李 凱

（四川智慧高速科技有限公司，四川 成都 610000）

0 引言

交通流預(yù)測(cè)是交通流數(shù)據(jù)建模、交通管理和運(yùn)營(yíng)的重要組成部分。對(duì)實(shí)時(shí)交通流進(jìn)行準(zhǔn)確的預(yù)測(cè)，可為公眾提供較為準(zhǔn)確的交通信息，并對(duì)公眾出行的決策進(jìn)行指導(dǎo)，也可為政府部門(mén)提出緩解擁堵的對(duì)策建議，以降低管理和運(yùn)營(yíng)成本。隨著基于高分辨率交通流數(shù)據(jù)的智能交通系統(tǒng)（Intelligent Transportation System，ITS）的應(yīng)用，可通過(guò)歷史數(shù)據(jù)集和實(shí)時(shí)的在線數(shù)據(jù)驅(qū)動(dòng)法來(lái)解決問(wèn)題。從定義上來(lái)講，交通流預(yù)測(cè)是一個(gè)時(shí)間序列的問(wèn)題，即根據(jù)一次或多次基于特定時(shí)空環(huán)境下收集到的前一個(gè)時(shí)期的位置數(shù)據(jù)，來(lái)估計(jì)未來(lái)某個(gè)時(shí)間的車(chē)流量?；跈C(jī)器學(xué)習(xí)的交通流預(yù)測(cè)模型可分為參數(shù)模型和非參數(shù)模型。

1 基于傳統(tǒng)機(jī)器學(xué)習(xí)模型的交通流預(yù)測(cè)

現(xiàn)階段，主流的交通流預(yù)測(cè)模型有差分整合移動(dòng)平均自回歸模型（Autoregressive Integrated Moving Average model，ARIMA）、神經(jīng)網(wǎng)絡(luò)模型以及非參數(shù)模型（見(jiàn)表1）。為了提高預(yù)測(cè)的準(zhǔn)確率，學(xué)者們通過(guò)借鑒工業(yè)設(shè)計(jì)的理念，如用于時(shí)變參數(shù)的裁決性調(diào)整技術(shù)和自適應(yīng)估計(jì)，以及用于估計(jì)參數(shù)的回饋環(huán)路結(jié)構(gòu)。Chen等［1］基于天氣和時(shí)間提出了一種交通流運(yùn)動(dòng)的預(yù)測(cè)和管理模型，即在模型中將天氣分為好天氣和壞天氣，并采用一種基于時(shí)序聚類的算法，對(duì)工作日和周末的交通流進(jìn)行預(yù)測(cè)，而其中的均方根誤差（Root Mean Square Error，RMSE）作為模型的一個(gè)評(píng)價(jià)指標(biāo)，通過(guò)研究發(fā)現(xiàn)，模型在30 min內(nèi)的預(yù)測(cè)效果良好。Lin等［2］提出了一種名為CORSIM的微觀模型來(lái)對(duì)短期交通流進(jìn)行預(yù)測(cè)。Lin等［2］和Yu等［3］在模型中引入了城市交通網(wǎng)絡(luò)（Urban Traffic Network，UTN）的拓?fù)浣Y(jié)構(gòu)，這種模型是基于彼此鏈接的空間關(guān)系，將實(shí)時(shí)道路交通狀態(tài)作為UTN模型的輸入來(lái)預(yù)測(cè)交通流，將24 h分為四個(gè)階段，每個(gè)階段分別建立對(duì)應(yīng)的統(tǒng)計(jì)模型，并滿足二項(xiàng)分布。該模型通過(guò)引入n個(gè)鄰居的平均流量來(lái)提高UTN的利用率，Yu等［3］建立的模型中的數(shù)據(jù)集來(lái)自2015年6月23日至7月8日的秦皇島交通流數(shù)據(jù)。另外，基于K最鄰近法（K-Nearest Neighbors，KNN）非參數(shù)回歸［4］，以及基于自回歸集成移動(dòng)平均誤差（Autoregressive Integrated Moving Average errors，ARIMAX）的多變量預(yù)測(cè)模型在生產(chǎn)中都有著相應(yīng)的應(yīng)用。

表1 基于傳統(tǒng)基于機(jī)器學(xué)習(xí)的交通流預(yù)測(cè)常用的模型策略

2 基于支持向量回歸在交通流預(yù)測(cè)中的改進(jìn)

支持向量回歸（Support Vector Regression，SVR）適用于處理連續(xù)性數(shù)據(jù)值，而支持向量機(jī)（Support Vector Machine，SVM）則更適用于處理分類問(wèn)題。核函數(shù)可將低維數(shù)據(jù)映射到更高維，超平面則用來(lái)預(yù)測(cè)目標(biāo)值。超平面的邊界線可劃定相應(yīng)的區(qū)域，支持向量既可在邊界線內(nèi)的區(qū)域，也可在邊界線外的區(qū)域，而最接近邊界的數(shù)據(jù)點(diǎn)則成為學(xué)者們最關(guān)心的重點(diǎn)。

SVR可用于多步驟的交通流預(yù)測(cè)。有學(xué)者［5-7］通過(guò)引入四種類型的參數(shù)作為模型輸入，即工作日、雙休日、節(jié)假日以及天氣，數(shù)據(jù)集則來(lái)自大連高爾基路取樣的實(shí)時(shí)數(shù)據(jù)，并在SVM模型中引入徑向基核函數(shù)（Radial Basis Function，RBF），輸入變量分別為T(mén)、P T、HT、H PT，分別對(duì)應(yīng)4種不同的SVM。研究結(jié)果表明，SVM-HPT模型的預(yù)測(cè)值比其他3個(gè)模型更好。在異常情況下，采用在線支持向量回歸（Online-Support Vector Regression，OL-SVR）［8］對(duì)交通流進(jìn)行預(yù)測(cè)，與高斯最大似然模型（Gaussian Maximum Likelihood，GML）、霍爾特指數(shù)平滑模型（Holt Exponential Smoothing）［9］和人工神經(jīng)網(wǎng)絡(luò)模型（Artificial Neural Network models）相比，OL-SVR模型的預(yù)測(cè)結(jié)果更優(yōu)異。

Wang等［10］基于RBF和引入了核參數(shù)的SVR模型，對(duì)短時(shí)交通流進(jìn)行預(yù)測(cè)。Dimitriou等［11］提出了一種節(jié)假日期間的交通流預(yù)測(cè)模型，即通過(guò)引入離散傅里葉變換（Discrete Fourier Transform，DFT）［12］來(lái)預(yù)測(cè)節(jié)假日和工作日的交通流的共同趨勢(shì)，同時(shí)使用SVR預(yù)測(cè)殘差。而在預(yù)測(cè)城市間交通流方面，基于蟻群策略優(yōu)化的SVR比集成移動(dòng)平均模型的季節(jié)性自回歸更有效。

3 基于深度學(xué)習(xí)的交通流預(yù)測(cè)

由于交通流具有隨機(jī)性和非線性，常量預(yù)測(cè)模型因其自身存在的設(shè)計(jì)缺陷，難以應(yīng)對(duì)復(fù)雜多變的外界環(huán)境。非常量預(yù)測(cè)模型逐漸成為機(jī)器學(xué)習(xí)中最有效也應(yīng)用最廣泛的方法，人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network，ANN）就是其中的佼佼者，其也被學(xué)界公認(rèn)為機(jī)器學(xué)習(xí)系統(tǒng)的范式。Bowen等［13-15］建立了一個(gè)深度神經(jīng)網(wǎng)絡(luò)模型，并與以前的常量預(yù)測(cè)法進(jìn)行比較，研究結(jié)果表明，深度神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)高峰期交通流的表現(xiàn)要遠(yuǎn)優(yōu)于其他模型；Zhan等［16］對(duì)反向傳播神經(jīng)網(wǎng)絡(luò)（Back-propagation Neural Network，BPNN）在交通流量、速度和道路占用率等方面的預(yù)測(cè)進(jìn)行研究，發(fā)現(xiàn)其也具有良好的應(yīng)用前景。深度學(xué)習(xí)模型被廣泛地應(yīng)用于交通流預(yù)測(cè)中，而為了提高深度學(xué)習(xí)模型的性能，將傳統(tǒng)的KNN和SVR等方法進(jìn)行改良后應(yīng)用于深度學(xué)習(xí)模塊中。

受混合機(jī)器學(xué)習(xí)模型不同模塊特征的啟發(fā)，可將機(jī)器學(xué)習(xí)算法用于預(yù)測(cè)道路連接處短時(shí)間內(nèi)的交通堵塞。例如，Chang等［17］通過(guò)對(duì)不同的交通流模式進(jìn)行分組歸類，然后再用神經(jīng)網(wǎng)絡(luò)對(duì)交通流進(jìn)行計(jì)算。為了應(yīng)對(duì)復(fù)雜的環(huán)境，而將混合機(jī)器學(xué)習(xí)的模塊引入漸進(jìn)式預(yù)測(cè)模型中，但學(xué)術(shù)界提出了另一種思路：當(dāng)外界環(huán)境和系統(tǒng)出現(xiàn)變化時(shí)，如系統(tǒng)框架的迭代和更新，離線模型可基于歷史信息進(jìn)行訓(xùn)練；而當(dāng)模型在線時(shí)，可通過(guò)V2X或V2N通信的方式對(duì)數(shù)據(jù)進(jìn)行即時(shí)處理和運(yùn)算。

由于深度學(xué)習(xí)模型的結(jié)構(gòu)復(fù)雜度高，可捕獲數(shù)據(jù)間的復(fù)雜關(guān)系，故可獲得較好的預(yù)測(cè)結(jié)果，深度學(xué)習(xí)技術(shù)已在圖像、視頻以及音頻的處理中得到了應(yīng)用，但其也存在著可解釋性缺乏的問(wèn)題，而傳統(tǒng)機(jī)理模型因其固有的限制，導(dǎo)致其預(yù)測(cè)精度往往不及深度學(xué)習(xí)模型，但其能夠較好地剖析交通現(xiàn)象，模擬演化過(guò)程，揭示路段間的交互規(guī)律。由于交通堵塞和交通流量的變化規(guī)律是非線性的，深度學(xué)習(xí)模型甚至能在沒(méi)有足夠信息時(shí)獲得所需的數(shù)據(jù)。Ozbay等［18-20］開(kāi)發(fā)了一種基于堆疊式自動(dòng)編碼器的深度學(xué)習(xí)方法用來(lái)預(yù)測(cè)交通流量。而以循環(huán)神經(jīng)網(wǎng)絡(luò)或時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）為代表的多模態(tài)深度學(xué)習(xí)方法也被廣泛地應(yīng)用于交通流預(yù)測(cè)中，來(lái)應(yīng)對(duì)更加復(fù)雜的環(huán)境。在不同的交通情況下，如事故、天氣情況、高峰期等會(huì)受到社會(huì)環(huán)境和自然因素的影響（見(jiàn)表2）。

表2 影響交通流預(yù)測(cè)的環(huán)境因素

研究證明，與淺層機(jī)器學(xué)習(xí)的預(yù)測(cè)模型相比，長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long-Short Term Memory，LSTM）模型在不同環(huán)境中具有更好的可操作性。LSTM可通過(guò)時(shí)間信息的組合來(lái)對(duì)缺失的觀測(cè)值進(jìn)行預(yù)測(cè)，平均絕對(duì)誤差（Mean Absolute Error，MAE）、平均相對(duì)誤差（Mean Relative Error，MRE）和均方根誤差（Root Mean Square Error，RMSE）可作為評(píng)價(jià)對(duì)比LSTM和其他深度學(xué)習(xí)模型的指標(biāo)。單預(yù)測(cè)模型的缺失可通過(guò)結(jié)合一個(gè)或兩個(gè)模型來(lái)克服，如Cheng等［21］將CNN和RNN進(jìn)行結(jié)合，即將一維CNN模塊和兩個(gè)LSTM模塊進(jìn)行結(jié)合，來(lái)構(gòu)建模型，LSTM可用來(lái)捕捉長(zhǎng)短期的時(shí)間依賴性，而CNN則用來(lái)記錄局部趨勢(shì)特征。Zhang等［22-25］將蟻群優(yōu)化和ANN結(jié)合來(lái)構(gòu)建模型，ANN可減少數(shù)據(jù)預(yù)處理流程，蟻群優(yōu)化則是基于數(shù)據(jù)集的特征結(jié)構(gòu)來(lái)構(gòu)建交通流預(yù)測(cè)模型。Wu等［26-28］將GRU和LSTM應(yīng)用于交通流的預(yù)測(cè)中，LSTM和GRU網(wǎng)絡(luò)可用于研究不同環(huán)境條件下的交通系統(tǒng)的時(shí)空相關(guān)性，二者由許多存儲(chǔ)單元組成，通過(guò)對(duì)500個(gè)觀察點(diǎn)每隔5 min收集數(shù)據(jù)，對(duì)收集到的數(shù)據(jù)進(jìn)行匯總，即可得到數(shù)據(jù)集。數(shù)據(jù)集的訓(xùn)練一方面是對(duì)LSTM和GRU的訓(xùn)練［29］，另一方面是基于分類流量異常的方法訓(xùn)練，最終得到的預(yù)測(cè)結(jié)果比傳統(tǒng)的深度學(xué)習(xí)預(yù)測(cè)模型要好［27］。相關(guān)深度學(xué)習(xí)方法在交通流預(yù)測(cè)中的優(yōu)缺點(diǎn)見(jiàn)表3。

表3 相關(guān)深度學(xué)習(xí)方法在交通流預(yù)測(cè)中的優(yōu)缺點(diǎn)

周相似性的時(shí)間序列、日相似性的時(shí)間序列和小時(shí)時(shí)間序列是由源時(shí)間序列直接生成的。移動(dòng)平均數(shù)、指數(shù)平滑法、ARIMA法通常被用來(lái)預(yù)測(cè)這三種時(shí)間序列的數(shù)據(jù)，并將其作為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的預(yù)處理數(shù)據(jù)源。這種模型的時(shí)間處理策略比單個(gè)模型的效果要更好［30］。而基于遺傳算法的多層次結(jié)構(gòu)優(yōu)化策略可協(xié)助時(shí)間和空間特征，以及選擇適當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)模塊，能夠更有針對(duì)性地處理長(zhǎng)短時(shí)和空間地的依賴關(guān)系。此外，其還可以用于單變量和多變量交通流數(shù)據(jù)［31］。

4 結(jié)語(yǔ)

為了能夠服務(wù)公眾出行，以及為政府部門(mén)的交通管理模式建言獻(xiàn)策，交通流預(yù)測(cè)需要考慮相關(guān)因素，并選擇恰當(dāng)?shù)慕２呗?，以便能及時(shí)匹配各種環(huán)境情況和數(shù)據(jù)資源。本研究探討了機(jī)器學(xué)習(xí)技術(shù)在交通流預(yù)測(cè)中的發(fā)展和應(yīng)用。盡管機(jī)器學(xué)習(xí)離真正的大規(guī)模生產(chǎn)應(yīng)用還有不短的距離，但作為未來(lái)智能交通系統(tǒng)的關(guān)鍵一環(huán)，隨著以GPU為代表的數(shù)據(jù)運(yùn)算硬件的不斷改進(jìn)和升級(jí)，深度學(xué)習(xí)算法也在逐步演進(jìn)，人工智能關(guān)鍵技術(shù)也將得到長(zhǎng)足發(fā)展，將人工智能引入交通行業(yè)是大勢(shì)所趨，這可有效控制因公路容量有限、可達(dá)性較差所引發(fā)的交通需求增長(zhǎng)。通過(guò)對(duì)交通擁堵的治理，來(lái)提高交通資源利用率，這對(duì)節(jié)約出行成本、降低環(huán)境污染等具有重要意義。