考虑突发事件影响下的路网交通量预测方法研究

2023-09-21缪荣辉

交通科技与管理 2023年17期

缪荣辉

（福建高速路桥建设发展有限公司,福建厦门 361001）

0 引言

随着公路路网密度的不断增大，公路突发事件愈发频繁，对道路的正常运行管理提出了严峻挑战。为了及时准确地掌握突发事件对交通流量的影响，准确的时间序列预测和不确定性的可靠估计是非常必要的，这对道路通行状况异常的上报处理、合理调配资源、做出正确的规划方案等都至关重要。

交通流量预测短期和中长期交通流量预测两类，短时交通流量通常是指5 到15 分钟的流量预测。交通量的预测本身是一个时间序列的问题[1-2]，因此，在早期的交通量模型预测中，时间序列模型在交通量预测研究领域应用较为广泛[3-4]，其中应用较多的是滑动平均模型（ARIMA），该模型经提出后在交通量预测统计方面取得了显著成效[5-7]，后续的研究学者也在该模型的基础上[8-10]，不断进行了相应的扩展和优化。但局限于模型的参数特性，使得该模型在面对越来越复杂的交通流问题和随机性问题上，难以满足预测精度要求。

一般而言，可以用三个参数定量地描述交通状况：交通流量、交通速度和交通密度。这三个参数的结合能够准确地反映出智能交通系统对交通控制以及调度的表现情况。为了在模型的训练和预测中能够捕捉到时间序列特征，记忆并存储以往的信息，引入了循环神经网络来解决交通序列问题，通过学习复杂的时空内部特征，将前几个隐藏层数据作为当前的数据来源，从而使模型在学习和训练的过程中完整地保存了历史数据。

然而，使用神经网络模型来预测交通流量中的突发状况仍然是一个较难解决的问题，因此，该文提出了一种考虑端到端的时间序列预测模型架构，并使用贝叶斯神经网络（BNN）来量化预测突发事件的发生，进一步用于大规模路网交通量的异常检测。

1 模型的建立

该文在贝叶斯神经网络的构建中引入了权重参数的概念，以完成拟合最优的后验分布，这个过程通常被称为传统贝叶斯模型中的后验推断。然而，由于深度学习模型中复杂的非线性和非共轭性关系，精确的后验推断很难实现，此外，大多数用于近似贝叶斯推理的传统算法也无法扩展到大多数神经网络参数优化中去，因此，需要针对不同的情况来调整参数以完成算法的优化。

算法的大致思路是在原有长短期记忆模型（LSTM）的基础上，不改变原有架构，在每个隐藏层后添加随机丢弃程序，那么模型的输出结果可近似看作预测后生成的随机样本，模型不确定性就可以通过几次重复模型预测的样本方差来估计。

1.1 长短期记忆模型的建立

为了在模型的训练和预测中捕捉时间序列特征，使模型在学习和训练的过程中完整地保存历史数据，长短期记忆模型（LSTM）利用记忆单元来替代传统的隐藏单元用以克服梯度消失和爆炸的现象。记忆模型单元由输入门、遗忘门、输出门3 个门控单元组成。这些单元控制了隐藏函数的信息流，其中输入门控制隐藏信息流的传递，遗忘门可以决定当前存储的历史信息是否遗弃，输出门控制输出信息的向外传导。

交通量的时间序列定义为X=(x1,x2,…xt)，定义记忆单元隐藏向量M=(m1,m2,…mt)，记忆单元向量C=(c1,c2,…ct)，则遗忘门ft如下式所示：

式中，xt——当前交通量；mt-1——上层隐藏状态输入；ct-1——上层状态向量；σ——sigmoid 函数；Wfx、Wfm、Wfc——权重矩阵；bf——偏置向量。

将当前交通量xt、上层隐藏状态输入mt-1、上层状态向量ct-1共同作为当前的输入层，输入门it如下所示：

式中，Wix、Wim、Wic——均代表权重矩阵；bi——偏置向量。

计算此刻的状态向量ct为：

式中，bc——偏置向量。

将当前交通量xt、上层隐藏状态输入mt-1、上层状态向量ct共同作为当前的输入层，在输出门中，通过sigmoid 函数激活当前输入，输出门ot如下式所示：

式中，Wox、Wom、Woc——代表权重矩阵；bo——偏置向量。

由输出门ot和状态向量ct作为隐藏状态的输入，通过tanh激活函数，可得到隐藏状态向量mt如下式所示：

式中，ot——输出向量。

1.2 模型不确定性预测

首先，用函数fw(·)表征一个神经网络结构，其中w表征模型参数的集合，为了评估模型的不确定性，需要量化预测标准误差η，则近似α水平的预测区间如下式所示：

式中，zα/2——标准法线的α/2 上分位数。

在贝叶斯神经网络中，为权重参数引入了先验，在给定一个数据点x后，将后验分布进行边缘化处理，可以得到预测分布概率p：

然后通过预测分布的方差量化预测的不确定性，可以使用总方差定律进一步分解：

即方差被分为了两份，其中，E——方差；Var()——模型不确定性；σ2——固有噪声。

1.3 模型架构设计

该文神经网络的完整架构包含两个主要组件：一个编码－解码器框架，用于捕获时间序列中的固有模式，另一个是预测网络，从编码－解码器框架中获取输入指标和外部特征来指导预测结果。

在模型拟合前，首先进行模型的预训练，拟合出一个可从时间序列中提取有效数据的编码器，以确保输入的参数可提供有效信息，并将异常数据信息传播到预测网络中。

具体设计步骤如下：给定一个单变量时间序列{xt}，编码器读取前t个时间戳{x1,...,xt}构造一个固定维度的状态向量，之后解码器根据该状态向量构造f个时间戳数据{xt, ...,xt+f}；为了构建此时间戳，状态向量必须从输入的时间序列中提取有效信息；编码－解码器在经过预训练后，可视为一个能从时间序列中提取关键特征的黑盒，当编码器的最后一个LSTM 单元状态被提取为状态向量后，预测神经网络将以该状态向量作为特征来预测接下来几个时间段的数据，并以此传递到最终的网络结构中。网络结构图如图1 所示。

图1 神经网络架构图

2 结果验证与分析

该文模型由两层LSTM 单元构成，网络结构分别包含128 和32 个隐状态。预测神经网络由3 个全连接层组成，分别包含128、64 和16 个隐藏单元。输入样本通过滑动窗口来构成，在对模型参数进行了反复测试及优化后，确定了预测网络的最佳参数。测试平台搭建在Windows10 操作系统中，环境配置为Python 3.6，模型参数如下：迭代步数设置为85 步，学习率设置为0.000 1。最后，将传统的LSTM 预测模型与该文改进后的预估突发事件不确定性的神经网络对比验证算法的训练效果，以某段城市快速路部分统计数据作为训练集，分别对未来10 min 和20 min 交通量进行预测，预测训练结果如图2~3 所示。