基于物聯網和深度學習的智能城市交通管理系統

孫臘臘

(鄭州城建職業學院,河南 鄭州 450000)

0 引言

隨著城市化進程的不斷加快,城市交通問題日益嚴峻。交通擁堵、交通事故頻發、環境污染等問題嚴重影響了城市居民的日常生活和城市經濟的發展。傳統的交通管理系統已經無法滿足城市交通管理的需求,迫切需要開發新的智能交通管理系統來提高交通效率、保障交通安全、改善環境質量。

近年來,基于物聯網(Internet of Things,IoT)[1-2]和深度學習[3-4]的智能城市交通管理系統引起了廣泛關注。國際上,美國、歐盟等發達國家已經開展了相關研究,并取得了一系列成果。例如,美國加州大學伯克利分校開發了智能交通管理系統“Surtrac”,該系統可以利用物聯網技術采集交通數據,并利用深度學習技術進行交通流預測和交通信號燈控制。國內研究人員也開展了相關研究,并取得了一定的進展。

為了推動智能交通管理水平,本文針對城市交通管理問題,提出了一種基于物聯網和深度學習的智能城市交通管理系統。該系統首先采用物聯網技術采集交通數據,然后利用深度學習技術進行交通流預測,最后根據預測結果進行交通流量控制。本文的創新點在于:提出了一種基于物聯網和深度學習的智能城市交通管理系統,該系統可以有效提高交通效率、保障交通安全、改善環境質量;采用LSTM模型進行交通流預測,可以有效捕捉交通數據的時空依賴關系,提高預測精度。

1 基于物聯網的交通流量監測方法

為了實現對城市交通流量的實時、準確監測,本文提出了一種基于物聯網的交通流量監測框架,該框架如圖1所示。

圖1 基于物聯網的交通流量監測方法

數據采集層是整個框架的基礎,負責采集道路上的各種交通數據。該層主要包括視頻傳感器、毫米波雷達、氣象傳感器等。

數據傳輸層負責將采集到的數據傳輸到邊緣計算層。該層主要采用無線通信技術,如4G/5G、Wi-Fi、LoRaWAN[5]等。

邊緣計算層負責對采集到的數據進行初步處理,如數據清洗、特征提取、數據壓縮等。該層可以采用邊緣服務器或邊緣網關等設備。

云計算層負責對邊緣計算層處理后的數據進行進一步分析和處理,如交通流預測、交通事件識別、交通信號燈控制等。該層可以采用云服務器等設備。

數據應用層是整個框架的最終應用層,負責將分析結果呈現給用戶,如交通管理人員、駕駛員、行人等。該層可以采用交通管理平臺、導航軟件、手機App等。

2 基于深度學習的交通流量預測方法

2.1 LSTM的基本結構

LSTM[6-8]的基本結構如圖2所示,其中,ht表示時刻t的隱含狀態,是LSTM模型的核心記憶單元,包含了之前所有時刻的信息;ct表示時刻t的細胞狀態,是LSTM模型的長期記憶單元,可以傳遞長期依賴關系;xt表示時刻t的輸入數據;σ表示Sigmoid函數;tanh表示雙曲正切函數。LSTM模型的細胞狀態ct可以傳遞長期依賴關系,因此可以有效解決傳統RNN模型無法解決的長距離依賴問題。另外,LSTM模型可以學習復雜的非線性關系,因此,可以應用于各種復雜任務。模型的基本原理如下:

圖2 LSTM的基本結構

(1)計算輸入門it。

it=σ(Wi*xt+hi*ht-1+bi)

(1)

其中,Wi、hi、bi分別是輸入門it的權重、偏置和遺忘門ft的偏置。

(2)對遺忘門ft進行估計。

ft=σ(Wf*xt+hf*ht-1+bf)

(2)

其中,Wf、hf、bf分別是遺忘門ft的權重、偏置和遺忘門ft的偏置。

(3)計算細胞狀態ct。

ct=ft*ct-1+it*tanh(Wc*xc+hc*ht-1+bc)

(3)

其中,Wc、hc、bc分別是細胞狀態ct的權重、偏置和遺忘門ft的偏置。

(4)計算輸出門ot。

ot=σ(Wo*xt+ho*ht-1+bo)

(4)

其中,Wo、ho、bo分別是輸出門ot的權重、偏置和遺忘門ft的偏置。

(5)計算LSTM的隱藏狀態ht。

ht=ot*tanh(ct)

2.2 基于LSTM的交通流量預測方法

本文研究的基于LSTM的交通流量預測實現方法包括以下4個步驟。

2.2.1 數據準備

交通流量預測模型需要大量歷史交通數據進行訓練。這些數據可以從交通管理部門、交通運輸公司等機構獲取,常用的交通流量表示某一時間段內道路上的車輛數量。

2.2.2 模型構建

構建用于交通流量預測的LSTM模型,模型由輸入門、遺忘門和輸出門3個門控機制組成。

2.2.3 模型訓練

模型訓練的目標是找到一組參數,使得模型預測的交通流與真實交通流之間的誤差最小。常用的損失函數包括均方誤差(Mean Square Error,MSE)、平均絕對誤差(Mean Absolute Error,MAE)等。模型訓練可以使用梯度下降算法,如Adam[9]、RMSProp[10]等。

2.2.4 模型預測

模型訓練完成后,可以預測未來的交通流狀態。首先,將歷史交通數據輸入模型,得到模型的隱含狀態ht;然后,使用隱含狀態ht和輸出門ot計算預測交通流yt。

3 交通流量預測實驗

本實驗采用了METR-LA數據集的交通流量數據部分進行交通流預測實驗。實驗采用的操作系統為Ubuntu 20.04,編程語言為Python 3.8,深度學習框架為TensorFlow 2.7。在實驗中,設置隱藏層單元數128,學習率0.001,訓練輪數100。最后,采用預測結果與實際結果之間的MSE、MAE和平均相對誤差(Mean Relative Error,MRE)對實驗進行評估,如表1所示。

表1 實驗結果

MSE衡量了預測值與真實值之間差異,MAE衡量了預測值與真實值之間平均絕對誤差,MRE衡量了預測值與真實值之間平均相對誤差,3個指標越小,表示預測精度越高。由表1可得,MSE為10.23,MAE為5.87,MRE為0.12,表明該模型在METR-LA數據集上取得了較好的預測精度,可以有效地捕捉交通數據的時空依賴關系,并預測未來的交通流狀態。

4 結語

城市交通擁堵是現代城市面臨的重大挑戰之一,近年來,基于深度學習的交通流量預測方法取得了顯著成效。本文提出了一種基于LSTM的城市交通流量預測方法。LSTM模型是一種特殊的RNN模型,專門為解決長距離依賴問題而設計。該方法首先對交通數據進行預處理,然后利用LSTM模型學習交通數據的時空依賴關系,最后預測未來的交通流狀態。實驗結果表明,該方法在METR-LA數據集上取得了較高的預測精度,MSE為10.23,MAE為5.87,MRE為0.12,具有較高的預測精度和魯棒性。