基于ConvLSTM的高速公路交通流预测仿真研究_吴剑云.pdf

ISSN 1006 7167CN 31 1707/TESEACH AND EXPLOATION IN LABOATOY第 41 卷 第 12 期Vol41 No122022 年 12 月Dec 2022DOI:10 19927/j cnki syyt 2022 12 026基于 ConvLSTM 的高速公路交通流预测仿真研究吴剑云1，于安双1，2(1 青岛大学 商学院，山东 青岛 266071;2 上海大学 悉尼工商学院，上海 201800)摘要:交通流通常具有复杂时空关联性，且易受天气、速度等外部因素的影响。为提高高速公路关键节点交通流预测的准确性，设计一种基于 ConvLSTM 网络且融合时空关联性和外部因素的交通流预测模型 STE-ConvLSTM。构建交通流、速度、天气时空矩阵，将其延深度方向堆叠，通过滑动窗口模型将其处理为类图像时间序列数据，利用 ConvLSTM 网络提取交通流的时空关联性和外部因素特征;利用卷积层实现交通流预测多变量多步输出。实验结果表明，相较于传统的交通流预测模型，该模型在交通流多步预测方面的预测准确度有所提升。关键词:ConvLSTM 网络;深度学习;交通流预测;高速公路中图分类号:TP 183;U 491文献标志码:A文章编号:1006 7167(2022)12 0132 06Simulation Study on Highway Traffic FlowPrediction Based on ConvLSTMWU Jianyun1，YU Anshuang1，2(1 Business School，Qingdao University，Qingdao 266071，Shandong，China;2 SILC Business School，Shanghai University，Shanghai 201800，China)Abstract:Traffic flow usually has complex temporal and spatial correlations，and is susceptible to external factors suchas weather and traffic speed In order to improve the accuracy of traffic flow prediction at key nodes of the expressway，a traffic flow prediction model，STE-ConvLSTM model，based on convolutional LSTM network and integrating spatio-temporal correlation and external factors is designed Firstly，the spatio-temporal matrix of traffic flow，speed andweather is constructed，and stacked in the direction of depth，which is processed into time series data of image-likeimages by sliding window model，and the characteristics of spatio-temporal correlation and external factors of traffic floware extracted by ConvLSTM network;finally，the multi-variable multi-step output of traffic flow prediction is realized byusing convolutional layers Experimental results show that compared with the traditional traffic flow prediction model，theprediction accuracy of the model in terms of multi-step prediction of traffic flow is improvedKey words:ConvLSTM network;deep learning;traffic flow prediction;highway收稿日期:2022-05-18基金项目:山东省高等学校“青创科技计划”(2019WG031);青岛大学创新型教学实验研究项目(CXSYYB202232)作者简介:吴剑云(1978 )，女，山西运城人，博士，副教授，主要研究方向为数据挖掘及智能交通。Tel:13963962175;E-mail:wujianyun96163 com。0引言随着经济的发展，居民的交通出行需求不断增加，由于交通基础设施建设的滞后性，交通拥堵问题随之出现1。高速公路网关键节点的拥堵如果没有尽快解决，就会引发由点到线最终至面的趋势，使整个路网运行效率降低2。收费站是高速公路网中的瓶颈，拥堵造成的二氧化碳增加、生产力下降、经济损失等负面影响成为阻碍经济可持续发展的顽疾3。准确的交通流预测，不仅有助于交通管理部门掌握交通状态演变的趋势，采取交通管制、进行资源调配，帮助出行者第 12 期吴剑云，等:基于 ConvLSTM 的高速公路交通流预测仿真研究进行路线规划，提高出行效率4。科学、准确地预测高速公路收费站交通流量，探索交通流量变化规律，对提高高速公路网运行效率具有重要现实意义。为探究交通流的变化规律，国内外学者提出了许多关于交通流预测的方法。传统预测方法主要基于数理统计的模型，针对路网中某一观测点的时间序列数据进行建模，如季节性 AIMA 模型5、指数平滑模型6 等。基于数理统计模型对参数十分敏感且对不稳定、复杂的非线性高维数据处理较为困难，机器学习模型逐步被用于交通流预测的相关研究中，如支持向量机(Support Vector Machine，SVM)7、随机森林算法8 等。随着交通大数据的到来，深度学习模型可以处理大规模、高维度数据，学习各类交通数据之间的深层关系，被广泛用于各类交通流预测任务中9。深度置信网络10、堆叠自编码神经网络11、卷积神经网络(Convolutional Neural Network，CNN)12 以及卷积神经网络与循环神经网络(ecurrent Neural Network，NN)的混合模型13 等被用来进行交通流预测。上述模型为交通流预测奠定了良好的基础，其本质是交通流时间序列的分析，忽略了交通流的时空关联性。高速公路交通流通常具有动态变化、时空关联和周期性等复杂特性，交通流的预测会受到交通速度、天气和事故等外部因素的影响14。各类时空序列数据之间往往存在复杂的非线性相关关系，如何在提取交通流时空特性的同时，刻画外部因素对高速公路交通流的影响仍有较大研究空间。为实现多个关键节点交通流的高精度多步预测，本文除了描述交通流的时空相关性，还考虑了外部因素的影响，包括交通速度和天气。在此基础上，构建了基于卷积长短时记忆网络(ConvLSTM)的交通流短时预测模型。利用卷积神经网络中的卷积层实现交通流的多变量多步预测。本文利用随机搜索算法来优化模型参数组合。1STE-ConvLSTM 模型预测原理高速公路交通流预测模型 STE-ConvLSTM 的主体部分为 ConvLSTM 网络。交通流会受到外部因素的影响，出行者相对固定的出行习惯使得高速公路交通流在时间维度上呈现出一定的周期性和规律性，上下游收费站间存在一定的空间相关性。基于 ConvLSTM 网络对交通流数据的时间、空间相关性特征及外部因素的特征进行提取，构造前 t 个时段的历史交通流和外部因素数据的时空矩阵。STE-ConvLSTM 模型的结构如图 1 所示。图 1STE-ConvLSTM 模型将交通流和外部因素的历史时空序列数据转换为类图像的时间序列数据之后，输入 ConvLSTM 模型，由多个 ConvLSTM 层、批标准化层(Batch Normalization，BN)和 eLU 层(ectified Linear Unit，eLU)提取交通流的时空特性，并学习外部因素时空矩阵数据与交通流数据的关系。利用卷积神经网络的 Conv2D 层输出未来交通流量矩阵。1.1构建模型输入数据ConvLSTM 网络的输入为带有时间特征的图像数据，即具有图像的三维特征(高度、宽度和深度)且这些图像构成时间序列。(1)各类时空数据。各收费站实时交通流图像获取难度较大，基于收费站间相对地理位置和历史交通流时序数据，将收费站交通流的时空分布设计成二维特征矩阵，该矩阵包含交通流的时间和空间特征:V tm=v11v12v1mv21v22v2mvt1vt2vtm(1)式中:t 为样本时间长度;m 为收费站的数量;vij为过去第 i=1，2，t 时第 j=1，2，m 方向的交通流信息。交通速度可分为时间和空间平均速度。空间平均速度的计算数据易获取，且能处理成时间序列，故选其为研究对象。考虑到一个收费站可与多条道路相连接，本文采用主成分分析法来降低交通速度数据的维度，并选取贡献率最大的第 1 个主成分来构造新的样本集合331第 41 卷S tm=s11s12s1ms21s22s2mst1st2stm(2)式中:矩阵的横轴为空间维度，按照与高速收费站对应位置排列交通速度值;矩阵的纵轴为时间维度;sij为过去第 i=1，2，t 时第 j=1，2，m 方向的交通速度信息。天气数据通常包含降雨量、温度、湿度等多种特征。为消除样本特征的冗余，本文对天气数据进行主成分分析，并选取贡献率最大的第 1 个主成分构造天气时空矩阵。W tm=w11w12w1mw21w22w2mwt1wt2wtm(3)式中:矩阵的横轴为空间维度，按照与高速收费站对应位置排列相应天气数据;矩阵的纵轴为时间维度，wij为过去第 i=1，2，t 时第 j=1，2，m 方向的天气信息。(2)输入数据。为构建能输入 ConvLSTM 模型的类图像时间序列数据，基于各收费站的地理位置及相应的历史交通流、交通速度、天气数据设计了时空矩阵。如图 2 所示，在此基础上将交通流时空矩阵与外部因素时空矩阵延深度方向堆叠，使用一次滑动窗口模型形成类似于图像的数据，其中时间和空间维度对应图像的宽度和高度，交通流量值、交通速度值以及天气数据值对应了彩色图像数据的色彩通道。再次使用滑动窗口模型形成带时间轴的类图像数据作为模型的输入。图 2类图像时间序列数据的构建在图 2 中，第 1 次使用滑动窗口模型产生的类图像数据中 vt，m、st，m、wt，m分别为第 m 个收费站在 t 时间的交通流量、交通速度和天气数据，t 为第 1 次滑动窗口的大小;第 2 次使用滑动窗口模型后产生的单个样本的形状为 T t m 3，T 为第 2 次滑动窗口的大小。模型输入数据集记为 D，其形状为 n T t m 3，n 为样本数量。1.2模型的主要结构交通流预测问题基于历史交通流量、交通速度及天气数据，通过让研究模型不断学习样本中 0-t 时刻的数据，让模型来推断未来交通流量的变化趋势，对下一段时间 t+t 的交通流量进行预测。(1)ConvLSTM 网络。长短时记忆网络主要用于时间序列数据处理，很难提取具有空间信息的数据。在 LSTM 网络的基础上，ConvLSTM 网络被提出来研究雷达回波图的时间序列预测问题15。ConvLSTM 网络将前馈方法从哈达玛乘积改为卷积，把 input-to-gate 与gate-to-gate 均改为做卷积运算，以提取除时间关联性之外的空间关联性，被广泛用于客流预测、天气预测、流量预测等领域的研究中16。ConvLSTM 网络的卷积结构可对交通流以及外部因素数据的空间特征进行提取，且网络中的信息也会持续积累和