基于卷积神经网络的道路交通速度预测

林锦香

摘要：针对传统交通流预测方法由于交通流本身的非线性而使预测精度受限的问题，提出了一种基于卷积神经网络的道路交通速度预测方法。先根据道路交通速度的时间连续性和空间特征对交通数据重构出交通流的时空矩阵，作为预测模型的特征输入。然后结合卷积神经网络非线性拟合能力，及其卷积层和池化层对深层特征的抽取能力来训练模型，进而对未来的交通流做出预测。最后，使用多个指标对该方法的预测结果进行评估，表明该方法具备一定精度且能有效跟踪未来的交通流趋势。

关键词：时空矩阵；卷积神经网络；交通速度预测；深度学习；智能交通

中图分类号：TP391 文献标识码：A

文章编号：1009-3044（2019）09-0176-03

Abstract： According to the problem that accuracy of traditional traffic flow prediction methods is limited due to the nonlinear of traffic flow， a traffic speed prediction method based on conventional neural network is proposed. First， based on temporal continuity and spatial character of traffic speed of road， spatial-temporal matrix of traffic flow is constructed as the input of model. Then， combined with the nonlinear fitting ability of conventional neural network， and its conventional layers and pooling layers to extract the deep feature， the model is trained to predict the future traffic flow. Finally， evaluations using multiple indicators on prediction results of the proposed method show that it has certain accuracy and can effectively track trends of future traffic flow.

Key words： spatial-temporal matrix； conventional neural network； traffic speed prediction； deep learning； intelligent traffic

1引言

随着社会经济的发展，城市道路上私家车的数量猛烈剧增，逐渐超过现有路网所能承载的容量，造成交通拥堵。为缓解交通拥堵的現象，有两种解决方法。一种是通过拓宽道路或增加现有道路数量的方式来提高路网容量，然而这种修改道路规划的方法需要额外的土地和巨大的基础设施改造资金投入，在城市实施的可行性极低。另一种则是运用各种交通管制策略来提高路网的利用效率，如对道路短期交通流进行预测，辅助人们优化出行路线，进而缓解拥堵现象，可行性较高。精准实时的交通流预测对交通管制具有重要的意义，也因此成为智能交通系统（Intelligent transportation system，ITS）重要的一部分。

现有的短期交通流预测的方法主要可以分为两大类：参数方法和非参数方法。前者在数据呈现规律性变化时表现良好，如ARIMA系列的预测方法；后者如非参数的回归预测、人工神经网络（artificial neural network， ANN）、支持向量机（support vector machine， SVM）、卡尔曼滤波器（Kalman filter， KF）、组合算法等[1]。这些方法在交通领域预测上得到了大量应用，并收到一定成效。但由于交通流本身具有的非线性和随机性等特性，使传统预测方法的精度无法得到较大提升。近年来，人工智能和深度学习得到迅速发展，并在各个领域得到广泛应用。卷积神经网络（convolutional neural network， CNN）在2012年的ImageNet图像识别比赛中获得第一名[2]，并已成功地被应用在图像识别任务中。本文将结合交通流的时空特性，使用CNN来学习交通数据的内部规律，获得其深层的特征表示，进而对未来的交通流进行预测。

2数据来源

本文所使用的数据来源于对广州交通信息网站上实时路况的爬取，爬取时间范围从2018年5月10日到2018年6月23日，收集的数据内容主要为广州市重要道路的交通速度数据，每隔5min收集一次。本文研究对象为体育东路-冼村路北向南路段的道路交通速度。

3方法

3.1 交通流特性

在时间维度上，当前道路的交通速度是历史交通流状态的延续，因而道路速度的变化会随着时间呈现出一定的规律性。如图1所示为所研究道路的在一周内的交通速度变化趋势图，可以看到，周一到周五由于人们在特定时间段内有规律的出行如上班、上学等而存在明显的交通早高峰（morning peak hours）和晚高峰（evening peak hours）阶段，致使道路处于低速状态甚至造成堵塞，而在休息的夜间则恢复通畅的高速状态。周末两天则不存在明显的早高峰和晚高峰，道路速度维持在至少40km/h左右的状态。道路交通速度呈现的这种规律性将有助于我们使用交通历史数据来对未来的交通速度进行预测，本文将使用该道路预测时刻前20min（时间间隔为5min）的交通速度来预测实时的交通速度。

在空间地理位置上，由于交通路网的连通性道路与道路之间存在交叉路口，致使存在连通的道路的交通流会相互影响，且影响程度随着空间距离的增大而逐渐减弱[3]。仅考虑较小范围内空间上的影响，本文所研究道路拓扑图及车流方向如图2所示，与该道路存在交叉路口的道路有6条，每条横向道路存在的2个方向的车流都会对研究道路的交通造成影响。而由前文知当前交通速度受到历史交通速度的影响，进而与研究道路存在交叉路口的这12个方向当前车流速度及其历史交通数据也将会有助于研究道路未来交通速度的预测。

5 结论

本文根据道路交通速度在时间上的连续性和在空间上的关联性，通过分析来重构出交通速度不同预测时刻的时空矩阵作为模型的输入，并针对交通流具有的非线性和随机性选用了卷积神经网络作为预测模型。训练后的卷积神经网络虽然能够较好地抽取出交通流的深层时空特征，并正确拟合出未来交通速度的趋势，模型整体预测精度较高，但在早高峰时段的预测误差仍要稍高于日常其他时段。总体来说，仍然不失为一种实用且较精准的交通流预测方法。

参考文献：

[1]Zhao Z， Chen W， Wu X， et al. LSTM network： a deep learning approach for short-term traffic forecast[J]. IET Intelligent Transport Systems， 2017， 11（2）： 68-75.

[2]Krizhevsky A， Sutskever I， Hinton G E. Imagenet classification with deep convolutional neural networks[C]//Advances in neural information processing systems， 2012： 1097-1105.

[3]趙婷婷， 张毅， 周彧. 城市路网交通流的空间互相关性[J]]. 清华大学学报： 自然科学版，2011， 51（3）：313-317.

[4]LeCun Y， Bottou L， Bengio Y， et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE， 1998， 86（11）： 2278-2324.

[5]Kingma D P， Ba J. Adam： A method for stochastic optimization[J]. arXiv preprint arXiv：1412.6980， 2014.

[6]Srivastava N， Hinton G， Krizhevsky A， et al. Dropout： a simple way to prevent neural networks from overfitting[J]. The Journal of Machine Learning Research， 2014， 15（1）： 1929-1958.

【通联编辑：唐一东】