基于深度卷积神经网络的交通流量预测数学模型设计

刘红敏

摘  要： 精确的交通流量预测是实现未来智能交通的关键技术。神经网络模型在该领域的预测方面具有一定的优势。因此，为了提高预测精度，设计一种基于深度卷积神经网络的交通流量预测数学模型。首先，对交通流量数据的预处理方法进行分析，然后结合特征训练过程和卷积神经网络构建深度神经网络结构，并给出深度神经网络的配置参数。利用美国明尼苏达大学UMD分校的交通流数据集进行仿真实验，结果表明，提出的模型可以对短时交通全局趋势进行预测，并具有较好的稳定性和预测精度。

关键词： 交通流量预测; 智能交通; 数学模型; 深度神经网络; 预测精度; 仿真实验

中图分类号： TN99?34                          文献标识码： A                           文章编号： 1004?373X（2019）13?0110?03

Design of traffic flow prediction Mathematical model based on

deep convolutional neural network

LIU Hongmin

（Guangzhou  University  Sontan  College， Guangzhou 511370， China）

Abstract： Accurate traffic flow prediction is a key technology for realizing intelligent transportation in the future. Neural network models have certain advantages in the prediction of this field. Therefore， in order to improve the prediction accuracy， a traffic flow prediction mathematical model based on deep convolutional neural network is designed. The preprocessing method of traffic flow data is analyzed. The deep neural network structure is constructed by combining feature training process and convolutional neural network. The configuration parameters of deep neural network are given in this paper. The simulation experiments were carried out with the traffic flow dataset of the UMD Branch， University of Minnesota. The results show that the proposed model can predict the short?term global traffic trend， and has good stability and prediction accuracy.

Keywords： traffic flow prediction; intelligent transportation; prediction methematical model; deep neural network; prediction accuracy; simulation experiment

0  引  言

随着我国经济的不断发展，人们的生活水平不断提高，汽车已经逐步走进了每一个家庭。汽车作为一种现代化的交通工具，已经成为人们生活和工作中不可或缺的重要组成部分。社会对汽车的依赖程度也逐年加深，导致机动车的数量出现了快速增长。伴随而来的是日益严重的环境问题和交通拥堵问题。

为了解决以上问题，相关部门和专家提出许多应对方案，例如增加交通基础建设、减少机动车数量、单双号机动车限行等。但是以上方案均会增加社会经济负担，并且只能是权宜之计，无法从根本上解决问题。随着人工智能技术的火热发展，未来智能交通系统成为一种更加可行、有效的选择。智能交通系统是一种结合先进信息科学技术的交通运输管理系统，能够有效地缓解交通拥堵，减少能耗，有利于实现绿色交通出行。实现未来智能交通系统的关键技术之一就是精确的交通流量预测。

因此，本文将深度卷积神经网络运用于智能交通，提出一种基于深度卷积神经网络的交通流量预测数学模型。交通流数据集DataSet1（预处理后）上的仿真实验结果表明，相比其他人工智能学习模型，如BP神經网络模型和支持向量机模型，深度卷积神经网络模型对短时交通流量的预测具有较好的效果，且具有较好的全局收敛性。

1  相关研究现状分析

针对交通流量预测问题，现有的研究方法可以分为三大类：长期预测、中期预测和短期预测。其中，时间长度为5～10 min的短时预测在智能交通系统中扮演着十分重要的角色。

目前，文献[1]提出一种基于BP神经网络在交通事故预测的方法，通过使用自适应学习和附加动量因子对BP神经网络进行改进。文献[2]提出一种基于混合支持向量机的城市短时交通预测方法，充分利用支持向量机良好的泛化能力、全局最优和较强自适应性的特点[3]。但是交通流数据通常具有明显的非线性、不确定性和时空相关性，因此现有方法在处理短时预测时仍不满足需求，存在准确率不稳定的问题。

深度学习算法已经成为一个十分热门的研究领域[4?5]。学习算法的主要目的是自动将数据转换为更简单的形式，以便于在构建分类时提取有用的信息。因此，不少文献采用深度神经网络结构实现智能识别或预测[6]。本文提出运用深度卷积神经网络来解决短时交通流量预测难度较大的问题。

2  交通流量数据预处理

假设一个长度为[n]的交通流数据序列为[x=][{xii=1，2，…，n}]，则相空间重构后的时间序列为：

3  深度神经网络模型

深度学习算法是一种特殊的表示算法，它使用神经网络来发现多层次特征，从而表达数据抽象概念。图1描述了本文提出的深度神经网络结构。该深度神经网络有5层，每一层的节点数量如图1所示。全部20个特征输入到输入层。在最后一层，运用Soft?max函数生成概率度量。度量中具有最高数值的结果将被选作最终预测结果。

图1  深度神经网络结构

3.1  特征訓练过程

采用稀疏自动编码机实现非监督特征训练过程，以便进行深度神经网络结构中的卷积操作。稀疏自动编码机的稀疏约束过程中散度惩罚因子的计算方式为：

3.2  深度神经网络配置参数

本文将负对数似然函数作为成本函数，并采用学习率为0.01的随机梯度下降方法。训练过程中根据数据集大小设定批量大小为50，并且每50个特征输入更新一次网络权值。深度神经网络配置参数如表1所示。

表1  深度神经网络配置参数

4  实验结果与分析

4.1  实验环境

实验仿真环境为：Windows 7，Intel[?] CoreTM i7 CPU （3.00 GHz），8 GB内存， Matlab R2014a。实验数据采用美国明尼苏达大学UMD分校的交通流数据集，具体使用数据集DataSet1，包含1 440组数据。

4.2  实验评价指标

4.3  预测结果分析

分别采用BP神经网络模型、支持向量机模型和本文深度卷积神经网络模型在数据集DataSet1上运行10次，并取平均值作为最终预测结果，最终的预测性能结果如表2所示。

表2  数据集DataSet1的预测性能结果

由表2可以总结出，相比BP神经网络模型[1]和支持向量机模型[2]，深度卷积神经网络模型预测精度更高。数据集DataSet1均为时间间隔5 min样本。因此说明提出的深度卷积神经网络模型在短时交通流预测上是有效的。此外，深度卷积神经网络模型的10次运行结果波动较小，即预测更稳定。

5  结  论

本文提出一种基于深度卷积神经网络的交通流量预测数学模型。对预处理后的交通流数据集进行仿真实验，得出如下结论：深度卷积神经网络模型在短时交通流预测上是有效的;相比BP神经网络模型和支持向量机模型，深度卷积神经网络模型预测更稳定，精度也更高，充分表明该数学模型可以满足实时交通流预测的需要。

参考文献

[1] 陈海龙，彭伟.改进BP神经网络在交通事故预测中的研究[J]. 华东师范大学学报（自然科学版），2017（2）：61?68.

CHEN Hailong， PENG Wei. Research on improved BP neural network in traffic accident prediction [J]. Journal of East China Normal University （Natural science）， 2017（2）： 61?68.

[2] 欧阳俊，陆锋，刘兴权，等.基于多核混合支持向量机的城市短时交通预测[J].中国图象图形学报，2018，15（11）：1688?1695.

OUYANG Jun， LU Feng， LIU Xingquan， et al. Urban short?term traffic prediction based on multi?core hybrid support vector machine [J]. Journal of image and graphics， 2018， 15（11）： 1688?1695.

[3] YIN Y， WANG X， BAI M. Online state?based structured SVM combined with incremental PCA for robust visual tracking [J]. IEEE transactions on cybernetics， 2017， 45（9）： 1988?2000.

[4] ZHENG 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.

[5] SAMEK W， BINDER A， MONTAVON G， et al. Evaluating the visualization of what a deep neural network has learned [J]. IEEE transactions on neural networks & learning systems， 2017， 28（11）： 2660?2673.

[6] LI J， MEI X， PROKHOROV D. Deep neural network for structural prediction and lane detection in traffic scene [J]. IEEE transactions on neural networks & learning systems， 2017， 28（3）： 690?703.

[7] 鲍婷婷，陈建良.交通预测信息对路网流量演化稳定性影响分析[J].公路交通科技，2017，34（7）：121?129.

BAO Tingting， CHEN Jianliang. Analysis of impact of traffic prediction information on evolution of road network traffic [J]. Journal of highway and transportation research and development， 2017， 34（7）： 121?129.

[8] XI C， LEI P， ZHANG M， et al. A public traffic demand forecast method based on computational experiments [J]. IEEE transactions on intelligent transportation systems， 2017， 18（4）： 984?995.

[9] 景鹏，徐海彬，杜年茂，等.基于.NET框架的交通预测监控系统设计[J].电子技术与软件工程，2017（22）：253.

JING Peng， XU Haibin， DU Nianmao， et al. Design of traffic prediction and monitoring system based on .NET framework [J]. Electronic technology and software engineering， 2017（22）： 253.

[10] SHAO Yinchi，MU Yunfei，，YU Xiaodan，DONG Xiaohong， et al. A spatial?temporal charging load forecast and impact analysis method for distribution network using EVs?traffic?distribution model [J]. Proceedings of the CSEE， 2017， 37（18）： 5207?5219.