吉靜

（上海電科智能系統(tǒng)股份有限公司，上海200063）

城市快速路作為大型城市交通網(wǎng)絡(luò)的重要組成部分，在城市交通“提速”上起著重要作用。但是近年來，隨著私家車的增多，人們出行需求的快速增加，現(xiàn)有的快速路交通擁堵現(xiàn)象頻頻發(fā)生，嚴重影響了快速路出行效率。

快速路上的交通擁堵通常是由于瓶頸區(qū)所導(dǎo)致的，快速路瓶頸區(qū)可以分為常發(fā)性瓶頸區(qū)和非常發(fā)性瓶頸區(qū)。非常發(fā)性瓶頸區(qū)具有較強的突發(fā)性，傳統(tǒng)的方法難以識別預(yù)測。交通瓶頸識別方法除了傳統(tǒng)的基于三相交通流理論的方法、基于非局部氣體動理論模型的方法和基于元胞自動機模型的方法外，自動識別（Automatic Traffic congestion identification，ACI）算法也隨著網(wǎng)絡(luò)的發(fā)展以及計算機算力的提高而被提出，如：楊小寶等人以生理- 心理模型中的MITSIM模型為基礎(chǔ)，在跟車子模型加入了隨機擾動項，換道子模型的可行性檢測中加入了前后間距不足時司機的減速行為[1]。

Richard Arnott 等人提出了一種集交通擁堵和路邊停車飽和于一體的市區(qū)停車模型，該模型會d 額外對市區(qū)出行的金錢和時間成本敏感[2]。Syuichi Masukura 等人提出了一個簡單的單車道模型，對由慢速車輛引起的干擾過渡進行了研究[3]。

Katsunori Tanaka 等人將傳統(tǒng)的最佳速度模型拓展到考慮了波動加速度的模型，并對如何將擴展的交通模型應(yīng)用于颶風(fēng)疏散中的高速公路上的交通流進行了研究[4]。林瑜、楊曉光等人提出了間斷交通流阻塞度的概念，反映了城市道路間斷交通流實際運行狀態(tài)[5]。

雖然自動識別模型能夠在一定程度上提高模型識別準確率，但是由于我國智能交通發(fā)展年限較短，在大多數(shù)城市中，有關(guān)快速路瓶頸區(qū)的有記錄樣本并不會很多，尤其是非突發(fā)性瓶頸區(qū)樣本更是很少，少樣本會嚴重影響機器學(xué)習(xí)模型的精度。雖然快速路瓶頸區(qū)樣本較少，但軌道交通瓶頸站點、高速公路瓶頸區(qū)等存在著一定的樣本，由于業(yè)務(wù)的不同，這些數(shù)據(jù)樣本根據(jù)傳統(tǒng)的人工智能方法，不能用于智能模型的訓(xùn)練。為了解決上述問題，本文將元學(xué)習(xí)方法用于快速路瓶頸區(qū)自動識別建模中，并且該方法可以進一步擴展到軌道交通瓶頸區(qū)和高速路瓶頸區(qū)識別中。

1 模型構(gòu)建

1.1 元學(xué)習(xí)方法（Meta Learning）介紹

元學(xué)習(xí)方法是一種先進的深度學(xué)習(xí)方法。元學(xué)習(xí)通過使用數(shù)據(jù)量大的相關(guān)數(shù)據(jù)集對模型進行預(yù)訓(xùn)練，再使用這個數(shù)據(jù)量小的訓(xùn)練數(shù)據(jù)集來對此預(yù)訓(xùn)練模型進行訓(xùn)練以得到精度足夠高的最終模型[6]。

元學(xué)習(xí)方法從多個給定的數(shù)據(jù)量豐富的數(shù)據(jù)集：D1，D2，D3….DN，捕捉跨數(shù)據(jù)集的總體信息（例如形狀和物體種類的關(guān)系，車流量和交通擁堵情況的關(guān)系），從而當(dāng)我們有一個新的數(shù)據(jù)量較小的數(shù)據(jù)集DN+1時，可以利用學(xué)習(xí)到的跨數(shù)據(jù)集總體信息來對數(shù)據(jù)集DN+1內(nèi)的特征進行更精確的判斷[7，8]。

1.2 基于元學(xué)習(xí)的快速路瓶頸區(qū)自動識別模型構(gòu)建

模型將快速路的瓶頸區(qū)的特征定義為五個維度：發(fā)生時段、交通事件情況、天氣情況、當(dāng)前區(qū)域車速、道路維修情況。將軌道交通的瓶頸站點特征定義為發(fā)生時段、發(fā)車頻率、車站站臺擁擠度、是否為換乘車站、是否有重大活動。將高速公路瓶頸區(qū)特征定義為五個維度：發(fā)生時段、交通事件情況、通行能力、天氣情況、道路維修情況。

通過較少樣本量的快速路瓶頸區(qū)數(shù)據(jù)、高速公路瓶頸區(qū)數(shù)據(jù)、軌道交通瓶頸站點數(shù)據(jù)，根據(jù)空間元學(xué)習(xí)方法，結(jié)合神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練得到一個通用的、精度較高的快速路瓶頸區(qū)識別模型，該模型可以實時、不間斷地主動對快速路段可能會形成瓶頸區(qū)的區(qū)域和時間進行推理，一旦模型檢測到可能會形成瓶頸區(qū)，會及時進行預(yù)警。

模型結(jié)構(gòu)見圖1。

圖1 模型的整體結(jié)構(gòu)

1.3 模型的訓(xùn)練方法及參數(shù)設(shè)置

本文提出基于空間元學(xué)習(xí)結(jié)合神經(jīng)網(wǎng)絡(luò)的城市快速路瓶頸區(qū)識別方法，進行模型訓(xùn)練與參數(shù)調(diào)優(yōu)，具體包括以下步驟：

步驟1：將快速路瓶頸區(qū)識別模型M 訓(xùn)練設(shè)置為2-way 100-shot，即2 個類別，每個類別包含50 個樣本的分類任務(wù)?？焖俾菲款i區(qū)識別模型M的輸入為5 個維度。

對于快速路瓶頸區(qū)識別，模型的輸入為：發(fā)生時段x1、交通事件情況x2、天氣情況x3、當(dāng)前區(qū)域車速x4、道路維修情況x5。對于軌道交通的瓶頸站點識別，模型的輸入為發(fā)生時段x1、車輛發(fā)車頻率x2、車站站臺擁擠度x3、是否為換乘車站x4、是否有重大活動x5。對于高速公路瓶頸區(qū)識別，模型的輸入為：發(fā)生時段x1、交通事件情況x2、行駛速度x3、天氣情況x4、當(dāng)前區(qū)域流量x5。將上述輸入的特征進行one-hot 編碼后，得到每個樣本的輸入X={x1，x2，x3，x4，x5}，輸出Y={y1，y2}，其中y1代表形成了瓶頸區(qū)，y2代表沒有形成瓶頸區(qū)。

步驟2：確定包含空間屬性的任務(wù)集合T={T1，T2，T3，T4，T5，T6，T7，T8}。T1代表了A 城市的快速路樣本，T2代表了B 城市的快速路樣本，T3代表了A 城市的高速公路瓶頸區(qū)相關(guān)樣本，T4代表了B 城市的高速公路瓶頸區(qū)相關(guān)樣本，T5代表目標(biāo)城市的高速公路瓶頸區(qū)相關(guān)樣本，T6代表了A 城市的軌道交通瓶頸區(qū)相關(guān)樣本，T7代表了B 城市軌道交通瓶頸區(qū)相關(guān)樣本，T8代表了目標(biāo)城市軌道交通瓶頸區(qū)相關(guān)樣本。

任務(wù)集合T 為相似任務(wù)的集合，“相似任務(wù)”不僅包括高速公路瓶頸區(qū)識別模型和軌道交通瓶頸站點識別模型，還包括空間屬性。不同的城市之間瓶頸區(qū)形成因素變化較大，因此空間屬性有效地擴展了“任務(wù)集合”，從而進一步提高了元學(xué)習(xí)的算法精度。

步驟3：確定空間元學(xué)習(xí)模型MMETA 的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，多層感知機神經(jīng)網(wǎng)絡(luò)模型輸入層有5 個神經(jīng)元，有2 個隱藏層，第一個隱藏層有4 個神經(jīng)元，第二個隱藏層有3 個神經(jīng)元，輸出層有2 個神經(jīng)元，激活函數(shù)為Sigmoid 函數(shù)，最后輸出層的激活函數(shù)為Softmax。隨機初始化空間元學(xué)習(xí)模型MMETA 的權(quán)重參數(shù)θ。

步驟4：設(shè)定每個任務(wù)Ti在任務(wù)集合T 中滿足均勻分布p（T），從任務(wù)集合T 中按照均勻分布概率從8 個任務(wù)中采樣6 個任務(wù)，組成了用于空間元學(xué)習(xí)模型Mmeta的訓(xùn)練樣本集S={T1，T2，T3，T4，T5，T6}。

步驟5：開始進行內(nèi)循環(huán)，求得每個任務(wù)上的最優(yōu)模型權(quán)重參數(shù)θi'，i=1，2，3，4，5，6，包括以下步驟：

步驟5.1：對訓(xùn)練樣本集S={T1，T2，T3，T4，T5，T6}中的每個任務(wù)Ti，i=1，2，3，4，5，6，制作好訓(xùn)練數(shù)據(jù)集Dttrain={（x1，y1），（x2，y2），…，（x30，y30）}和測試數(shù)據(jù)集Dttest={（x31，y31），（x32，y32），…，（x50，y50）}。

步驟5.2：對于每個任務(wù)Ti，確定分類模型為多層感知機神經(jīng)網(wǎng)絡(luò)模型MTi，多層感知機神經(jīng)網(wǎng)絡(luò)模型MTi模型結(jié)構(gòu)與空間元學(xué)習(xí)模型結(jié)構(gòu)相同。損失函數(shù)為交叉熵LTi（fθ）。

式中，xj表示訓(xùn)練數(shù)據(jù)集Ditrain中的樣本輸入值，yj表示Ditrain中的標(biāo)簽值，fθ（xj）表示多層感知機神經(jīng)網(wǎng)絡(luò)模型MTi預(yù)測出來的結(jié)果。

步驟5.3：對于每個任務(wù)Ti，在訓(xùn)練數(shù)據(jù)集Ditrain上，用梯度下降的方法對模型權(quán)重參數(shù)θi'進行更新，即最小化損失函數(shù)。模型權(quán)重參數(shù)θi'的更新計算公式為：

式中，θ 表示更新前的模型權(quán)重參數(shù)，α 表示學(xué)習(xí)率，取值0.001。

表1 快速路示例數(shù)據(jù)

表2 上海軌道交通某區(qū)域部分站點數(shù)據(jù)

表3 某高速段交通數(shù)據(jù)

最后得到采樣出來的6 個任務(wù)的模型最優(yōu)參數(shù)集合θ'={θ1'，θ2'，θ3'，θ4'，θ5'，θ6'}。

步驟6：開始進行外循環(huán)：在測試數(shù)據(jù)集Ditest上，對空間元學(xué)習(xí)模型Mmeta 的權(quán)重參數(shù)θ 進行優(yōu)化更新，更新公式為：

式中，∑Ti～p（T）LTi（fθ）為損失函數(shù)，是子任務(wù)模型（根據(jù)每個任務(wù)Ti建立的模型）最優(yōu)參數(shù)下的預(yù)測誤差之和；β 為空間元學(xué)習(xí)模型學(xué)習(xí)率，取值為0.002；

步驟7：重復(fù)上述步驟4 到步驟6，進行10 次迭代，直到收斂。

步驟8：最后學(xué)習(xí)得到的空間元學(xué)習(xí)模型Mmeta的權(quán)重參數(shù)θ 為目標(biāo)任務(wù)的最優(yōu)模型初始參數(shù)。對于目標(biāo)任務(wù)，只要在少量樣本上進行2 次迭代，即可得到快速路瓶頸區(qū)識別模型M。當(dāng)路況發(fā)生了變化，模型判別出將會形成瓶頸區(qū)后，會及時主動發(fā)出預(yù)警。

2 案例分析

2.1 數(shù)據(jù)集介紹

本次實驗所用的快速路數(shù)據(jù)主要是上海市某高架發(fā)布段數(shù)據(jù)。數(shù)據(jù)示例見表1。

本次實驗所用的軌道交通站點數(shù)據(jù)為上海地鐵在浦東新區(qū)區(qū)域的各站點。數(shù)據(jù)示例見表2。

本次實驗所用的高速公路數(shù)據(jù)采用了某高速段的數(shù)據(jù)。數(shù)據(jù)示例見表3。

2.2 模型精度評價指標(biāo)

本文采用召回率（Recall score）、精確率（Precision）、F1 分數(shù)、ROC 曲線來衡量模型的好壞。

（1）召回率

召回率（Recall score）說明了被正確預(yù)測為陽性的樣本占所有陽性樣本的比例，計算公式為：

式中，Recall 表示召回率，TP 表示正確陽性，F(xiàn)N 表示錯誤陰性。當(dāng)召回率越接近于1，這個模型的準確率就越高，召回率的取值范圍是0-1。

（2）精確率

精確率（Precision）說明了被正確預(yù)測的陽性樣本占所有被預(yù)測為陽性的樣本的比例，計算公式為：

圖2 是基于元學(xué)習(xí)模型的ROC 曲線。橫坐標(biāo)表示假陽率，

式中，P 表示精確率，TP 表示正確陽性，F(xiàn)P 表示錯誤陽性。當(dāng)精確率越接近于1，這個模型的準確率就越高，精確率的取值范圍是0-1。

（3）F1 分數(shù)

精度和召回指數(shù)在某些時候是不可兼得的，需要一個更加全面的評價指標(biāo)來綜合考慮精度和召回指數(shù)這兩個指標(biāo)。F1 分數(shù)可以看做是模型精確率和召回率的一種調(diào)和平均，計算公式為：

式中，F(xiàn)1 表示分數(shù)，P 表示精確率，Recall 表示召回率。當(dāng)F1 分數(shù)越接近于1，這個模型的準確率就越高，F(xiàn)1 分數(shù)的取值范圍是0-1。

（4）ROC 特征曲線（ROC 曲線）

ROC 曲線代表了在不同的操作條件（閾值）下，其敏感性（FPR）和精確性（TPR）的趨勢走向。ROC 曲線上每一個點表明了不同閾值下的敏感性和精確性。ROC 曲線的橫軸為敏感性，豎軸為精確性。敏感性和精確性可以表述為以下公式：

式中，F(xiàn)PR 表示敏感性，TPR 表示精確性，TP 表示正確陽性，F(xiàn)N 表示錯誤陰性，F(xiàn)P 表示錯誤陽性，TN 表示正確陰性。

3 結(jié)果分析

對該模型的精確度本文使用了召回率、精確率、F1 分數(shù)進行了評價。具體評價結(jié)果見表4。

表4 模型的精確度評價指標(biāo)

召回率和精確率均達到了85%以上，F(xiàn)1 分數(shù)達到了0.862。該模型的精確度已經(jīng)足夠高，達到了建模的目的。

圖2 模型ROC 曲線

本文還使用了接受者操作特征曲線（ROC 曲線）進行了評價。具體結(jié)論見圖2?？v軸表示真陽率。圖中實線是元學(xué)習(xí)模型的ROC 曲線。圖中虛線是對角線，對應(yīng)的是一個“隨機猜測模型”（50%的概率猜測正確）。ROC 曲線越靠近左上角，模型的預(yù)測準確率就越高。對于圖中的左上角，即坐標(biāo)為（0，1）這個點，對應(yīng)的是“理想模型”（ideal model），其中FPR=0，同時TPR=1，這意味著模型把所有的樣本都分類正確。從上圖中可以看到，元學(xué)習(xí)模型（轉(zhuǎn)下頁）靠近左上角，說明元學(xué)習(xí)模型的準確率較高。

4 結(jié)論

本文使用元學(xué)習(xí)方法來構(gòu)建預(yù)測模型，能夠在城市快速路瓶頸區(qū)數(shù)據(jù)集的數(shù)據(jù)量非常小的情況下，利用有足夠大的數(shù)據(jù)量的軌道交通站點及高速公路的數(shù)據(jù)集對模型進行預(yù)訓(xùn)練，有效提高城市快速路瓶頸區(qū)小樣本模型的識別精度。并且以上海某高架段為例，結(jié)果顯示得到的元學(xué)習(xí)模型準確率為85.3%，召回率為87.1%，F(xiàn)1 得分為86.2%。本模型一定程度上解決了小數(shù)據(jù)量情況下如何進行交通預(yù)測的現(xiàn)實問題，對城市快速路瓶頸區(qū)能夠進行智能精確自動識別，從而及時提前進行預(yù)警，為后續(xù)的交通誘導(dǎo)措施和決策提供精準及時的信息依據(jù)，有效緩解城市擁堵。