馮靖賀　李曙光

摘 要：針對(duì)車牌對(duì)照法、航空攝影法和GPS浮動(dòng)車法等傳統(tǒng)的路段空間平均速度檢測(cè)方法存在耗時(shí)耗力和實(shí)時(shí)性差等弊端，設(shè)計(jì)了基于WiFi探針設(shè)備的路段空間平均速度檢測(cè)系統(tǒng)。該系統(tǒng)使用WiFi探針采集道路車輛WiFi信息，實(shí)時(shí)上傳服務(wù)器，挖掘WiFi信息時(shí)空特性，獲取路段空間平均速度，并利用LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)路段空間平均速度，最后通過實(shí)例驗(yàn)證本系統(tǒng)設(shè)計(jì)的可行性。

關(guān)鍵詞：WiFi探針;空間平均速度;LSTM;交通信息檢測(cè)系統(tǒng);K-Means++聚類算法;網(wǎng)絡(luò)模型

中圖分類號(hào)：TP39 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2020）03-00-03

0 引 言

實(shí)時(shí)準(zhǔn)確地掌握道路交通運(yùn)行狀態(tài)對(duì)提升道路交通服務(wù)水平和運(yùn)輸能力至關(guān)重要[1]。路段空間平均速度是評(píng)價(jià)道路交通運(yùn)行狀態(tài)的重要指標(biāo)，同時(shí)也是反映道路交通狀況和服務(wù)水平的基本參數(shù)之一[2]。固定式點(diǎn)檢測(cè)器仍是交通信息采集的主要設(shè)備，采集的車速信息以定點(diǎn)車速為主，在此基礎(chǔ)上估算路段空間平均速度不夠準(zhǔn)確。基于車牌識(shí)別對(duì)照和電子車牌技術(shù)的區(qū)間測(cè)速手段準(zhǔn)確率較高，但設(shè)備造價(jià)高昂，普及率較低。航空攝影法受拍攝手段影響，無法長(zhǎng)時(shí)間持續(xù)獲取數(shù)據(jù)[3]。GPS浮動(dòng)車法在實(shí)際中容易出現(xiàn)特定目標(biāo)路段樣本量較少的情況[4-5]。

WiFi、藍(lán)牙等無線技術(shù)的普及為交通信息采集提供了更多思路。Ahmed構(gòu)建了基于無線技術(shù)的交通檢測(cè)平臺(tái)，初步驗(yàn)證了無線檢測(cè)技術(shù)應(yīng)用于交通領(lǐng)域的可行性[6]。LSTM（長(zhǎng)短期記憶）神經(jīng)網(wǎng)絡(luò)能夠克服RNN可能出現(xiàn)的梯度爆炸或消失問題[7]，面對(duì)交通流的隨機(jī)性和非線性，能夠提取更多時(shí)空信息，更有效地解決短時(shí)交通流預(yù)測(cè)問題[8]。

本文利用WiFi檢測(cè)技術(shù)設(shè)備造價(jià)低、安裝維護(hù)方便、普及性高等優(yōu)勢(shì)，基于WiFi探針設(shè)備設(shè)計(jì)了一種路段空間平均速度檢測(cè)系統(tǒng)。

（1）結(jié)合設(shè)備特點(diǎn)合理布設(shè)設(shè)備，實(shí)時(shí)高效地采集WiFi數(shù)據(jù)樣本。

（2）以WiFi數(shù)據(jù)樣本為基礎(chǔ)，實(shí)時(shí)計(jì)算路段空間平均車速。

（3）構(gòu)建LSTM網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)路段空間平均車速的準(zhǔn)確預(yù)測(cè)。

1 系統(tǒng)總體框架設(shè)計(jì)

系統(tǒng)總體框架主要包含數(shù)據(jù)采集設(shè)備端、服務(wù)器和可視化展示三個(gè)部分，如圖1所示。

WiFi探針被布置在待測(cè)路段首尾兩端截面的位置（記為A端和B端），實(shí)時(shí)探測(cè)周邊環(huán)境中的WiFi信息。當(dāng)載有WiFi信號(hào)的車輛等交通目標(biāo)通過該待測(cè)路段時(shí)，WiFi探針會(huì)檢測(cè)到其設(shè)備MAC地址、通過路段AB端時(shí)的時(shí)間戳tA和tB、信號(hào)強(qiáng)度信息，通過4G模塊以UDP協(xié)議形式上傳至服務(wù)器，并保證各設(shè)備的時(shí)間同步性。當(dāng)路段長(zhǎng)度為0.32～0.8 km時(shí)，路段空間平均速度能夠較好地反映交通細(xì)節(jié)[9]，考慮到WiFi探針設(shè)備檢測(cè)覆蓋半徑約50 m，因此本系統(tǒng)選擇待測(cè)路段的長(zhǎng)度范圍為600～800 m。

2 路段空間平均速度檢測(cè)系統(tǒng)設(shè)計(jì)

路段空間平均速度檢測(cè)系統(tǒng)包含路段空間平均速度的獲取和預(yù)測(cè)。當(dāng)服務(wù)器端接收到探針實(shí)時(shí)上傳的WiFi信息時(shí)，便計(jì)算路段當(dāng)前的空間平均速度，并進(jìn)一步預(yù)測(cè)下一時(shí)間周期的速度信息。

2.1 路段空間平均速度的獲取

設(shè)備MAC地址由IEEE進(jìn)行管理和分配，具備全球唯一性。在服務(wù)器中對(duì)檢測(cè)路段A，B兩端的WiFi探針采集的數(shù)據(jù)樣本進(jìn)行基于MAC地址的匹配，獲取樣本經(jīng)過該路段兩端的時(shí)間戳tA和tB，時(shí)間戳之差為樣本的行程時(shí)間，可根據(jù)待測(cè)路段的長(zhǎng)度計(jì)算樣本的區(qū)間行程速度。圖2展示了路段空間平均速度的獲取流程。

檢測(cè)路段的環(huán)境可能較為復(fù)雜，行人、非機(jī)動(dòng)車等干擾的存在會(huì)使最終計(jì)算出的路段空間平均速度偏低（路段非擁堵狀態(tài)下）。本文采用K-Means++聚類算法剔除行人、非機(jī)動(dòng)車等樣本數(shù)據(jù)，減少最終路段區(qū)間平均速度的計(jì)算誤差。具體步驟如下：

Step1：選取WiFi探針采集樣本的路段區(qū)間行程速度作為K-Means++聚類算法的聚類特征。

Step2：采用elbow法確定K-Means++聚類算法的初始聚類簇?cái)?shù)，即K值。

Step3：根據(jù)選定的K值，利用K-Means++聚類算法對(duì)采集樣本進(jìn)行聚類，選取聚類中心值最大的一個(gè)聚類簇作為車輛類。

使用elbow法的原因在于實(shí)際路段混合交通特性沒有直觀的體現(xiàn)，根據(jù)數(shù)據(jù)本身確定聚類數(shù)是更好的方式。最終，以聚類之后遴選出的車輛類樣本數(shù)據(jù)，進(jìn)一步計(jì)算路段空間平均速度。

采用滑動(dòng)時(shí)間窗口計(jì)算待測(cè)路段的空間平均速度，具體如圖3所示，圖中時(shí)間軸上的滑動(dòng)時(shí)間窗口寬度W為

5 min，窗口滑動(dòng)步長(zhǎng)L為1 min，時(shí)間窗口內(nèi)的行程速度的調(diào)和平均值可近似為待測(cè)路段在此期間的空間平均速度。隨著時(shí)間窗口的逐步滑動(dòng)，發(fā)現(xiàn)待測(cè)路段的空間平均速度隨時(shí)間發(fā)生變化。

2.2 路段空間平均速度的預(yù)測(cè)

系統(tǒng)利用Keras框架實(shí)現(xiàn)LSTM預(yù)測(cè)模型的搭建和訓(xùn)練。為了兼顧訓(xùn)練速度和測(cè)試精度，選擇的模型深度為4層[10]，其中包含兩個(gè)LSTM層，每層神經(jīng)元個(gè)數(shù)為128，激活函數(shù)分別為“elu”和“tanh”。每個(gè)LSTM層后接一個(gè)Dropout層，設(shè)定隨機(jī)斷開25%的神經(jīng)元。模型的優(yōu)化器選擇“adam”，激活函數(shù)選擇“sigmoid”，損失函數(shù)選擇“mse”。

獲取的路段空間平均速度數(shù)據(jù)經(jīng)過異常值清洗、相鄰數(shù)據(jù)平均法補(bǔ)齊缺失值和min-max法歸一化操作，然后使用訓(xùn)練后的模型進(jìn)行預(yù)測(cè)，再經(jīng)過最終的反歸一化即可得到預(yù)測(cè)結(jié)果[11]。

3 系統(tǒng)測(cè)試結(jié)果與分析

系統(tǒng)測(cè)試地點(diǎn)選取在西安市二環(huán)南路東段位于文藝路南口天橋和雁塔立交天橋之間的路段。待測(cè)路段全長(zhǎng)600 m，東西走向，為雙向8車道設(shè)計(jì)（其中雙向各有一輔助車道）。實(shí)驗(yàn)采用4個(gè)WiFi探針設(shè)備，探針檢測(cè)有效范圍約為50 m。兩個(gè)一組分別安裝在實(shí)驗(yàn)路段兩端的人行天橋上，確保檢測(cè)范圍內(nèi)無遮擋。該實(shí)驗(yàn)待測(cè)路段的地圖如圖4所示，圖中三角形為對(duì)應(yīng)的WiFi探針的安裝位置，虛線框中為待測(cè)路段。

測(cè)試時(shí)間選取為某一工作日的14：20—18：10，在實(shí)驗(yàn)路段進(jìn)行WiFi樣本采集，共有14 451條不同MAC地址的WiFi信號(hào)記錄。對(duì)實(shí)驗(yàn)路段兩端所采集的數(shù)據(jù)進(jìn)行基于MAC地址的匹配，計(jì)算樣本通過該路段的區(qū)間速度。

實(shí)驗(yàn)路段有較多的行人、非機(jī)動(dòng)車目標(biāo)干擾。使用elbow法確定最佳聚類K值，如圖5所示。當(dāng)K值為2時(shí)，樣本的SSE值出現(xiàn)了最大幅度下降，因此將聚類K值定為2。然后對(duì)樣本進(jìn)行聚類，計(jì)算路段空間平均速度的時(shí)間序列，其中滑動(dòng)時(shí)間窗口寬度選擇為5 min，窗口滑動(dòng)步長(zhǎng)為1 min，共得到220個(gè)時(shí)間周期的速度數(shù)據(jù)。

使用上文中訓(xùn)練的模型進(jìn)行單步預(yù)測(cè)，路段兩個(gè)方向空間平均速度的預(yù)測(cè)值和實(shí)際值均較為貼合，在速度下降幅度較大時(shí)預(yù)測(cè)效果略差，但能夠反映實(shí)際中路段空間平均速度的變化趨勢(shì)。預(yù)測(cè)結(jié)果的平均絕對(duì)誤差（MAE）分別為0.959和1.083，均方根誤差（RMSE）分別為1.284和1.385，系統(tǒng)對(duì)檢測(cè)結(jié)果和預(yù)測(cè)結(jié)果的展示如圖6所示。

4 結(jié) 語

本文設(shè)計(jì)的檢測(cè)系統(tǒng)能夠?qū)β范慰臻g平均速度進(jìn)行實(shí)時(shí)獲取和預(yù)測(cè)，表明了WiFi探針能夠用于交通檢測(cè)領(lǐng)域。WiFi探針相比傳統(tǒng)的交通信息檢測(cè)手段和設(shè)備有以下優(yōu)勢(shì)：

（1）成本低廉，對(duì)道路侵入性低，安裝及后期維護(hù)方便;

（2）檢測(cè)數(shù)據(jù)占用空間小，便于后期處理、傳輸和存儲(chǔ)。

因此，基于WiFi探針的路段空間平均速度預(yù)測(cè)方法是對(duì)當(dāng)前交通信息采集手段的補(bǔ)充，具有較高的實(shí)用價(jià)值。

參 考 文 獻(xiàn)

[1]姜桂艷，冮龍暉，王江鋒.城市快速路交通擁擠識(shí)別方法[J].交通運(yùn)輸工程學(xué)報(bào)，2006，6（3）：87-91.

[2]陳秀鋒，田家斌，曲大義，等.城市道路空間平均速度估計(jì)模型

[J].科學(xué)技術(shù)與工程，2017（13）：77-80.

[3]吳松.機(jī)動(dòng)車區(qū)間測(cè)速系統(tǒng)綜述[J].計(jì)量與測(cè)試技術(shù)，2017（7）：71-72.

[4] RAN B，ROUPHAIL N M，TARKO A，et al. Toward a class of link travel time functions for dynamic assignment models on signalized networks [J]. Transportation research，part B（Methodological），1997，31（4）：1-290.

[5] TYAGI V，DARBHA S，RAJAGOPAL K R.A dynamical systems approach based on averaging to model the macroscopic flow of freeway traffic [J]. Nonlinear analysis hybrid systems，2008，2（2）：590-612.

[6] AHMED H，ELDARIEBY M，ABDULHAI B，et al.Bluetooth and WiFi based mesh network platform for traffic monitoring [C]// Transportation Research Board，Meeting. 2008.

[7] MA X，TAO Z，WANG Y，et al. Long short-term memory neural network for traffic speed prediction using remote microwave sensor data [J]. Transportation research part C： emerging technologies，2015，54（5）：187-197.

[8] SCHMIDHUBER J.Gradient flow in recurrent nets： the difficulty of learning long-term dependencies [M]. Wiley-IEEE Press：Gradient flow in recurrent nets： the difficulty of learning longterm dependencies，2001.

[9]何兆成，盧瑞琪，聶佩林.基于浮動(dòng)車定位數(shù)據(jù)的高速公路區(qū)間平均速度估計(jì)[J].公路交通科技，2011，28（6）：128-135.

[10]王祥雪，許倫輝.基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)研究[J].交通運(yùn)輸系統(tǒng)工程與信息，2018（1）：81-88.

[11] TIAN Y，PAN L.Predicting short-term traffic flow by long short-term memory recurrent neural network[C]// 2015 IEEE International Conference on Smart City/SocialCom/SustainCom （SmartCity）.IEEE，2016.