基于物联网和深度学习的智能城市交通管理系统

孙腊腊

(郑州城建职业学院,河南 郑州 450000)

0 引言

随着城市化进程的不断加快,城市交通问题日益严峻。交通拥堵、交通事故频发、环境污染等问题严重影响了城市居民的日常生活和城市经济的发展。传统的交通管理系统已经无法满足城市交通管理的需求,迫切需要开发新的智能交通管理系统来提高交通效率、保障交通安全、改善环境质量。

近年来,基于物联网(Internet of Things,IoT)[1-2]和深度学习[3-4]的智能城市交通管理系统引起了广泛关注。国际上,美国、欧盟等发达国家已经开展了相关研究,并取得了一系列成果。例如,美国加州大学伯克利分校开发了智能交通管理系统“Surtrac”,该系统可以利用物联网技术采集交通数据,并利用深度学习技术进行交通流预测和交通信号灯控制。国内研究人员也开展了相关研究,并取得了一定的进展。

为了推动智能交通管理水平,本文针对城市交通管理问题,提出了一种基于物联网和深度学习的智能城市交通管理系统。该系统首先采用物联网技术采集交通数据,然后利用深度学习技术进行交通流预测,最后根据预测结果进行交通流量控制。本文的创新点在于:提出了一种基于物联网和深度学习的智能城市交通管理系统,该系统可以有效提高交通效率、保障交通安全、改善环境质量;采用LSTM模型进行交通流预测,可以有效捕捉交通数据的时空依赖关系,提高预测精度。

1 基于物联网的交通流量监测方法

为了实现对城市交通流量的实时、准确监测,本文提出了一种基于物联网的交通流量监测框架,该框架如图1所示。

图1 基于物联网的交通流量监测方法

数据采集层是整个框架的基础,负责采集道路上的各种交通数据。该层主要包括视频传感器、毫米波雷达、气象传感器等。

数据传输层负责将采集到的数据传输到边缘计算层。该层主要采用无线通信技术,如4G/5G、Wi-Fi、LoRaWAN[5]等。

边缘计算层负责对采集到的数据进行初步处理,如数据清洗、特征提取、数据压缩等。该层可以采用边缘服务器或边缘网关等设备。

云计算层负责对边缘计算层处理后的数据进行进一步分析和处理,如交通流预测、交通事件识别、交通信号灯控制等。该层可以采用云服务器等设备。

数据应用层是整个框架的最终应用层,负责将分析结果呈现给用户,如交通管理人员、驾驶员、行人等。该层可以采用交通管理平台、导航软件、手机App等。

2 基于深度学习的交通流量预测方法

2.1 LSTM的基本结构

LSTM[6-8]的基本结构如图2所示,其中,ht表示时刻t的隐含状态,是LSTM模型的核心记忆单元,包含了之前所有时刻的信息;ct表示时刻t的细胞状态,是LSTM模型的长期记忆单元,可以传递长期依赖关系;xt表示时刻t的输入数据;σ表示Sigmoid函数;tanh表示双曲正切函数。LSTM模型的细胞状态ct可以传递长期依赖关系,因此可以有效解决传统RNN模型无法解决的长距离依赖问题。另外,LSTM模型可以学习复杂的非线性关系,因此,可以应用于各种复杂任务。模型的基本原理如下:

图2 LSTM的基本结构

(1)计算输入门it。

it=σ(Wi*xt+hi*ht-1+bi)

(1)

其中,Wi、hi、bi分别是输入门it的权重、偏置和遗忘门ft的偏置。

(2)对遗忘门ft进行估计。

ft=σ(Wf*xt+hf*ht-1+bf)

(2)

其中,Wf、hf、bf分别是遗忘门ft的权重、偏置和遗忘门ft的偏置。

(3)计算细胞状态ct。

ct=ft*ct-1+it*tanh(Wc*xc+hc*ht-1+bc)

(3)

其中,Wc、hc、bc分别是细胞状态ct的权重、偏置和遗忘门ft的偏置。

(4)计算输出门ot。

ot=σ(Wo*xt+ho*ht-1+bo)

(4)

其中,Wo、ho、bo分别是输出门ot的权重、偏置和遗忘门ft的偏置。

(5)计算LSTM的隐藏状态ht。

ht=ot*tanh(ct)

2.2 基于LSTM的交通流量预测方法

本文研究的基于LSTM的交通流量预测实现方法包括以下4个步骤。

2.2.1 数据准备

交通流量预测模型需要大量历史交通数据进行训练。这些数据可以从交通管理部门、交通运输公司等机构获取,常用的交通流量表示某一时间段内道路上的车辆数量。

2.2.2 模型构建

构建用于交通流量预测的LSTM模型,模型由输入门、遗忘门和输出门3个门控机制组成。

2.2.3 模型训练

模型训练的目标是找到一组参数,使得模型预测的交通流与真实交通流之间的误差最小。常用的损失函数包括均方误差(Mean Square Error,MSE)、平均绝对误差(Mean Absolute Error,MAE)等。模型训练可以使用梯度下降算法,如Adam[9]、RMSProp[10]等。

2.2.4 模型预测

模型训练完成后,可以预测未来的交通流状态。首先,将历史交通数据输入模型,得到模型的隐含状态ht;然后,使用隐含状态ht和输出门ot计算预测交通流yt。

3 交通流量预测实验

本实验采用了METR-LA数据集的交通流量数据部分进行交通流预测实验。实验采用的操作系统为Ubuntu 20.04,编程语言为Python 3.8,深度学习框架为TensorFlow 2.7。在实验中,设置隐藏层单元数128,学习率0.001,训练轮数100。最后,采用预测结果与实际结果之间的MSE、MAE和平均相对误差(Mean Relative Error,MRE)对实验进行评估,如表1所示。

表1 实验结果

MSE衡量了预测值与真实值之间差异,MAE衡量了预测值与真实值之间平均绝对误差,MRE衡量了预测值与真实值之间平均相对误差,3个指标越小,表示预测精度越高。由表1可得,MSE为10.23,MAE为5.87,MRE为0.12,表明该模型在METR-LA数据集上取得了较好的预测精度,可以有效地捕捉交通数据的时空依赖关系,并预测未来的交通流状态。

4 结语

城市交通拥堵是现代城市面临的重大挑战之一,近年来,基于深度学习的交通流量预测方法取得了显著成效。本文提出了一种基于LSTM的城市交通流量预测方法。LSTM模型是一种特殊的RNN模型,专门为解决长距离依赖问题而设计。该方法首先对交通数据进行预处理,然后利用LSTM模型学习交通数据的时空依赖关系,最后预测未来的交通流状态。实验结果表明,该方法在METR-LA数据集上取得了较高的预测精度,MSE为10.23,MAE为5.87,MRE为0.12,具有较高的预测精度和鲁棒性。