柴葳崴

（西安鐵路職業(yè)技術學院,西安 710014）

1 引言

隨著當前我國社會經(jīng)濟的不斷發(fā)展，城市中鐵路線路、公路數(shù)量也在不斷地增加，在這種情況下，引發(fā)了很多的問題。例如，交通污染、交通堵塞等等，嚴重的危害著人們的日常生活。近年來，智能交通系統(tǒng)逐漸的產(chǎn)生和優(yōu)化，有效的緩解了道路交通問題，并為外出者提供了很多可行的策略。智能交通系統(tǒng)是交通管理的中心，它能夠給出行者提出不同的交通路徑，并且給出相應的出行服務、出行時間等信息。實時、準確性的路網(wǎng)交通流預測，有效的提高了路網(wǎng)運行的安全性和運行效率。新時期下，有必要利用一些科學、有效的方法對路網(wǎng)交通流量做出準確的預測，以更好的解決目前道路交通中所存在的問題。

2 深度學習的涵義

很長時間以來，人們就一直在致力于研究神經(jīng)網(wǎng)絡，力求將神經(jīng)系統(tǒng)和視覺系統(tǒng)相聯(lián)系，不斷地促進二者之間的融合。從傳統(tǒng)的機器學習和信息處理技術來看，它們中僅僅包含著單個的非線性特征轉換。其中，影響較大的是條件隨機域、SVM模型以及一個隱含層的多層感知器。從它們之間的特征來看,基本上知識從原始的輸入信號到一個特定空間的轉換體系。關于人們的一些信息處理機制要從豐富的感知輸入入手，從中提取出復雜的結構以及相應的內(nèi)部表示。深度學習結構可以說是一個多層感知器，在其中包含了多隱含層。通過不斷的學習，能夠學習到深層次的非線性網(wǎng)絡結構，從而來一步一步的逼近較為復雜的函數(shù)。

3 DBN-SVR路網(wǎng)短時交通流預測模型

3.1 DBN模型

DBM模型是一個含有三個隱含層的網(wǎng)絡模型結構，通過三個RBM模型之間進行疊加，可以形成一個DBM模型。從RBM模型來看，其訓練的過程基本上是屬于無監(jiān)督的訓練階段過程的，因此，DBM模型的訓練過程也可以說是無監(jiān)督的。

（1）逐層無監(jiān)督學習。在這一過程中，需要首先訓練第一個RBM，并且輸入一些原始性的數(shù)據(jù)以及這個RBM的固定的參數(shù)，然后再將第一個RBM的輸出作為第二個的輸入，以此來推，通過這些方法來對所有的層進行訓練，就可以得到一個多層DBN模型。

（2）有監(jiān)督的微調(diào)。微調(diào)過程是指在將整個DBN網(wǎng)絡模型實現(xiàn)訓練之后，可以在模型的頂層連接一個較為合適的預測器，通過采用梯度下降的算法來微調(diào)網(wǎng)絡權值矩陣，在誤差反向傳播中就會導致RBM參數(shù)發(fā)生一些輕微的變化，但是從整個模型來看，其影響力不夠大。

3.2 支持向量回歸

支持向量是一種學習性的算法，主要是從統(tǒng)計學理論著眼的，它能夠有效的根據(jù)樣本的數(shù)據(jù)來計算出模型的復雜程度，在復雜程度和學習能力之間尋求平衡。SVM模型具有自我學習自我調(diào)整的特點，其能夠很好的進行函數(shù)擬合，并廣泛的運用于函數(shù)擬合回歸預測之中，同時，也能夠得到良好的預測效果。從總體上來看，交通流數(shù)據(jù)是一種復雜的、隨機的非平穩(wěn)時間序列。在本文的研究和分析中，我們采用SVR作為短時交通流預測模型的預測器。SVR是一項具備非線性前饋的網(wǎng)絡，其能夠有效的對時間序列進行預測性的處理。

3.3 DBN-SVR路網(wǎng)短時交通流預測模型

由于在不同的路段中交通流具有時間和空間上的聯(lián)系性，因此，可以設所預測的模型輸入數(shù)據(jù)，并由此能夠進一步的得出在任意一個路段中交通流預測值。具體的交通流預測算法的流程基本上如下所示：

（1）根據(jù)交通流數(shù)據(jù)的相關特征，構造出輸入數(shù)據(jù)；

（2）對交通流數(shù)據(jù)集進行預處理從而能夠有效的得到殘差量；

（3）將殘差量作為DBN網(wǎng)絡模型輸入進行特征學習，得到交通流特征；

（4）將交通流特征作為輸入項，根據(jù)交通流預測公式，通過利用SVR預測模型來對流量進行很好的預測；

（5）還原原始交通流數(shù)據(jù)，從而得出實際的交通流預測值。

4 交通流時空特性分析

在一段時間之內(nèi)，交通流數(shù)據(jù)可能會在時間和空間上表現(xiàn)出相關性和一些差異性的特征，因此，可以從這兩方面對鐵路交通流特性進行分析。

4.1 交通流在時間上的特性

從時間上來看，交通流數(shù)據(jù)在一段時間內(nèi)存在著很強的規(guī)律性，并且能夠呈現(xiàn)出趨勢性的信息和特征。從總體上來看，周與周之間的交通流數(shù)據(jù)有著一定的相似性，而周末和非周末之間又存在著很大的差異性。經(jīng)過相關的數(shù)據(jù)佐證，可以發(fā)現(xiàn)，交通流數(shù)據(jù)在周末兩天流量分布狀態(tài)基本上是相同的，和非周末的數(shù)據(jù)之間存在著明顯的不同，在非周末明顯的從早晚高峰變成了單峰值。

4.2 交通流在空間上的特性

交通流系統(tǒng)是動態(tài)和復雜的，在路網(wǎng)之間各個路段之間的交通流是彼此聯(lián)系的，其間存在著很大的關聯(lián)性。對所有路網(wǎng)的所有路段進行分組，在分組完成之后，要選擇出適當?shù)闹?。在選擇最優(yōu)壓縮矩陣時，要充分的根據(jù)預測的相關誤差以及在期間運行的時間來進行確定。

總之，可以得出這樣的一個結論：交通流數(shù)據(jù)在一定的時間內(nèi)其具有很強的規(guī)律性，并且在不同的周期內(nèi)其又存在著很大的差異性。此外，不同的路段之間交通流是有相關性的，在研究的過程中，要充分的根據(jù)路段之間的相關性程度來對路段進行分組，以更好的實現(xiàn)對路網(wǎng)數(shù)據(jù)進行有效的壓縮，從而減少預測的難度，更好的提高運行的效率。

5 結語

從目前的鐵路運輸來看，其所面臨的交通問題較多，嚴重的影響到了人們的工作和生活。將DBN模型運用于交通流預測中，可以有效的提高預測的準確性，保證預測的效果，為人們提供更加恰當?shù)某鲂行畔ⅲ瑥亩行У谋ＷC人們的日常生活，為人們帶來更多的便捷。

[1]褚鵬宇.融合時空信息的短時交通流預測[D].西南交通大學,2016.

[2]吳凡.基于短時交通流預測的城市區(qū)域交通信號控制研究[D].南京理工大學,2016.

[3]姚智勝.基于實時數(shù)據(jù)的道路網(wǎng)短時交通流預測理論與方法研究[D].北京交通大學,2007.