué)院,上海 201804; 3. 福建理工大學(xué) 土木工程學(xué)院,福建 福州 350118)

0 引 言

近年來,隨著人們對(duì)出行質(zhì)量的需求不斷提升,私人機(jī)動(dòng)車數(shù)量大幅度增長(zhǎng)。交通需求的快速增長(zhǎng)導(dǎo)致一系列交通問題變得更加突出,道路堵塞、交通事故頻發(fā)、尾氣污染等已對(duì)社會(huì)發(fā)展和日常生活造成諸多不利影響。智能交通系統(tǒng)中的交通控制和誘導(dǎo)技術(shù)能夠在不改建現(xiàn)有道路條件的前提下提升道路的通行能力從而有效的緩解交通擁堵,因而成為緩解交通擁堵的重要思路。

由于交通流的隨機(jī)性、社會(huì)性、復(fù)雜性等特點(diǎn),精準(zhǔn)的短時(shí)交通流預(yù)測(cè)變成了一大難題。早期的短時(shí)交通流預(yù)測(cè)模型多基于統(tǒng)計(jì)學(xué)原理,其中最有代表性的為時(shí)間序列模型,時(shí)間序列模型常用于描述時(shí)間序列統(tǒng)計(jì)特性,并有效運(yùn)用于參數(shù)化模型處理動(dòng)態(tài)隨機(jī)數(shù)據(jù),根據(jù)交通流在時(shí)間上的連續(xù)性推導(dǎo)得出。這類方法在連續(xù)性數(shù)據(jù)的基礎(chǔ)上擁有較高精度,但參數(shù)估計(jì)較復(fù)雜,且計(jì)算出的參數(shù)不能移植,模型沒有自學(xué)習(xí)自適應(yīng)能力,針對(duì)短時(shí)交通流數(shù)據(jù)的易突變性和波動(dòng)性不能及時(shí)的撲捉和處理,預(yù)測(cè)精度往往不高[1]。隨著機(jī)器學(xué)習(xí)等智能學(xué)習(xí)處理方法的出現(xiàn),基于機(jī)器學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)方法的預(yù)測(cè)精度及魯棒性也得到較大的提升,其中有代表性的為支持向量回歸模型以及神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的融合模型[2-3]。這類方法能夠從大量的交通流歷史樣本中自學(xué)習(xí)找出數(shù)據(jù)內(nèi)在規(guī)律,從而提升預(yù)測(cè)精度。然而這些模型所需要的大量精確的交通流歷史數(shù)據(jù)不易獲取,模型的實(shí)用性受到了較大的限制。為了實(shí)現(xiàn)“小樣本”條件下的短時(shí)交通流預(yù)測(cè),進(jìn)一步提升短時(shí)交通流預(yù)測(cè)方法的實(shí)用性,基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)方法逐漸成為該領(lǐng)域研究的主流方向。比較有代表性有長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)模型和深度信任神經(jīng)網(wǎng)絡(luò)模型等[4-5]。這類模型擁有更強(qiáng)的自學(xué)習(xí)數(shù)據(jù)處理能力,能夠在少量有代表性的精確交通流歷史數(shù)據(jù)條件下實(shí)現(xiàn)精確預(yù)測(cè)。然而,該方法自身結(jié)構(gòu)較為復(fù)雜,數(shù)據(jù)輸入輸出的方式和結(jié)構(gòu)、訓(xùn)練數(shù)據(jù)的選取以及深度網(wǎng)絡(luò)的層數(shù)等都會(huì)影響算法的精度和實(shí)時(shí)性。隨著研究的不斷推進(jìn),組合交通預(yù)測(cè)模型應(yīng)運(yùn)而生[6],其中具有代表性的為組合小波理論預(yù)測(cè)模型,該方法具有較強(qiáng)的擬合能力和較快的收斂速度。但該方法容易導(dǎo)致預(yù)測(cè)精度低、陷入局部最小值等問題[7]。

為了解決上述問題,筆者提出一種改進(jìn)花朵授粉算法與結(jié)構(gòu)優(yōu)化的深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)方法(MFPA-DBN)。首先,根據(jù)預(yù)測(cè)數(shù)據(jù)的類型和時(shí)空特性,確定深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)模型的輸入端數(shù)量和結(jié)構(gòu),并構(gòu)建模型框架,利用MFPA算法尋找模型最優(yōu)初始權(quán)值等;其次,根據(jù)輸入數(shù)據(jù)確定深度信任網(wǎng)絡(luò)預(yù)測(cè)模型的輸入層顯層節(jié)點(diǎn)的分布形式、能量函數(shù)的轉(zhuǎn)換關(guān)系式以及數(shù)據(jù)在顯隱層及隱隱層之間的等效轉(zhuǎn)換形式;最后,由于模型結(jié)構(gòu)對(duì)預(yù)測(cè)精度的影響較大,隱層結(jié)構(gòu)層數(shù)由優(yōu)化算法根據(jù)目標(biāo)函數(shù)值動(dòng)態(tài)選取,進(jìn)一步提升算法的預(yù)測(cè)精度和泛化性。

1 深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)模型

交通流在時(shí)間和空間上具有一定的演變規(guī)律,針對(duì)這些演變規(guī)律對(duì)未來的交通流進(jìn)行合理、科學(xué)的預(yù)測(cè)就是城市道路交通流預(yù)測(cè)[8]。傳統(tǒng)的短時(shí)交通流預(yù)測(cè)往往只考慮預(yù)測(cè)節(jié)點(diǎn)的歷史交通流數(shù)據(jù),而忽略了交通流數(shù)據(jù)在時(shí)空上的演變規(guī)律,預(yù)測(cè)效果往往不佳[9-10]。為了克服這一不足,同時(shí)考慮預(yù)測(cè)節(jié)點(diǎn)的歷史交通流數(shù)據(jù)、臨近周邊重要節(jié)點(diǎn)的歷史交通流數(shù)據(jù),以及歷史數(shù)據(jù)中臨近周邊節(jié)點(diǎn)交通流駛向預(yù)測(cè)節(jié)點(diǎn)的交通數(shù)據(jù)。利用交通流數(shù)據(jù),把握交通流數(shù)據(jù)在時(shí)間、空間上的演變規(guī)律,以期能夠提升預(yù)測(cè)精度。

為了同時(shí)對(duì)上述3種數(shù)據(jù)進(jìn)行處理,筆者建立的深度信任網(wǎng)絡(luò)回歸機(jī)模型由3個(gè)帶高斯分布函數(shù)顯層轉(zhuǎn)換節(jié)點(diǎn)受限波茲曼機(jī)輸入端、若干層受限波茲曼機(jī)中間層以及支持向量回歸機(jī)輸出層三部分構(gòu)成,每個(gè)輸入端通過相應(yīng)的數(shù)據(jù)學(xué)習(xí)得出一個(gè)輸出結(jié)果,最終融合3個(gè)輸出節(jié)點(diǎn)的預(yù)測(cè)結(jié)果得出最終的預(yù)測(cè)值。模型框架圖如圖1。

圖1 深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)模型框架示意Fig. 1 Schematic diagram of framework of short-term traffic flow prediction model with deep belief network

筆者提出的深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)模型構(gòu)建帶高斯分布函數(shù)顯層的輸入層,其能量函數(shù)的轉(zhuǎn)換關(guān)系式為:

(1)

深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)模型中,第1層的顯層節(jié)點(diǎn)和中間隱層節(jié)點(diǎn)對(duì)應(yīng)轉(zhuǎn)換的條件概率為:

p(vi=1|h;θ)=

(2)

(3)

E(v,h;θ)為能量函數(shù),用來實(shí)現(xiàn)中間層信息間的等效轉(zhuǎn)換,其計(jì)算公式為:

(4)

式中:ωij為權(quán)值參數(shù);βi為顯層節(jié)點(diǎn);θ=(ω,β,α)為RBM微調(diào)參數(shù);I、J分別為顯層結(jié)構(gòu)與隱層結(jié)構(gòu)數(shù)量;αj為隱層節(jié)點(diǎn)的偏移量。

RBM權(quán)值的更新公式為:

Δωij=Edata(vihj)-Emodel(vihj)

(5)

式中:Edata(vihj)為數(shù)據(jù)集的期望值;Emodel(vihj)為模型中既定的期望值。

經(jīng)過RBM中間層數(shù)據(jù)學(xué)習(xí),其輸出作為徑向基SVR回歸機(jī)層的輸入,經(jīng)過回歸機(jī)得出單組數(shù)據(jù)的預(yù)測(cè)結(jié)果,根據(jù)歷史數(shù)據(jù)的關(guān)聯(lián)性將3個(gè)徑向基輸出結(jié)果y相融合,得出預(yù)測(cè)結(jié)果Y,其計(jì)算表達(dá)式為:

Y=w1y1+w2y2+w3y3

(6)

式中:w1、w2、w3分別為學(xué)習(xí)參數(shù),反映了預(yù)測(cè)節(jié)點(diǎn)的歷史交通流數(shù)據(jù)、臨近周邊重要節(jié)點(diǎn)的歷史交通流數(shù)據(jù)以及歷史數(shù)據(jù)中臨近周邊節(jié)點(diǎn)交通流駛向預(yù)測(cè)節(jié)點(diǎn)的交通數(shù)據(jù)這3種數(shù)據(jù)對(duì)最終預(yù)測(cè)結(jié)果的影響程度。

2 結(jié)構(gòu)優(yōu)化的深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)模型

深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)模型中,隱層結(jié)構(gòu)的數(shù)量對(duì)預(yù)測(cè)的準(zhǔn)確性有較大的影響。為了保證算法的實(shí)用性,提出一種改進(jìn)花朵授粉算法對(duì)深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)模型的隱層結(jié)構(gòu)進(jìn)行優(yōu)化,避免隨意構(gòu)建而導(dǎo)致模型陷入局部最優(yōu)解及實(shí)用性降低。

2.1 改進(jìn)花朵授粉算法

花朵授粉算法(flower pollination algorithm,FPA)是一種受自然界植物授粉開花過程規(guī)律啟發(fā),而生成的一種新型算法[11]?；ǘ涫诜鬯惴ㄏ噍^于其他群體算法,結(jié)構(gòu)簡(jiǎn)單,步驟較少,編程簡(jiǎn)潔容易;且控制的參數(shù)較少,在算法演繹過程中的調(diào)參工作量少;花朵授粉算法的實(shí)用性和通用性強(qiáng),在很多研究領(lǐng)域上均可使用。但面對(duì)一些復(fù)雜的實(shí)際問題時(shí),收斂速度的快慢以及是否會(huì)陷入局部最優(yōu)解等問題是該算法模型需要克服的重點(diǎn)。筆者在算法內(nèi)加入線性權(quán)重,可以改進(jìn)花粉算法的性能。改進(jìn)的花朵授粉算法可以有效的解決模型陷入局部最優(yōu)解及實(shí)用性降低的問題。

為了更好的模擬花朵授粉的過程,對(duì)花粉授粉算法進(jìn)行如下假設(shè):

1)一株植物僅開一朵花,有且僅有一個(gè)花粉粒子。

2)局部授粉的過程即為非生物自花授粉,用式(7)表示:

(7)

3)生物異花授粉視作一個(gè)全局授粉過程,花粉由昆蟲等生物攜帶,具有Levy飛行規(guī)律,過程用式(8)表示:

(8)

(9)

式中:S、S0分別為步長(zhǎng)與最小步長(zhǎng);λ=1.5;Γ(λ)為標(biāo)準(zhǔn)的Gamma函數(shù)。

為了更好的遵循Levy分布產(chǎn)生的隨機(jī)步長(zhǎng),引入Mantegna方法,實(shí)現(xiàn)Levy的穩(wěn)定分布。用式(10)表示:

(10)

式中:V～N(0,1);U～N(0,σ2),σ2用式(11)表示:

(11)

為了提升搜索的能力,采用線性權(quán)重對(duì)局部授粉的搜索能力進(jìn)行優(yōu)化,用式(12)表示:

(12)

式中:ωmax、ωmin分別為最大、最小權(quán)重;Imax、I分別為最大迭代次數(shù)、當(dāng)前迭代次數(shù)。

因此,生物異花授粉過程變更為式(13)表示:

(13)

4)花粉使用轉(zhuǎn)換概率p決定進(jìn)行局部尋優(yōu)或全局尋優(yōu),p在[0,1]之間。

2.2 MFPA-DBN短時(shí)交通流預(yù)測(cè)實(shí)現(xiàn)步驟

采集預(yù)測(cè)節(jié)點(diǎn)的歷史交通流數(shù)據(jù)、臨近周邊重要節(jié)點(diǎn)的歷史交通流數(shù)據(jù)以及歷史數(shù)據(jù)中臨近周邊節(jié)點(diǎn)交通流駛向預(yù)測(cè)節(jié)點(diǎn)的交通數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。以預(yù)測(cè)值與真實(shí)值的平均絕對(duì)誤差最小為尋優(yōu)目標(biāo)函數(shù),如式(14):

(14)

提出的預(yù)測(cè)模型主要實(shí)現(xiàn)步驟如下:

步驟1根據(jù)實(shí)驗(yàn)需求,采集短時(shí)交通流樣本數(shù)據(jù),其中包括預(yù)測(cè)節(jié)點(diǎn)、臨近周邊重要節(jié)點(diǎn)、臨近周邊節(jié)點(diǎn)交通流駛向預(yù)測(cè)節(jié)點(diǎn)等相關(guān)地點(diǎn)的歷史交通流數(shù)據(jù)。

步驟2構(gòu)建深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)模型,設(shè)置包括3個(gè)帶高斯分布函數(shù)顯層轉(zhuǎn)換節(jié)點(diǎn)受限波茲曼機(jī)輸入端、受限波茲曼機(jī)中間層以及支持向量回歸機(jī)輸出層,初步設(shè)定顯隱層節(jié)點(diǎn)數(shù)、隱層層數(shù)、支持向量回歸機(jī)的核函數(shù)等參數(shù)指標(biāo)。

步驟3處理數(shù)據(jù),將數(shù)據(jù)分成訓(xùn)練組與預(yù)測(cè)組,對(duì)網(wǎng)絡(luò)權(quán)值等進(jìn)行隨機(jī)賦值。根據(jù)式(1)對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理,根據(jù)式(2)～式(4)實(shí)現(xiàn)數(shù)據(jù)信息在隱層結(jié)構(gòu)的傳遞,比較訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的差異,根據(jù)式(5)調(diào)整權(quán)值提高訓(xùn)練模型的精度。初始化種群數(shù)、轉(zhuǎn)換概率、最大迭代次數(shù)等輸入到深度信任網(wǎng)絡(luò)中,將網(wǎng)絡(luò)輸出與實(shí)際值的誤差作為FPA適應(yīng)度函數(shù)值。計(jì)算各花朵的誤差值并找到最優(yōu)解。

步驟4判斷隨機(jī)生成數(shù)Rand與p的大小關(guān)系, 若Rand

步驟5判斷迭代的終止條件是否被滿足。若滿足,得到最優(yōu)的權(quán)值,將其值賦予深度信任網(wǎng)絡(luò)。若不滿足終止條件,則將流程跳轉(zhuǎn)到步驟4,再一次進(jìn)行迭代。

步驟6根據(jù)優(yōu)化得出的隱層結(jié)構(gòu)建立最終的結(jié)構(gòu)優(yōu)化深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)模型。利用訓(xùn)練好的短時(shí)交通流預(yù)測(cè)模型對(duì)實(shí)際數(shù)據(jù)進(jìn)行預(yù)測(cè),驗(yàn)證預(yù)測(cè)效果。

基于MFPA-DBN的交通流預(yù)測(cè)流程圖如圖2。

圖2 基于MFPA-DBN的交通流預(yù)測(cè)流程Fig. 2 Flow chart of traffic flow prediction based on MFPA-DBN

3 實(shí)驗(yàn)結(jié)果與分析

3.1 樣本的采集及選取

本次實(shí)驗(yàn)分別采集了2021年08月21日至08月29日共9天的福州市某次干道交通量、臨近該次干道的兩個(gè)交叉口的總交通量以及兩個(gè)交叉口中駛向該次干道的總交通量共3類交通流流量數(shù)據(jù)作為實(shí)驗(yàn)樣本,實(shí)驗(yàn)路網(wǎng)結(jié)構(gòu)圖如圖3。樣本采集間隔為5 min,其中福州市某次干道交通流量共采集288×12組數(shù)據(jù),臨近該次干道的兩個(gè)交叉口總交通量共采集288×12組數(shù)據(jù),兩個(gè)交叉口中駛向該次干道的總交通量共采集288×12組數(shù)據(jù)分別對(duì)應(yīng)模型的3個(gè)輸入端口。選取前7天的3類采集數(shù)據(jù)作為3個(gè)輸入端口的訓(xùn)練樣本集,對(duì)筆者提出的算法模型結(jié)構(gòu)進(jìn)行訓(xùn)練;同時(shí),選取最后兩天的采集數(shù)據(jù)作為測(cè)試集,用于驗(yàn)證算法的預(yù)測(cè)性能。

圖3 實(shí)驗(yàn)路網(wǎng)結(jié)構(gòu)Fig. 3 Structure diagram of experimental road network

3.2 實(shí)驗(yàn)平臺(tái)

實(shí)驗(yàn)基于Windows10操作平臺(tái),應(yīng)用Python3.7進(jìn)行編程,其他硬件、軟件配置見表1。

表1 實(shí)驗(yàn)平臺(tái)Table 1 Experimental platform

3.3 模型評(píng)價(jià)指標(biāo)

選擇平均絕對(duì)誤差(EMAE)、根均方誤差(ERMSE)、R-Square(R2)和相對(duì)誤差(EMRE)作為評(píng)價(jià)指標(biāo),對(duì)本文模型的精度進(jìn)行評(píng)估。由式(15)～式(18)表示:

(15)

(16)

(17)

(18)

3.4 結(jié)構(gòu)優(yōu)化的深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)性能的影響分析

為了提高預(yù)測(cè)模型的實(shí)時(shí)性,采用離線訓(xùn)練的模式對(duì)模型進(jìn)行訓(xùn)練。通過設(shè)置算法所需的參數(shù),將筆者提出的結(jié)構(gòu)優(yōu)化的深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)方法(MFPA-DBN)和結(jié)構(gòu)固定的深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)方法預(yù)測(cè)性能進(jìn)行對(duì)比,驗(yàn)證方法的有效性。

3.4.1 相關(guān)參數(shù)的設(shè)置

結(jié)構(gòu)優(yōu)化的深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)算法的主要參數(shù)選擇如下:優(yōu)化算法中轉(zhuǎn)換概率p取值為0.8;總迭代次數(shù)為120;種群數(shù)量取值為25,深度信任網(wǎng)絡(luò)中每層的神經(jīng)節(jié)點(diǎn)數(shù)為80,隱層結(jié)構(gòu)層數(shù)由優(yōu)化算法根據(jù)目標(biāo)函數(shù)值動(dòng)態(tài)選取。

結(jié)構(gòu)固定的深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)方法中每層的神經(jīng)節(jié)點(diǎn)數(shù)為80,隱層結(jié)構(gòu)層數(shù)分別選擇為固定值10層、20層和32層。

3.4.2 算法性能比較

在已經(jīng)訓(xùn)練好的MFPA-DBN模型中,輸入測(cè)試集數(shù)據(jù),預(yù)測(cè)得出08月29日每15 min 的交通流量。同時(shí),將原始實(shí)驗(yàn)集數(shù)據(jù)直接利用10層隱層結(jié)構(gòu)深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)模型(10-DBN)、20層隱層結(jié)構(gòu)深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)模型(20-DBN),以及32層隱層結(jié)構(gòu)深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)模型(32-DBN)進(jìn)行預(yù)測(cè),并將預(yù)測(cè)結(jié)果與MFPA-DBN模型進(jìn)行比較,結(jié)果如圖4。

圖4 結(jié)構(gòu)優(yōu)化與結(jié)構(gòu)固定的深度信任網(wǎng)絡(luò)預(yù)測(cè)結(jié)果比較Fig. 4 Comparison of prediction results of deep belief network with optimized structure and fixed structure

利用EMAE、ERMSE、R2、EMRE作為評(píng)價(jià)指標(biāo),MFPA-DBN模型、10-DBN、20-DBN和32-DBN模型的預(yù)測(cè)結(jié)果如表2。通過對(duì)比4個(gè)指標(biāo)可知,隱層結(jié)構(gòu)層數(shù)的選擇對(duì)算法的預(yù)測(cè)精度有直接的影響,提出的MFPA-DBN模型預(yù)測(cè)結(jié)果優(yōu)于其它3種結(jié)構(gòu)固定的深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)方法,20-DBN模型預(yù)測(cè)結(jié)果次之,32-DBN模型預(yù)測(cè)結(jié)果僅優(yōu)于10-DBN模型,10-DBN模型預(yù)測(cè)結(jié)果最差。

表2 結(jié)構(gòu)優(yōu)化與固定的深度信任網(wǎng)絡(luò)預(yù)測(cè)結(jié)果Table 2 Prediction results of deep belief network with optimized structure and fixed structure

3.5 結(jié)構(gòu)優(yōu)化的深度信任網(wǎng)絡(luò)模型預(yù)測(cè)性能與經(jīng)典算法性能比較

將筆者提出的結(jié)構(gòu)優(yōu)化的深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)方法(MFPA-DBN)與文獻(xiàn)[3]提出的CNN-SVR模型、文獻(xiàn)[7]提出的TGWO-BP模型、文獻(xiàn)[12]提出的GA-LSTM模型的預(yù)測(cè)效果進(jìn)行比較,最后得出結(jié)果。

3.5.1 算法性能比較

在已經(jīng)訓(xùn)練好的MFPA-DBN模型中,輸入測(cè)試集數(shù)據(jù),預(yù)測(cè)得出08月29日每15 min的交通流量。同時(shí),將原始實(shí)驗(yàn)集數(shù)據(jù)利用目前的CNN-SVR模型、GA-LSTM模型、TGWO-BP模型進(jìn)行預(yù)測(cè),并將預(yù)測(cè)結(jié)果與MFPA-DBN模型進(jìn)行比較,如圖5。在24 h預(yù)測(cè)結(jié)果及早高峰預(yù)測(cè)結(jié)果比較中,筆者提出的MFPA-DBN模型相對(duì)于其他3種預(yù)測(cè)方法更貼近真實(shí)值,但在16:00—17:00時(shí)間段內(nèi),MFPA-DBN模型部分預(yù)測(cè)結(jié)果陷入局部最優(yōu),一方面由于筆者預(yù)測(cè)模型(MFPA-DBN)綜合考量了有效性與實(shí)時(shí)性兩個(gè)因素。為了實(shí)現(xiàn)算法在預(yù)測(cè)時(shí),模型的有效性、實(shí)時(shí)性能夠達(dá)到相對(duì)最優(yōu),在實(shí)驗(yàn)過程中適當(dāng)?shù)貙?duì)尋優(yōu)迭代次數(shù)作了限制;另一方面由于該時(shí)間段內(nèi)交通量發(fā)生了突變,數(shù)據(jù)波動(dòng)性較大,對(duì)模型的預(yù)測(cè)效果造成了影響。尤其是16:15—16:30這個(gè)時(shí)間段模型明顯陷入局部最優(yōu),但此問題并不影響模型其在實(shí)際情況下的使用,可通過放開對(duì)實(shí)時(shí)性因素的考量,增加模型的尋優(yōu)迭代次數(shù)來規(guī)避陷入局部最優(yōu)的缺陷,達(dá)到較優(yōu)的預(yù)測(cè)效果。

為避免實(shí)時(shí)性因素對(duì)文中模型(MFPA-DBN)的預(yù)測(cè)效果造成不利的影響,筆者將MFPA-DBN模型的迭代次數(shù)分別增加到175次和225次,將迭代次數(shù)增加的MFPA-DBN模型與迭代次數(shù)為120次的MFPA-DBN模型、CNN-SVR模型、TGWO-BP模型、GA-LSTM模型預(yù)測(cè)效果進(jìn)行對(duì)比,最后得出結(jié)果。預(yù)測(cè)結(jié)果如圖6。利用EMAE、ERMSE、R2、EMRE作為評(píng)價(jià)技術(shù)指標(biāo),評(píng)價(jià)結(jié)果如表3。通過對(duì)比4個(gè)指標(biāo)可知,筆者提出的MFPA-DBN模型預(yù)測(cè)結(jié)果精度最高,其預(yù)測(cè)性能優(yōu)于其他3種短時(shí)交通流預(yù)測(cè)方法。同時(shí)增加MFPA-DBN模型的尋優(yōu)迭代次數(shù)后,有效解決該模型陷入局部最優(yōu)解的問題。

3.5.2 結(jié)構(gòu)優(yōu)化的深度信任網(wǎng)絡(luò)模型計(jì)算效率分析

短時(shí)交通流預(yù)測(cè)模型的計(jì)算效率是算法實(shí)用化的關(guān)鍵。為了驗(yàn)證算法的計(jì)算效率,筆者以算法運(yùn)算時(shí)間為評(píng)價(jià)指標(biāo)對(duì)其進(jìn)行評(píng)估,仍然與CNN-SVR模型、GA-LSTM模型、TGWO-BP模型進(jìn)行比較。本實(shí)驗(yàn)采取離線訓(xùn)練模型后在線預(yù)測(cè)數(shù)據(jù)進(jìn)行短時(shí)交通流預(yù)測(cè),算法的計(jì)算效率如表4。由表4、圖6可以看出,對(duì)MFPA-DBN模型的迭代次數(shù)進(jìn)行增加,可以有效避免模型在個(gè)別時(shí)間段陷入局部最優(yōu)的缺陷,提升算法的預(yù)測(cè)精度。但隨著迭代次數(shù)的增加,模型的計(jì)算效率下降。筆者提出的算法實(shí)時(shí)性雖然不是最優(yōu),但其預(yù)測(cè)精度較高。若綜合考量實(shí)時(shí)性與有效性兩種因素,將文中模型的迭代次數(shù)設(shè)置為120次可達(dá)到實(shí)時(shí)性、有效性結(jié)果相對(duì)最優(yōu),且其與實(shí)時(shí)性最優(yōu)的算法差距較小,計(jì)算效率仍然較高,可以滿足實(shí)際使用需求。

圖5 深度學(xué)習(xí)模型預(yù)測(cè)結(jié)果比較Fig. 5 Comparison of prediction results of deep learning model

圖6 模型預(yù)測(cè)結(jié)果比較Fig. 6 Comparison of model prediction results

表3 預(yù)測(cè)結(jié)果對(duì)比Table 3 Comparison of prediction results

表4 不同算法的計(jì)算效率對(duì)比Table 4 Comparison of calculation efficiency of different algorithms

4 結(jié) 語

筆者提出一種結(jié)構(gòu)優(yōu)化的深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)方法,通過構(gòu)建可同時(shí)訓(xùn)練3種與預(yù)測(cè)節(jié)點(diǎn)相關(guān)的交通流數(shù)據(jù)的深度信任網(wǎng)絡(luò)模型來增強(qiáng)預(yù)測(cè)的時(shí)空關(guān)聯(lián)性。為了進(jìn)一步提升預(yù)測(cè)模型精度,提出一種優(yōu)化的花朵授粉算法,以預(yù)測(cè)值與真實(shí)值的平均絕對(duì)誤差最小為尋優(yōu)目標(biāo)函數(shù),優(yōu)化深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)模型結(jié)構(gòu),動(dòng)態(tài)選擇合適的預(yù)測(cè)模型隱層結(jié)構(gòu)參數(shù)。

利用實(shí)際交通數(shù)據(jù)進(jìn)行方法驗(yàn)證,實(shí)驗(yàn)結(jié)果表明,筆者提出的結(jié)構(gòu)優(yōu)化深度信任網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)方法預(yù)測(cè)精度優(yōu)于CNN-SVR、GA-LSTM、TGWO-BP模型,預(yù)測(cè)效果較好,實(shí)時(shí)性也能滿足實(shí)際需求。由于該模型方法(MFPA-DBN)只針對(duì)常規(guī)天氣下的交通流數(shù)據(jù)進(jìn)行預(yù)測(cè),未考慮特殊天氣變化帶來的影響,未來可針對(duì)天氣變化的因數(shù)進(jìn)一步拓展研究。