郭嘉宸，楊宇燊，王研，毛仕龍，孫麗珺

精細化短時交通流預測模型及遷移部署方案

郭嘉宸，楊宇燊，王研，毛仕龍，孫麗珺*

（青島科技大學 信息科學技術學院，山東青島 266061）（通信作者電子郵箱lijunsun@qust.edu.cn）

精細化短時交通流預測是保證智能交通系統(tǒng)（ITS）合理決策的前提。為了建立無人駕駛汽車換道模型、預測車輛軌跡、引導車輛出行，及時為每條車道預測車流量成為亟須解決的問題，然而精細化短時交通流預測面臨著以下挑戰(zhàn)：一是交通流數據日益多元化，傳統(tǒng)預測方法難以滿足ITS高精度、短時延的要求；二是為每條車道訓練預測模型會造成大量的資源浪費。針對以上問題，提出利用卷積-門控循環(huán)單元（Conv-GRU）結合灰色關聯(lián)度分析法（GRA）建立精細化短時交通流預測模型預測車道流量。考慮到深度學習訓練時間長、推理時間相對較短的特點，提出云-霧部署方案；同時，為避免為每條車道訓練預測模型，在云-霧部署方案的基礎上提出了模型遷移部署方案，該方案僅需訓練部分車道的預測模型，然后通過GRA將訓練好的預測模型遷移部署到關聯(lián)車道進行預測。對真實交通流數據集進行大量對比實驗的結果表明：與傳統(tǒng)深度學習預測方法相比，所提模型擁有更精準的預測性能，與卷積-長短期記憶（Conv-LSTM）網絡相比在提高精度的基礎上運行時間更短，且能在保證高精度預測的情況下實現(xiàn)模型遷移，比訓練每條車道的預測模型節(jié)省了約49%的訓練時間。

精細化短時交通流預測；卷積-門控循環(huán)單元；灰色關聯(lián)度分析法；時空特征；部署方案

0 引言

隨著人均機動車保有量以及城市化率的逐步提高，交通擁堵、事故頻發(fā)、尾氣排放等問題導致城市交通管理面臨嚴峻挑戰(zhàn)。智能交通系統(tǒng)（Intelligent Transportation System，ITS）［1］通過數字化、智能化的方式改善交通管理，它的可靠性在很大程度上依賴于對短時交通流的準確預測［2］。

短時交通流預測是指通過歷史交通數據預測相關路段或路口5～15 min后的交通狀況。隨著路網規(guī)模的擴大，傳統(tǒng)的基于時間序列［3-4］與基于統(tǒng)計概率的預測方法在精準度、計算時延等方面已難以滿足需求。而且隨著傳感器的升級，交通數據逐漸多元化，包含速度、道路情況、交通路程時間等多個屬性，僅依靠淺層機器學習無法有效解決。深度學習［5］可以通過挖掘數據間復雜的非線性時空關系精準預測流量，因此受到了越來越多的關注。

目前的短時交通流預測研究大多預測路口整體流量，忽視了精細化預測各個車道的流量。精細化車道流量預測一方面可為無人駕駛汽車提供必要的車道路況信息，幫助車輛制定換道策略［6］；另一方面在預測車輛軌跡時，需要考慮車輛與周圍道路、車輛的交互，這包含了被預測車輛與周圍車輛所在車道信息［7］。僅憑預測路口整體流量無法做到這兩點。如圖1所示，路口總流量與車道流量分布并不總是相似，例如北路口和北左車道的流量分布相似，但與其他兩條車道相似性較弱。這是因為各車道有著不同的功能，每條車道上的車流量有屬于自己的特征，不能簡單地通過路口流量推算出各車道流量，因此本文采用深度學習對車道流量進行精細化短時預測。

圖1 路口流量和車道流量對比

針對深度學習模型部署問題，傳統(tǒng)做法是將所有數據從采集設備發(fā)送到云數據中心進行分析處理［8］，然而，數據移動將產生高帶寬費用和高時延，同時也面臨著隱私泄露的風險；但是如果在霧節(jié)點上訓練模型，可能會由于計算資源有限而無法按時完成任務。因此本文考慮使用云-霧的方案對本文模型進行部署，以期解決霧節(jié)點資源緊張、云數據中心計算耗時且昂貴的問題；而且在此基礎上進行模型遷移，將訓練好的一條車道流量預測模型遷移至關聯(lián)度高的其他車道，以有效減少計算開銷。本文的主要工作如下：

1）提出一種精細化短時交通流預測模型對路口車道流量進行預測。首先利用灰色關聯(lián)度分析法（Grey Relational Analysis， GRA）對車道進行關聯(lián)度分析，其次利用卷積-門控循環(huán)單元（Convolutional-Gated Recurrent Unit， Conv-GRU）提取流量數據的時空特征。該操作能提高預測準確性，減少訓練時間，實現(xiàn)時間間隔為5 min的車道流量預測。

2）提出云-霧遷移部署方案，考慮利用車道間的關聯(lián)度，將訓練好的流量預測模型遷移到與其關聯(lián)度高的車道上，以減少計算開銷。

3）利用真實數據集進行實驗，結果表明本文模型具有可遷移性和高精準度，且遷移后的模型也保持了較高的精度。

1 相關工作

針對短時交通流量預測，大部分研究采用了基于時間序列和統(tǒng)計概率的預測方法。如Williams等［9］用自回歸整合滑動平均（AutoregrRessive Integrated Moving Average， ARIMA）模型將交通流建模為自回歸移動平均過程；但ARIMA主要用來處理線性關系，無法準確對交通流建模。Zhao等［10］利用高斯過程對交通流建模，并結合K最近鄰（K-Nearest Neighbor， KNN）算法提出了四階高斯過程動態(tài)模型（Gaussian Process Dynamical Model， GPDM）。

此外，許多學者以支持向量機（Support Vector Machine， SVM）［11］、自編碼器（AutoEncoder， AE）［12］等淺層機器學習為基礎在流量預測方面取得了一系列的研究成果。例如Feng等［13］將多項式核和高斯核復合成自適應多核支持向量機（Adaptive Multi-kernel Support Vector Machine， AMSVM），并利用粒子群優(yōu)化算法優(yōu)化參數，通過自適應調整核權重預測短時交通流量；Lv等［14］提出了一種基于堆棧自編碼器的預測方法，然而該方法易陷入局部極小值，難以優(yōu)化。

近年來，深度學習的迅速發(fā)展為交通流量預測提供了更多的選擇［15-26］。利用長短期記憶（Long Short Term Memory， LSTM）網絡善于處理時間序列數據的特點［16-18］，Luo等［18］提出了一種KNN-LSTM方法，該方法使用KNN捕獲空間特征，利用LSTM捕獲流量的時間特征，結合時空特征對流量進行預測。卷積神經網絡（Convolutional Neural Network， CNN），作為一種前饋式的神經網絡也被廣泛應用于流量預測［19-23］。杜圣東等［23］利用卷積-長短期記憶（Convolutional-Long Short-Term Memory， Conv-LSTM）網絡、LSTM以及注意力機制提出了一種基于序列到序列的時空注意力學習的交通流預測模型。

綜上所述，深度學習在交通流量預測中具有較大優(yōu)勢，但已有研究通常采用不同的模型、方法以并行的方式提取交通流量的時間特征、空間特征，然后將特征融合進行預測。這種并行融合的方式會導致交通流特征不能充分融合。雖然文獻［23］中提到的Conv-LSTM可以融合空間和時間特征，但其中的LSTM相比門控循環(huán)單元（Gated Recurrent Unit， GRU）存在訓練時間過長、收斂慢的缺點。

目前針對短時流量預測的研究大多把路口看作一個整體，對于路口精細化預測——分車道流量預測的研究目前仍是少數。因此本文提出利用GRA和Conv-GRU預測路口車道流量。該模型不僅可以融合提取流量數據的時空特征，并且其中的GRU模塊相比LSTM有更短的訓練時間和更高的收斂速度。

現(xiàn)有研究很少關注模型完成后的實際部署問題。Mu等［8］設計了一種智能交通網絡物理云控制系統(tǒng)，該系統(tǒng)利用云計算實現(xiàn)交通流量預測；Yu等［15］提出了一種云-邊緣-物聯(lián)網三層架構，其中云數據中心負責數據處理，邊緣負責模型訓練與推理，物聯(lián)網層負責信息采集；谷遠利等［24］僅利用靠近車輛的5個邊緣節(jié)點承擔短時流量預測模型的訓練與推理。但上述方法都沒有考慮邊緣服務器計算資源有限和數據傳輸的時延問題，因此本文提出云-霧遷移部署方案對模型進行部署。

2 精細化短時交通流預測模型

精細化短時交通流預測模型由數據預處理、車道關聯(lián)度分析、預測模型設計三部分組成。本文使用的主要符號如表1所示。

表1 主要符號說明

2.1 數據預處理

由于設備老化、長期環(huán)境等因素，數據會產生缺失、異常等現(xiàn)象，因此在建立模型前需要對數據進行預處理操作。

2.2 車道關聯(lián)度分析

車道作為城市路網的重要組成部分，同一路口內的車道、相鄰路口的車道間都存在著一定的關聯(lián)度。本文引入GRA［27］分析車道的關聯(lián)度。GRA根據各因素間發(fā)展態(tài)勢的相似或者相異程度來衡量各個因素的關聯(lián)程度，且對樣本的數量和分布律沒有要求，更適用于容易發(fā)生突變的交通流量數據。具體步驟如下：

2.3 預測模型設計

總體模型主要由輸入層、卷積層、激活層、全連接層組成，如圖3所示。

圖2 部分車道的灰色關聯(lián)度熱圖

Fig. 2 Grey relation heatmap of some lanes

圖3 預測模型框架

圖4 Conv-GRU模塊結構

Conv-GRU模塊工作步驟如下：

圖5 一維卷積

同理，以數據矩陣第1行第2列為初始位置與滑動濾波器的卷積核相乘，得到：

以此類推，得到整個道路總的數據矩陣的卷積值如下：

步驟2 聚合所有的卷積值，形成交通流量數據空間特征。為了提高神經網絡的表達能力，引入非線性激活函數，如式（10）所示。

步驟3 為降低數據的維度，采用平均池化技術濾除數據中不必要的信息和特征。

步驟4 將卷積和池化后的空間特征輸入到GRU模塊中，形成交通流量的時空特征。

圖7 GRU結構

GRU結構包括兩個門控：更新門和重置門。具體步驟如下：

4）利用更新門計算當前時刻狀態(tài)的輸出。

3 云-霧遷移部署方案

云-霧遷移部署方案如圖8所示。霧節(jié)點計算和存儲數據能力有限，無法承擔復雜的計算任務，僅可保存少量最新數據：而云數據中心有豐富的計算資源和強大的存儲數據能力，霧節(jié)點需要將復雜的計算任務和大量歷史數據上傳到云數據中心。訓練深度學習模型一般需要大量的歷史數據和計算資源；相比模型訓練，深度學習模型的推理僅需要少量最新數據，消耗少量計算資源。因此，本文將流量預測模型的訓練放置到云數據中心，模型推理放置到霧節(jié)點；同時考慮到車道間具有不同程度的關聯(lián)性，在云-霧部署方案的基礎上提出了模型遷移部署方案，以減少資源消耗。

圖8 云-霧遷移部署方案示意圖

關聯(lián)車道模型遷移算法描述如下：

4 實驗設置及結果分析

4.1 數據來源和實驗環(huán)境

實驗使用的數據集是2019年6月1日到2019年12月31日山東省青島市的交通流量數據。數據由十字路口的地磁傳感器采集，包含9個路口及其所有車道流量數據，采用6—11月數據作為訓練集，12月整月數據作為預測集。檢測器每5 min提取一次流量數據。

實驗硬件環(huán)境平臺：中央處理器為Intel Core i5-8300H @ 2.30 GHz，運行內存為8 GB，機械硬盤內存為1 TB；軟件環(huán)境平臺包括Python3.6、Keras、Tensorflow等。

4.2 實驗結果及分析

為驗證本文模型的準確性，采用RMSE（計算公式見式（21））和MAE（計算公式見式（22））兩個評價指標來評估預測結果。

將本文模型與Conv-LSTM、GRU、LSTM三個基準模型進行比較，結果如表2所示。從表2可以看出，無論是工作日還是休息日，本文模型的誤差均小于對比的基準模型，模型精準度也更高。

表2 不同方法在工作日和休息日的交通流量預測性能

為進一步比較預測方法的準確性，將本文模型與GRU、LSTM、CNN-LSTM三個基準模型分別對江西路—福州南路—南北直行的車道的2019-12-30（工作日）和2019-12-22（休息日）進行流量預測，結果如圖9、10所示。圖9、10是經過測試集實驗后選擇了迭代18到20次的結果，此迭代次數下模型預測效果好且預測時間短。

分析圖9、10可知，無論預測工作日還是休息日的交通流量，本文模型的預測結果均比Conv-LSTM、GRU以及LSTM更加精確。這是因為本文模型是利用Conv-GRU將CNN和GRU集成為一個模塊，融合提取流量數據的時空特征；Conv-LSTM雖然也是將特征進行融合，但礙于LSTM自身的性能，造成預測結果不如本文模型；而LSTM與GRU僅僅考慮了數據的單一特征，沒有充分結合數據的時空特征。

結合表2以及圖9、10的結果，雖然本文模型與Conv-LSTM方法的性能相差不大，但二者在每輪的迭代時間上有所差異，如表3所示。這是因為本文采用了Conv-GRU模型，其中的GRU模型與Conv-LSTM中的LSTM相比，少了一個門控循環(huán)單元，因此隨著迭代步數的增加，運行時間明顯減少。

表3 不同迭代次數下模型運行時間

表4顯示在同樣的迭代次數下，在推理時間以及預測精準度上本文模型均優(yōu)于Conv-LSTM；但由于數據量較少，結果的差異不明顯，隨著數據的增多，結果差異會進一步顯現(xiàn)。

表4 模型推理時間及性能對比

此外，針對城市中路網復雜、車道數目龐大，無法對所有車道進行模型訓練的問題，本文提出了模型遷移部署方案將訓練好的車道流量模型遷移到關聯(lián)度較高的車道，以減少訓練模型的個數。

實驗從車道間關聯(lián)度最接近1的數值開始，用第3章的關聯(lián)車道模型遷移算法尋找閾值。結果表明，車道關聯(lián)度大于0.89時，預測效果良好，小于0.89時預測效果較差。圖11給出了模型在遷移前后的性能對比：在模型遷移前，模型預測本車道車流量時具有良好的性能，而模型遷移后的預測性能則有不同表現(xiàn)。

圖11（a）是0.89<關聯(lián)度<1時，模型遷移后的預測結果，具有良好的精準度；而圖11（b）是關聯(lián)度<0.89的預測結果，可以明顯看出存在一定的誤差。且多次實驗的最終結果表明：任何一條車道擁有的關聯(lián)度大于0.89的關聯(lián)車道最少為3條，最多為12條，因此，減少訓練模型數目比例約為60%～70%，模型訓練個數大幅減少。

以本實驗為例，預計完成所有車道預測模型的訓練需3 582 s，而經過遷移后，預計僅需1 752 s，節(jié)省約49%的時間。此外本文實驗采用的數據集為9個路口中55條車道數據，而一個城市中車道數量約為上千條，隨著車道數增多，節(jié)省的時間和計算資源也更多。實驗最終結果表明，本文提出的模型遷移部署方案可減少需要訓練的模型個數，縮短模型訓練總時間，減少計算資源消耗，同時模型本身也保持著精準的預測性能。

圖9 工作日交通流量預測

圖10 休息日交通流量預測

圖11 模型遷移結果與關聯(lián)度的關系

5 結語

本文提出的精細化短時流量預測模型利用Conv-GRU對車道流量進行預測，并利用GRA對車道進行關聯(lián)度分析，能在保持精度的同時減少訓練時間；在模型部署方面，引入霧計算提出了云-霧部署方案；同時針對城市中車道數量龐大、無法逐一訓練模型的情況，提出模型遷移部署方案，將訓練好的流量預測模型遷移到與其關聯(lián)度高的其余車道上，減少計算開銷；最后利用真實數據集進行實驗，結果驗證了模型的預測精準度和可遷移性。

未來工作將重點關注交通事故、天氣情況等突發(fā)因素對交通流預測的影響；同時還將深入研究深度學習模型的分層部署問題以及如何利用車道流量數據預測車輛軌跡。

[1] NALLAPERUMA D， NAWARATNE R， BANDARAGODA T， et al. Online incremental machine learning platform for big data-driven smart traffic management［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（12）： 4679-4690.

[2] VLAHOGIANNI E I， KARLAFTIS M G， GOLIAS J C. Short-term traffic forecasting： where we are and where we’re going［J］. Transportation Research Part C： Emerging Technologies， 2014， 43（Pt 1）： 3-19.

[3] WEIGEND A S， GERSHENFELD N A. Time Series Prediction： Forecasting the Future and Understanding the Past［M］. New York： Routledge， 2018： 2-11.

[4] KUMAR S V， VANAJAKSHI L. Short-term traffic flow prediction using seasonal ARIMA model with limited input data［J］. European Transport Research Review， 2015， 7： No.21.

[5] KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［C］// Proceedings of the 25th International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2012： 1097-1105.

[6] 薛春銘，譚國真，丁男，等. 基于博弈論的人類駕駛與無人駕駛協(xié)作換道模型［J］. 計算機工程， 2017， 43（12）：261-266.（XUE C M， TAN G Z， DING N， et al. Cooperative lane-changing model of human driving and unmanned driving based on game theory［J］. Computer Engineering， 2017， 43（12）： 261-266.）

[7] 包智鵬，支永帥，張素民，等. 基于BiGRU的多模態(tài)駕駛行為及軌跡預測［J］. 大連理工大學學報， 2021， 61（3）：246-254.（BAO Z P， ZHI Y S， ZHANG S M， et al. BiGRU based multi-model maneuvers and trajectory prediction［J］. Journal of Dalian University of Technology， 2021， 61（3）： 246-254.）

[8] MU S D， XIONG Z X， TIAN Y X. Intelligent traffic control system based on cloud computing and big data mining［J］. IEEE Transactions on Industrial Informatics， 2019， 15（12）： 6583-6592.

[9] WILLIAMS B M， HOEL L A. Modeling and forecasting vehicular traffic flow as a seasonal ARIMA process： theoretical basis and empirical results［J］. Journal of Transportation Engineering， 2003， 129（6）： 664-672.

[10] ZHAO J， SUN S L. High-order Gaussian process dynamical models for traffic flow prediction［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（7）： 2014-2019.

[11] VAPNIK V N. An overview of statistical learning theory［J］. IEEE Transactions on Neural Networks， 1999， 10（5）： 988-999.

[12] BENGIO Y， COURVILLE A， VINCENT P. Representation learning： a review and new perspectives［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2013， 35（8）： 1798-1828.

[13] FENG X X， LING X Y， ZHENG H F， et al. Adaptive multi-kernel SVM with spatial-temporal correlation for short-term traffic flow prediction［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（6）： 2001-2013.

[14] LV Y S， DUAN Y J， KANG W W， et al. Traffic flow prediction with big data： a deep learning approach［J］. IEEE Transactions on Intelligent Transportation Systems， 2015， 16（2）： 865-873.

[15] YU X J， SUN L J， YAN Y， et al. A short-term traffic flow prediction method based on spatial-temporal correlation using edge computing［J］. Computers and Electrical Engineering， 2021， 93： No.107219.

[16] ZHENG J H， HUANG M F. Traffic flow forecast through time series analysis based on deep learning［J］. IEEE Access， 2020， 8： 82562-82570.

[17] SHAO H X， SOONG B H. Traffic flow prediction with Long Short-Term Memory Networks （LSTMs）［C］// Proceedings of the 2016 IEEE Region 10 Conference. Piscataway： IEEE， 2016： 2986-2989.

[18] LUO X L， LI D Y， YANG Y， et al. Spatiotemporal traffic flow prediction with KNN and LSTM［J］. Journal of Advanced Transportation， 2019， 2019： No.4145353.

[19] GUO S N， LIN Y F， LI S J， et al. Deep spatial-temporal 3D convolutional neural networks for traffic data forecasting［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（10）： 3913-3926.

[20] KHAJEH HOSSEINI M， TALEBPOUR A. Traffic prediction using time-space diagram： a convolutional neural network approach［J］. Transportation Research Record， 2019， 2673（7）： 425-435.

[21] 鄧烜堃，萬良，丁紅衛(wèi)，等. 基于深度學習的交通流量預測研究［J］. 計算機工程與應用， 2019， 55（2）：228-235.（DENG X K， WANG L， DING H W， et al. Traffic flow prediction based on deep neural networks［J］. Computer Engineering and Applications， 2019， 55（2）：228-235.）

[22] 徐凌偉，權天祺. 移動協(xié)作通信系統(tǒng)中斷概率性能智能預測［J］. 聊城大學學報（自然科學版）， 2020， 33（6）： 33-39， 75.（XU L W， QUAN T Q. OP performance intelligent prediction of mobile cooperative communication system［J］. Journal of Liaocheng University （Natural Science Edition）， 2020， 33（6）： 33-39， 75.）

[23] 杜圣東，李天瑞，楊燕，等. 一種基于序列到序列時空注意力學習的交通流預測模型［J］. 計算機研究與發(fā)展， 2020， 57（8）： 1715-1728.（DU S D， LI T R， YANG Y， et al. A sequence-to-sequence spatial-temporal attention learning model for urban traffic flow prediction［J］. Journal of Computer Research and Development， 2020， 57（8）： 1715-1728.）

[24] 谷遠利，陸文琦，李萌，等. 基于組合深度學習的快速路車道級速度預測研究［J］. 交通運輸系統(tǒng)工程與信息， 2019， 19（4）： 79-86.（GU Y L， LU W Q， LI M， et al. Lane-level traffic speed prediction for expressways based on a combined deep learning model［J］. Transportation Systems Engineering and Information， 2019， 19（4）：79-86.）

[25] HUANG Y P， QIAN L P， FENG A Q， et al. Short-term traffic prediction by two-level data driven model in 5G-enabled edge computing networks［J］. IEEE Access， 2019， 7： 123981-123991.

[26] 張琛，徐國麗. 基于云遺傳的RBF神經網絡的交通流量預測［J］. 計算機工程與應用， 2014， 50（16）： 216-220.（ZHANG C， XU G L. Prediction for traffic flow of RBF neural network based on cloud genetic algorithm［J］. Computer Engineering and Applications， 2014， 50（16）： 216-220.）

[27] 劉思峰，郭天榜，黨耀國，等. 灰色系統(tǒng)理論及其應用［M］. 2版. 北京：科學出版社， 1999：17-29.（LIU S F， GUO T B， DANG Y G， et al. Grey System Theory and Its Application［M］. 2nd ed. Beijing： Science Press， 1999： 17-29.）

Refined short-term traffic flow prediction model and migration deployment scheme

GUO Jiachen， YANG Yushen， WANG Yan， MAO Shilong， SUN Lijun*

（，，266061，）

Refined short-term traffic flow prediction is the premise to ensure the rational decision making in Intelligent Transportation System （ITS）. In order to establish the lane-changing model of self-driving car， predict vehicle trajectories， and guide vehicle routes， the timely traffic flow prediction for each lane has become an urgent problem to solve. However， refined short-term traffic flow prediction faces the following challenges： first， with the increasing diversity of traffic flow data， the traditional prediction methods cannot meet the requirements of ITS for high precision and short time delay； second， training prediction model for each lane make a huge waste of resources. To solve the above problems， a refined short-term traffic flow prediction model combined Convolutional-Gated Recurrent Unit （Conv-GRU） with Grey Relational Analysis （GRA） was proposed to predict lane flow. Considering the characteristics of long training time and relatively short reasoning time of deep learning， a cloud-fog deployment scheme was designed. Meanwhile， to avoid training prediction models for each lane， a model migration deployment scheme was proposed， which only needs to train the prediction model of some lanes， and then the trained prediction models were migrated to the associated lane for prediction through GRA. Experimental results of extensive comparisons on a real-world dataset show that， compared with traditional deep learning prediction methods， the proposed model has more accurate prediction performance； compared with Convolutional-Long Short-Term Memory （Conv-LSTM） network， the model has shorter running time. Furthermore， the model migration is realized by the proposed model under the condition of ensuring high-precision prediction， which saves about 49% of training time compared to training prediction model for each lane.

refined short-term traffic flow prediction; Convolutional-Gated Recurrent Unit (Conv-GRU); Grey Relational Analysis (GRA); spatiotemporal feature; deployment scheme

This work is partially supported by 2020 College Student Innovation Training Program of Qingdao University of Science and Technology （S202010426017）.

GUO Jiachen， born in 1997， M. S. candidate. His research interests include deep learning， intelligent transportation.

YANG Yushen， born in 2000. His research interests include deep learning， intelligent transportation.

WANG Yan， born in 2000. His research interests include deep learning， intelligent transportation.

MAO Shilong， born in 2000. His research interests include deep learning， intelligent transportation.

SUN Lijun， born in 1978， Ph. D.， associate professor. Her research interests include fog/edge computing， intelligent transportation， crowdsourcing.

TP391

A

1001-9081（2022）06-1748-08

10.11772/j.issn.1001-9081.2021061411

2021?08?06；

2021?09?17；

2021?11?17。

青島科技大學2020年大學生創(chuàng)新訓練計劃項目（S202010426017）。

郭嘉宸（1997－），男，山東煙臺人，碩士研究生，CCF會員，主要研究方向：深度學習、智能交通；楊宇燊（2000－），男，福建三明人，主要研究方向：深度學習、智能交通；王研（2000－），男，山東臨沂人，主要研究方向：深度學習、智能交通；毛仕龍（2000－），男，山東菏澤人，主要研究方向：深度學習、智能交通；孫麗珺（1978－），女，山東淄博人，副教授，博士，CCF會員，主要研究方向：霧/邊緣計算、智能交通、眾包。