基金項目：廣西交通職業(yè)技術(shù)學(xué)院科學(xué)研究項目“基于邊緣計算的交通預(yù)警系統(tǒng)”（編號：JZY2021KAY07）；廣西交通職業(yè)技術(shù)學(xué)院科學(xué)研究項目“廣西高速公路交通擁堵防治的研究與應(yīng)用”（編號：JZY2021KAZ05）；廣西高校中青年教師科研基礎(chǔ)能力提升項目“大數(shù)據(jù)背景下道路運輸交通安全風(fēng)險預(yù)警平臺研究與應(yīng)用”（編號：2022KY1122）；廣西高等教育本科教學(xué)改革工程項目“智能時代高校思想政治理論課‘3+3+3’教學(xué)模式的研究與實踐”（編號：2021JGA393）

作者簡介：劉 華（1984—），碩士，工程師，講師，研究方向：計算機(jī)應(yīng)用技術(shù)、人工智能、大數(shù)據(jù)。

摘要：文章提出一種基于邊緣計算和深度學(xué)習(xí)的交通流預(yù)測方法，采用基于CNN-LSTM的深度學(xué)習(xí)模型，并將深度學(xué)習(xí)模型中的數(shù)據(jù)預(yù)處理和推理計算移動到邊緣節(jié)點上。實驗結(jié)果表明，該方法可以有效地提高交通流預(yù)測的準(zhǔn)確性和實時性，具有較好的應(yīng)用前景。

關(guān)鍵詞：邊緣計算；深度學(xué)習(xí)；交通流預(yù)測；智慧交通

中圖分類號：U491.1⁺12

0 引言

隨著城市化進(jìn)程的加速和汽車保有量的增加，城市交通擁堵已經(jīng)成為一大難題，嚴(yán)重影響著城市的發(fā)展和居民的生活質(zhì)量。為了解決這一問題，智慧城市建設(shè)中的交通管理是一個重要方向。而交通流預(yù)測是智慧交通領(lǐng)域中的一個重要研究問題，對于交通管理、出行規(guī)劃、交通安全等方面都有重要意義。

近年來，隨著5G技術(shù)和物聯(lián)網(wǎng)的快速發(fā)展，涉及交通相關(guān)的邊緣設(shè)備越來越多，如車輛感應(yīng)器、車速傳感器、信號燈控制器、道路溫濕度傳感器、視頻監(jiān)控識別器等。根據(jù)IDC的預(yù)測，到2026年，我國將有100億物聯(lián)網(wǎng)設(shè)備和傳感器在線，因此基于邊緣計算在智能交通領(lǐng)域的應(yīng)用逐漸成為研究熱點。邊緣計算采用分布式計算的思想，將計算和存儲資源移動到數(shù)據(jù)源的近端，減少了數(shù)據(jù)傳輸?shù)臅r間，提高了計算速度，關(guān)鍵特點包括低延遲、高帶寬、節(jié)能等^［1-2］。邊緣計算在車聯(lián)網(wǎng)的交通流預(yù)測 ^［3］方面有著高效的應(yīng)用，能夠在細(xì)粒度的網(wǎng)絡(luò)流量模型下提升流量的測量精度，并且降低主干網(wǎng)絡(luò)的負(fù)載；也在危險品運輸車輛跟蹤預(yù)警^［4］和交通事故風(fēng)險深度預(yù)測^［5］方面有著良好的實踐，可以更加有效保障車輛的運行安全。

深度學(xué)習(xí)是一種基于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法，其主要特點是可以自動學(xué)習(xí)數(shù)據(jù)中的特征，并用于分類、回歸、聚類等任務(wù)。常用的深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和長短期記憶網(wǎng)絡(luò)（LSTM）等已被很多研究者應(yīng)用于交通流預(yù)測，實驗結(jié)果表明比傳統(tǒng)的預(yù)測模型具有更高的預(yù)測精度^［6-8］。

在現(xiàn)有研究的基礎(chǔ)上，本文為了進(jìn)一步提高交通流預(yù)測的實時性和準(zhǔn)確性，設(shè)計了一種基于邊緣計算和深度學(xué)習(xí)相結(jié)合的預(yù)測系統(tǒng)架構(gòu)，并給出了基于CNN-LSTM深度學(xué)習(xí)模型的算法實現(xiàn)方案。主要實現(xiàn)過程是利用邊緣節(jié)點上的計算能力先對采集到的交通流數(shù)據(jù)進(jìn)行預(yù)處理，然后將處理好的數(shù)據(jù)發(fā)送至云端的深度學(xué)習(xí)模型進(jìn)行訓(xùn)練和預(yù)測。通過實驗分析表明，該方法有效地減少了數(shù)據(jù)在網(wǎng)絡(luò)中的傳輸延遲，提高了交通流預(yù)測效率和精度。

1 基于邊緣計算和深度學(xué)習(xí)的交通流預(yù)測系統(tǒng)架構(gòu)

基于邊緣計算和深度學(xué)習(xí)的交通流預(yù)測系統(tǒng)主要包括以下四個部分：數(shù)據(jù)采集與處理模塊、邊緣計算節(jié)點、云端中心節(jié)點、用戶應(yīng)用界面。整個系統(tǒng)架構(gòu)如下頁圖1所示。

1.1 數(shù)據(jù)采集與處理模塊

數(shù)據(jù)采集與處理模塊負(fù)責(zé)從交通傳感器和車載設(shè)備等數(shù)據(jù)源中獲取交通數(shù)據(jù)，并進(jìn)行預(yù)處理和清洗。常見的交通數(shù)據(jù)包括車輛速度、車道流量、交通事件等，這些數(shù)據(jù)可以通過傳感器和車載設(shè)備等方式進(jìn)行采集。采集到的數(shù)據(jù)需要經(jīng)過預(yù)處理和清洗，包括數(shù)據(jù)去重、異常值處理、數(shù)據(jù)補全等操作。處理后的數(shù)據(jù)可以直接用于建模和預(yù)測。

1.2 邊緣計算節(jié)點

邊緣計算節(jié)點是指在距離數(shù)據(jù)源頭更近的位置進(jìn)行計算和處理的節(jié)點。在交通流預(yù)測系統(tǒng)中，邊緣計算節(jié)點主要負(fù)責(zé)數(shù)據(jù)分析、特征提取和建模等任務(wù)。由于交通數(shù)據(jù)量大且實時性要求高，將這些任務(wù)移動到邊緣節(jié)點可以大大減少數(shù)據(jù)傳輸和響應(yīng)時間，提高系統(tǒng)性能。

1.3 云端中心節(jié)點

云端中心節(jié)點是指在云端進(jìn)行數(shù)據(jù)存儲和模型訓(xùn)練的節(jié)點。在交通流預(yù)測系統(tǒng)中，中心節(jié)點主要負(fù)責(zé)模型的訓(xùn)練和優(yōu)化，并將訓(xùn)練好的模型傳輸?shù)竭吘壒?jié)點，用于實時預(yù)測，還可以對預(yù)測結(jié)果進(jìn)行分析和優(yōu)化，提高預(yù)測準(zhǔn)確度和魯棒性。

1.4 用戶應(yīng)用界面

用戶應(yīng)用界面是指交通流預(yù)測系統(tǒng)的可視化界面，用于展示交通狀況和預(yù)測結(jié)果。用戶可以通過界面查看實時的交通流量、速度和密度等信息，以及未來一段時間內(nèi)的交通預(yù)測結(jié)果。用戶界面還可以提供交通建議和路線規(guī)劃等功能，幫助用戶更好地規(guī)劃行程。

基于邊緣計算和深度學(xué)習(xí)的交通流預(yù)測研究/劉 華

2 基于CNN-LSTM的交通流預(yù)測模型

本文采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型提取交通流數(shù)據(jù)的時空特征，對每個監(jiān)測點的歷史交通流狀態(tài)進(jìn)行特征提取，然后使用長短時記憶網(wǎng)絡(luò)（LSTM）模型進(jìn)行交通流數(shù)據(jù)的時間序列建模，捕捉交通流數(shù)據(jù)中的時序依賴關(guān)系，最后通過全連接層將LSTM模型的輸出轉(zhuǎn)化為預(yù)測值。下面詳細(xì)介紹構(gòu)建CNN-LSTM的交通流預(yù)測模型的方法和步驟。

2.1 交通流數(shù)據(jù)建模

通過傳感器采集到的交通流數(shù)據(jù)通常包括監(jiān)測路段的車輛數(shù)量、速度、密度等相關(guān)信息，采集頻率一般在1～5 min內(nèi)。使用邊緣計算設(shè)備對原始交通流數(shù)據(jù)進(jìn)行預(yù)處理后，再將有效數(shù)據(jù)傳輸?shù)皆贫酥行墓?jié)點進(jìn)行模型訓(xùn)練。假設(shè)第i個監(jiān)測點在時間點t的速度為v_i，t，對每個時間點t設(shè)定一段歷史時間序列t-L，t-L+1，…，t-1，就可以得到時間速度序列v_i，t-L，v_i，t-L+1，…，v_i，t-1，將每個時間點N個監(jiān)測點的數(shù)據(jù)與時間速度序列拼接形成一個NL的矩陣X_t，如式（1）所示。

2.2 CNN模型

卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型通過卷積操作提取交通流數(shù)據(jù)中的時空特征，捕捉交通流數(shù)據(jù)的空間和時間關(guān)系，利用池化操作可以對特征圖進(jìn)行下采樣，將原始數(shù)據(jù)的維度降低，提高計算效率。設(shè)定CNN模型的輸入是交通流數(shù)據(jù)X_t，輸出C_t表示對X_t的特征提取結(jié)果，計算公式如式（2）～（3）所示。

式中：Z_t，k——第k個卷積核對輸入序列X_t的卷積結(jié)果；

w_i，j，k ——第k個卷積核的權(quán)重；

X_t，i，j——輸入序列X_t的第i行、第j列的值；

C_t，k——第k個卷積核對輸入序列X_t的卷積結(jié)果后的輸出值;

ReLU——激活函數(shù);

p——卷積核的行數(shù);

q——卷積核的列數(shù);

b_k——偏置項。

2.3 LSTM模型

長短時記憶網(wǎng)絡(luò)（LSTM）模型是一種適用于時間序列數(shù)據(jù)建模的深度學(xué)習(xí)模型，它能夠自適應(yīng)地學(xué)習(xí)時間序列數(shù)據(jù)中的長期依賴關(guān)系，并在序列預(yù)測任務(wù)中表現(xiàn)出較好的性能。將CNN模型提取到的交通流空間特征序列化為時間序列，輸入到LSTM模型，可以實現(xiàn)交通流量的時空特征融合，提高交通流預(yù)測的有效性。每個LSTM單元包含了輸入門、遺忘門、輸出門和記憶單元四個部分。設(shè)定LSTM模型的輸入是C_t，輸出是Y︿_t，表示對特征序列C_t的建模和預(yù)測結(jié)果，計算公式如式（4）～（5）所示。

h_t=LSTMC_t，h_t-1，c_t-1""" （4）

?_t=Denseh_t，W_dense+b_dense""" （5）

其中：LSTM——LSTM層；

h_t——LSTM層的輸出；

Dense——全連接層；

W_dense——全連接層的權(quán)重；

b_dense——全連接層的偏置項。

2.4 CNN-LSTM融合模型

通過上述對CNN和LSTM模型的分析，單一模型無法有效捕獲交通流量和速度之間的相關(guān)性，從而影響預(yù)測的精度。CNN-LSTM模型通過CNN提取交通流數(shù)據(jù)的空間特征，然后通過LSTM提取交通流數(shù)據(jù)的時序特征，并通過全連接層進(jìn)行交通流預(yù)測，模型的總體框架如圖2所示，具體的預(yù)測算法步驟如下：

Step 1 對交通流量數(shù)據(jù)和速度數(shù)據(jù)進(jìn)行預(yù)處理，填補缺失值，刪除異常值。

Step 2 將數(shù)據(jù)輸入模型并對數(shù)據(jù)進(jìn)行分類，劃分訓(xùn)練集和測試集數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行歸一化處理。

Step 3 設(shè)置模型卷積核，步長等參數(shù)值并選擇合適的優(yōu)化算法，然后遍歷所有數(shù)據(jù)。

Step 4 將處理后的數(shù)據(jù)輸入到CNN模型，提取空間特征。

Step 5 將CNN網(wǎng)絡(luò)輸出的交通流空間特征數(shù)據(jù)輸入到LSTM模型，進(jìn)一步提取數(shù)據(jù)的時間序列特征。

Step 6 設(shè)定batchsize、epoch等參數(shù)對模型進(jìn)行訓(xùn)練，最終輸出交通流預(yù)測模型。

3 實驗結(jié)果分析

本研究在模型訓(xùn)練中使用交叉熵?fù)p失函數(shù)和隨機(jī)梯度下降法進(jìn)行優(yōu)化，模型驗證中使用均方根誤差（RMSE）、平均絕對誤差（MAE）和平均絕對百分比誤差（MAPE）來衡量預(yù)測模型的性能，其數(shù)值越小，預(yù)測效果越好。RMSE、MAE和MAPE的計算公式如式（6）～（8）所示。

式中：n——樣本的數(shù)量；

y_i——實際值；

?_i——預(yù)測值。

為了評估本文模型的有效性，采用美國加州交通管理系統(tǒng)提供的標(biāo)準(zhǔn)化公開數(shù)據(jù)集PeMSD7進(jìn)行實驗，該數(shù)據(jù)集以每隔5 min記錄交通流量數(shù)據(jù)。實驗選取的數(shù)據(jù)時間段為2021-01-01至2021-10-31，按照7∶3的比例分為訓(xùn)練集和測試集。使用Python編程語言和TensorFlow框架實現(xiàn)CNN-LSTM模型，實驗設(shè)備為Win10操作系統(tǒng)計算機(jī)（Intel Core（TM）i7-9700處理器，內(nèi)存32 G），并開啟了GPU加速進(jìn)行模型訓(xùn)練。

如表1所示，在同樣的實驗環(huán)境下對比本文設(shè)計的CNN-LSTM模型與三個基準(zhǔn)模型（ARIMA、LSTM、CNN）的性能，CNN-LSTM模型在三個評估指標(biāo)上的表現(xiàn)都比其他模型更好，特別是在MAPE上，CNN-LSTM模型有著更小的誤差，表明基于CNN-LSTM的交通流預(yù)測模型具有更高的預(yù)測精度和有效性。

4 結(jié)語

本研究針對交通流預(yù)測中存在的數(shù)據(jù)規(guī)模大、計算復(fù)雜度高、預(yù)測準(zhǔn)確性低等問題，提出了一種基于邊緣計算和深度學(xué)習(xí)的交通流預(yù)測技術(shù)，旨在提高交通流預(yù)測的準(zhǔn)確性和可靠性。將交通流預(yù)測任務(wù)分配給邊緣計算節(jié)點和云端節(jié)點，以降低數(shù)據(jù)傳輸和處理時間，同時采用基于CNN-LSTM的交通流預(yù)測模型，可以更好地處理時空相關(guān)性和周期性等特征。實驗結(jié)果表明，基于邊緣計算和深度學(xué)習(xí)的交通流預(yù)測技術(shù)具有較好的預(yù)測性能。

未來的研究可以考慮將其他交通數(shù)據(jù)如交通事件、氣象數(shù)據(jù)等納入模型中，實現(xiàn)對交通流的綜合預(yù)測。一方面可以將交通流預(yù)測與交通信號控制相結(jié)合，實現(xiàn)智能交通的控制和優(yōu)化；另一方面還可以探索將區(qū)塊鏈技術(shù)應(yīng)用于交通流預(yù)測中，實現(xiàn)交通數(shù)據(jù)的安全共享和隱私保護(hù)。

參考文獻(xiàn)

［1］盧 毅，宋家辛，張 華.高速公路智能交通系統(tǒng)邊緣計算應(yīng)用研究［J］.公路，2021，66（3）：242-245.

［2］吳建波，朱文霞，劇 亮，等.邊緣計算在智慧交通系統(tǒng)中的應(yīng)用［J］.計算機(jī)與現(xiàn)代化，2021（12）：103-109，122.

［3］凌 敏，羅 影，袁 亮，等.一種面向智慧交通的車聯(lián)網(wǎng)網(wǎng)絡(luò)流量估計方法［J］.西安電子科技大學(xué)學(xué)報，2021，48（3）：40-48.

［4］馬峻巖，劉仟金，許 良，等.基于邊緣計算的危險品運輸車輛跟蹤預(yù)警方法［J］.交通信息與安全，2020，38（5）：120-128.

［5］嚴(yán)麗平，郭成源.基于邊緣計算的城市交通事故風(fēng)險深度預(yù)測［J］.計算機(jī)仿真，2022，39（12）：226-229，329.

［6］劉明宇，吳建平，王鈺博，等.基于深度學(xué)習(xí)的交通流量預(yù)測［J］.系統(tǒng)仿真學(xué)報，2018，30（11）：4 100-4 105，4 114.

［7］王竟成，張 勇，胡永利，等.基于圖卷積網(wǎng)絡(luò)的交通預(yù)測綜述［J］.北京工業(yè)大學(xué)學(xué)報，2021，47（8）：954-970.

［8］羅向龍，李丹陽，楊 彧，等.基于KNN-LSTM的短時交通流預(yù)測［J］.北京工業(yè)大學(xué)學(xué)報，2018，44（12）：1 521-1 527.

收稿日期：2023-04-07