孫臘臘

(鄭州城建職業(yè)學(xué)院,河南 鄭州 450000)

0 引言

隨著城市化進(jìn)程的不斷加快,城市交通問題日益嚴(yán)峻。交通擁堵、交通事故頻發(fā)、環(huán)境污染等問題嚴(yán)重影響了城市居民的日常生活和城市經(jīng)濟(jì)的發(fā)展。傳統(tǒng)的交通管理系統(tǒng)已經(jīng)無法滿足城市交通管理的需求,迫切需要開發(fā)新的智能交通管理系統(tǒng)來提高交通效率、保障交通安全、改善環(huán)境質(zhì)量。

近年來,基于物聯(lián)網(wǎng)(Internet of Things,IoT)[1-2]和深度學(xué)習(xí)[3-4]的智能城市交通管理系統(tǒng)引起了廣泛關(guān)注。國(guó)際上,美國(guó)、歐盟等發(fā)達(dá)國(guó)家已經(jīng)開展了相關(guān)研究,并取得了一系列成果。例如,美國(guó)加州大學(xué)伯克利分校開發(fā)了智能交通管理系統(tǒng)“Surtrac”,該系統(tǒng)可以利用物聯(lián)網(wǎng)技術(shù)采集交通數(shù)據(jù),并利用深度學(xué)習(xí)技術(shù)進(jìn)行交通流預(yù)測(cè)和交通信號(hào)燈控制。國(guó)內(nèi)研究人員也開展了相關(guān)研究,并取得了一定的進(jìn)展。

為了推動(dòng)智能交通管理水平,本文針對(duì)城市交通管理問題,提出了一種基于物聯(lián)網(wǎng)和深度學(xué)習(xí)的智能城市交通管理系統(tǒng)。該系統(tǒng)首先采用物聯(lián)網(wǎng)技術(shù)采集交通數(shù)據(jù),然后利用深度學(xué)習(xí)技術(shù)進(jìn)行交通流預(yù)測(cè),最后根據(jù)預(yù)測(cè)結(jié)果進(jìn)行交通流量控制。本文的創(chuàng)新點(diǎn)在于:提出了一種基于物聯(lián)網(wǎng)和深度學(xué)習(xí)的智能城市交通管理系統(tǒng),該系統(tǒng)可以有效提高交通效率、保障交通安全、改善環(huán)境質(zhì)量;采用LSTM模型進(jìn)行交通流預(yù)測(cè),可以有效捕捉交通數(shù)據(jù)的時(shí)空依賴關(guān)系,提高預(yù)測(cè)精度。

1 基于物聯(lián)網(wǎng)的交通流量監(jiān)測(cè)方法

為了實(shí)現(xiàn)對(duì)城市交通流量的實(shí)時(shí)、準(zhǔn)確監(jiān)測(cè),本文提出了一種基于物聯(lián)網(wǎng)的交通流量監(jiān)測(cè)框架,該框架如圖1所示。

圖1 基于物聯(lián)網(wǎng)的交通流量監(jiān)測(cè)方法

數(shù)據(jù)采集層是整個(gè)框架的基礎(chǔ),負(fù)責(zé)采集道路上的各種交通數(shù)據(jù)。該層主要包括視頻傳感器、毫米波雷達(dá)、氣象傳感器等。

數(shù)據(jù)傳輸層負(fù)責(zé)將采集到的數(shù)據(jù)傳輸?shù)竭吘売?jì)算層。該層主要采用無線通信技術(shù),如4G/5G、Wi-Fi、LoRaWAN[5]等。

邊緣計(jì)算層負(fù)責(zé)對(duì)采集到的數(shù)據(jù)進(jìn)行初步處理,如數(shù)據(jù)清洗、特征提取、數(shù)據(jù)壓縮等。該層可以采用邊緣服務(wù)器或邊緣網(wǎng)關(guān)等設(shè)備。

云計(jì)算層負(fù)責(zé)對(duì)邊緣計(jì)算層處理后的數(shù)據(jù)進(jìn)行進(jìn)一步分析和處理,如交通流預(yù)測(cè)、交通事件識(shí)別、交通信號(hào)燈控制等。該層可以采用云服務(wù)器等設(shè)備。

數(shù)據(jù)應(yīng)用層是整個(gè)框架的最終應(yīng)用層,負(fù)責(zé)將分析結(jié)果呈現(xiàn)給用戶,如交通管理人員、駕駛員、行人等。該層可以采用交通管理平臺(tái)、導(dǎo)航軟件、手機(jī)App等。

2 基于深度學(xué)習(xí)的交通流量預(yù)測(cè)方法

2.1 LSTM的基本結(jié)構(gòu)

LSTM[6-8]的基本結(jié)構(gòu)如圖2所示,其中,ht表示時(shí)刻t的隱含狀態(tài),是LSTM模型的核心記憶單元,包含了之前所有時(shí)刻的信息;ct表示時(shí)刻t的細(xì)胞狀態(tài),是LSTM模型的長(zhǎng)期記憶單元,可以傳遞長(zhǎng)期依賴關(guān)系;xt表示時(shí)刻t的輸入數(shù)據(jù);σ表示Sigmoid函數(shù);tanh表示雙曲正切函數(shù)。LSTM模型的細(xì)胞狀態(tài)ct可以傳遞長(zhǎng)期依賴關(guān)系,因此可以有效解決傳統(tǒng)RNN模型無法解決的長(zhǎng)距離依賴問題。另外,LSTM模型可以學(xué)習(xí)復(fù)雜的非線性關(guān)系,因此,可以應(yīng)用于各種復(fù)雜任務(wù)。模型的基本原理如下:

圖2 LSTM的基本結(jié)構(gòu)

(1)計(jì)算輸入門it。

it=σ(Wi*xt+hi*ht-1+bi)

(1)

其中,Wi、hi、bi分別是輸入門it的權(quán)重、偏置和遺忘門ft的偏置。

(2)對(duì)遺忘門ft進(jìn)行估計(jì)。

ft=σ(Wf*xt+hf*ht-1+bf)

(2)

其中,Wf、hf、bf分別是遺忘門ft的權(quán)重、偏置和遺忘門ft的偏置。

(3)計(jì)算細(xì)胞狀態(tài)ct。

ct=ft*ct-1+it*tanh(Wc*xc+hc*ht-1+bc)

(3)

其中,Wc、hc、bc分別是細(xì)胞狀態(tài)ct的權(quán)重、偏置和遺忘門ft的偏置。

(4)計(jì)算輸出門ot。

ot=σ(Wo*xt+ho*ht-1+bo)

(4)

其中,Wo、ho、bo分別是輸出門ot的權(quán)重、偏置和遺忘門ft的偏置。

(5)計(jì)算LSTM的隱藏狀態(tài)ht。

ht=ot*tanh(ct)

2.2 基于LSTM的交通流量預(yù)測(cè)方法

本文研究的基于LSTM的交通流量預(yù)測(cè)實(shí)現(xiàn)方法包括以下4個(gè)步驟。

2.2.1 數(shù)據(jù)準(zhǔn)備

交通流量預(yù)測(cè)模型需要大量歷史交通數(shù)據(jù)進(jìn)行訓(xùn)練。這些數(shù)據(jù)可以從交通管理部門、交通運(yùn)輸公司等機(jī)構(gòu)獲取,常用的交通流量表示某一時(shí)間段內(nèi)道路上的車輛數(shù)量。

2.2.2 模型構(gòu)建

構(gòu)建用于交通流量預(yù)測(cè)的LSTM模型,模型由輸入門、遺忘門和輸出門3個(gè)門控機(jī)制組成。

2.2.3 模型訓(xùn)練

模型訓(xùn)練的目標(biāo)是找到一組參數(shù),使得模型預(yù)測(cè)的交通流與真實(shí)交通流之間的誤差最小。常用的損失函數(shù)包括均方誤差(Mean Square Error,MSE)、平均絕對(duì)誤差(Mean Absolute Error,MAE)等。模型訓(xùn)練可以使用梯度下降算法,如Adam[9]、RMSProp[10]等。

2.2.4 模型預(yù)測(cè)

模型訓(xùn)練完成后,可以預(yù)測(cè)未來的交通流狀態(tài)。首先,將歷史交通數(shù)據(jù)輸入模型,得到模型的隱含狀態(tài)ht;然后,使用隱含狀態(tài)ht和輸出門ot計(jì)算預(yù)測(cè)交通流yt。

3 交通流量預(yù)測(cè)實(shí)驗(yàn)

本實(shí)驗(yàn)采用了METR-LA數(shù)據(jù)集的交通流量數(shù)據(jù)部分進(jìn)行交通流預(yù)測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)采用的操作系統(tǒng)為Ubuntu 20.04,編程語(yǔ)言為Python 3.8,深度學(xué)習(xí)框架為TensorFlow 2.7。在實(shí)驗(yàn)中,設(shè)置隱藏層單元數(shù)128,學(xué)習(xí)率0.001,訓(xùn)練輪數(shù)100。最后,采用預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之間的MSE、MAE和平均相對(duì)誤差(Mean Relative Error,MRE)對(duì)實(shí)驗(yàn)進(jìn)行評(píng)估,如表1所示。

表1 實(shí)驗(yàn)結(jié)果

MSE衡量了預(yù)測(cè)值與真實(shí)值之間差異,MAE衡量了預(yù)測(cè)值與真實(shí)值之間平均絕對(duì)誤差,MRE衡量了預(yù)測(cè)值與真實(shí)值之間平均相對(duì)誤差,3個(gè)指標(biāo)越小,表示預(yù)測(cè)精度越高。由表1可得,MSE為10.23,MAE為5.87,MRE為0.12,表明該模型在METR-LA數(shù)據(jù)集上取得了較好的預(yù)測(cè)精度,可以有效地捕捉交通數(shù)據(jù)的時(shí)空依賴關(guān)系,并預(yù)測(cè)未來的交通流狀態(tài)。

4 結(jié)語(yǔ)

城市交通擁堵是現(xiàn)代城市面臨的重大挑戰(zhàn)之一,近年來,基于深度學(xué)習(xí)的交通流量預(yù)測(cè)方法取得了顯著成效。本文提出了一種基于LSTM的城市交通流量預(yù)測(cè)方法。LSTM模型是一種特殊的RNN模型,專門為解決長(zhǎng)距離依賴問題而設(shè)計(jì)。該方法首先對(duì)交通數(shù)據(jù)進(jìn)行預(yù)處理,然后利用LSTM模型學(xué)習(xí)交通數(shù)據(jù)的時(shí)空依賴關(guān)系,最后預(yù)測(cè)未來的交通流狀態(tài)。實(shí)驗(yàn)結(jié)果表明,該方法在METR-LA數(shù)據(jù)集上取得了較高的預(yù)測(cè)精度,MSE為10.23,MAE為5.87,MRE為0.12,具有較高的預(yù)測(cè)精度和魯棒性。