劉 偉，張曉蕾，孫士保，趙鵬程

(1. 河南科技大學(xué)信息工程學(xué)院，河南 洛陽 471023；2. 北京信息職業(yè)技術(shù)學(xué)院軟件工程系，北京 100018)

1 引言

交通事件管理是智能交通系統(tǒng)(ITS)的一個研究熱點，由于城市街道的不斷增多和繁忙時段交通需求日益增大，一旦發(fā)生交通事件，如果不能及時處理就容易造成交通擁堵，交通事件管理面臨著巨大挑戰(zhàn)。

針對交通事件不確定性較強(qiáng)和規(guī)律性較弱等特點，國內(nèi)外研究學(xué)者提出兩類預(yù)測模型：一類屬于數(shù)學(xué)模型的方法，Luis Leon ojeda等人[1]提出的基于自適應(yīng)卡爾曼濾波的多跳預(yù)測方法。成云等人[2]提出的基于差分自回歸滑動平均和小波神經(jīng)網(wǎng)絡(luò)組合模型的預(yù)測方法。柳立春[3]提出的改進(jìn)卡爾曼算法。雖然數(shù)學(xué)模型方法預(yù)測精度高、穩(wěn)定性較好，但方法在構(gòu)建和求解交通模型過程中難度較大，不適合于短時交通事件預(yù)測的要求。另一類是基于非數(shù)學(xué)模型的方法，Bingduo Yang[4]提出一種針對本地當(dāng)日交通流估計和變量選擇的回歸方法，采用平滑絕對差分算法同時完成選擇變量和估計回歸系數(shù)，該算法在標(biāo)準(zhǔn)數(shù)據(jù)集中測試獲得較好性能。Ricardo等[5]提出一種交通模式的動態(tài)分類方法，分為離線和在線兩個階段，實現(xiàn)了對日常交通模式的有效識別。邵俊倩[6]提出了基于小波模糊神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測方法，通過分析神經(jīng)網(wǎng)絡(luò)、模糊邏輯和小波基函數(shù)的特點，得到了收斂性預(yù)測精度明顯優(yōu)于常規(guī)BP網(wǎng)絡(luò)的模型。吳琛，程琳[7]構(gòu)建了適合于交通事件檢測的BP小波神經(jīng)網(wǎng)絡(luò)算法，與其它事件檢測算法相比適合實時檢測，具有平均檢測時間短的優(yōu)點。非數(shù)學(xué)模型預(yù)測方法相對來說實現(xiàn)要更簡便，只要向模型里面輸入足夠的歷史數(shù)據(jù)，不需要去構(gòu)建龐大冗余的預(yù)測模型，最終得到的結(jié)果也可以滿足在智能交通系統(tǒng)中的需要。

上述方法大多在離線或是平穩(wěn)時間序列情況下的效果比較好，但實時交通事件數(shù)據(jù)因本身設(shè)備限制或外部因素干擾的不確定性，交通時序數(shù)據(jù)預(yù)測會出現(xiàn)預(yù)測結(jié)果精度不理想，模型曲線過擬合等問題。針對交通流數(shù)據(jù)預(yù)測中的問題，綜合參數(shù)模型、非參數(shù)模型優(yōu)缺點，在本文采用循環(huán)神經(jīng)網(wǎng)絡(luò)模型配合隨機(jī)失活方法，處理交通事件序列數(shù)據(jù)并去除數(shù)據(jù)模型的過擬合，得到一個穩(wěn)定的改進(jìn)預(yù)測模型。

2 循環(huán)神經(jīng)網(wǎng)絡(luò)模型

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network， RNN)是一類以序列數(shù)據(jù)為輸入，在序列的演進(jìn)方向進(jìn)行遞歸且所有節(jié)點(循環(huán)單元)按鏈?zhǔn)竭B接形成閉合回路的遞歸神經(jīng)網(wǎng)絡(luò)，可用于交通流量預(yù)測等各個方面[8-9]。RNN模型有很多，這里介紹最主流的RNN模型結(jié)構(gòu)如圖1所示。

圖1 RNN模型結(jié)構(gòu)圖

1)x(t)代表在序列索引號t時訓(xùn)練樣本的輸入

2)h(t)代表在序列索引號t時模型的隱藏狀態(tài)，由x(t)和h(t-1)共同決定

3)o(t)代表在序列索引號t時模型的輸出，只由模型當(dāng)前隱藏狀態(tài)h(t)決定

4)L(t)代表在序列索引號t時模型的損失函數(shù)

5)y(t)代表在序列索引號t時訓(xùn)練樣本序列的真實輸出

6)U，W，V這三個矩陣是模型的線性關(guān)系參數(shù)，它在整個RNN網(wǎng)絡(luò)中是共享的，體現(xiàn)了RNN的模型的“循環(huán)反饋”的思想

7) 對于任意一個序列索引號t，隱藏狀態(tài)h(t)由x(t)和h(t-1)得到

h(t)=σ(z(t))=σ(Ux(t)+Wh(t-1)+b)

(1)

其中σ為RNN的激活函數(shù)，b為線性關(guān)系的偏倚。序列索引號t時模型的輸出o(t)的表達(dá)式比較簡單

o(t)=Vh(t)+c

(2)

在最終在序列索引號t時預(yù)測輸出為

(3)

3 結(jié)合隨機(jī)失活的預(yù)測模型的構(gòu)建

交通事件特點是具有隨機(jī)性，而隨機(jī)失活方法處理這類事件的優(yōu)點在于可以將復(fù)雜的外界輸入簡單化，降低它們之間的相關(guān)性、隨機(jī)性。這種特性使得隨機(jī)失活方法正好適合處理交通事件。

3.1 隨機(jī)失活方法

隨機(jī)失活(dropout)是對具有深度結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的方法，在學(xué)習(xí)過程中通過將隱含層的部分權(quán)重或輸出隨機(jī)歸零，降低節(jié)點間的相互依賴性(co-dependence)從而實現(xiàn)神經(jīng)網(wǎng)絡(luò)的正則化(regularization)，降低其結(jié)構(gòu)風(fēng)險。

訓(xùn)練階段神經(jīng)網(wǎng)絡(luò)會隨機(jī)按概率p將部分隱含層節(jié)點的權(quán)重歸零(如圖2(b))，由于每次迭代受歸零影響的節(jié)點不同，因此各節(jié)點的“重要性”會被平衡。引入隨機(jī)失活后，神經(jīng)網(wǎng)絡(luò)的每個節(jié)點都會貢獻(xiàn)內(nèi)容，不會出現(xiàn)少數(shù)高權(quán)重節(jié)點完全控制輸出結(jié)果的情況，因此降低了網(wǎng)絡(luò)的結(jié)構(gòu)風(fēng)險，以緩解神經(jīng)元之間隱形的協(xié)同適應(yīng)，從而達(dá)到降低模型復(fù)雜度的目的。

圖2 隨機(jī)失活方法

從數(shù)學(xué)上來說，神經(jīng)網(wǎng)絡(luò)層訓(xùn)練過程中使用的標(biāo)準(zhǔn) Dropout 的行為可以被寫作

y=f(Wx)·m

(4)

其中f(Wx)為激活函數(shù)，x是該層的輸入，W是該層的權(quán)值矩陣，y為該層的輸出，而m則為該層的 Dropout 掩膜(mask)，mask 中每個元素為 1 的概率為p。在測試階段，該層的輸出可以被寫作

y=pf(Wx)

(5)

結(jié)合隨機(jī)失活方法及主要代碼如下所示。

Input: 樣本數(shù)據(jù)并歸一化

DropoutFraction的值

Output：預(yù)測和擬合值

BEGIN

Step1：load mnist_uint8;

train_x=double(train_x(1:2000，:)) / 255;

test_x =double(test_x(1:1000，:))/ 255;

train_y=double(train_y(1:2000，:));

test_y =double(test_y(1:1000，:));

Step2：初步構(gòu)造了一個輸入-隱含-輸出層網(wǎng)絡(luò)

權(quán)值初始化

Step3：設(shè)置學(xué)習(xí)率，momentum，激發(fā)函數(shù)類型，懲罰系數(shù)

Step4：每一次樣本數(shù)據(jù)輸入訓(xùn)練時，隨機(jī)扔掉50%的隱含層節(jié)點

nn=nnsetup([861 100 10]);

nn.dropoutFraction=0.5;

opts.numepochs=20;

opts.batchsize=100;

[nn， L]=nntrain(nn， train_x， train_y， opts);

[er， bad]=nntest(nn， test_x， test_y);

END

3.2 算法描述與分析

本文將使用循環(huán)神經(jīng)網(wǎng)絡(luò)模型方法對輸入的交通事件數(shù)據(jù)進(jìn)行訓(xùn)練，并將訓(xùn)練出來的模型使用隨機(jī)失活方法去除數(shù)據(jù)的過擬合，構(gòu)建基于改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)的交通流擁堵事件預(yù)測模型。其預(yù)測流程如圖3所示。

圖3 基于RNN的改進(jìn)交通流擁堵事件預(yù)測流程圖

其中具體方法步驟如下：

1) 通過政府開放數(shù)據(jù)渠道，獲取達(dá)拉斯區(qū)域2018年十一月整月的交通事件開放數(shù)據(jù)，原始數(shù)據(jù)的每條事件信息都包含了提交時刻路段的經(jīng)緯度以及時間，把整個數(shù)據(jù)集里面的事件類型都變成事件編號，將問題轉(zhuǎn)換成利用事件序列進(jìn)行分類預(yù)測，對采集到的原始數(shù)據(jù)進(jìn)行修復(fù)和歸一化預(yù)處理。

2) 把交通堵塞事件數(shù)據(jù)中最嚴(yán)重的“大型交通擁堵”(large traffic jam)和“超大型交通擁堵”(huge traffic jam)合并成一個嚴(yán)重交通擁堵事件集合，對于每一個嚴(yán)重?fù)矶率录?，追溯到?0分鐘，把之前同一條道路上發(fā)生的事件，按照順序存成一個列表。對沒有任何其它事件先兆的空列表進(jìn)行了清除。同樣，從剩余事件集合中，隨機(jī)找出了相同數(shù)量的非空有效序列，這些序列的后續(xù)緊隨事件都不是嚴(yán)重?fù)矶?。對?yán)重?fù)矶碌闹?0分鐘的事件序列標(biāo)記為1；對于非嚴(yán)重?fù)矶轮?0分鐘的事件序列標(biāo)記為0。打亂數(shù)據(jù)集中數(shù)據(jù)的順序，但是保持序列和對應(yīng)標(biāo)記之間一致性。

3) 劃分訓(xùn)練集和測試集。取其中80%的數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)，另外20%的數(shù)據(jù)作為驗證集數(shù)據(jù)。利用事件類型數(shù)量和事件向量長度，構(gòu)造一個初始嵌入矩陣，搭建循環(huán)神經(jīng)網(wǎng)絡(luò)模型，開始訓(xùn)練時，把剛才隨機(jī)生成的初始嵌入矩陣挪進(jìn)來，并且不改變嵌入層的參數(shù)。最后，開始訓(xùn)練搭建好的模型，并把模型的運行結(jié)果保存起來。

4) 訓(xùn)練好循環(huán)神經(jīng)網(wǎng)絡(luò)模型后，準(zhǔn)確率曲線沒有劇烈波動且后半程穩(wěn)定在80%以上，但是損失值曲線發(fā)生了分叉。這是典型的過擬合。這是因為相對于復(fù)雜的模型，訓(xùn)練數(shù)據(jù)不夠用。解決方法是增加訓(xùn)練數(shù)據(jù)，或者降低模型復(fù)雜度。立即增加數(shù)據(jù)不太現(xiàn)實，但是降低模型復(fù)雜度，可以利用在LSTM層上加入隨機(jī)失活的方法調(diào)參來去除過擬合。

5) 將最終訓(xùn)練模型結(jié)果與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對比分析得出結(jié)論。

4 實驗驗證部分

為了驗證本文方法的有效性，設(shè)計實驗進(jìn)行驗證。

4.1 實驗數(shù)據(jù)集描述

用于論文研究的數(shù)據(jù)，是達(dá)拉斯政府的2018年整個十一月的Waze交通事件的開放數(shù)據(jù)。通過使用本文改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)來構(gòu)建序列數(shù)據(jù)分類模型，利用序列模型找到規(guī)律進(jìn)行分類預(yù)測。

4.2 實驗評價指標(biāo)

現(xiàn)在普遍使用的模型評價指標(biāo)是平均絕對誤差(MAE)，均方根誤差(RMSE)和平均絕對百分誤差(MAPE)。如下，式(6)為 MAE 的計算公式，式(7)為 RMSE的計算公式，式(8)為 MAPE 的計算公式。

(6)

(7)

(8)

4.3 實驗過程與結(jié)果分析

在Python中導(dǎo)入交通流事件數(shù)據(jù)，把交通堵塞事件數(shù)據(jù)中，對交通影響最大的“大型交通擁堵”數(shù)據(jù)收集起來，作為一個交通擁堵事件集合，其它剩余事件作為另一個集合。對每一個交通擁堵事件，找到事件發(fā)生前的10分鐘，按照時間順序?qū)⒈緱l道路上發(fā)生的事件存為一個列表，然后去除其中毫無征兆發(fā)生的交通擁堵事件，這樣的有效序列共有583個。再同樣從剩余事件集合中隨機(jī)找到583個后續(xù)緊隨事件都不是嚴(yán)重?fù)矶路强沼行蛄?，作為對照組來進(jìn)行試驗對比。然后將問題轉(zhuǎn)換成利用事件序列分類預(yù)測嚴(yán)重?fù)矶碌陌l(fā)生。標(biāo)記交通擁堵發(fā)生前的事件序列為“1”；標(biāo)記非交通擁堵之前10分鐘的事件序列為“0”。

將實驗樣本分別代入第3節(jié)確定循環(huán)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練與測試實驗，并與廣泛應(yīng)用的BP模型進(jìn)行對比。通過數(shù)據(jù)分析，訓(xùn)練過程結(jié)束之后，利用matplotlib繪圖功能來看一下訓(xùn)練的準(zhǔn)確率和損失值變化，如圖4、圖5所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測值準(zhǔn)確率與損失值曲線

圖5 循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測值準(zhǔn)確率與損失值曲線

從預(yù)測精度曲線或是損失值曲線來看，循環(huán)神經(jīng)網(wǎng)絡(luò)模型的精度和穩(wěn)定性均明顯高于BP神經(jīng)網(wǎng)絡(luò)模型，且循環(huán)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度可達(dá)到80%，損失值保持在0.45以下。只不過曲線抖動比較厲害，穩(wěn)定性差。但是檢測集的預(yù)測精度就不是那么理想了，從半程之后，訓(xùn)練集和驗證集的損失值變化發(fā)生了分叉，這是典型的過擬合現(xiàn)象。發(fā)生過擬合，主要原因就是相對于復(fù)雜的模型，訓(xùn)練數(shù)據(jù)不夠用。這時候，要么增加訓(xùn)練數(shù)據(jù)，要么處理數(shù)據(jù)使其降維，或者降低模型復(fù)雜度。立即增加數(shù)據(jù)，不太現(xiàn)實。因為目前只有一個月里積攢的數(shù)據(jù)。所以我嘗試?yán)秒S機(jī)失活的方法來去除過擬合。對其中LSTM 層上添加兩個參數(shù)dropout和recurrent_dropout來改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過多次試驗交叉驗證，其值分別為0.15和 0.25時效果最優(yōu)。試驗結(jié)果如圖6所示。

圖6 改進(jìn)后循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測值準(zhǔn)確率與損失值曲線

這次的準(zhǔn)確率曲線，可以感受到訓(xùn)練集和驗證集達(dá)到的準(zhǔn)確率更加貼近，曲線更加平滑。看下面損失值曲線的變化就可以看出來過擬合的去除效果更為明顯，可以看到訓(xùn)練集和驗證集兩條曲線的波動基本保持了一致。

將傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果、改進(jìn)BP小波神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)果用評價指標(biāo)進(jìn)行對比，對比結(jié)果如表2所示。

表2 預(yù)測模型精度與損失值分析

由表2可知，改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)模型比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)BP小波神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度高、損失值小，改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)模型的MAE、RMSE和MAPE(保留4位有效數(shù)字)分別為 0.0188、0.0001和0.0188，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)BP小波神經(jīng)網(wǎng)絡(luò)模型相比，MAE、RMSE和MAPE分別提高了3.8%、0.18%、6.7%和1.9%、0.1%、3.84%，由此得知在實時交通事件預(yù)測這類問題上，有預(yù)測精度高，損失值小等的優(yōu)點，改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)模型能夠取得較好的預(yù)測結(jié)果。

5 結(jié)束語

本文將循環(huán)神經(jīng)網(wǎng)絡(luò)與隨機(jī)失活算法進(jìn)行結(jié)合組成改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)模型，通過Python輸入實時交通流時間數(shù)據(jù)，并在matplotlib中實現(xiàn)了對達(dá)拉斯數(shù)據(jù)的實例數(shù)據(jù)分析。通過實驗分析和驗證了基于隨機(jī)失活的循環(huán)神經(jīng)網(wǎng)絡(luò)交通事件擁堵預(yù)測方法處理具有時效性和多維度的交通事件數(shù)據(jù)效果顯著，在模型預(yù)測精度和損失值都得到了驗證。今后的研究工作將主要集中在繼續(xù)訓(xùn)練預(yù)測模型穩(wěn)定性和如何分析國內(nèi)主要路段高峰期交通事件，使交管部門可以未雨綢繆，提前做出干預(yù)。