基于多層復雜網絡的循環神經網絡交通量預測模型

摘" 要： 針對未安裝車流量檢測設備的高速公路路段進行短時交通量準確預測，是一個亟待解決的問題。為此，提出一種基于復雜網絡的循環神經網絡路段短時交通量預測模型。該模型以入口節點交通量為輸入，輸出路段動態預測交通量。模型由復雜網絡、交通小區劃分、循環神經網絡三個模塊組成。復雜網絡由多層網絡組成，是交通小區劃分的基礎；交通小區劃分模塊根據節點特征值，采用聚類方法將節點形成小區，使同小區內節點具有類似特征。最后，以交通小區為依據，將節點交通量合并為小區交通量，采用循環神經網絡進行路段動態交通量的預測。通過模型示例并與其他模型預測結果進行對比分析，驗證所提模型的準確性和可靠性。結果表明，該模型能夠準確地預測不同時長的交通量，MAPE為9.275%，相比于其他方法，預測精度更高且性能穩定，具有重要的應用價值。

關鍵詞： 交通量預測； 高速公路路段； 多層復雜網絡； 循環神經網絡； 交通小區劃分； 預測精度

中圖分類號： TN911.73?34； TP391.9" " " " " " " " " "文獻標識碼： A" " " " " " " " 文章編號： 1004?373X（2024）22?0173?06

Recurrent neural network traffic volume prediction model based on

multi?layer complex network

Abstract： Accurate short?term traffic volume prediction for highway segments without installed traffic flow detection equipment is a pressing issue. On this basis， a recurrent neural network short?term traffic volume prediction model based on complex network is proposed. In this model， the traffic volume of the entry node is taken as input， and the traffic volume of the output section as dynamic prediction. The model is composed of three modules： complex network， traffic area division and recurrent neural network. The complex network is composed of multi?layer network， which is the basis of traffic district division. According to the characteristic value of the nodes， the traffic plot division module can use clustering method to form the nodes into a plot， so that the nodes in the same plot have similar characteristics. Based on the traffic area， the nodal traffic volume is combined into the traffic area volume， and the cyclic neural network is used to predict the dynamic traffic volume of the road section. The accuracy and reliability of the proposed model are verified by the model example and comparison with other model prediction results. The results show that the model can accurately predict the traffic volume of different time lengths， and the average MAPE is 9.275%. In comparison with other methods， the prediction accuracy is higher and the performance is stable， which has important application value.

Keywords： traffic volume forecast; highway sections; multilayer complex network; recurrent neural network; traffic district division; prediction accuracy

0" 引" 言

交通量短時預測在交通管理、路線選擇、事故預防和應急救援中起著重要作用。在交通管理優化方面，通過短時預測，交通管理者可以更好地了解交通流量的變化趨勢，采取相應的措施來優化交通管理；在用戶路線選擇方面，導航系統可以為駕駛員提供更準確的路線規劃和交通狀況信息，這使得駕駛員能夠選擇避開擁堵路段，選擇合適的路線到達目的地，從而節省時間和燃料成本；在交通事故預防方面，通過短時預測系統可以識別出交通事故易發區域和時段，提前采取措施減少事故發生的可能性；在應急響應和救援方面，短時預測系統可以幫助交通管理部門和救援機構迅速做出響應。綜上所述，交通量短時預測可以提高交通系統的效率、安全性和可持續性，為人們提供更便捷、更安全的出行體驗。

交通量短時預測的方法總體上可以歸納為模型驅動和數據驅動兩類。模型驅動方法有時間序列模型和濾波類模型，時間序列模型如ARIMA[1?2]及其變體[3]，濾波類模型如卡爾曼濾波[4?5]、粒子濾波[6]等，以及時間序列和濾波方法相結合的混合模型[7?8]。在通常情況下，參數類模型具有兩方面不足：一是很強的條件假設，并且需要對路段交通觀測量進行實時統計；二是對每個觀測位置進行單獨預測，缺乏空間相關性考慮。

數據驅動類方法可以分為傳統機器學習類方法和深度學習類方法。傳統機器學習類方法如分類回歸樹[9]、K近鄰和SVM[10]等被應用于道路交通預測，此外，部分研究還采用了貝葉斯方法[11]、KNN[12]、RNN、LSTM[13?14]等；深度學習類方法如CNN[15]、Transformer[16]等。在通常情況下，數據驅動模型需要在具備交通大數據的前提下使用，數據缺乏空間相關性的考慮。顯然，現有預測方法對于未安裝車流量檢測設備的高速公路路段進行短時交通量準確預測仍然是一個難題。

本文提出一種基于復雜網絡的路段短時交通量預測模型。采用復雜網絡原理進行數據處理，結合循環神經網絡，實現了路段動態交通量的準確預測。該模型特點在于：以預測路段為研究對象，基于復雜網絡進行交通小區劃分，將節點交通量數據轉換為小區交通量；同時預測過程中無需對路段交通量進行檢測，可實現對未安裝車流量檢測設備的高速公路路段進行短時交通量準確預測。

1" 基于復雜網絡的路段短時交通量預測原理

交通復雜網絡理論是研究交通系統中網絡結構和行為的理論[17]，將交通系統視為一個復雜網絡，其中交通節點和道路被表示為網絡中的節點和邊，通過這些節點和邊進行交通流動。復雜網絡能夠表征道路結構、拓撲特征、網絡行為等，用于理解和優化交通系統的結構和行為。

路段短時交通量預測是基于一段時間內觀測到的歷史交通狀態時空數據序列，采用預測模型預測未來若干時段內的道路交通狀態時空數據序列。本文針對單個路段建立路段短時交通量預測模型，根據入口節點交通量進行路段的動態交通量預測。預測模型用以下數學形式表達：

[F：Xhistory→Siprediction]" " " " " "（1）

式中：[F]為預測模型；[Xhistory]和[Sprediction]分別表示節點交通量數據序列和路段交通量預測數據序列；i為預測路段。

高速公路的路段交通量與入口節點交通量在時間和空間上具有相關性。具體地，在時間維度上，路段的交通狀態與入口節點的歷史交通量是相關的，即存在時間相關性；在空間維度上，路段的交通狀態與不同入口節點的相關性存在差異，即存在空間相關性。時間相關性和空間相關性并不是相互獨立的兩個維度，而是存在相互影響的時空相關性，從而導致交通預測情況復雜。

基于復雜網絡的循環神經網絡交通量預測模型具有處理時空相關性的能力。時空相關性具有非線性、動態性、異質性等特性。非線性是指交通流在路網中的傳播是非線性的，也導致交通狀態的非線性相關性，基于復雜網絡的循環神經網絡交通量預測模型本質上是一個非線性函數，非常適合這種非線性數據處理；動態性是指時間相關性和空間相關性都隨時間呈現動態變化，復雜網絡采用動態建模，形成動態邊權，滿足了動態性；異質性是指在空間上，不同單元的特性具有差異性，從而進行交通小區劃分。綜合上述情況，本文提出的模型充分考慮了交通量預測的時空相關性，能夠保證預測性能。

2" 路段短時交通量預測模型

本節針對高速公路路段交通量預測問題構建了基于復雜網絡的循環神經網絡動態交通量預測模型，以節點交通量為輸入，以路段預測交通量為輸出。模型由復雜網絡、交通小區劃分、循環神經網絡三個模塊組成。針對道路結構、通行成本、交通出行起始地和通行時間等交通路網屬性建立復雜網絡，形成結構網、權重網、OD（Origin?Destination）網、通行時間網等。交通小區劃分是以路段所處位置為中心，依據路徑選擇及到達路段的時間兩個屬性對節點進行權重K?means聚類，形成交通小區，從而使得同一交通小區內的節點交通量進入路網后，在選擇該路段的概率和到達路段時間具有相近的特性。循環神經網絡根據小區交通量來預測路段動態交通量。

模型的結構及相關關系如圖1所示。

2.1" 多層復雜網絡

多層復雜網絡由多個單層復雜網絡組成，從而使得各元素間存在多種屬性連接關系。多層復雜網絡能夠反映路網的多屬性特征，彌補單層網絡的片面性[18?19]。本文針對道路結構、通行成本、交通出行和通行時間等屬性形成相應的結構網、權重網、OD網、通行時間網共四層復雜網絡，提供了路網的多個特征。多層復雜網絡結構如圖2所示。

2.1.1" 結構網

高速公路由出入口、互通立交、路段等組成，本文將其抽象成節點和邊等元素構成結構網。具體來說，結構網[G=V，E]由節點、邊等組成，以出入口和互通立交為節點，[V={v1，v2，…，vn}]是網絡中[n]個節點的集合；以有向路段為邊，[eij=（vi，vj）]代表節點[vi]到節點[vj]的路段，[m]個有向邊組成路段集[E]。

2.1.2" 權重網

權重網采用廣義費用函數來表征路段的通行成本。針對高速公路，權重由通行費用、車輛運營費用和時間價值費用等組成，公式如下：

式中：[weij]為邊的權重；[Kηij]為車型[η]在路段[eij]的高速公路通行費用；[δη]是車型[η]的單位距離運營費用，包括油耗、輪胎磨損以及汽車修理等費用；[Lij]是邊[eij]的里程；[φη]是出行者的時間價值；[Tij]是車輛在邊[eij]自由流狀態下的行駛時間；[vij]是路段交通量；[Cij]是路段通行能力；[α]、[β]為期望行程時間的參數。

2.1.3" OD網

OD網是車輛在路網中起始地、目的地、出發時間、到達時間等屬性的表達，所有車輛的出行信息組成了OD網。車輛的一次出行信息包含車牌號、車型、起始點、目的地、出發時間、到達時間等信息。

2.1.4" 通行時間網

通行時間網是車輛在該路段的平均通行時間，其值由道路的設計等級和交通服務水平所決定。通行時間公式如下：

式中[Teij]為路段的通行時間。

2.2" 基于復雜網絡的循環神經網絡交通量預測

2.2.1" 交通小區劃分

由于以入口節點而形成的觀測交通量數據在統計周期內具有稀疏的特性，本文為有效處理數據，同時降低數據處理的難度，以交通小區為單元進行觀測交通量的數據合并。交通小區劃分遵守以下原則：以預測路段為中心，交通小區離路段越近，其節點規模越小，反之則規模越大；考慮并行路段分流作用，將并行路段分流特性作為節點屬性；考慮分析入口節點交通量對路段的影響時效，將到達預測路段及并行路段的時間作為節點屬性。其節點特征值表達如下：

式中：[d（i）]是節點[i] 到達預測路段及并行路段的通行時間；[p（i）]是節點[i] 在出行路徑選擇中選擇預測路段及并行路段的概率；[m]為包含預測路段在內的并行路段中心點的數量；[n]為包含預測路段在內的并行路段的數量。

根據節點[d（i）]和[p（i）]的特征值，采用權重K?means聚類方法進行交通小區劃分，獲得的交通小區內的節點在路徑選擇、到達時間方面具有相似性。交通小區劃分的數學表達如下所示：

式中：[d（Xi，Vk）]是節點[i]與簇[k]質心的歐氏距離；[Xi]為節點特征值；[Vk]為簇質心的特征值；[Ck]是簇[k]內節點的集合；[N]是集合元素數量；[K]是簇的數量；[d1]和[d2]分別代表到達時間和路徑選擇的歐氏距離；[λ]為聚類屬性系數。

2.2.2" 循環神經網絡

本文采用循環神經網絡來有序地接收小區交通量輸入，形成一個綜合的序列特征向量，從而預測路段交通量。整個循環神經網絡由多個循環單元構成，網絡結構如圖3所示。

[{ht-1，xt}]代表第[t]步輸入，[ht]代表輸出，其數學關系如下式所示：

[ht=f（Whht-1+Wxxt+b）]" " " " " （6）

式中：f（·）代表非線性激活函數；[Wh]、[Wx]、[b]是神經網絡參數。

3" 模型示例及驗證

文章以南沙大橋路段為預測對象，其在路網地圖中所處位置如圖4所示。

南沙大橋是一條橫跨珠江兩岸的橋梁，其并行路段為上下游的珠江口跨江通道。本文數據集為高速公路收費數據，包含訓練集和測試集兩部分。訓練集為2021年7月5日—11日的數據，測試集為2021年8月12日的數據，其數據組成為入口節點交通量和路段交通量。以預測對象為中心，針對高速公路網分別建立結構網、權重網、OD網、通行時間網，形成復雜網絡，其預測路段及并行路段在復雜網絡中的位置如圖5所示。

3.1" 交通流量預測

以高速公路出入口為節點進行交通小區劃分，將589個節點劃分為29個交通小區，相鄰小區用不同顏色代表，如圖6所示。由圖6可以看到，交通小區離預測路段越近，規模越小。再根據交通小區劃分結果將入口交通量合并成小區交通量。

假設同一交通小區前往其他交通小區的比例相對穩定，在不結合循環神經網絡的情況下，在復雜網絡中根據最短路徑選擇的原則和到達時間估計可以獲得路段的動態交通量。僅復雜網絡下路段交通量預測值與實際值對比如圖7所示，交通流量統計周期為15 min，橫坐標為時間，即一天內共96個預測點；縱坐標為歸一化后的路段交通量，車型采用標準車型等效單位（Passenger Car Unit， PCU），黑色實線為實際交通量，虛線為預測交通量。可以看出，僅在復雜網絡下，隨著預測時長的增加，預測結果誤差逐漸變大。

為了彌補上述僅依靠復雜網絡進行路段交通量預測誤差大的問題，采用訓練集的小區交通量和路段交通量對循環神經網絡進行參數訓練調整，分別建立預測時長為15 min、30 min、45 min、60 min的循環神經網絡，并采用驗證集進行該路段的交通量預測，其預測結果如圖8所示。由圖可知，隨著預測時間增加，車流量誤差逐漸減小。

3.2" 模型評估及討論

為了更好地對本文模型的預測結果進行評價，采用ARIMA和循環神經網絡（RNN）兩種對比方法對路段交通量序列進行預測，其輸入為歷史路段交通量，輸出為預測路段交通量。采用平均絕對百分比誤差（Mean Absolute Percentage Error， MAPE）和均方根誤差（Root Mean Square Error， RMSE）兩個指標進行分析。不同方法在不同預測時長下的預測結果如表1所示。

從表1的MAPE可以看出，相比于其他方法，本文模型在所有預測時長下都能達到最好，說明該模型在不同預測時長下均能保持良好的預測性能。本文模型的預測精度均有較高提升，特別是在45 min預測時長下，本文方法的MAPE值比基于序列的ARMIA和RNN預測結果均降低了約24.6%。從RMSE對比可以看出，針對不同預測時長，本文模型相比其他方法能夠保持較為穩定的預測。對比實驗驗證了本文方法的有效性和可靠性。

4" 結" 語

本文提出一種基本復雜網絡的循環神經網絡交通量預測模型，以入口節點交通量為模型輸入，以路段預測交通量為模型輸出，實現了未安裝車流量檢測設備的高速公路路段的動態交通量預測。該模型基于復雜網絡提取入口節點的特征并聚類形成交通小區，采用循環神經網絡進行交通量預測。模型優勢在于充分考慮了交通的時空相關性，從而提升了模型預測的準確度。

為了驗證該模型的有效性，選取南沙大橋路段為預測對象進行動態交通量預測。模型評估結果顯示，本文模型能夠準確地預測不同時長（15 min、30 min、45 min、60 min）的交通量，MAPE為9.275%，相比其他方法，本文模型預測精度更高且具有穩定的性能。下一步研究將考慮更多數據特征，進一步探索現有知識與機器學習的融合預測能力。

參考文獻

[1] SHAHRIARI S， GHASRI M， SISSON S A， et al. Ensemble of ARIMA： combining parametric and bootstrapping technique for traffic flow prediction [J]. Transportmetrica a： transport science， 2020， 16（3）： 1552?1573.

[2] GE M， ZHANG J F， WANG H Y，et al. ARIMA?FSVR hybrid method for high?speed railway passenger traffic forecasting [J]. Mathematical problems in engineering， 2021， 2021： 1?5.

[3] YU J Z， LI Q. Intrusion detection technology for wireless sensor networks based on autoregressive moving average [J]. Advances in multimedia， 2022， 2022： 1.1?1.7.

[4] ZHANG H， YANG G， YU H， et al. Kalman filter?based CNN?BILSTM?ATT model for traffic flow prediction [J]. Computers， materials amp; continua， 2023， 76（1）： 1047?1063.

[5] CHANG S Y， WU H C， KAO Y C. Tensor extended kalman filter and its application to traffic prediction [J]. IEEE transactions on intelligent transportation systems， 2023， 24（12）： 13813?13829.

[6] 王濤，謝思紅，黎文皓，等.基于FFOS?ELM和PF的短時交通流自適應預測模型[J].重慶交通大學學報（自然科學版），2021，40（6）：21?27.

[7] 陳昆，曲大義，賈彥峰，等.基于ARIMA?SVM模型的短時交通流量預測研究[J].青島理工大學學報，2022，43（5）：104?109.

[8] 楊高飛，徐睿，秦鳴，等.基于ARMA和卡爾曼濾波的短時交通預測[J].鄭州大學學報（工學版），2017，38（2）：36?40.

[9] YAN Z Y， Lü S. Short?term forecast model of taxi demand based on time and space heterogeneity [J]. Journal of intelligent amp; fuzzy systems， 2021， 41（2）： 4175?4186.

[10] 劉釗，杜威，閆冬梅，等.基于K近鄰算法和支持向量回歸組合的短時交通流預測[J].公路交通科技，2017，34（5）：122?128.

[11] XIA J， WANG S， WANG X， et al. Multi?view Bayesian spatio?temporal graph neural networks for reliable traffic flow prediction [J]. International journal of machine learning and cybernetics， 2024， 15： 65?78.

[12] 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）：1521?1527.

[13] 張萌.基于LSTM神經網絡的短期交通量預測研究[D].石家莊：石家莊鐵道大學，2022.

[14] 翁小雄，郝翊.基于LSTM引入客車占比特征的短時交通流預測[J].重慶交通大學學報（自然科學版），2020，39（11）：20?25.

[15] 楊瑞，馮慧芳.基于注意力機制的CNN?BiGRU的短時交通流預測[J].軟件工程與應用，2021，10（6）：823?832.

[16] 周楚昊，林培群.基于多通道Transformer的交通量預測方法 [J].計算機應用研究，2023，40（2）：435?439.

[17] COSTA L D F， OLIVEIRA O N， TRAVIESO G， et al. Analyzing and modeling real?world phenomena with complex networks： a survey of applications [J]. Advances in physics， 2011， 60（3）： 329?412.

[18] KIVELA M， ARENAS A， BARTHELEMY M， et al. Multilayer networks [J]. SSRN electronic journal， 2014， 2（3）： 203?271.

[19] 翁小雄，謝志鵬.基于多層復雜網絡的高速公路節點重要性研究[J].廣西師范大學學報（自然科學版），2021，39（5）：78?88.