基于深度学习的短时交通流预测研究

叶津凌

摘要：随着时代的进步和发展，当前我国家庭机动车的保有量也实现了针对性的提升。在这种情况下，由于城市交通的飞速发展，越来越多的机动车投入使用，导致我国也有越来越高的交通事故发生概率，空气污染的程度不断加剧。在交通发展的过程中，引入基于深度学习的短时交通流预测分析，对我们更好了解短时交通流量，并结合交通流量科学合理进行交通情况的评估和预测起到了积极帮助。

关键词：深度学习;短时交通流;预测研究和分析

在当前的交通流预测过程中，为了更好的评估交通流量情况，引入先进的技术和理念，科学合理进行交通流量的评估和分析十分關键。本文在观点探讨的过程中，引入深度学习模型，就基于深度学习的短时交通流预测进行了观点的探讨和论述。

一、基于深度学习的短时交通流预测模型构建

在进行短时交通流预测的额实现上，对于评估模型的构建，要明确模型构建的目标，以及模型在预测工作开展上，使用的核心评价指标。结合本文设定的模型，在进行相应评价指标的设定上，需要针对目标时间范畴内获取的预测结果进行精准的标准，通过预测值以及实际检测结果的比对，了解到模型在短时交通流量预测方面的预测效果。在完成了相应评价指标的设定后，需要进行模型的针对性构建。一般来说，神经网络模型本身在应用上，其非线性关系映射能力十分突出为此在进行数据的徐莲实现上，若是有相同的输入以及输出个数，那么此时由于隐含层本身有不同呢的单元数量，这样也会导致最终获取的权阙值存在较大的差异。这种情况下，模型在应用上，其就会有较大的差异存在。本文在模型的构建上，需要就不同路段短时交通流量情况进行全面综合的额考量和评估，了解到不同路段交通流量之间的彼此关系。在进行模型样本的构建上，使用的是历史交通流量数据，同时基于观测点的个数分析完成相应数据的生成。在进行数据的分类上，主要包括训练以及预测两类不同的数据。

（一）基于实验数据实现位置对应路况的获取

在进行实验数据采集上，选择是2020.1-2021.1月期间某路段的交通流量数据。所有数据信息的获取结合短时交通流预测数据实现。在进行相应数据的筛选上，要求所有数据必须有精准的来源，对于交通流量信息的记录要准确到秒。

（二）处理实验数据

在实验数据的处理，考虑到筛选的路段为城市核心路段，在该路段的周边，分布的主要是小区以及大学城等。为此在该路段的车流量表现，早晚有较高的车流量。另外，在该路段中，其有相对齐全的交通流量数据信息，为此在进行相应实验数据的处理上，主要是基于“训练—输入”、“训练—输出”、“测试—输入”、“测试—输出”四种类型来完成相应数据的汇总和分类。

二、仿真分析

在实现基于深度学习的短时交通流量预测模型应用上，完成模型构建后，还要始终完成构建的模型进行仿真模拟分析，了解所构建的模型是否能够真正契合具体的使用需求。通过仿真模拟，也可以了解模型在具体应用中存在的问题和不足，并针对存在的问题和不足进行相应的修正，促使模型能够更契合短时交通流量预测的目标。具体来说，在仿真分析实现上，相应的操作对策是：

（一）神经网络结构以及对应参数的设置

对于输入层的神经元设置而言，在进行数据处理和分析上，结合数据处理工作的要求，在矩阵的规划上，使用的是的输入类的数据。基于分析和探讨，在进行神经网络输入层对应的神经元设定上，最终设定的是5。

在隐藏层的神经元规划上，考虑到不同隐藏层节点数量一般会对神经网络预测的精度和准确性产生较大的影响。所以在规划上，若是有太少的节点数设置，则无法最终获取的结果有较高的精准性。若是在过程中设定了过多的节点数量，会导致在神经网络模型使用上，陷入到过拟合的情况。所以为了确保上述情况不会发生，一般在进行计算上，将最优隐藏层的神经元数量设定是12。在进行所有数据的类别划分上，将其分为训练数据、验证数据以及测试数据三类。

在相应的参数信息设定上，本文在进行参数获取上，使用的算法为LM。在进行具体的计算上，将学习率设定是0.1，同时在过程中，对于最大迭代次数epoch，将其设定为1000，对于整个参数信息的设定而言，要求精度至少可以满足0.000000001。

（二）预测结果分析

在使用仿真模拟进行预测实现上，若是适当进行隐藏层节点数量的增加，可以确保在训练的过程中，有更少的训练误差。本文在进行分析上，设定的隐藏层数量是12，在这种情况下进行针对性的训练，最终获取的结果有较小的训练误差，而且在具体的训练实现桑，其有较快的收敛速度。通过本文的数据训练，最终获取的训练及数据能够出色对模型具体的运行情况作出科学的评估和解读，而且在进行预测实现上，共计进行了连续11次到了预测。并对每次训练获取的结果进行综合分析和比对。通过训练可知，本文最终获取的样本输出误差保持在恒定的状态，不再有减小表现，甚至在后续几次训练中，最终获取的结果误差有明显的增加表现。最佳结果获取是通过第五次训练达成的。

综合对预测结果的评估分析可知，通过本文设定的模型进行样本数据信息的分析和评估，样本的误差曲线以及测试样本的误差曲线走势都是慢慢下降的，呈现良好的相关性，并且达到了一个合适的目标误差。

三、总结

随着技术的升级和发展，基于深度学习的模型构建能够满足短时交通流量预测的需求。在本文构建的模型应用上，其能够契合当前短时交通流量预测需求，在预测工作实现上有相对较小的误差，有较好的预测效果。

参考文献

[1]陶璐. 基于深度学习的路网短时交通流预测研究[D].北京交通大学，2021.

[2]李莹，李晓霞.基于深度学习的短时交通流预测[J].公路工程，2021，46（03）：314-319.DOI：10.19782/j.cnki.1674-0610.2021.03.048.

[3]马晨敏. 基于深度学习的短时交通流量预测模型研究[D].南京信息工程大学，2021.DOI：10.27248/d.cnki.gnjqc.2021.000140.

[4]李海涛. 基于深度学习的交通流运行风险评估方法研究[D].吉林大学，2021.DOI：10.27162/d.cnki.gjlin.2021.002783.

[5]房崇鑫. 基于深度学习的短时交通流预测及其路径诱导的研究与实现[D].扬州大学，2021.DOI：10.27441/d.cnki.gyzdu.2021.001789.

基金资助：江西省教育厅科学技术研究项目（项目名称：基于深度学习的交通流时间序列模型构建与应用，项目编号：GJJ204604）