文摘

短期流量预测下损坏或丢失数据大规模交通网络已成为近几十年来重要和富有挑战性的课题。关键道路以来预测能力在他们邻近的道路,本文提出了一种新颖的混合短时交通状态预测方法基于关键道路选择优化。首先,效用函数的服务质量(QoS)的关键道路大规模道路网络提出了基于覆盖和得分的数据。然后,交通网络的关键道路选择优化模型提出了通过选择一组合适的关键道路的最大总数的比例计算资源来最大化QoS的实用价值。同时,介绍了一种创新的关键道路选择法,这是考虑到城市道路网络的拓扑结构和流动。随后,交通速度的关键道路被视为输入卷积长短期记忆神经网络预测未来交通的整个网络。北京交通网络上实验结果表明,该方法优于现行DL方法考虑的关键部分。

1。介绍

实时交通状态预测起着至关重要的作用在交通管理和公共服务。通过预测交通及时和准确的发展,政府和旅客可以提前应对交通拥堵。例如,智能交通系统,先进的交通管理系统,和旅行信息系统依赖于实时交通状态预测。

在过去的几十年中,有许多关于这个主题的研究[1]。这些研究可以分为数学模型、统计模型和数据驱动的方法(2]。与数据驱动的方法相比,数学或统计模型是从宏观和微观交通流理论很难处理不稳定的交通条件和复杂道路设置由于强烈的假设和假设3]。

数据驱动的方法实现了有前景的结果由于更多潜在的在处理复杂的非线性问题4]。这些方法包括支持向量机(SVM)、贝叶斯网络、神经网络。在所有这些数据驱动方法,深度学习的方法已被证明有效的交通状态预测。该方法可以利用更深层次体系结构和处理高维组解释变量(5]。

然而,大多数的学习方法是构造基于整个数据集。数据集的属性影响的预测性能。换句话说,数据质量的深度学习方法强调了短时交通状态预测(5]。由于损坏或丢失的数据问题,获得高质量的实时或历史数据有限,表明数据预测较低质量(6]。这些挫折削弱预测的准确性和效率,限制的能力提供了一个实用可靠的预测结果。

最近,研究人员发现,一些关键道路严重影响相邻道路的交通状态在特定道路网络(7,8]。这一结论表明,道路的交通状态可以预测基于其邻居的状态(6]。

这个话题已经有大量研究,但只有一小部分人关注预测基于关键道路选择优化。因此,如果我们提取关键道路交通状态的部分最主要的预测能力,我们可以描述交通流的时空特征和预测未来交通状态的整体网络。

在本文中,我们提出一种新颖的混合短时交通状态预测方法基于关键道路选择优化。不同的分数不同路段上收集的数据。路的临界段越高,得分越高的数据。关键道路选择问题抽象为一个多目标优化问题,最大化感知覆盖和得分数据。换句话说,我们的目标是选择最合适的关键道路的服务质量(QoS)最大化消费有限的网络资源。

然后,小说关键道路选择方法,提出了考虑城市道路网络的拓扑结构和流动。随后,交通速度的关键道路被视为输入卷积长短期记忆神经网络预测未来交通的整个网络。最后,为了演示了该方法的有效性,数值实验利用GPS轨道交通状态描述数据在北京。此外,相比其他传统机器学习模型演示了该方法的优势。实际实验结果表明,该方法可以精确地预测未来交通网络状态。

我们的论文的其余部分组织如下。部分2探讨了短时交通状态预测和现有文献方法预测基于道路至关重要。节3关键道路选择优化模型提出了通过选择一组合适的关键道路的最大总数的比例计算资源最大化的效用价值QoS和也介绍了一个创新的关键道路选择法。部分4阐述了数值实验利用GPS轨道交通状态描述数据在北京。最后一部分总结了学习和讨论未来的工作。

2。文献综述

在过去的几十年中,出现了大量的短期流量预测模型来处理未来的交通状态的预测从几秒到数小时不等。这些方法通常可以分为数学方法、统计方法和数据驱动的方法。

数学方法关注预先确定模型结构的理论假设。交通的发展状态可以通过理论模拟数学模型(9]。由于强烈的依赖理论考虑,这些数学方法的实际流量不一致状态条件(10]。数学方法依赖于理论数学模型来模拟交通发展。有许多著名的数学模型在过去的几十年中,比如Greenshields模型,车辆模型,Van Lighthill-Whitham-Richards(轻水反应堆)模型,等等。未来的道路网络的交通状态可以通过这些模型直接计算(11,12]。大多数交通仿真模拟器,如Q-Paramics VISSIM,公司,和DynaSMART-X,基于交通流模型预测交通状态,车辆模型和动态交通分配模型(13- - - - - -16]。

统计方法通常依赖于统计假设。自回归综合移动平均(ARIMA)及其变体是最常见的数学方法。哈米德et al。17)提出了一个简单的ARIMA预测路网的交通状态。威廉姆斯等人开发了一个季节性ARIMA (S-ARIMA)预测城市高速公路的交通状态。结果表明,S-ARIMA模型可以获得更好的属性(18,19]。丁等人提出了一个时空ARIMA预测路网的交通状态(20.]。

此外,马尔可夫链,卡尔曼滤波器(KF) KF-based方法和其他方法在短时交通预测中也有重要的应用(21- - - - - -24]。然而,这些方法不能产生有利的结果不稳定的交通条件下,如意外事件(25]。

不同于数学方法和统计方法,数据驱动的方法依赖于足够的交通数据的质量。近年来,由于丰富的数据附加到广泛的流量传感器和先进的大数据技术,数据驱动的方法迅速发展。大量的数据驱动的方法提出了短时交通状态预测,如支持向量机(26- - - - - -28),神经网络(29日- - - - - -32)和混合方法(33,34]。

在这些数据驱动方法,深度学习方法已经成为非常受欢迎和成功的,因为他们的强大的过程非线性高维问题的能力。黄等人采用深层信念网络交通流预测(DBN)与多任务学习(4]。Lv等人提出了一个SAE预测交通流模型,并在不同的预测性能优于其他方法视野(35]。此外,大量的努力一直致力于强调时间特征和空间依赖预测(2]。马等人的交通速度预测大规模交通网络使用一个LSTM神经网络和有线电视新闻网36,37]。吴和褐色由CNN和LSTM提取的时空特性,分别预测交通量综合这两种方法(38]。王等人提出了一个eRCNN模型然后训练CNN减少复发预测反馈错误(39]。

总之,在所有这些交通状态预测方法,深度学习方法是最有效的选择。然而,一些预测方法可以达到满意的精度,因为现实中的缺失数据问题。产生重大影响的关键道路的交通状态分别邻近道路在一个特定的道路网络,我们可以提取交通状态的关键道路部分和预测未来交通状态的整体网络。

3所示。方法

本研究着重于利用关键路段的数据来预测未来的整个城市交通网络的交通状况。在本节中,效用函数的QoS的关键道路大规模道路网络提出了基于覆盖和得分的数据。然后,交通网络的关键道路选择优化算法通过选择一组合适的关键道路的最大总数的比例计算资源来最大化QoS的实用价值。具体来说,选择部分的关键道路一个创新的关键道路选择方法。最后,交通速度的关键道路被视为输入卷积长期短期记忆的神经网络预测未来交通的整个网络。

3.1。道路网络拓扑分析

在实际城市道路网、道路十字路口的部分连接,最终形成一个复杂的网络。当执行传感任务在城市道路网络的地区,道路网的拓扑结构特点需要考虑。大量研究结果表明,城市道路网络的拓扑结构是复杂和多样化。网络的连通性在某些部分的失败会影响交通运行在整个网络。然而,这是不可避免的,道路网络中连接由于恶劣的天气有时会被打断,技术故障或严重事故。这将导致当地交通拥堵和网络瘫痪,这将产生有害的经济和社会影响。这意味着更高的道路部分网络的重要性在不同的时空条件下显示了更严重的破坏的完整性带来的道路网络连接失败。为了避免严重影响道路网络连通性和车辆运动,应优先考虑使用高,至关重要的部分未来的交通状态预测的道路。

为了研究真实道路网络的结构属性,有必要合理抽象的道路网络拓扑结构图,由点和线的合适的方法。原始的方法和对偶方法两种方法公路网络抽象为一个复杂的网络模型。道路网的原始方法使用道路边缘的文摘中的网络和十字路口节点网络。双重方法模型边缘的十字路口的道路网络和城市道路网络的节点,因此显示道路在一个高度抽象的方式之间的联系。原始的方法直观、简单,可以保留道路网络的布局特点。双重方法忽略了一些地理意义的网络实体,如道路的地理位置、长度和宽度,因此,它更适合分析抽象的网络结构。在本文中,我们更加注重道路连通性的特点,所以我们使用原始方法模型的道路网络。

3.2。QoS的重要道路

QoS的标准测量性能的关键道路预测任务。更大的QoS的价值,更好的预测性能的重要道路。在这里,我们提出一个效用函数来计算QoS的关键道路。

选择道路的覆盖主要关心的是当人们预测整个路网的交通状态。所以,我们选择覆盖率作为我们的第一个指标。报道显示所选车辆的报道整个道路网络。为了更好的计算范围 ,我们将道路网络划分为小网格和网格用作覆盖的基本测量元件的计算。如图1、粉色曲线代表道路。公路穿过的网格是漆成绿色。在这篇文章中,网格的大小是0.0005°×0.0005°,基于经度和纬度,经度0.0005(纬度)约50米。

定义作为单一网格在城市道路网络。让代表了覆盖的状态 ,和 显示网格j选择预测任务期间;否则, 。在本文中,我们试图预测整个网络流量状态。如果属于路段l和路段l有网格,那么道路因素可以计算 。下面的方程可以计算选定的网格的报道:

另一方面,我们引入的概念数据分数表示的临界水平的道路。特别,我们给一个更高的分数数据收集的关键道路比普通公路的收集的数据。在这里,我们使用道路部分在空间和时间之间的相关性分数计算数据。

空间权重矩阵代表之间的空间依赖性路段的交通网络。根据图论,本地连接的节点可以根据计算节点及其相邻节点之间的连接,这是由节点的程度 。假设存在一个网络,它可以表示为 ,在哪里设置网络中的节点和吗E是网络中边的集合,表示网络中节点之间的连接。网络 有 节点和 边缘。然后,这个网络可以用邻接矩阵表示 。如果节点和j直接或间接地连接在一起,我们称这两个节点”k阶的邻居,”及其邻接关系可以表示为公式(2)。空间权重矩阵P可以被定义为的总和吗kth空间权重矩阵;元素在P计算见方程(3)。 在哪里K是最高秩序的空间权重矩阵。

,综合考虑道路网络的空间相关性和时间相关性,介绍了空间权重矩阵作为一个空间指标改善初始相关距离。让在路段交通速度我在时间t,在那里 。然后,综合相邻路段的速度值可以通过方程计算(4)。然后,数据分数之间的路段我和它相邻的道路部分可以通过方程计算(5): 在哪里 (年代> 0)之间的时间间隔是道路部分的速度我和它相邻的道路部分;交通速度的平均值吗在道路的部分我在时间的持续时间T。集成速度的平均值吗 。基于前面的分析,数据的数学表达式D定义如下:

QoS的效用函数, ,被定义为 在哪里 是一个参数调优的重量数据覆盖和得分数据。为了使在方程(更敏感7),我们应用而不是和而不是 。因为对数聚合数据是一种常见的方法,这个过程可以减少数据的异方差性的QoS功能。

3.3。关键的道路选择优化

3.3.1。定义的关键道路选择问题

关键道路选择模型的目标是最大化的QoS有限的城市交通预测系统重要的道路,所以关键的数学表达式可以被定义为道路的选择问题 在函数用于计算的QoS的实用价值;代表是否网格被选中, 显示网格被选中;否则,该值是0。是一组重要的道路,然后呢是覆盖。路段之间的数据分数吗我及其邻近道路部分。是阈值的选择。

3.3.2。关键的道路选择方法

基于上述分析,关键道路交通状态预测构建选择模型。在本文中,由于道路网络的时空状态改变,所选择的道路需要更新 。提出了一种改进的贪婪算法来解决关键的道路选择问题。贪婪算法意味着我们总是让现状的最佳选择当求解一个优化问题。换句话说,这种算法没有考虑大局,而是只考虑当地的情况。显示了该算法的伪代码的算法1。

3.4。交通状态预测使用深度学习的方法

本文提出了一种递归卷积网络时空预测(STRCN)。拟议中的STRCN继承的优点深卷积神经网络(DCNN)和长期短期记忆(LSTM)神经网络。全网流量的空间依赖关系可以被CNN, LSTM颞动力学可以学到。

3.4.1。CNN捕捉空间特性

CNN已经成功地应用于交通预测它的巨大潜力在提取特征使用多个层。一个典型的美国有线电视新闻网和池层主要由多个卷积层。前者有助于我的空间依赖性的道路部分因为每层使用不同的过滤器检索一个截然不同的特性。相比之下,后者有助于减少所需的参数训练CNN的前提下保证预测精度。鉴于CNN的输入可以直观地视为一个图像每个像素值关联的一种交通状态在一定期间,2 d CNN是自然利用抽象的空间特性之间的道路部分。图2说明了CNN的结构,包括输入层、卷积层、汇聚层,完全连接层和输出层。每一部分对CNN,发挥着独特而重要的作用,下面简要解释细节。

假设我们需要预测未来交通网络的速度 ,在哪里一个预测地平线和吗米是道路的数量部分。CNN输入关键道路的历史交通速度部分{ }, 代表关键路段的交通状态时(t−n),n是回头的一步,是重要的道路的数量部分。然后,输入的空间特征是被卷积和汇聚层。让的输出l卷积和汇聚层r过滤器和重量和偏见lth层( )。然后,可以计算由以下方程: 在哪里前一层的输出和手段是输入层。f池是一个非线性激活函数,表示池过程。

3.4.2。LSTM捕获时间特性

凭直觉、交通状态在每一个时刻在时间维度有严格的顺序关系而不是互相孤立,这是特别适合RNN获取交通流的演化。然而,它是困难的对传统RNN捕获时间依赖如果两个时间间隔是远程。LSTM, RNNs的具体形式之一,提出了解决这些问题通过添加记忆细胞在隐藏层。如图3,四个主要部分,一个输入,一个神经元self-recurrent连接,一个忘记门,和一个输出门合作缓解传统RNN的问题造成的梯度和爆炸消失。

在我们的模型中,CNN, LSTM自然需要CNN的输出 作为输入来预测未来的交通状态 ,也就是说,它的输出,问是隐藏的数量单位的输出层。存储单元,输入状态而输出是 。与此同时,美国的输入,忘记,盖茨和输出 ,分别。时间特性可以通过以下方程迭代计算: 在权重矩阵和偏见向量b构造连接输入层、输出层和存储单元,两个向量表示的标量积代表标准物流乙状结肠函数定义如下:

3.4.3。训练STRCN

与CNN和LSTM的优势集成,STRCNs是用来预测未来交通状态,充分利用数据的时空特征。最终,一个完全连接层是用来预测未来速度通过LSTM的输出作为输入。未来的速度可以由以下公式计算: 在哪里和重量和偏见有关隐藏层。最终,从端到端模型训练,的值是预测结果,整个的输出模式。几个hyperparameters模型将被设置和实验部分中阐述了。此外,重要的是要注意,输入大小会改变随着关键道路部分数量的变化,由于不同的萃取率 ,因此几个hyperparameters也会改变。

4所示。案例研究

4.1。数据使用

在本节中,一个案例研究进行了评估的性能提出了关键道路选择优化模型和交通预测方法。的主要城市道路subtransportation网络选择西二环路附近的北京为研究目标,如图4。网络由278路部分,包括几种层次结构的道路、高速公路等干道,二级公路和收藏家。所有道路的总长度大约是24.53公里,和网络覆盖约0.6公里²区域。

出租车装有GPS设备采集的数据从6月1日,2015年8月31日,2015年(92天)是用于训练该模型,预测未来交通网络的速度。数据的更新频率是2分钟,时间从6:00:00到23::00 00是关心高旅游需求反复观察。占交通状态变化每个时间间隔,我们可以每天观察511交通状态。

4.2。关键的道路选择

提出的算法关键路选择方法和其他两个路选择方法(随机法和coverage-based法)用于选择道路部分道路网络的预测。在一个随机的方法中,在预测过程中随机选择的道路。coverage-based方法,选择基于覆盖,这意味着道路覆盖率较高的优先选择。三个关键道路选择方法应用在不同道路提取速率(即。,the proportion of critical road sections to all roads, )。

最终,提取对应的速度和数量的关键道路部分表中列出1。例如, 意味着我们将选择139公路作为重要的道路部分,随后使用它们来预测278年道路交通状态。

4.3。结果和比较

4.3.1。性能在不同的关键道路选择的方法

根意味着平方误差根均方误差(RMSE)和比例(RMSEP)是用来评估的性能模型,可以计算出在以下方程: 在哪里是我th真实价值和是我预测价值。的价值表示数量的关键道路部分提取速度和交通状态的总数。

4.3.2。使用不同的关键道路选择方法性能

为了评估性能的关键道路选择优化模型,我们训练和测试STRCN模型选择方法使用不同的道路。rms和RMSEPs在不同的上下文中提取速率表中列出2。

它可以发现在0.8到1.0范围,STRCN模型使用不同的道路选择的性能几乎相同的方法。部分的原因是最后选择的道路不同的方法几乎没有高萃取率条件下的差异。然而,当萃取率在0.5和0.8之间,算法选择方法的性能优于整体预测模型。一般来说,减少准确性是合理的和可接受的范围内,这表明方法的验证和推广和一些道路部分的确对预测没有贡献。

此外,当萃取率0.5,预测性能逐渐趋向于不稳定,可能是因为太多的道路是省略了。特别是当萃取率在0.0和0.2之间,性能基本上是相同的。这是因为无论使用什么方法,有很多遗漏部分预测。图5通常表明预测精度下降的萃取率随不同的关键道路选择方法。

4.3.3。表现在几个DL算法

正如我们之前介绍的,损坏或丢失数据通常存在的监控设备故障、极端天气、数据传输错误等,这会削弱了预测模型的有效性,甚至禁用该模型。来测试我们的模型的性能下随机结构缺失的数据,我们随机抽取率的道路部分的一部分在上面提到的价值仍然是相同的。

四个受欢迎的选择基于深度学习算法比较,包括安,CNN, LSTM, SAE。安采用普通和浅层处理多维结构和非线性问题。根据(SAE的参数设置35),达到高精度预测交通流量。我们30分钟历史交通速度作为输入来预测整体交通状态后2分钟。

表3给出了定量的结果Q-STRCN,安,CNN, LSTM。它可以观察到,Q-STRCN优于其他模型的结果,表明我们的模型可以精确地矿山数据的时空特性,使一个相对准确的预测。在所有的竞争对手算法,LSTM具有最佳性能,可能造成的时间特征时间序列数据本质上是突出。安和SAE的结果证明这两个模型未能提取时空特征对预测有重要影响。图6显示了不同方法在不同的萃取率之间的定量结果。

5。摘要和结论

结构性缺失的数据通常有一个巨大的负面影响对短期交通状态预测。在本文中,一种新颖的混合短时交通状态预测方法提出了基于关键道路选择优化。首先,效用函数的服务质量(QoS)的关键道路大规模道路网络提出了基于覆盖和得分的数据。然后,交通网络的关键道路选择优化模型提出了通过选择一组合适的关键道路的最大总数的比例计算资源来最大化QoS的实用价值。一个创新的关键道路选择法,这是考虑到城市道路网络的拓扑结构和流动性,介绍。随后,交通速度的关键道路被视为输入卷积长短期记忆神经网络预测未来交通的整个网络。北京交通网络上实验结果表明,该方法优于现行DL方法在路的情况下考虑关键部分。

然而,即使是案例研究表明,该方法可以显著提高QoS的流量预测,仍有很长的路要走从实际应用方法。为未来的研究中,道路的固有属性时应考虑计算道路网络的QoS。此外,交通事故、温度、天气等外部因素影响交通预测精度。所有这些将留给我们的未来研究。

数据可用性

所有的数据、模型和代码生成或在研究可用于提交的文章。

的利益冲突

作者宣称他们没有利益冲突有关这项研究的出版物。

确认

这项研究是由美国国家科学基金会资助的部分下的中国批准号51908018、北京科委深计算项目批准号Z191100002519001。