李家鑫 宋佳怡 李冠辰 宋琳 劉翰宸

摘 ?要：隨著城市化進(jìn)程的高速發(fā)展，交通擁堵已成為困擾和阻礙城市發(fā)展的重要問(wèn)題。道路大多數(shù)是部分擁堵、部分暢通，準(zhǔn)確預(yù)測(cè)出道路擁堵?tīng)顟B(tài)可以更好地實(shí)現(xiàn)汽車分流，緩解交通壓力。本文分別運(yùn)用VARMA（向量自回歸移動(dòng)平均）和LSTM（長(zhǎng)短期記憶網(wǎng)絡(luò)）算法對(duì)首都機(jī)場(chǎng)附近的57條道路的擁堵數(shù)據(jù)進(jìn)行建模分析，在此基礎(chǔ)上將LSTM處理多元時(shí)間序列的核心思想加入到多元回歸算法中，使多元回歸算法擁有處理多元時(shí)間序列的能力。之后對(duì)三個(gè)算法的預(yù)測(cè)準(zhǔn)確度和建模復(fù)雜度進(jìn)行對(duì)比，找出適合用于不同場(chǎng)景的算法。得出結(jié)論，VARMA模型適用于短期精準(zhǔn)預(yù)測(cè)、RNN適用于長(zhǎng)期大規(guī)模的波動(dòng)預(yù)測(cè)、改造后的多元回歸模型適用于中長(zhǎng)期快速預(yù)測(cè)。本文中的算法和結(jié)論可以更好地幫助公安和交警及時(shí)把控道路擁堵?tīng)顩r，針對(duì)道路擁堵情況提前做出預(yù)案和防范措施。減輕出行壓力，提高居民幸福感。

關(guān)鍵詞：交通擁堵指數(shù)預(yù)測(cè);VARMA算法;LSTM算法;多元線性時(shí)序回歸算法;智能交通

中圖分類號(hào)：TP311.13;U495 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2019）12-0104-02

Abstract：With the rapid development of urbanization，traffic congestion has become an important problem that puzzles and hinders urban development. Most of the roads are partially congested and partially unobstructed. Accurate prediction of road congestion can better realize vehicle diversion and relieve traffic pressure. In this paper，we use VARMA （Vector Autoregressive Moving Average） and LSTM （Long-term and Short-term Memory Network） algorithms to model and analyze the congestion data of 57 roads near the Capital Airport. On this basis，the core idea of LSTM processing multiple time series is added to the multiple regression algorithm，so that the multiple regression algorithm has the ability to deal with multiple time series. Then the prediction accuracy and modeling complexity of the three algorithms are compared to find out the suitable algorithm for different scenarios. It is concluded that VARMA model is suitable for short-term accurate prediction，RNN model is suitable for long-term large-scale fluctuation prediction，and the modified multiple regression model is suitable for medium-term and long-term fast prediction. The algorithm and conclusion in this paper can better help the public security and traffic police to control the road congestion situation in time，and make plans and preventive measures in advance for the road congestion situation. Reduce travel pressure and improve residentswell-being.

Keywords：traffic congestion index prediction;VARMA algorithm;LSTM algorithm;multiple linear time series regression algorithm;intelligent transportation

1 ?緒論

1.1 ?研究背景

中國(guó)是一個(gè)擁有14億人口的大國(guó)，城市化和汽車數(shù)量的增加都會(huì)加劇道路的擁堵。以北京為例，北京城區(qū)接近90%的道路已經(jīng)達(dá)到飽和狀態(tài)，擁堵問(wèn)題十分嚴(yán)重。

1.2 ?國(guó)內(nèi)外研究現(xiàn)狀

國(guó)內(nèi)外學(xué)者在這個(gè)問(wèn)題上的研究已經(jīng)做了很多努力并有了很多突破，主要的研究方向可以分為非參數(shù)回歸、參數(shù)回歸、神經(jīng)網(wǎng)絡(luò)、時(shí)間序列分析等。我國(guó)交通智能化和公安信息化有了很大進(jìn)步。然而在警務(wù)情報(bào)整合、時(shí)間序列數(shù)據(jù)的挖掘以及后續(xù)的分析結(jié)果利用上仍存在不足之處。

1.3 ?課題研究的內(nèi)容和意義

1.3.1 ?研究?jī)?nèi)容

我們選擇了T3航站樓附近的57條道路作為研究的對(duì)象。數(shù)據(jù)包含從2016年到2017年的路況信息，以一小時(shí)為間隔。我們選用VARMA（向量自回歸移動(dòng)平均）模型和LSTM（長(zhǎng)短期記憶網(wǎng)絡(luò)模型）進(jìn)行預(yù)測(cè)，并對(duì)模型做驗(yàn)證和評(píng)價(jià)。之后對(duì)多元回歸模型做改進(jìn)，使多元回歸模型擁有處理多元時(shí)間序列的能力。為此，我們將時(shí)間的因素以自變量的形式加入模型中，并對(duì)模型做一系列驗(yàn)證。最后比較三個(gè)模型，通過(guò)指標(biāo)選出最優(yōu)。

1.3.2 ?研究意義

在現(xiàn)有的道路的基礎(chǔ)上，將大數(shù)據(jù)技術(shù)和計(jì)算機(jī)處理技術(shù)有效地運(yùn)用到交通管理體系中，充分挖掘現(xiàn)有數(shù)據(jù)的價(jià)值。當(dāng)?shù)缆烦霈F(xiàn)擁堵跡象時(shí)能發(fā)出預(yù)警信號(hào)并及時(shí)采取措施，減少擁堵帶來(lái)的損失，對(duì)預(yù)測(cè)算法進(jìn)行創(chuàng)新，找出收斂速度更快、預(yù)測(cè)準(zhǔn)確度更高和使用更為簡(jiǎn)便的方法。

2 ?數(shù)據(jù)預(yù)處理

2.1 ?數(shù)據(jù)預(yù)處理

VARMA算法具備基于時(shí)間序列的擁堵數(shù)據(jù)對(duì)數(shù)據(jù)做變形和拼接系統(tǒng)管理員的功能模塊。對(duì)于LSTM算法我們需要將數(shù)據(jù)按照不同的道路進(jìn)行劃分，劃分到不同的Excel表中。對(duì)于多元線性回歸算法，我們需要將不同的道路和道路的前三期的擁堵指數(shù)都作為自變量。

2.2 ?描述性統(tǒng)計(jì)

針對(duì)57條道路，按照擁堵等級(jí)作為劃分依據(jù)繪制餅圖?？梢钥吹狡渲?0%的時(shí)間首都機(jī)場(chǎng)附近的道路是暢通級(jí)別，40%的時(shí)間都存在不同程度的擁堵。而擁堵指數(shù)超過(guò)1.6的情況占到了5.5%左右。

3 ?交通擁堵建模分析與預(yù)測(cè)

3.1 ?VARMA

3.1.1 ?變量選擇

在明確研究目標(biāo)之后，我們對(duì)手中的道路數(shù)據(jù)做相關(guān)分析。如果使用57個(gè)變量建立模型，不僅會(huì)影響模型的準(zhǔn)確率，而且模型的建立和使用都會(huì)比較煩瑣。因此我們做相關(guān)分析之后選出和研究對(duì)象相關(guān)性較高的變量作為模型輸入。

3.1.2 ?平穩(wěn)性檢驗(yàn)

使用時(shí)間序列算法的第一步需要對(duì)時(shí)間序列進(jìn)行一系列的檢驗(yàn)，用以驗(yàn)證序列是否滿足建模的要求。選擇用ADF檢驗(yàn)來(lái)驗(yàn)證，四個(gè)變量的ADF檢驗(yàn)的結(jié)果P值都小于0.05，證明四個(gè)變量都是平穩(wěn)的。

3.1.3 ?模型定階

VARMA模型在建立之前需要確定階數(shù)，一個(gè)是自回歸AR模型的中的P與移動(dòng)平均模型MA中的Q，我們選擇了AIC來(lái)確定模型的階數(shù)。AIC通過(guò)加入模型復(fù)雜度的懲罰項(xiàng)來(lái)防止模型出現(xiàn)過(guò)擬合的現(xiàn)象。

3.1.4 ?模型檢驗(yàn)

自相關(guān)檢驗(yàn)：為了驗(yàn)證分析模型的殘差之間不存在自相關(guān)性。

白噪聲檢驗(yàn)：對(duì)殘差做Ljung-Box檢驗(yàn)。

正態(tài)性檢驗(yàn)：為了檢查殘差列的正態(tài)性，繪制了殘差列的QQPlot。

3.1.5 ?模型預(yù)測(cè)

我們用模型對(duì)測(cè)試數(shù)據(jù)做預(yù)測(cè)，其中測(cè)試數(shù)據(jù)共包括4160條。

越靠后準(zhǔn)確率會(huì)下降，尤其是對(duì)于前五十個(gè)數(shù)據(jù)的預(yù)測(cè)，預(yù)測(cè)和實(shí)際數(shù)據(jù)十分貼近。

3.2 ?LSTM

LSTM模型處理的對(duì)象同之前一樣，將不同的道路分別存儲(chǔ)到Excel表中，并創(chuàng)建一個(gè)道路名單表供LSTM模型調(diào)用。利用Python語(yǔ)言實(shí)現(xiàn)LSTM神經(jīng)網(wǎng)絡(luò)模型的建立并預(yù)測(cè)交通擁堵?tīng)顩r。

3.3 ?多元線性時(shí)序回歸

運(yùn)用最小二乘法計(jì)算自變量系數(shù)，建立多元線性回歸模型。

（1）擬合優(yōu)度檢驗(yàn)：通過(guò)模型匯總，檢驗(yàn)擬合情況。

（2）顯著性檢驗(yàn)：在多元線性回歸方程中，部分是對(duì)回歸方程整體的F檢驗(yàn)，另一部分是對(duì)回歸系數(shù)的T檢驗(yàn)。

（3）多重共線性檢驗(yàn)：本文用方差膨脹因子來(lái)檢驗(yàn)多重共線性。

4 ?模型對(duì)比

對(duì)VARMA、LSTM、多元線性時(shí)序回歸算法采用相同的訓(xùn)練數(shù)據(jù)，對(duì)比VARMA、LSTM、多元線性時(shí)序回歸算法的性能和特點(diǎn)。之后總結(jié)三個(gè)模型分別適用于什么場(chǎng)景的擁堵預(yù)測(cè)。定義步驟如下：

（1）首先給出三個(gè)模型在建立過(guò)程中的主要步驟，繪制流程圖，為后續(xù)的對(duì)比和介紹奠定基礎(chǔ)。

（2）定義試驗(yàn)結(jié)果分析的物理量，使后續(xù)對(duì)比的意義更加明了。

（3）定義建立模型所使用的訓(xùn)練集和測(cè)試集。

（4）模型能力測(cè)試，本實(shí)驗(yàn)的目的是探究三種算法在處理多元時(shí)間序列時(shí)的預(yù)測(cè)能力和對(duì)數(shù)據(jù)的挖掘能力。盡可能在三個(gè)模型都達(dá)到最佳狀態(tài)時(shí)改變訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的比例來(lái)探究算法的預(yù)測(cè)能力。

5 ?結(jié) ?論

VARMA算法更加適用于預(yù)測(cè)近期交通擁堵指數(shù)，并且對(duì)數(shù)值的準(zhǔn)確性要求較高。但VARMA算法對(duì)數(shù)據(jù)質(zhì)量的要求較高，而且建立時(shí)間較長(zhǎng)，這就需要有關(guān)人員具備較高的模型處理能力。RNN算法更加適用于長(zhǎng)期的交通擁堵預(yù)測(cè)，可以利用RNN模型對(duì)首都機(jī)場(chǎng)的警力資源做長(zhǎng)期的部署，因?yàn)镽NN模型對(duì)擁堵數(shù)據(jù)的抖動(dòng)有很強(qiáng)的感知力，在擁堵高發(fā)期和波動(dòng)期RNN的預(yù)測(cè)效果會(huì)更好。只是RNN算法對(duì)于不同的數(shù)據(jù)需要改變大量的參數(shù)，這一過(guò)程會(huì)耗費(fèi)很多時(shí)間。根據(jù)改造后的多元回歸模型，我們可以看出，對(duì)于前、中、后三個(gè)階段數(shù)據(jù)的預(yù)測(cè)效果都在可以接受的范圍之內(nèi)，而且多元回歸算法建立耗時(shí)短、預(yù)測(cè)精度高、數(shù)據(jù)要求低。所以多元回歸算法很適合公安部門使用。

我國(guó)現(xiàn)在正處于信息化建設(shè)的高速發(fā)展期，需要我們將挖掘數(shù)據(jù)的算法和工具進(jìn)行升級(jí)和換代。我們相信人工智能和機(jī)器學(xué)習(xí)算法會(huì)更加多樣化，算法的效果會(huì)更好。這將會(huì)減輕人們的出行壓力，警力資源也會(huì)得到更合理的分配。

參考文獻(xiàn)：

[1] 崔承穎.基于累積Logistic模型的城市交通擁堵概率估計(jì)研究 [D].北京：北京交通大學(xué)，2015.

[2] 陳岳明，蕭德云.基于跳轉(zhuǎn)模型的路網(wǎng)交通流預(yù)測(cè) [J].控制與決策，2009，24（8）：1177-1180+1186.

[3] 陳韞.基于LSTM深度網(wǎng)絡(luò)的城市道路短時(shí)交通狀態(tài)預(yù)測(cè)模型研究 [D].福建工程學(xué)院，2018.

作者簡(jiǎn)介：李家鑫（1997.04-），男，漢族，北京人，本科在讀，研究方向：大數(shù)據(jù)方向。