基于深度学习的路网短时交通流预测

柴葳崴

（西安铁路职业技术学院,西安 710014）

1 引言

随着当前我国社会经济的不断发展，城市中铁路线路、公路数量也在不断地增加，在这种情况下，引发了很多的问题。例如，交通污染、交通堵塞等等，严重的危害着人们的日常生活。近年来，智能交通系统逐渐的产生和优化，有效的缓解了道路交通问题，并为外出者提供了很多可行的策略。智能交通系统是交通管理的中心，它能够给出行者提出不同的交通路径，并且给出相应的出行服务、出行时间等信息。实时、准确性的路网交通流预测，有效的提高了路网运行的安全性和运行效率。新时期下，有必要利用一些科学、有效的方法对路网交通流量做出准确的预测，以更好的解决目前道路交通中所存在的问题。

2 深度学习的涵义

很长时间以来，人们就一直在致力于研究神经网络，力求将神经系统和视觉系统相联系，不断地促进二者之间的融合。从传统的机器学习和信息处理技术来看，它们中仅仅包含着单个的非线性特征转换。其中，影响较大的是条件随机域、SVM模型以及一个隐含层的多层感知器。从它们之间的特征来看,基本上知识从原始的输入信号到一个特定空间的转换体系。关于人们的一些信息处理机制要从丰富的感知输入入手，从中提取出复杂的结构以及相应的内部表示。深度学习结构可以说是一个多层感知器，在其中包含了多隐含层。通过不断的学习，能够学习到深层次的非线性网络结构，从而来一步一步的逼近较为复杂的函数。

3 DBN-SVR路网短时交通流预测模型

3.1 DBN模型

DBM模型是一个含有三个隐含层的网络模型结构，通过三个RBM模型之间进行叠加，可以形成一个DBM模型。从RBM模型来看，其训练的过程基本上是属于无监督的训练阶段过程的，因此，DBM模型的训练过程也可以说是无监督的。

（1）逐层无监督学习。在这一过程中，需要首先训练第一个RBM，并且输入一些原始性的数据以及这个RBM的固定的参数，然后再将第一个RBM的输出作为第二个的输入，以此来推，通过这些方法来对所有的层进行训练，就可以得到一个多层DBN模型。

（2）有监督的微调。微调过程是指在将整个DBN网络模型实现训练之后，可以在模型的顶层连接一个较为合适的预测器，通过采用梯度下降的算法来微调网络权值矩阵，在误差反向传播中就会导致RBM参数发生一些轻微的变化，但是从整个模型来看，其影响力不够大。

3.2 支持向量回归

支持向量是一种学习性的算法，主要是从统计学理论着眼的，它能够有效的根据样本的数据来计算出模型的复杂程度，在复杂程度和学习能力之间寻求平衡。SVM模型具有自我学习自我调整的特点，其能够很好的进行函数拟合，并广泛的运用于函数拟合回归预测之中，同时，也能够得到良好的预测效果。从总体上来看，交通流数据是一种复杂的、随机的非平稳时间序列。在本文的研究和分析中，我们采用SVR作为短时交通流预测模型的预测器。SVR是一项具备非线性前馈的网络，其能够有效的对时间序列进行预测性的处理。

3.3 DBN-SVR路网短时交通流预测模型

由于在不同的路段中交通流具有时间和空间上的联系性，因此，可以设所预测的模型输入数据，并由此能够进一步的得出在任意一个路段中交通流预测值。具体的交通流预测算法的流程基本上如下所示：

（1）根据交通流数据的相关特征，构造出输入数据；

（2）对交通流数据集进行预处理从而能够有效的得到残差量；

（3）将残差量作为DBN网络模型输入进行特征学习，得到交通流特征；

（4）将交通流特征作为输入项，根据交通流预测公式，通过利用SVR预测模型来对流量进行很好的预测；

（5）还原原始交通流数据，从而得出实际的交通流预测值。

4 交通流时空特性分析

在一段时间之内，交通流数据可能会在时间和空间上表现出相关性和一些差异性的特征，因此，可以从这两方面对铁路交通流特性进行分析。

4.1 交通流在时间上的特性

从时间上来看，交通流数据在一段时间内存在着很强的规律性，并且能够呈现出趋势性的信息和特征。从总体上来看，周与周之间的交通流数据有着一定的相似性，而周末和非周末之间又存在着很大的差异性。经过相关的数据佐证，可以发现，交通流数据在周末两天流量分布状态基本上是相同的，和非周末的数据之间存在着明显的不同，在非周末明显的从早晚高峰变成了单峰值。

4.2 交通流在空间上的特性

交通流系统是动态和复杂的，在路网之间各个路段之间的交通流是彼此联系的，其间存在着很大的关联性。对所有路网的所有路段进行分组，在分组完成之后，要选择出适当的值。在选择最优压缩矩阵时，要充分的根据预测的相关误差以及在期间运行的时间来进行确定。

总之，可以得出这样的一个结论：交通流数据在一定的时间内其具有很强的规律性，并且在不同的周期内其又存在着很大的差异性。此外，不同的路段之间交通流是有相关性的，在研究的过程中，要充分的根据路段之间的相关性程度来对路段进行分组，以更好的实现对路网数据进行有效的压缩，从而减少预测的难度，更好的提高运行的效率。

5 结语

从目前的铁路运输来看，其所面临的交通问题较多，严重的影响到了人们的工作和生活。将DBN模型运用于交通流预测中，可以有效的提高预测的准确性，保证预测的效果，为人们提供更加恰当的出行信息，从而更有效的保证人们的日常生活，为人们带来更多的便捷。

[1]褚鹏宇.融合时空信息的短时交通流预测[D].西南交通大学,2016.

[2]吴凡.基于短时交通流预测的城市区域交通信号控制研究[D].南京理工大学,2016.

[3]姚智胜.基于实时数据的道路网短时交通流预测理论与方法研究[D].北京交通大学,2007.