基于深度学习的路网短时交通流预测

叶津凌

摘要：随着智慧城市建设工作的推进，智慧交通作为智慧城市建设过程中十分关键的构成环节，其发展备受人们的关注和重视。对于智慧交通的践行而言，其中一个关键的内容就是走好交通流量的预测和评估。而且科学合理进行路网短时交通流的预测和评估，会对后续的交通控制以及相应诱导系统的构建产生积极影响，这也是目前我国在人工职能研究领域的核心关注点。本文在观点论述的过程中，基于深度学习理论出发，针对路网短时交通流的预测评估进行了观点的阐释和解读。

关键词：深度学习;路网;短时交通流预测和评估;分析研究

随着时代的进步和发展，在交通运行的过程中，重视路网短时交通流预测和分析十分关键。在路网短时交通流预测和评估上，有针对性的引入深度学习网络模型，对保障路网短时交通流预测和评估效果有积极作用。

一、交通流预测问题

所谓交通流预测，指的是通过进行历史交通数据的给定，针对接下来时间段相应交通数值进行针对性的评估和分析。数据驱动的交通预测问题在这些年来备受市场的关注。通过科学合理的进行交通流的预测与评估，能够实现对任何和交通相关的数据进行分析评估，了解交通进出量、交通流量等等相关信息，并可以对目标时间段内出租车的需求、出租车接送情况进行评估。通过科学合理进行交通流量的预测和评估，对有效进行交通运行状态的分析，制定相应的交通管控措施有积极帮助。

二、交通流预测的传统方式

在进行交通流预测的实现上，过去传统使用的是数学时间序列预测法，以及卡尔曼滤波法、自回归综合移动平均及其变体法等。这些早期的方式主要是针对独立位置交通时间序列进行预测。但是随着时代的进步和发展，在实现交通流预测的过程中，也开始引入对空间信息的综合考量和评估，同时在一些预测中也纳入了外部语境信息等。而且通过对既有的研究进行综合评估和分析，在既有的研究中也进行了不同技术的引入，基于此实现建模空间交互信息的构建。在既有的研究中，也有学者指出，可以基于正则化实现对历尽位置以及时间点预测差异的出色平滑，基于此科学合理完成对近距离空间以及时间依赖关系的解读。在这些研究中，其强调周边应该有类似的交通环境和状况。通过研究，证实了通过一些附加因素能够确保有出色的预测成效。但是既有的方式更多是立足传统时间序列或是机器学习模型进行观点的阐释，难以对一些相对复杂的非线性时空依赖关系作出出色的解读。

三、深度学习方法

深度学习方法的提出是随着技术发展提出的一种全新的学习方法。当前，在很多有较高挑战难度和复杂性的学习任务践行上，深度学习取得了突出的应用。基于深度學习方法的引入，促使研究人员能够针对一些复杂非线性关系进行针对性的模型构建，而且当前无论是从计算机视觉还是从自然语言处理等多方面视角来说，通过研发工作的不断深入，能够实现深度学习技术到具体交通预测问题的落地。比如通过一些研究完成城市交通模型的构建，并引入热图图像应用，在具体的呈现上，可以将目标时间段的交通量看作是像素值在地图中进行针对性的凸显。也可以进行历史交通图像的给定，通过模型实现对接下来时间戳交通图像的预测和分析。在具体的实现上，针对一些非线性空间依赖关系的建模，主要是借助卷积神经网络方式实现。比如在神经网络框架的设计上，利用多来源上下文数据完成相应设计，基于该设计实现对出租车供需缺口的预测和评估。在该方式的利用上，其特征十分广泛，但是在建模实现上，没有围绕时空交互进行针对性的建模。

通过研究可知，引入CNN，可以实现在空间相关性的捕捉上，图像使用的是城市的交通。比如我们可以借助CNN实现交通速度图像进行相应速度预测。在研究过程中，明确强调在交通流图像上可以引入残差CNN。这些方式都可以确保能够轻松简单的实现对城市CNN的使用，而且在预测上，可以将所有地区都纳入到预测范畴。我们可以了解到，在进行目标区域预测的过程中，若是在实现上，将一些不相关区域纳入其中，可能会对预测的效果产生负面、消极影响。而且在应用上，虽然所有引入的方式能够确保我们在预测的过程中，可以借助历史时间戳流量图像完成，但是在进行模型构建上，其并非是显式的完成时间顺序依赖关系完成模型构建。

在进行顺序依赖关系模型构建上，也有学者提出了LSTM方式。通过这种方式进行模型构建，能够对一些极端情况下的交通顺序依赖关系进行针对性的评估和预测。尤其是在有较高交通流量时段，或是事故后场景的预测和评估上，这种方式有出色的应用意义。在具体实现上，第一行研究主要是将一些完全连阶层堆叠在一起，在过程中，可以将不同来源的上下文数据融合在一起，基于此对交通需求以及出租车的需求情况等进行综合的评估和预测。采取该方式进行预测其特性十分广泛，但是没有做到显式的进行空间以及时间交互关系建模。第二行研究在进行交通流预测的空间相关性实现上，则是基于卷积结构达成。第三行的则是基于递归神经网络模型对顺序依赖关系来完成相应模型构建。

在既有的研究中，针对出租车需求预测的时空依赖性问题解决，也有学者基于卷积LSTM达成。在研究中，学者认为，在进行需求预测的实现上，可以引入多视图时空网络实现。在网络的践行上，其同时实现LSTM、local-CNN和语义网络的嵌入，在过程中也对时空依赖性进行针对性的学习。

四、结论

本文在观点论述的过程中，就交通预测问题展开了深入的探讨和论述，同时在研究中，针对当前我国在交通预测实现上的传统方式以及深度学习方式进行了综合分析。实施上，在进行一些非线性模型的构建上，深度学习方式能够具备更出色的建模效果。未来，我们在进行交通流预测工作践行上，可以充分借助深度学习来实现神经网络的优化布局，不断推动相应性能的优化和改进，确保在进行交通流预测的实现上，有更短的耗时，也有更少的资源耗费，基于此确保在预测工作践行上，有更高的预测精准性。

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]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.

[3]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.

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）