深度学习在城市交通流预测中实践研究.docVIP

深度学习在城市交通流预测中的实践研究-电气论文 深度学习在城市交通流预测中的实践研究 尹邵龙，赵亚楠 （华北计算技术研究所，北京100086） 摘要：短时交通流状态预测对于实现城市智能交通系统至关重要。在过去，很多神经网络模型被提出来用以预测交通流，但是效果并不是很显著。究其原因，是因为大多数都是利用浅层模型在学习，浅层模型由于容易陷入局部极值而且不能模拟更复杂的数学运算，所以并不适合于模拟现实的交通状况。深度学习作为机器学习的新兴学科，在语音与图像处理方面取得了显著的成效，它能够非监督地从数据中学习出有效的特征用以预测，故在此利用深度学习进行建模用以城市主干道交通流预测。实验表明，模型取得了不错的交通流预测效果。 关键词 ：深度学习；交通流预测；神经网络；机器学习 中图分类号：TN915.5?34；TP183 文献标识码：A 文章编号：1004?373X（2015）15?0158?05 收稿日期：2015?01?07 0 引言 随着社会的快速发展和机动车数量的急剧增加，城市交通日益趋向于拥堵，交通事故与空气污染也进一步加剧。在我国，北京、上海这样的大城市在中心市区的平均车速在高峰时期不足20 km/h，交通拥堵又进一步导致了能耗加剧与环境污染。研究结果表明[1]，当车速由40 km/h降低至10 km/h时，能量损耗量会增长1倍，环境污染量会增加3倍以上。北京市汽车排放的氮氧化物、一氧化碳对环境分别占到46%和63%。所以，智能交通系统（Intelligent Transportation Systems，ITS）成为解决城市拥堵问题的关键途径。智能交通系统有效地利用当前先进的硬件和软件，对交通进行有效的综合管理。短时交通流状态预测（Short?term Traffic State Fore?casting）作为智能交通系统的核心技术，它利用现有数据对交通流状况进行预测，进而帮助出行者进行路径规划，实现交通流诱导，从而缓解了交通拥挤，减少了环境污染。人们针对交通流预测，提出过不同的预测模型；但是由于城市交通流时间与空间上的复杂性，给预测结果的准确率带来了挑战。 深度学习作为机器学习的新兴学科，一经提出便受到了广泛的关注，像Google、微软、百度，都在研究与利用深度学习。它被成功地应用到了分类任务、自然语言处理、降维、图像识别等等方面。深度学习通过利用多层体系架构来有效地、非监督地提取出底层数据的潜在的典型特征，进而提供给高层进行分类与回归。交通流本身就是一个复杂的过程，深度学习架构能够帮助我们无先验知识却能有效地学习与抓住其中内在的复杂特征，进而有效地进行交通流预测。 本文提出了一个基于深度学习的交通流预测模型，通过训练并加以实现。实验结果表明，这种方法在交通流预测当中取得了不错的准确率。 1 背景介绍 1.1 交通流预测 交通流预测一直都被认为是实现城市智能交通系统（ITS）的关键技术问题。它利用以往历史数据对未来某段时间内交通流量进行预测。预测时段一般为5~30 min。 令X ti 表示第i 个交通道路在第t 时间的交通流量，那么给定一个观察得到的交通流序列，i = 1,2,…,m ;t = 1,2,…,T，那么交通流预测即是根据这以往的交通流序列对于某条道路{T + Δt} 时间段进行预测。其中Δt可以进行调节。 交通流预测模型一般包括两步，即特征学习与模型学习。特征学习即非监督学习，通过训练可以得到代表以往历史交通时间序列的一个特征代表模型h。经过特征训练后，以往的交通流序列X 即可通过h 转化为另外的一个特征空间Y，即h(x) → Y；模型学习即监督式学习，给定一组特征Y 与目标任务Z 的配对组{(Y1,Z1)，(Y2 ,Z2),…,(Yn , Zn )} 学习预测模型Zn + 1 = g(Y )，通过最小化目标损耗函数L，得到预测模型的适合的参数W： 尽管预测模型之间互有差别，但是目标损耗函数大多数都是一样的。以往的预测模型可以分为三类[2]： （1）基于以往历史数据的时间序列法。自回归整合滑动平均模型[3]（ARIMA）就是通过找到交通流随时间变化的模式，从而实现预测。相似的还有子集ARIMA[4]，表达变量ARIMA（ARIMAX）[5]，向量自回归移动平均（ARMA）和基于时间与空间的ARIMA[6]，还有季节性的ARIMA（SARIMA）[7]，卡尔曼滤波方法[8]等。 （2）基于概率图模型的方法。通过概率图的方法对交通流进行建模与预测，常见的方法有：贝叶斯网络[9]，马尔可夫链