溫美玲，路鵬遠，蔡 林，程洋溢

(1.武漢大學(xué) 測繪學(xué)院，湖北 武漢 430070；2.武漢大學(xué) 計算機學(xué)院，湖北 武漢 430070)

隨著城市的快速發(fā)展，城市道路上的車輛逐日增多，留下海量的軌跡數(shù)據(jù)。這些軌跡數(shù)據(jù)較傳統(tǒng)交通數(shù)據(jù)具有覆蓋面廣、實時性高等突出特點，具有巨大的利用潛力。如何使用大規(guī)模軌跡數(shù)據(jù)處理交通和道路問題，是世界各國智能交通領(lǐng)域研究的熱點，各種研究成果如雨后春筍般涌現(xiàn)，目前主要應(yīng)用領(lǐng)域有路網(wǎng)更新[1]、交通決策[2]、道路堵塞疏通[3]、交通擁堵評價[4]、動態(tài)交通誘導(dǎo)[5]和城市交通綜合評估[6]等。

交通擁堵已成為我國的一個老大難問題，嚴(yán)重影響了人民群眾生活，制約了社會經(jīng)濟的發(fā)展[7]，因此筆者著重探討軌跡大數(shù)據(jù)在交通擁堵評估和預(yù)測方面的應(yīng)用，建立了一種基于深度學(xué)習(xí)的城市短時交通擁堵評估和預(yù)測模型。

1 數(shù)據(jù)處理

1.1 評估參數(shù)

筆者采用交通流參數(shù)對交通擁堵狀況進行評估[8]，3個主要的交通流參數(shù)分別是交通量f、交通流速度v、交通流密度k。其計算公式為：

f=N/t

(1)

式中:N為通過該路段的車輛數(shù)；t為時間。

v=L/t

(2)

式中：L為道路總長度；t為道路上所有車輛穿過道路所用的平均時間。本文對交通流速度的計算采用某段道路上所有車輛速度的平均值。

k=N/L

(3)

式中：N為路段內(nèi)車輛數(shù)，L為路段總長度。

由式(1)～式(3)可得到交通流密度與交通量和交通流速度的關(guān)系：

k=f/v

(4)

1.2 數(shù)據(jù)預(yù)處理

研究樣本為北京市2012年11月1日到8日的城市出租車交通數(shù)據(jù)，以市北二環(huán)的一條道路為研究目標(biāo)。數(shù)據(jù)預(yù)處理流程如圖1所示。

圖1 數(shù)據(jù)預(yù)處理流程圖

使用MATLAB R2016a批量讀取數(shù)據(jù)，未經(jīng)處理的每一天的數(shù)據(jù)在三千萬條左右，將范圍鎖定在目標(biāo)道路后，每一天的數(shù)據(jù)在三百萬條左右，每一條數(shù)據(jù)包括9個數(shù)據(jù)項，它們分別是車輛標(biāo)識、觸發(fā)事件、運營狀態(tài)、GPS時間、GPS經(jīng)度、GPS緯度、GPS速度、GPS方向和GPS狀態(tài)。

由于研究目標(biāo)為短時交通流，提取每兩分鐘的數(shù)據(jù)，因此一天共分為720個時間點。然后求出目標(biāo)道路每一時間點的交通量f、速度v和密度k，處理結(jié)果如表1所示。因原表格過大，此處只截取前5段數(shù)據(jù)。

表1 交通流部分參數(shù)

2 交通狀況評估模型

對平均車速v、交通量f和交通流密度k進行權(quán)值配置，得到評價交通狀況的綜合參數(shù)，根據(jù)評價區(qū)間判斷道路的交通狀況。但3個參數(shù)的量綱互不相同，需要對參數(shù)進行歸一化處理，參照文獻[9]的方法對處理后的參數(shù)進行權(quán)值配置，得到綜合參數(shù)。

計算出路段在若干時間點的平均車速v、交通量f和交通流密度k，即得到交通狀況指標(biāo)向量F，如式(5)所示。

F={(v1,f1,k1),(v2,f2,k2),…,(vn,fn,kn) }

(5)

對于路段在第i個時間點的平均車速vi、交通量fi和交通流密度ki進行權(quán)值配置,權(quán)值矩陣B定義如式(6)所示。

B=[b1,b2,b3]=[0.45,0.10,0.45]

(6)

式中：b1為平均車速的權(quán)值；b2為交通量的權(quán)值；b3為交通流密度的權(quán)值。

根據(jù)交通狀況指標(biāo)向量F和權(quán)值矩陣B可得交通狀況綜合參數(shù)C為：

C=F×BT

(7)

(8)

式中：ci為第i個時間點該路段的交通狀況綜合參數(shù)。

為方便后續(xù)數(shù)據(jù)處理，利用標(biāo)準(zhǔn)函數(shù)法對交通狀況綜合參數(shù)C進行歸一化處理：

(9)

式中：cmin,cmax分別為綜合參數(shù)向量C中的最小值和最大值。

城市道路交通擁堵評價指標(biāo)體系將道路分為城市道路和高速公路，將路段的平均行程速度劃分為5個等級，1級表示運行最擁堵，5級表示運行最暢通，如表2所示。

表2 路段平均行程速度等級劃分

對北京二環(huán)北端路段8天交通數(shù)據(jù)，以兩分鐘為時間間隔進行數(shù)據(jù)采樣，利用表2判斷道路交通擁堵情況。

根據(jù)式(5)～式(9)得到當(dāng)日北二環(huán)交通狀況綜合參數(shù)如圖2所示。

圖2 11月8日北京市北二環(huán)交通狀況綜合參數(shù)

根據(jù)表2可知，在圖2中11月8日北京市北二環(huán)在0：00～6：40交通較為通暢，在6：40～8：00交通狀況逐漸變得擁堵，在8：00～11：00交通較為擁堵，在11：00～13：00擁堵有所緩解，在13：00～19：00交通較為擁堵，在19：00～24：00交通逐漸好轉(zhuǎn)，與日常認知基本一致。同時可以看出北二環(huán)在中午最為擁堵，同時存在早晚高峰的情況。

3 交通擁堵預(yù)測模型

將北京市北二環(huán)11月1日～8日共計8天的交通數(shù)據(jù)作為數(shù)據(jù)集，并利用長短期記憶模型(long short-term memory,LSTM)建立交通擁堵預(yù)測模型，實現(xiàn)參數(shù)向量的數(shù)字化表達，通過參數(shù)向量一段時間的數(shù)據(jù)變化預(yù)測參數(shù)向量的走勢。選擇均方誤差(mean square error,MSE)，均方根誤差(root mean square error,RMSE)，平均絕對誤差(mean absolute error,MAE)和平均絕對百分比誤差(mean absolute percent error,MAPE)作為評價指標(biāo),將長短期記憶模型(LSTM)與向量回歸模型(support vector regression,SVR)和循環(huán)神經(jīng)網(wǎng)絡(luò)模型(recurrent neural netwok,RNN)進行對比，最后得出LSTM模型的預(yù)測結(jié)果并進行評價。

3.1 模型建立

LSTM[10]是一種特殊的RNN網(wǎng)絡(luò)，LSTM結(jié)構(gòu)的特點是利用遺忘門、輸入門和輸出門優(yōu)化RNN網(wǎng)絡(luò)，有效解決了梯度消失或梯度爆炸的問題。LSTM的相關(guān)方程如式(10)～式(15)所示[11]。

ft=σ(Wfht-1+Ufxt+bf)

(10)

it=σ(Wiht-1+Uixt+bi)

(11)

(12)

(13)

ot=σ(Woht-1+Uoxt+bo)

(14)

(15)

將已有的參數(shù)向量數(shù)據(jù)分為訓(xùn)練集和測試集兩部分，訓(xùn)練集用于訓(xùn)練已有的LSTM網(wǎng)絡(luò)，測試集用于驗證LSTM網(wǎng)絡(luò)的預(yù)測效果。具體步驟為：對采集的道路交通數(shù)據(jù)進行數(shù)據(jù)預(yù)處理并構(gòu)建數(shù)據(jù)樣本集，將樣本集數(shù)據(jù)送入LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)進行模型訓(xùn)練，并導(dǎo)出網(wǎng)絡(luò)參數(shù)，建立短期交通擁堵的預(yù)測模型。其流程如圖3所示。

圖3 交通擁堵預(yù)測流程圖

為避免過擬合，在LSTM層后加入Dropout層，增加每層各個特征之間的正交性，在最后加入輸出層。每次將30個數(shù)據(jù)送入LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，為了提高訓(xùn)練精度，每次將最新的數(shù)據(jù)帶入網(wǎng)絡(luò)進行更新，使預(yù)測結(jié)果更加準(zhǔn)確。

3.2 預(yù)測結(jié)果

仿真環(huán)境為window10系統(tǒng)(64 bit)，Python選用Anaconda下3.7.5版本，編譯器為pycharm(2020.2)，keras，sklearn的集成開發(fā)庫。支持向量回歸模型選用linearSVR模型，C=1.25。RNN模型中第一層RNN網(wǎng)絡(luò)神經(jīng)元數(shù)為80，第二層RNN網(wǎng)絡(luò)神經(jīng)元數(shù)為100，第一層和第二層Dropout網(wǎng)絡(luò)屏蔽率均為0.2。LSTM模型中第一層LSTM網(wǎng)絡(luò)神經(jīng)元數(shù)為80，第二層LSTM網(wǎng)絡(luò)神經(jīng)元數(shù)為100，第一層和第二層Dropout網(wǎng)絡(luò)屏蔽率均為0.2。

將11月1日～7日的數(shù)據(jù)作為訓(xùn)練集，8日數(shù)據(jù)作為預(yù)測集，linearSVR模型、RNN模型和LSTM模型的預(yù)測效果如表3所示。

表3 各模型交通狀況綜合參數(shù)預(yù)測效果

從表3可知，LSTM模型的預(yù)測結(jié)果在各個指標(biāo)上均好于linearSVR模型和RNN模型，具有較好的預(yù)測效果。

linearSVR模型、RNN模型和LSTM模型的預(yù)測結(jié)果和實際結(jié)果對比如圖4～圖6所示。通過比較發(fā)現(xiàn)，長短期記憶模型(LSTM)具有較好的預(yù)測效果，可以為有關(guān)部門的決策提供依據(jù)，改善交通狀況。

圖4 linearSVR模型預(yù)測結(jié)果和實際結(jié)果對比圖

圖5 RNN模型預(yù)測結(jié)果和實際結(jié)果對比圖

圖6 LSTM模型預(yù)測結(jié)果和實際結(jié)果對比圖

4 結(jié)論

通過讀取海量軌跡數(shù)據(jù)，獲得了平均車速、交通量和交通流密度，并對上述數(shù)據(jù)進行加權(quán)計算得到了交通狀況綜合參數(shù)，建立了合理的交通狀況評估模型。將深度學(xué)習(xí)的方法應(yīng)用到交通狀況預(yù)測模型中，分析比較了不同神經(jīng)網(wǎng)絡(luò)的精度，并通過比較發(fā)現(xiàn)，長短期記憶模型(LSTM)具有較好的預(yù)測效果，可為決策分析提供有價值的參考。