潘偉靖，陳德旺

(1.福州大學 數(shù)學與計算機科學學院，福建 福州 350108;2.福州大學-星云股份智慧新能源研究中心，福建 福州 350108)

0 引 言

短時交通流量預測研究，為智能交通系統(tǒng)中的一個重要研究方向。該類研究可以為相關部門提供較為準確的城市道路流量信息，進而為相關部門對于路面車流的引導以及預警信息的發(fā)布提供相關決策依據(jù)，為市民的出行等提供了更為可靠的建議。因此，該類研究也具有一定的現(xiàn)實意義。

在短時交通流量預測的問題上，很多學者做了相關研究，如宮曉燕等使用的基于非參數(shù)回歸的方法[1]以及張一基于卡爾曼濾波算法的研究[2]等一系列基于數(shù)學模型進行的研究。楊兆升等采用支持向量機[3]等機器學習方法進行預測。有部分學者采用一些混合模型，期望多種方法的互補，使得其模型的最終預測達到更好的效果，如采用SVM與卡爾曼濾波法相結合的研究[4]、將K-means與極限學習機相結合的方法[5]以及采用小波分析法與ARMA模型相結合的方法[6]等，在短時交通流量預測方向，取得了明顯的進展。

隨著深度學習及硬件設備等的蓬勃發(fā)展，不少學者嘗試構建深層次神經(jīng)網(wǎng)絡，希望網(wǎng)絡模型在預測結果精確度和可靠性上更高。其中對短時交通流量預測這類時間序列預測問題而言，最常用的便是RNN。

RNN是一種區(qū)別于傳統(tǒng)前饋神經(jīng)網(wǎng)絡的新型網(wǎng)絡，其設計思想是使神經(jīng)網(wǎng)絡具有一定的“記憶”功能，從而使訓練后的RNN模型可以根據(jù)已有的若干個狀態(tài)的值來對下一時刻S的值進行估測，正是因為這種“記憶”的特性，為時間序列預測、字符序列等問題提供了一個新的解決方案。但是，在訓練標準RNN試圖獲取數(shù)據(jù)在一段較長時間內的特征時，RNN通常會出現(xiàn)梯度消失或梯度爆炸的情況[7]。于是有研究人員嘗試將RNN的隱藏層基本單位由一個簡單神經(jīng)元節(jié)點改變?yōu)橐粋€擁有記憶性的模塊[8]。這種對標準RNN的更改中，最為著名的為Hochreiter和Schmidhu-ber提出的長短時記憶網(wǎng)絡(long short term memory，LSTM)[9]以及Cho等提出的門循環(huán)單元(gated recurrent unit，GRU)[10]。這兩種改進型的RNN，使得對一段相對較長時間內的特征捕獲問題有了長足的進步。目前，RNN模型廣泛應用在語音識別[11]、自然語言處理[12]、機器翻譯[13]、語義分析[14]等方面。

有學者將LSTM運用于短時交通流量預測[15]，也有學者對LSTM與GRU兩種模型在短時交通流量預測方面的性能做了比較[16]，也有學者將LSTM與SVR進行結合，得到了相對較好的結果[8]。由于GRU相對LSTM通常收斂較快[16]，計算量也就會相對減少。在結構上只包括更新門和重置門。其中更新門會對當前時刻保存?zhèn)鱽淼臓顟B(tài)信息多少做出決策，重置門則正好相反，是對當前時刻丟棄或忽略傳來的狀態(tài)信息的多少做出判定。在LSTM與SVR相結合[8]的方法的啟發(fā)下，文中提出一種將GRU與SVR相結合的模型用于短時交通流量預測，以期取得更高的預測精度和更快的運算速度。該模型使用門循環(huán)單元(GRU)對數(shù)據(jù)做特征提取，再將其輸入到模型頂層的支持向量機回歸(SVR)模型中以得到模型最終的預測輸出。

1 模型設計

1.1 模型設計

提出的模型結構如圖1所示。

圖1 GRU-SVR模型框圖

假設在模型訓練時一次輸入模型的數(shù)據(jù)長度為num，數(shù)據(jù)采樣時間間隔設為Δt，即一次輸入模型的一組數(shù)據(jù)之間的時間間隔為num*Δt，且訓練集整體表示為D=(x1,x2,…,xn)，其中xi表示每個數(shù)據(jù)采樣時間間隔內的交通流量數(shù)據(jù)。將訓練集數(shù)據(jù)轉化為向量V，表示為V=(V1,V2,…,Vm),其中Vi=(xi,x2,…,xi+num)。之后對Vi做切片，使得其前num個數(shù)據(jù)為模型的一次輸入，最后一個為其對應的結果。在這之后進行匯總，形成真正的訓練數(shù)據(jù)。對測試集數(shù)據(jù)也做相同的處理，得到測試數(shù)據(jù)。

將訓練數(shù)據(jù)作為圖1中的Input輸入模型，訓練GRU網(wǎng)絡模型使之學習到相關參數(shù)。之后將數(shù)據(jù)集輸入已訓練好的GRU模型，獲取到由GRU模型輸出的特征向量，組成新的訓練集與測試集。輸入到SVR模型進行訓練，得到最終的預測信息。相應流程如下：

Step1:對獲取到的數(shù)據(jù)進行規(guī)范化處理；

Step2:以處理后的數(shù)據(jù)訓練GRU網(wǎng)絡模型，對輸入數(shù)據(jù)進行學習；

Step3:將GRU網(wǎng)絡輸出的特征向量作為SVR模型的輸入，并對SVR模型進行訓練；

Step4:使用SVR模型進行預測，并將模型輸出做反規(guī)范化得到預測結果。

1.2 具體設計

在GRU網(wǎng)絡設計中，首先固定輸入數(shù)據(jù)的長度進行設計。這里以num為12來進行設計。經(jīng)反復迭代測試，在兼顧模型的計算量與最終性能的情況下，選擇使模型在測試集上MAPE值達到最小的模型，并不斷調整其余超參數(shù)，使得模型的平均絕對百分比誤差(mean absolute percentage error，MAPE)以及平均絕對誤差(mean absolute error，MAE)等指標逐步降低。GRU網(wǎng)絡模型如圖2所示。

圖2 GRU特征提取模型

在圖2中，使用只有一層GRU網(wǎng)絡層的網(wǎng)絡結構，其中輸入層單元數(shù)為12，隱含層的單元數(shù)為135，激活函數(shù)選擇sigmoid，初始化函數(shù)選擇he_uniform。之后，Dropout層隨機斷開50%的單元，再經(jīng)過全連接層進行輸出。Epochs為300。

在GRU網(wǎng)絡結構確定之后，需要對SVR模型進行設計，在反復迭代測試之后，最終采用核函數(shù)為徑向基(RBF)，懲罰因子C=1，gamma為0.3，epsilon為0.001的SVR模型。

2 實驗數(shù)據(jù)及評價指標

2.1 實驗數(shù)據(jù)

實驗采用的數(shù)據(jù)來自加利福尼亞交通局公路績效監(jiān)控系統(tǒng)(Caltrans performance measurement system，PeMS)，使用的是加利福尼亞州薩克拉門托市I80-E檢測到的采樣間隔為5分鐘的流量數(shù)據(jù)，時間為2018年4月到2018年7月，且使用的為工作日的總車流量。選擇將4月的工作日數(shù)據(jù)作為訓練集對模型進行訓練，5月的工作日數(shù)據(jù)作為測試集。

2.2 評價指標

采取的評價標準為平均絕對誤差(MAE)以及平均絕對百分比誤差(MAPE):

(1)

(2)

3 實驗結果及分析

3.1 實驗分析

在確定網(wǎng)絡模型及其所配置的使MAPE、MAE等評價標準最低的超參數(shù)后，設計采用不同的單次數(shù)據(jù)輸入長度進行實驗。實驗的數(shù)據(jù)輸入長度包括3，6，9，12。模型的預測結果如圖3所示。

圖3 不同num的模型對測試集數(shù)據(jù)的預測結果

使用上文所述指標進行評價，其結果如表1所示。

表1 不同數(shù)據(jù)輸入長度模型的預測結果評價

如圖3所示，在所有的實驗中，單次數(shù)據(jù)輸入長度為12的模型所預測出的曲線，與真實流量的曲線始終較為貼合，即誤差始終在一個相對較小的范圍內。同時，從表1中可以看到，在不同實驗中，以num為12訓練的模型，使得模型的預測誤差值達到最低，在其之前的幾個不同實驗中，MAPE與MAE指標值均高于num為12的模型，但是都相差不大。所以仍然選擇數(shù)據(jù)輸入長度為12的模型進行預測，達到最佳的結果。

3.2 模型性能測試

為了測試該模型的泛化性，使用4月數(shù)據(jù)訓練所得模型，分別對獲取到的6、7月數(shù)據(jù)進行測試，其結果如表2所示。

表2 不同測試集上的性能比較

由表2可知，使用4月份數(shù)據(jù)作為訓練集所訓練得到的模型在6、7月份的數(shù)據(jù)集也有與5月份數(shù)據(jù)集上的相似表現(xiàn)，即使用6、7月數(shù)據(jù)作為測試集，其MAE、MAPE值與5月份數(shù)據(jù)作為測試集的對應評價指標浮動相對較小，說明該模型在非連續(xù)自然月的數(shù)據(jù)集上具有一定的泛化能力。

在這之后，對模型的抗噪能力也進行了測試。分別為5月份數(shù)據(jù)集加入三組具有不同均值、方差的高斯噪聲以檢測模型在不同情況下的抗噪能力。約定以“均值-標準差”的形式來表示每次測試的均值與標準差，其結果如表3所示。

表3 加入不同高斯白噪聲的性能比較

由表3可知，在加入高斯白噪聲之后，模型的MAPE、MAE評價指標與原始測試集相比并沒有產(chǎn)生過多的浮動。所以，可以說明該模型具有相對較好的抗噪性。

3.3 模型對比

為了驗證該模型的性能，使用如上文所述的數(shù)據(jù)集進行訓練及預測，即使用4月的數(shù)據(jù)進行訓練，5月的數(shù)據(jù)進行預測，且分別與相同參數(shù)的GRU、SVR模型的性能進行對比，其具體結果如圖4所示。

圖4 不同模型的預測結果對比

其預測的誤差如表4所示。

表4 不同模型的預測誤差

由圖4及表4可以看出，所有模型的預測曲線均可以較好地模擬出真實曲線數(shù)據(jù)，均較為貼合，相對誤差均較小。但是，文中采用的模型相比于SVR、GRU，可以取得最低的MAPE以及MAE的值，說明該模型優(yōu)于SVR和GRU模型，且GRU-SVR模型最終的r2值為0.97，是一種可靠的預測模型。

4 結束語

借助深度學習模型強大的特征提取能力以及支持向量機回歸的預測能力，以結合門循環(huán)單元(GRU)與支持向量機回歸(SVR)兩種模型的混合模型對單一傳感器的交通流量進行了相對較好的預測。但是，在大數(shù)據(jù)背景下，如何將機器學習與大數(shù)據(jù)相結合，仍是一個有前景的研究問題。對多個傳感器在大數(shù)據(jù)背景下的短時交通流量預測問題，是下一步的研究內容。