許宏科，劉 佳，劉栩濤，曹嘉晨，趙 威

(長安大學(xué) 電子與控制工程學(xué)院，西安 710064)

我國城市化進(jìn)程發(fā)展迅速，車輛的保有量和出行需求總量不斷增加，伴隨著城市交通擁堵問題頻發(fā)，增加了交通事故發(fā)生的概率，影響了市民的出行時間和旅行體驗。為此，智能交通系統(tǒng)(ITS)的實現(xiàn)為解決城市交通需求提供了新的思路，準(zhǔn)確實時的短時交通流預(yù)測是智能交通系統(tǒng)的關(guān)鍵環(huán)節(jié)，可為城市交通管控策略、路徑最優(yōu)規(guī)劃、平面交叉口優(yōu)化方案提供數(shù)據(jù)支撐，一直以來是交通領(lǐng)域研究的熱點問題。

短時交通流預(yù)測是指根據(jù)道路歷史或?qū)崟r采集的交通流數(shù)據(jù)，對未來5 min～15 min以內(nèi)的交通流量進(jìn)行循環(huán)預(yù)測。目前，已經(jīng)有很多有效的模型與方法應(yīng)用到短時交通流預(yù)測的研究中，主要可分為基于物理和基于數(shù)據(jù)驅(qū)動的模型?；谖锢淼哪Ｐ桶ǖ幌抻谧曰貧w積分移動平均模型(ARIMA)[1]、隨機(jī)森林模型[2]、卡爾曼濾波[3]等。朱湧等[4]基于時間序列預(yù)測模型，提出了多參數(shù)時間序列指數(shù)平滑改進(jìn)方法用于預(yù)測下一時刻路段交通流量。OU等[5]提出了基于偏差修正隨機(jī)森林算法與數(shù)據(jù)驅(qū)動特征選擇策略相結(jié)合的預(yù)測方法，對昆山市3種城市道路的交通流量進(jìn)行預(yù)測驗證。孫湘海等[6]在考慮交通流日周期特性的基礎(chǔ)上，提出了季節(jié)自回歸求和移動平均模型，對城市的短時交通流進(jìn)行預(yù)測。秦鳴等[7]采用改進(jìn)的卡爾曼濾波算法來預(yù)測路段交通量，進(jìn)一步將優(yōu)化后的卡爾曼濾波與二次指數(shù)平滑法相結(jié)合來預(yù)測短時交通量?；跀?shù)據(jù)驅(qū)動模型包括但不限于非參數(shù)回歸模型[8]、支持向量回歸(SVR)[9]以及神經(jīng)網(wǎng)絡(luò)[10]等。吳晉武等[11]利用主成分分析法對預(yù)測數(shù)據(jù)進(jìn)行降維處理，再進(jìn)行非參數(shù)回歸交通預(yù)測算法的構(gòu)建。Zheng等[12]提出了一種基于時空數(shù)據(jù)融合的交通流稀疏回歸預(yù)測模型，并在城市和郊區(qū)2種交通場景驗證了模型的適用性。Cai等[13]提出了一種基于支持向量回歸的交通流量預(yù)測方法，并通過重力搜索算法(GSA)進(jìn)行參數(shù)最優(yōu)搜索。Ran等[14]建立了深度學(xué)習(xí)模型架構(gòu)，使用交通門戶實時的圖像數(shù)據(jù)源來預(yù)測城市交通流擁堵狀況。鐘晨昊等[15]基于LSTM構(gòu)建短時交通流預(yù)測模型，并與傳統(tǒng)預(yù)測方法進(jìn)行比較，驗證了LSTM預(yù)測模型具有良好的準(zhǔn)確性和泛化性。

綜上所述，現(xiàn)有的短時交通流預(yù)測模型大都考慮到交通流的時間相關(guān)性因素，并未重點研究預(yù)測站點空間性的相關(guān)因素，而城市道路上某斷點的交通流量必然與上下游或路網(wǎng)其他站點的交通狀況有關(guān)，使得城市短時交通流的預(yù)測精度、預(yù)測模型的泛化性有待提高。因此有必要對路網(wǎng)中影響預(yù)測站點的其他站點進(jìn)行篩選，在保證預(yù)測模型復(fù)雜度無明顯增加的前提下，提高短時交通流預(yù)測模型的精度。

針對現(xiàn)有短時交通流預(yù)測方法的局限，本文提出了PCA和LSTM神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測方法，通過PCA篩選預(yù)測站點，提取交通流預(yù)測序列，從而考慮到預(yù)測站點交通量的空間相關(guān)性問題。

1 城市交通流特性分析

城市交通流量代表著居民的出行需求，個體的工作日出行需求應(yīng)該有規(guī)可循，因此交通流量也應(yīng)有較強(qiáng)的周期性，這也是交通流預(yù)測的前提和基礎(chǔ)。同時，城市路網(wǎng)復(fù)雜且交通狀態(tài)經(jīng)常受突發(fā)事件、天氣條件以及道路環(huán)境等因素影響，造成城市交通流量也有很強(qiáng)的隨機(jī)性。以合肥市地磁線圈監(jiān)測的交通流量數(shù)據(jù)為基礎(chǔ)，分析其交通流量的特性變化趨勢，如圖1所示。從圖1中可以看出，城市交通流具有明顯的周期性、漸變性和隨機(jī)性。

圖1 城市連續(xù)一周交通流量變化趨勢

2 短時交通流預(yù)測模型

2.1 特征因子篩選

結(jié)合城市交通流量序列的特點，采用主成分分析法篩選與預(yù)測斷面相關(guān)的附近站點，從而揭示路網(wǎng)中交通流的空間相關(guān)性。主成分分析法是一種使用最廣泛的數(shù)據(jù)降維算法，其主要思想是將n維特征映射到k維特征上，新得到的k維是全新的正交特征也被稱為主成分，該主成分保留絕大部分方差的維度特征，實現(xiàn)對數(shù)據(jù)特征的降維處理。將城市路網(wǎng)中各站點的短時交通流量作為初始變量，通過主成分分析法篩選與預(yù)測斷面有關(guān)的站點，在保證預(yù)測結(jié)果精度的同時，簡化了網(wǎng)絡(luò)結(jié)構(gòu)，提高了運(yùn)算效率。設(shè)m為檢測的短時交通量樣本總數(shù)，n為路網(wǎng)中預(yù)測斷面附近的站點數(shù)，k為篩選后的站點數(shù)，X為原始交通量特征因子矩陣，S為原始矩陣的協(xié)方差矩陣，Z為篩選后的交通量特征因子矩陣，主成分分析法計算過程分為以下5個步驟：1) 整理原始矩陣Xm×n；2) 計算原始矩陣的協(xié)方差矩陣Sm×n=COV(X)；3) 求解協(xié)方差矩陣的特征值和特征向量；4) 選取給定k個特征值所對應(yīng)的特征向量所構(gòu)成的矩陣Wn×k；5) 計算篩選后的特征因子矩陣Zm×k=Xm×nWn×k。

2.2 預(yù)測網(wǎng)絡(luò)構(gòu)建

LSTM是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)RNN(Recursive Neural Network)，通過對記憶塊的控制來實現(xiàn)控制記憶的功能，主要解決了長序列訓(xùn)練過程中的梯度消失和梯度爆炸問題，適用于學(xué)習(xí)長期依賴信息。在城市短時交通流預(yù)測問題中，篩選出的與預(yù)測斷面具有相關(guān)性的站點歷史交通流量數(shù)據(jù)為時序數(shù)據(jù)，將各站點的歷史數(shù)據(jù)按5 min為間隔進(jìn)行劃分并將其作為LSTM預(yù)測網(wǎng)絡(luò)的輸入，將下一個5 min預(yù)測斷面的交通流量數(shù)據(jù)作為LSTM預(yù)測網(wǎng)絡(luò)的輸出，構(gòu)建基于LSTM神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測模型，其過程如圖2所示。

圖2 PCA結(jié)合LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測算法流程

2.3 預(yù)測模型評價指標(biāo)

將預(yù)測結(jié)果的誤差作為模型評價指標(biāo)，本文選擇常用的均方誤差(RMSE)、平均絕對誤差(MAE)和準(zhǔn)確率(ACC)作為評價指標(biāo)，具體定義如下：

(1)

(2)

(3)

3 實例分析

研究數(shù)據(jù)來源于OPENITS合肥市示范區(qū)黃山路天智路口地磁檢測器得到的交通流量數(shù)據(jù)，各檢測器編號在路口布設(shè)的位置如圖3所示，其中共包含26個斷面檢測器。

選取地磁檢測器2016年7月11日至2016年8月24日的采集數(shù)據(jù)，其中80%的數(shù)據(jù)用于LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型的訓(xùn)練，其余20%的數(shù)據(jù)用于對訓(xùn)練模型進(jìn)行測試。每個檢測器的采集周期為15 s，因此需要先將交通流量數(shù)據(jù)以5 min為周期進(jìn)行聚合，作為流量預(yù)測序列的單個樣本值。考慮到交通流預(yù)測問題的實時性需求，將LSTM預(yù)測模型層數(shù)設(shè)置為4層，其中包括輸入層、輸出層和2個LSTM層。將篩選后與預(yù)測斷面相關(guān)的站點歷史交通流量數(shù)據(jù)作為預(yù)測網(wǎng)絡(luò)的輸入，將預(yù)測站點下一個時刻的交通流量作為輸出，最終基于PCA-LSTM的城市短時交通流預(yù)測的預(yù)測效果如圖4所示。

圖3 地磁檢測設(shè)備位置示意

圖4 短時交通流量預(yù)測結(jié)果

從圖4中可以看出，預(yù)測站點交通流量預(yù)測值與實際值吻合度較高，表明本文所提出的預(yù)測模型應(yīng)用于實際城市短時交通流量預(yù)測問題具有可行性。為了對比分析，本文還建立了經(jīng)典的支持向量回歸和BP神經(jīng)網(wǎng)絡(luò)模型，用同樣的訓(xùn)練樣本對支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測試，并將與本文提出模型的各類誤差指標(biāo)進(jìn)行對比，結(jié)果見表1。

從表1中可以看出，本文提出的預(yù)測模型PCA-LSTM在預(yù)測精度和預(yù)測誤差方面明顯優(yōu)于支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)模型，LSTM模型的預(yù)測效果次之。PCA-LSTM預(yù)測模型的預(yù)測誤差和精度基本接近LSTM預(yù)測網(wǎng)絡(luò)，但經(jīng)過降維篩選后的模型訓(xùn)練速度有著明顯地提升，由于神經(jīng)網(wǎng)絡(luò)測試結(jié)果具有一定的浮動性，可認(rèn)為使用PCA進(jìn)行預(yù)測站點篩選在未影響預(yù)測模型精度的前提下有效地提高了預(yù)測模型的訓(xùn)練速度?？傮w來說，該模型是較好的城市短時交通流量預(yù)測方法，具有較高的準(zhǔn)確性和較好的實用性。

表1 預(yù)測模型分析結(jié)果

4 結(jié)論

本文提出了PCA與LSTM神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測模型，通過PCA對與預(yù)測斷面有關(guān)的站點進(jìn)行篩選，將篩選出的站點歷史交通流量數(shù)據(jù)作為LSTM預(yù)測網(wǎng)絡(luò)的輸入來進(jìn)行城市短時交通流量預(yù)測，并使用合肥市示范區(qū)路網(wǎng)的交通流量數(shù)據(jù)進(jìn)行驗證，結(jié)果表明該預(yù)測模型性能優(yōu)于經(jīng)典的支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)模型，具有較高的準(zhǔn)確率和參考性。