面向CIM 和动态交通分析的多源异构数据融合技术研究

王志成，张玉一，巴天星，常燕燕

（沈阳市规划设计研究院有限公司，辽宁沈阳 110004）

良好的交通状况以及有效的交通管理方案，对城市功能的多样化与良性协同发展具有重要意义。随着理论技术的不断发展，智慧交通系统可以识别出拥堵路段并指挥城市交通。优异的交通指挥系统可以协助城市交通部门对道路进行管控，避免拥堵，从而提升出行效率[1-4]。

实时性是交通流最典型的特征，通常可以使用预测手段对道路进行指挥和疏导。目前最常用的方法就是利用安装在路口的摄像头采集图像数据，或在地面安装压力传感器获取交通流量、机动车辆驾驶速度以及道路占用率等信息，再通过计算推导对交通流量进行准确预测[5-6]。同时，部分地区的交通数据还会被做成API 接口开放至第三方地图软件,以引导人们的出行。虽然现阶段智能交通指挥系统的普及率较高，但由于交通流具有非线性、随机性与实时性等特点，传统的交通指挥系统大多仅能对少量指标进行分析，因此实时预测的准确性偏低。该文通过对多源数据进行异构与融合，做出准确预测，从而缓解城市交通的运行压力。

1 城市交通状况分析模型设计

1.1 多种类数据特征提取算法

长短时记忆时间循环神经（Long Short-Term Memory，LSTM）网络[7-9]是一种由循环神经网络（Recurrent Neural Network，RNN）演化而来的网络模型。该模型具备处理时间特征数据的能力，可以实现对带有时序特征数据的分析。RNN 模型依据时间展开的结构如图1 所示。

图1 RNN模型结构

在图1 中，RNN[10-12]可以展开为不同时间节点的输入。隐藏层函数的表达式如下：

输出层函数为：

其中，b和c为相应的偏置，f(·)为核函数。

由于RNN 网络在处理大规模数据序列时，会存在梯度消失的问题。因此LSTM 在结构层面对原模型进行了改进，即在RNN 的神经网络中增加了三个门单元。该文所采用的LSTM 结构如图2 所示。

图2 LSTM的网络结构

LSTM 的隐藏层由遗忘门、输入门及输出门组成。遗忘门能对内部神经元的状态信息进行传递，其输入为t-1 时刻的节点状态输出与当前时刻的数据，输出为：

其中，Wf和Uf为遗忘门输入权重值，bf为激活函数的偏置值，σ为Sigmoid 函数。

输入门则主要用来控制输入信息的数量，其由Sigmoid 函数和tanh 函数两部分组合而成。输入门的函数表达式为：

而tanh 函数的表达式为：

单元状态由遗忘门的输出与输入门的输入组成，其可表征为：

其中，⊙为同或逻辑运算。输出门用来传输控制信息，其与输入门具有相同的函数组成形式，如下所示：

因此在t时刻该文所采用LSTM 模型的输出为：

在单向的LSTM 网络中，模型数据仅应用了正向的数据流，但并未考虑逆向数据流。然而在对实际的交通流数据进行预测时，通常需要使用整个时间序列数据。正向与逆向的LSTM 网络分别可以训练t时刻前后的数据，因此将二者的网络相结合，进而得到双向LSTM（Bi-LSTM）网络，其结构如图3 所示。

图3 Bi-LSTM网络结构

1.2 基于DCNN的初始图像特征提取算法

由于该文使用的CIM 系统可以采集到实时的交通图像，而LSTM 算法为循环神经网络，其处理图像的能力较差。因此，使用深度卷积神经网络（Deep Convolutional Neural Networks，DCNN）对初始图像进行预训练，从而提取图像的全局特征。

深度卷积神经网络[13-15]在图像识别与特征提取领域具有较大优势，而DCNN 通过自主学习，能够对图像特征进行深层次的挖掘，网络的主要架构如图4所示。

图4 深度卷积神经网络的架构

图4 所示的深度卷积神经网络主要由输入层、卷积层、池化层、全连接层以及输出层组成。其中,输入层为CIM 系统实时采集到的图像数据，该层可以对原始图像进行预处理，从而保障输入图像的归一化。卷积层是深度卷积神经网络的核心计算单元，其包含有多种维度的卷积核，能够对图像特征进行深层次的提取。池化层通过压缩卷积层的输出数据，进而去除特征数据的重叠信息，因此被保留下来的部分即可以代表图像的本质特征，并提升算法的计算性能。而全连接层则将已完成的工作进行了整合，并将最终的特征数据映射至样本空间。

单层DCNN 的结构较为简单，对数据特征的提取并不准确，通常需要对DCNN 的卷积层进行合理的设置与安排。因此，文中使用多尺度的深度卷积神经网络完成图像的特征提取。多尺度的深度卷积神经网络由大尺寸及小尺寸的卷积核组成，大尺寸卷积核可以获得更佳的全局视野，而小尺寸卷积核则能得到更好的局部特征。

由上文可知，多尺度DCNN 获取图像特征需要多层合理的设置，但网络层数过多可能会导致计算资源消耗的急剧上升，网络性能也会发生不同程度的退化。因此,该文在多尺度DCNN 结构中加入了残差网络（Residual Network，ResNet）[16]，将浅层及深层的卷积层相连接，进而优化网络的整体性能。残差网络的结构如图5 所示。

图5 残差网络的结构

可以看到，通过残差模块的作用，输出数据能够综合浅层的输入与深层的输出。同时，与二维卷积层的互相融合还可以对时间维度特征进行更好的把握。因此,该文所采用残差模块可以定义为：

其中，xl-1是第l-1 层残差网络的输出，xl是第l层残差单元的输出，θl是第l层残差单元参数集合，F为残差函数的映射关系。传统ResNet 网络共有3 层，其结构如图6 所示。

图6 传统的ResNet网络

该文利用多尺度深度卷积神经网络对ResNet 进行改进，在原网络的基础上，在每层残差单元中加入了更多级的残差结构。改进后的ResNet 结构如图7所示。在经过第一层卷积后，经过第二子层时会有三个3×3 的卷积核，而这三个卷积核则可以感受到数据的所有特征信息，这样每个残差网络都能够得到不同尺度的数据特征。

图7 改进后的ResNet网络

综上所述，该文最终设计得到的残差卷积神经网络结构如图8 所示。

图8 残差卷积神经网络结构

1.3 算法模型设计

该文设计的算法总体模型如图9 所示。模型数据为多源数据，其中,多尺度DCNN 模型为图像特征的提取结构，模型的主要输入部分则为CIM 交通系统提供的城市实时交通流三维模型。而Bi-LSTM 结构为多源数据训练模型，多源数据包括时间、天气与路况信息等。使用全连接层对训练后的数据集进行分类，得到最终的数据标签，进而对城市交通情况进行综合分析，为后续管理措施的制定提供数据支撑。

图9 算法总体模型

2 实验与分析

2.1 实验环境搭建

为充分验证文中所提算法的有效性，实验使用某地区2015—2020 年的交通数据作为训练集，并将2021 年的数据作为验证集。多尺度DCNN 模型的输入数据为CIM 三维图像模型集，其可实时反映交通流的状态，并为LSTM 提供其他种类的多源数据。数据集的相关信息如表1 所示。实验使用Python3.6 对算法进行编写，相关软硬件的配置环境如表2 所示。

表1 数据集相关信息

表2 软硬件配置参数

2.2 算法测试

为了验证该文算法的可行性，根据编写的程序对其分类性能进行测试。实验测试指标选择了均方根误差（RMSE）和平均绝对值误差（MAE）进行无单位的数值计算，而对比算法选择了RNN、LSTM、CNN、SVM 和RF 算法。通过对训练集进行模型训练，并使用验证集对结果加以验证，实验结果如表3所示。

由表3 可知，该文算法的RMSE 和MAE 误差指标值分别为7.896 及4.259，与LSTM 原始算法相比误差降低了0.878 和0.955。同时也可以看到，CNN 处理及挖掘时间序列特征的能力较差，RMSE 和MAE的值较高；而传统算法例如RF 算法，在处理时间序列数据时则容易忽略时间特征。

除了使用LSTM 进行多源数据分析外，还使用多尺度DCNN 算法对CIM 三维图像进行处理。多尺度DCNN 可以从三维图像中获得车流的详细特征，因此还需要对该文所提出的多尺度DCNN 模型进行评价。评价指标为准确率、召回率以及F1 值，对比算法则为CNN、DCNN、ResNet、AlexNet 和ZFNet 算法。状态识别结果如表4 所示。

表4 交通状态识别结果

从表4 可以看出，该文算法对交通状态的识别准确率能够达到87%，证明其可以实现对交通三维图像的精准识别及处理。此外，相较于其他对比算法，该文算法的评价指标均为最优。

3 结束语

良好的交通指挥系统，对提升城市的出行效率，减少交通拥堵有着重要的意义。该文基于CIM 系统与多源数据提出了一种动态交通信息分析算法。该算法由多尺度DCNN 模型和Bi-LSTM 模型组成，通过对CIM 三维数据进行训练，进而获取实时的交通情况并获得相应的时序特征。实验测试证明，所提方法的图像识别性能与多源数据分类性能较为理想，具备可供工程应用的实时交通状态识别能力。