孫國道，曹帝胄2，梁榮華

(1.浙江工業(yè)大學 信息工程學院，浙江 杭州 310023;2.浙江工業(yè)大學 計算機科學與技術學院，浙江 杭州 310023)

隨著城市化的快速推進，國民經(jīng)濟飛速發(fā)展，城市機動車保有量快速增長。根據(jù)公安部交管局統(tǒng)計的數(shù)據(jù)得知：截止到2016 年底，全國機動車保有量達2.9 億輛，其中汽車1.94 億輛，機動車駕駛人3.6 億人，其中汽車駕駛人超過3.1 億人，并且這個數(shù)據(jù)還在快速增長。汽車化進程的快速發(fā)展是導致城市交通擁堵的最主要原因之一。由于城市空間以及建設資金的有限性，解決城市道路擁堵不能單單依靠基礎道路建設，通過建設城市智能交通系統(tǒng)來挖掘道路潛力是必不可少的[1-2]。同時隨著智能城市的發(fā)展，道路卡口設備的安裝已經(jīng)十分普及，這些設備采集到的多維度交通時空數(shù)據(jù)可以為智能城市的建設提供幫助。交通流量預測是智能城市交通控制系統(tǒng)中重要的一環(huán)。交通流預測是指通過獲取的動態(tài)道路交通流量數(shù)據(jù)來推測未來時間段的交通流量數(shù)據(jù)[3]。交通流量預測在智能城市交通控制系統(tǒng)中可幫助系統(tǒng)實現(xiàn)城市交通誘導，交通控制以及交通管理功能。交通流量具有時空分布特性，流量大小隨時間和空間的變化而變化。與此同時，傳統(tǒng)的神經(jīng)網(wǎng)絡訓練方法在對交通流量預測應用方面也存在一些缺點和不足，比如網(wǎng)絡訓練出的結果具有一定的局限性，大部分只適用于輸入數(shù)據(jù)所在的路段，并且由于神經(jīng)網(wǎng)絡的輸入輸出過程為“黑盒”，對中間的訓練結果進行觀察十分困難，難以對神經(jīng)網(wǎng)絡模型結構進行實時調整，因此使用交互式可視分析技術與神經(jīng)網(wǎng)絡結合的方法，可為研究人員提供一套可視交互分析工具，方便研究人員對交通數(shù)據(jù)進行神經(jīng)網(wǎng)絡方面的研究[4]。

筆者將可視分析技術和神經(jīng)網(wǎng)絡相結合，提出了利用可視分析技術構建用于交通流量預測的神經(jīng)網(wǎng)絡模型的新方法，并設計了一套基于B/S架構的可視交互交通流量預測系統(tǒng)。該系統(tǒng)通過查詢語言可視化將一些交通特征進行抽象并生成不同的過濾器，用戶通過使用過濾器工具來針對特定路口，特定時間段等需求進行訓練數(shù)據(jù)的選取。同時用戶可以通過設置隱藏層，激勵函數(shù)等神經(jīng)網(wǎng)絡的相關參數(shù)構建神經(jīng)網(wǎng)絡，并通過對神經(jīng)網(wǎng)絡中間結果可視分析來實時調節(jié)神經(jīng)網(wǎng)絡參數(shù)。同時系統(tǒng)允許用戶使用流量時序圖等可視分析工具對預測結果進行可視分析并與歷史數(shù)據(jù)作比對，來幫助驗證模型的有效性。系統(tǒng)采用Key/Value型數(shù)據(jù)庫儲數(shù)據(jù)，通過建立時間和空間索引減少數(shù)據(jù)I/O時間，因此使用本系統(tǒng)用戶可以省去構建復雜SQL語句以及神經(jīng)網(wǎng)絡模型的編程時間，從而減少構建一個神經(jīng)網(wǎng)絡模型所需要的時間成本，并且通過對神經(jīng)網(wǎng)絡訓練中間結果的觀察來優(yōu)化神經(jīng)網(wǎng)絡結構。筆者的主要貢獻在于提出使用可視分析技術與神經(jīng)網(wǎng)絡相結合的方法來解決交通流量預測問題，通過使用查詢語言可視化幫助用戶得到合適的訓練數(shù)據(jù)，并對神經(jīng)網(wǎng)絡訓練過程和結果進行可視化來幫助用戶構建合理的神經(jīng)網(wǎng)絡模型。

1 相關工作

1.1 交通流量預測

交通流量預測是根據(jù)當前和歷史的交通流量數(shù)據(jù)，并通過構建合理的數(shù)學模型對未來一段時間的交通流量進行預測[5]。交通流量雖然在同樣的路段同樣的時間段內有一定的波動，但是從整體來看具有周期性的變化。這種周期性變化為交通流量預測提供了可行性[6]。朱征宇等[7]提出了一種結合SVM與卡爾曼濾波的短時交通流預測模型，金成均等[8]提出了基于IPSO的模糊神經(jīng)網(wǎng)絡優(yōu)化模型來進行交通流量預測。以上方法著重于對機器學習模型的優(yōu)化，而筆者提出將可視分析技術與神經(jīng)網(wǎng)絡相結合，從數(shù)據(jù)過濾和數(shù)據(jù)展示的角度上幫助用戶更有效率地構建一個神經(jīng)網(wǎng)絡來進行交通流量預測。

1.2 查詢語言可視化

設計直觀有效的視覺查詢語言一直是研究的熱點[9-10]。 Draper等[11]提出了用于查詢多元數(shù)據(jù)的交互式系統(tǒng)，該系統(tǒng)支持將可視化交互操作形成SQL語言并傳遞給數(shù)據(jù)庫。此外，將現(xiàn)有的一些基本可視化組件進行組合可以產(chǎn)生復雜而強大的可視化效果[12-14]， Claessen等[15]提出了一個將原子和軸進行結合的可視化技術FLINA。FLINA允許用戶通過結合數(shù)字、分類和表格數(shù)據(jù)等來對各種數(shù)據(jù)進行不同的可視化。Gratzl等[16]提出了一種復合形式的可視化技術Domino。與FLINA類似，Domino允許用戶探索數(shù)字和分類的數(shù)據(jù)組合，并且用戶可以通過系統(tǒng)提供的綜合工具進行更深度的探索，例如對不同數(shù)據(jù)的組合進行子集提取。上述論文沒有針對某個特定領域進行具體的拆分和抽象，筆者吸收領域專家的知識和經(jīng)驗以及視覺查詢語言的思想，總結出交通數(shù)據(jù)中數(shù)值和種類的特征并結合可視化技術方便用戶對數(shù)據(jù)進行過濾。

1.3 神經(jīng)網(wǎng)絡可視化

機器學習已經(jīng)成功應用于各種各樣的領域，從信息檢索、數(shù)據(jù)挖掘和語音識別到信息檢索計算機圖形學、可視化和人機交互。然而，大多數(shù)用戶將機器學習模型訓練過程視為黑盒，因此，學術研究人員和工業(yè)從業(yè)人員需要更透明，解釋性更好的系統(tǒng)來理解和分析機器學習模型，尤其需要理解它們的工作機制[17]。在圖像處理領域中Zeiler等[18]集中于分析輸入模式與神經(jīng)網(wǎng)絡類別判斷的相關性。Srivastava等[19]直接可視化卷積神經(jīng)網(wǎng)絡第一層卷積核的參數(shù)來觀察神經(jīng)元的學習模式。上述工作主要是針對圖像處理方面的研究，而筆者是對時空數(shù)據(jù)中的交通流量數(shù)據(jù)神經(jīng)網(wǎng)絡訓練過程進行可視分析研究。

2 交通流量的BP 神經(jīng)網(wǎng)絡預測模型

2.1 交通流量預測原理

交通流預測一般是指由道路交通流量數(shù)據(jù)的時間序列推測未來時間段的交通流量數(shù)據(jù)，所以交通流量預測的模型為

yi=f(xi)

(1)

式中：yi為流量預測值；xi為時間序列。由于神經(jīng)網(wǎng)絡具有識別復雜非線性系統(tǒng)的特性，廣泛用于解決非線性的分類預測問題，因此十分適合用于交通流量預測。BP神經(jīng)網(wǎng)絡(Back propagation neural networks)是一種典型的多層前饋網(wǎng)絡[20]，包括輸入層、隱藏層和輸出層，每層都由若干人工神經(jīng)元節(jié)點構成。輸入層為第一層，用于接受輸入信號，輸出層為最后一層，用于生成輸出信號，而位于輸入和輸出層中間的為隱藏層，隱藏層用于學習網(wǎng)絡輸入與輸出間的映射關系可以為一層或多層。

神經(jīng)網(wǎng)絡模型進行交通流預測的大致過程：首先確定網(wǎng)絡結構；之后用歷史流量數(shù)據(jù)作為訓練集來訓練模型；最后將預測時間單位之前的流量數(shù)據(jù)輸入到訓練好的模型中，得到預測結果。

2.2 交通流量預測神經(jīng)網(wǎng)絡模型

本系統(tǒng)的神經(jīng)網(wǎng)絡大致模型如圖1所示，輸入輸出為交通流量數(shù)據(jù)。輸入數(shù)據(jù)由用戶通過可視數(shù)據(jù)過濾工具進行過濾。隱藏層層數(shù)，輸入輸出數(shù)據(jù)的時間范圍，及訓練參數(shù)的選擇都通過用戶設定。圖1中t表示訓練數(shù)據(jù)的起始時間；t+nΔt表示訓練數(shù)據(jù)的終止時間，其中n表示輸入輸出神經(jīng)元個數(shù)，Δt表示相鄰的兩個輸入神經(jīng)元的時間間隔；τ是由用戶進行設置的輸出與輸入的時延，單位為min。例如，當τ為1 440 min時，表示輸出的流量為輸入1 d之后，也就表示該神經(jīng)網(wǎng)絡用于預測1 d之后的流量。為了防止一些不必要的數(shù)值問題以及使網(wǎng)絡更快速的收斂，對數(shù)據(jù)進行了歸一化處理，其計算式為

(2)

式中：x為該時段交通流量；xmin為最小交通流量；xmax為最大交通流量。

圖1 神經(jīng)網(wǎng)絡結構圖Fig.1 Neural network structure diagram

3 系統(tǒng)介紹

系統(tǒng)是采用B/S架構的一個基于神經(jīng)網(wǎng)絡的交通流量預測可視分析系統(tǒng)，前端可視分析工具主要使用了D3.JS和ECHARTS.JS等可視化庫進行開發(fā)。筆者使用的數(shù)據(jù)為杭州市城市卡口數(shù)據(jù)。系統(tǒng)界面如圖2所示，用戶先通過數(shù)據(jù)查詢可視化組件來設置數(shù)據(jù)的查詢條件，系統(tǒng)根據(jù)設置對數(shù)據(jù)進行過濾并將過濾后的數(shù)據(jù)進行可視分析，用戶在觀察數(shù)據(jù)可視化結果后，可通過系統(tǒng)進行神經(jīng)網(wǎng)絡模型結構的搭建并設置測試數(shù)據(jù)集來對數(shù)據(jù)進行訓練及測試，最后系統(tǒng)會對訓練結果進行可視化展示。系統(tǒng)界面如圖3所示，系統(tǒng)的界面主要分成4 塊區(qū)域：右上區(qū)域主要用于數(shù)據(jù)過濾可視化，允許用戶通過對過濾器組件進行拖拽交互來達到對數(shù)據(jù)進行過濾的目的，并可以對過濾后的數(shù)據(jù)進行可視化展示；左上區(qū)域主要用來展示地圖，并允許用戶對進行對數(shù)據(jù)的空間范圍過濾的交互，以及在地圖上進行數(shù)據(jù)可視化；右下區(qū)域為可視化展示區(qū)域，在該區(qū)域用戶可以使用流量時序變化圖等可視分析工具來觀察流量隨時間的變化關系；左下區(qū)域為神經(jīng)網(wǎng)絡模型的結構，用戶可以通過與神經(jīng)網(wǎng)絡可視分析組件進行交互來調節(jié)神經(jīng)網(wǎng)絡的輸入輸出層，隱藏層的結構等等。

圖2 系統(tǒng)流程圖Fig.2 System flow chart

圖3 系統(tǒng)界面Fig.3 System interface

3.1 數(shù)據(jù)的存儲

采用杭州市道路交叉上的監(jiān)控攝像機上采集的交通監(jiān)控數(shù)據(jù)。監(jiān)測數(shù)據(jù)包括1.2 億條記錄(2014 年9 月)，在數(shù)據(jù)庫中占用10 GB左右的存儲空間。其中每個記錄包含以下屬性：過車的車牌號、卡口攝像機的經(jīng)緯度、車輛被捕捉到的時間、車身顏色、即時速度和車輛的方向等。使用Key/Value型數(shù)據(jù)庫MongoDB來存儲數(shù)據(jù)，因為對于像筆者采用這種大容量數(shù)據(jù)時，使用NOSQL型的數(shù)據(jù)庫進行查詢搜索的效率相對SQL型數(shù)據(jù)庫更高。同時對數(shù)據(jù)建立了多層次網(wǎng)格空間索引，網(wǎng)格索引的基本原理是將空間范圍進行多次劃分，首先將整個區(qū)域分為4 個象限左下為00，左上為01，右下為10，右上為11，之后繼續(xù)劃分4 個象限，由此來組成該點的Geohash。如圖4所示，X的象限坐標為[2,3]故其Geohash為1011。在系統(tǒng)中劃分次數(shù)為26 次，之后每個點就有1 個52 位的Geohash。不建立索引查找的時間復雜度為o(n)，而建立空間索引后時間復雜度為o(logn)，因此隨著數(shù)據(jù)量的增大通過建立空間索引的節(jié)省時間會大幅減少。

圖4 空間索引示意圖Fig.4 Spatial index illustration

3.2 數(shù)據(jù)的預處理

同時由于監(jiān)控設備故障，數(shù)據(jù)集中可能存在錯誤數(shù)據(jù)，因此需要對數(shù)據(jù)進行清洗，需要清洗的主要數(shù)據(jù)為

1) 車牌未識別：由于車牌遮擋或者天氣可見度低等原因，卡口拍攝的圖片無法正確識別車牌號，導致該條數(shù)據(jù)的車牌號屬性為未識別。對于這類無效數(shù)據(jù)，需要預先對其進行刪除，以避免造成程序處理的異常，這部分數(shù)據(jù)占比小于萬分之一。

2) 車輛屬性錯誤：由于卡口拍攝的圖像的質量問題，可能導致識別出來的信息出現(xiàn)錯誤，比如1 輛車經(jīng)過第1 個卡口時為白色，而到第2 個卡口時為灰色，遇到這種情況一般以出現(xiàn)次數(shù)多的屬性為準并對數(shù)據(jù)進行校準，比如白色出現(xiàn)的次數(shù)多就將該車牌號為灰色的數(shù)據(jù)顏色改為白色。如果次數(shù)相同則隨機選取1 個，為排除車主更換車輛，一般以天為單位進行修改。

4 數(shù)據(jù)可視分析技術

4.1 數(shù)據(jù)過濾的可視交互技術

吸收領域專家的知識和經(jīng)驗以及視覺查詢語言的思想將交通數(shù)據(jù)中的基本特征進行提取，并運用可視分析技術方便用戶對數(shù)據(jù)進行查詢過濾。如圖5所示，過濾器主要有兩種：一種為類型過濾器(例如車牌、車輛類別)，另一種為數(shù)值過濾器(例如頻率、時間)。

圖5 查詢語言可視化組件Fig.5 Query language visualization components

用戶可以自由拖動分類/數(shù)值過濾器進入下方空間，過濾器將停留在那個空間。如果使用數(shù)值過濾器，則會出現(xiàn)一個環(huán)繞過濾器的圓弧表示相應屬性的范圍。圓弧上的點可以沿著圓弧拖動，為這個數(shù)值選擇一個特定的范圍屬性，比如對速度進行限定。如果拖動的是一個分類過濾器，用戶可以設置或輸入指定的類別。比如，系統(tǒng)允許用戶對車牌進行篩選，用戶在車牌過濾器中輸入“浙A”,則會對所有車牌中含有“浙A”的車牌號進行模糊匹配，同時如果用戶對車牌查詢有較復雜的要求，車牌過濾器允許用戶使用正則表達式對車牌進行過濾，例如杭州市工作日實行尾號錯峰現(xiàn)行，用戶可以使用正則表達式對尾號作限制，如“(浙Aw((w{3}3)|(w{2}3[A-Z])|(w3[A-Z]{2}) |(3[A-Z]{3})))”表示杭州市車牌尾號為3的車輛，如果用戶的輸入被小括號包圍，系統(tǒng)則認為用戶使用正則表達式搜索而不是模糊搜索。復雜的過濾條件可以通過對過濾器的組合來實現(xiàn)，將一個過濾器拖動到另一個過濾器上創(chuàng)建一個新的過濾器，新過濾器的過濾條件就是對組合的兩個過濾器的過濾條件進行操作。

由于用戶可以自由拖拽過濾器來創(chuàng)建復雜的樹狀可視化，因此構造一個可讀性強的樹結構至關重要。例如，在圖6的虛線區(qū)域中，中間節(jié)點兩邊都有一個兄弟節(jié)點，分別為左節(jié)點和右節(jié)點，因此如果將過濾器拖到中間節(jié)點上，產(chǎn)生的子節(jié)點可能與左右節(jié)點重合。為了解決這個問題，算法在原始樹之外創(chuàng)建一個分離的樹，向現(xiàn)有樹添加節(jié)點的操作順序，其具體算法如下：

輸入數(shù)據(jù)：nt表示新樹，et表示已存在的樹,en表示et樹上待連接的節(jié)點

Procedure TreeLayout(nt,et,en)

Lp=levelPosition(en)

If lp==“none” then //“none”表示沒有兄弟節(jié)點

If lnumber(en)>rnumber(en) then

PlaceRight(nt,en)

else

PlaceLeft(nt,en)

End if

End if

If lp==“l(fā)eft” then //left表示en為該樹的最左節(jié)點

PlaceLeft(nt,en)

End if

If lp==“right”then //right表示en為該樹的最右節(jié)點

PlaceRight(nt,en)

End if

If lp==“middle”then

//middle 表示en同時有左右的兄弟節(jié)點

Extrace(nt,et,en)

End if

End procedure

圖6 避免交叉的節(jié)點添加算法示意圖Fig.6 Illustration of node adding algorithm to avoid link crossing

4.2 神經(jīng)網(wǎng)絡可視分析

在選擇完訓練數(shù)據(jù)后，本系統(tǒng)允許用戶對神經(jīng)網(wǎng)絡結構和訓練中間結果可視化，方便用戶觀察神經(jīng)網(wǎng)絡的訓練過程，探索輸入數(shù)據(jù)和網(wǎng)絡結構對訓練的影響。如圖7所示，系統(tǒng)允許用戶設定訓練樣本的時間范圍，和輸入輸出的神經(jīng)元個數(shù)，每個輸入神經(jīng)元的輸入范圍會根據(jù)設定的時間范圍進行均分，另外還允許用戶自定義神經(jīng)網(wǎng)絡結構，例如中間隱藏層的層數(shù)和神經(jīng)元個數(shù)，神經(jīng)網(wǎng)絡的參數(shù)以及中間層的激勵函數(shù)。對給定隱藏層或輸出層神經(jīng)元j的凈輸入是連接該單元的每個輸入乘以其對應的權,然后求和,即

(3)

式中：wij為由上一層的單元到單元的連接權重；oi為上一層的單元的輸出，單元的偏差值。當用戶通過鼠標點擊隱藏層的神經(jīng)元時，相應的神經(jīng)元會高亮并展示其輸入輸出的中間結果，圖7中神經(jīng)元其顏色的透明度按照Ij大小進行映射，線條的粗細大小為wij的映射。如圖8所示，用戶可以通過折線圖可視分析工具來觀察權重值wij隨迭代次數(shù)的變化。用戶還可以通過折線圖組件對不同神經(jīng)元參數(shù)進行對比，同時如圖8所示，鼠標放在相應的神經(jīng)元和神經(jīng)元連線，在折線圖的對應折線會高亮，系統(tǒng)中的折線圖都采用ECHARTS.JS在瀏覽器前端進行繪制。通過對神經(jīng)網(wǎng)絡中間結果進行觀察，可以幫助用戶調節(jié)神經(jīng)網(wǎng)絡結構，例如中間隱藏層的某個神經(jīng)元的對下一層的所有神經(jīng)元的輸出權重都很小，那可能是這個神經(jīng)元的激勵函數(shù)不適合或者神經(jīng)個數(shù)設置不合理，可以考慮通過改變神經(jīng)元激勵函數(shù)或者改變該層隱藏層神經(jīng)元個數(shù)來改善這種情況。

BP神經(jīng)網(wǎng)絡通過將輸出誤差通過隱藏層向輸入層反轉來修正各神經(jīng)元的權值，因此權值修正一定程度能反映該層的活躍程度。下面計算過程中：wijk表示神經(jīng)網(wǎng)絡第i層第j個神經(jīng)元到第i+1層第k個神經(jīng)元的連接權值；oij表示第i層第j個神經(jīng)元輸出；netij表示第i層第j個神經(jīng)元總輸入；dj表示神經(jīng)元j的期望數(shù)據(jù)；yj表示神經(jīng)元j的實際輸出；E表示損失函數(shù);Ni表示第i層神經(jīng)元個數(shù)。

圖7 神經(jīng)網(wǎng)絡結構可視分析工具Fig.7 Neural network structure visual analysis tool

圖8 折線圖可視分析工具Fig.8 Line chart visual analysis tool

1) 第i層第j個神經(jīng)元總輸入為

(4)

2) 第i層第j個神經(jīng)元輸出為

oij=f(netij)

(5)

3) 損失函數(shù)為

(6)

4) 經(jīng)數(shù)學推導BP算法的權值調整公式為

(7)

其中

(8)

通過Δw可得到每層的活躍度為

(9)

式中n為該層所有的連接。用戶同樣可以通過折線圖組件對活躍度變化進行可視化，并且根據(jù)活躍度調節(jié)權值初始化方法，訓練周期次數(shù)等。

4.3 交通流量預測可視分析

系統(tǒng)允許用戶通過一些基本的可視化組件如流量密度圖，流量時序變化圖對篩選后的數(shù)據(jù)進行可視分析，以挖掘數(shù)據(jù)蘊含的信息。密度圖常用于展示空間數(shù)據(jù)的密度信息，因此系統(tǒng)采用密度圖來呈現(xiàn)交通流量的空間分布。如圖9所示，通過流量密度圖可以明顯看出交通流量集中在市中心的幾條主干道，由于有些路口位置沒有安裝卡口監(jiān)控，或者卡口監(jiān)控損壞，故沒有流量顯示。同時，系統(tǒng)采用流量時序變化圖來展示路口隨著時間變化的流量變化情況。圖10為流量時序變化可視分析工具，該工具由折線圖構成，橫坐標為時間，縱坐標為流量，通過將不同路口的流量時序變化圖放在一起方便用戶進行對比。從圖10可以看出：2014 年9 月的流量變化，天目山路古墩路口的周期性最明顯，說明它受工作日和雙休日的影響最大。

圖9 流量密度可視分析工具Fig.9 Traffic flow density visual analysis tool

圖10 路口流量可視分析工具Fig.10 Intersection flow visual analysis tool

如圖11所示，用戶可以利用系統(tǒng)提供的折線圖繪制工具對交通流量的預測結果進行可視化，用戶數(shù)據(jù)為天目山路古墩路口尾號為3的車流量，訓練數(shù)據(jù)為2014 年9 月前2 周的數(shù)據(jù)，測試數(shù)據(jù)為第3 周的數(shù)據(jù)。圖11中的流量時序變化a使用的是原始數(shù)據(jù)，圖11中的流量時序變化b使用的是神經(jīng)網(wǎng)絡預測數(shù)據(jù)，從圖11中可以明顯看出在周三時車流量相對較少，這是因為杭州市實行錯峰限行政策，杭州市尾號為3的車輛在周三的早晚高峰時段不得駛入車流量高峰地段，實線的預測結果也基本符合規(guī)律。如圖12所示，系統(tǒng)可以通過餅圖可視分析工具來展示預測結果的整體正確率，1 圈表示1 d的時間，每塊扇形的長度表示準確率，同時扇形個數(shù)由神經(jīng)網(wǎng)絡輸出層神經(jīng)元數(shù)量決定，如本例中為8 個。通過該工具繪制的餅圖，用戶可以直觀的得到總體訓練結果的準確率。

圖11 交通流量預測結果與原始數(shù)據(jù)對比Fig.11 Comparison of traffic flow forecast results with original data

圖12 餅圖可視分析工具Fig.12 Pie chart visual analysis tool

5 結 論

設計了一套基于神經(jīng)網(wǎng)絡進行交通流量預測的可視化系統(tǒng)。相對于傳統(tǒng)的神經(jīng)網(wǎng)絡訓練方法，本系統(tǒng)集成了可視化組件幫助用戶觀察數(shù)據(jù)，并動態(tài)地根據(jù)用戶需求對數(shù)據(jù)進行過濾，同時將神經(jīng)網(wǎng)絡中間結果進行可視化，使用戶能夠觀察神經(jīng)網(wǎng)絡訓練的過程，幫助用戶對神經(jīng)網(wǎng)絡結構進行觀察學習和調整，并通過對預測結果的可視化使得用戶可以更容易對神經(jīng)網(wǎng)絡模型進行判斷，并且本系統(tǒng)的使用不需要用戶掌握編程知識，因此通過本系統(tǒng)可以大量縮短搭建針對特定要求進行交通流量預測的神經(jīng)網(wǎng)絡模型的時間。同時本系統(tǒng)基于B/S架構實現(xiàn)，前端通過Http請求訪問云端服務器，具有較強的可移植性。如何對神經(jīng)網(wǎng)絡模型進行擴展，增加用戶的操作空間是下一步工作的重點。