基于深度学习的短时交通流量预测

(沈阳理工大学 辽宁 沈阳 110159)

目前，在交通流量预测方面，普遍的流量预测方法是依赖于统计学方法进行的，根据统计学进行预测的方法主要有根据概率预测、回归预测以及根据时序预测等等。这些早期的预测算法预测能力较低，鲁棒性差，执行效果不稳定，所以预测的结果没有十分理想。

本研究基于深度学习搭建合适的深度学习预测模型，使用这种方法提取有效的特征进行预测，调整参数，得到最佳结果。

一、深度学习模型设计

(一)交通流量时间特征的提取

长短期记忆网络主要依靠几个“门”来完成提取特征的功能。首先是“遗忘门”，长短期记忆网络第一步就是决定哪些信息被遗忘，决定保存哪一部分合理的特征信息，接着就是决定什么信息应该保存，那就是“输入门”和状态Ct，最后是“输出门”决定要输出什么，这个输出是由神经元状态决定的，并且有一个滤波器。

(二)交通流量空间特征的提取

对于交通流量来说，研究周边的交通流量对研究点的影响也是非常必要的。卷积神经网络可以一维空间网络也可以是二维空间网络，是一种前馈神经网络，是有监督的训练，本质上是一种从输入到输出的映射，能够实现大量数据的从输入到输出的映射关系，并且不需要十分精准的数学表达式，只需要用已知的模式对大量的数据进行训练，网络就拥有从输入到输出的映射功能，并且提取数据某个状态的特征。经典的卷积神经网络结构包括：卷积层，降采样层，全连接层。

本文为了对应短期的交通流量预测，所以只采用卷积层和全连接层来提取空间特征，不使用降采样层对数据的规模进行缩减。

(三)交通流量数字特征的提取

交通流量的本身就是大量数字组成的，所以研究交通流量本身的数字特征是非常必要的。自编码的目的是让他的输出尽量和输入一致，在输出尽可能复现输入的过程中，关注中间隐藏层的映射关系，从而提取输入的交通流量的数据的特征。中间的过程分别叫做编码和解码，编码和解码的变化过程都是线性变化和非线性激活。

本实验使用自编码网络提取交通流量数据的数字本身特征，从输入层到输出层的映射过程中提取特征h，逐步调整权重(Wi)和偏置量(bi)，使得整个网络尽可能拟合训练数据。

二、基于深度学习的短时交通流量预测模型和实验

本实验采用英国伦敦环城高速公路的交通流量数据集，共21个观测点，124000条数据作为实验中的训练集和测试集，根据公式(1)和公式(2)对平均绝对误差(MAE)以及均方误差(MSE)来测试模型的性能。

(1)

(2)

其中，fi表示预测值，yi表示真实值。结果如表所示。

预测方法平均绝对误差(MAE)均方误差(MSE)LSTM0.170.22LSTM+CNN0.0730.16LSTM+SAE0.120.22LSTM+CNN+SAE0.0450.05

从实验数据可以看出，单使用长短期记忆网络提取的特征来预测交通流量的绝对误差和均方误差比较高，而且提取的特征相对单一。使用长短期以及网络和卷积神经网络或者自编码网络结合，改善了提取特征的单一性，从表中可以看出增加了一种特征可以使误差有所降低。使用本文提出的三种网络相结合，得到三种交通流量特征来预测下一时刻的交通流量，误差可以达到最低。由此可以看出，本文提出的短期交通流量预测的方法是可行的，而且模型的性能良好。

三、总结

本文提出使用深度学习的方法进行短期交通流量预测，使用三种深度学习的方法进行交通流量特征提取，最后进行特征融合，使用英国高速公路的流量进行结果验证，对比使用较少特征进行流量预测的结果，结果显示本文提出的方法对交通流量预测的结果准确性有所提高。目前使用三种特征提取来预测交通流量，未来可以探索更多的特征提取方法，来进一步提升准确度。