基于深度学习的公路网交通状态评价与预测方法

摘要

高速公路网交通状态的准确评价和预测可以为出行者和交通管理者提供有效的信息。基于深度学习理论，提出了基于模糊c均值(FCM)算法的路网交通状态划分模型、基于长短期记忆(LSTM)算法的路网交通状态预测模型、基于模糊c均值(FCM)算法的路网交通状态划分模型、基于长短期记忆(LSTM)算法的路网交通状态预测模型。基于K-Means算法的交通状态判别模型。以河北省公路网为例对模型进行了验证，利用预测数据和实际数据对公路网的交通状况进行了分析。数据集包含2016年9月5日至2016年9月12日河北省233个连续观测站点采集的536823条数据。分析结果表明，本文提出的模型在评价和预测公路网交通状态方面具有良好的性能，与实际数据判别结果相一致。

1.介绍

随着机动车保有量的增加，交通需求也迅速扩大，这不仅给高速公路交通系统带来了巨大的压力，也引发了一系列的拥堵问题和安全问题。《2019年河北省国民经济和社会发展统计公报》显示，全省通车里程同比增长1.9%，机动车保有量同比增长7.4% [1］．因此，能够实时地评估和预测公路网络的交通状态尤其重要。交通管理人员可以提前制定预防策略，以有效避免交通拥堵的发生，防止进一步扩大拥堵的影响。如何实现交通状态的准确评估和预测是交通管理者和交通问题研究人员面临的最重要任务。

需要选择适当的指标来评估交通状况，主要包括服务水平[2]，交通流量参数[3.-5.，以及旅行时间[6.］．此外，大量学者对交通状态的评价方法进行了研究。现有的道路交通状态评价研究主要集中在交叉口[7.]， 路 [8.]，以及道路网[9.那10］．对于交通节点，大多数研究集中在城市道路上，主要以交叉口为研究对象。Xu等人对道路交通状态评价进行了深入研究。他们运用各种理论和方法来估计和预测道路交通状况[11-14］．此外，D.W. Xu等人提出了一种新的深度学习框架来估计道路交通状态[15］．作为大数据的发展[16]和机器学习[17]的发展，更多的方法将被应用于公路网络交通状态的评估。B.希勒尔利用移动电话服务提供商的信息来衡量交通速度和旅行时间[18］．G. Fusco等人基于大量的浮动车数据，对交通速度进行短期预测，并采用多种方法进行对比分析[19］．A. Wu等采用浮动车数据识别信号交叉口的交通状态[20.］．M. Wang等人利用大型手机网络数据估计流量[21］．高速公路网中安装了大量的环路检测器来收集交通信息。这些数据也可以用来分析交通状态[22那23］．此外，基于机器学习理论的神经网络已被广泛应用于交通流预测[24那25］．J. Yu等人提出了一种用于实时估计交通速度的图卷积生成自动编码器模型[26］．I. Laña等人提出了一种具有适应机制的长期城市交通量预测方法[27］．

以前相关的研究主要分为两个方面，包括预测交通流量参数，例如交通量，密度，速度和饱和度，以及评估道路交通状态。对道路网络交通州的评估和预测，支付了很少的关注。采用公路网络作为研究对象，本研究旨在基于深度学习的公路网络交通状态进行评估和预测模型。公路网络的评估和预测交通状态可以全面地反映整个公路网络的交通状况。这项研究对于未来的政策制定可能是有用的。

2.方法

公路网络的交通状态分为四类，即严重拥堵状态，拥塞状态，通用状态和平滑状态。交通流量的速度和密度被选为评估指标，以发展基于深度学习的高速公路网络交通状态的提出评估和预测模型。该模型主要包括基于模糊C型（FCM）算法的交通状态分区模型，基于长短期存储器（LSTM）算法的交通状态预测模型，以及基于的交通状态的判别模型K-means算法。

2．1．基于FCM算法的公路网交通状态划分模型

公路网的交通状态具有一定的模糊性。以交通流的速度和密度作为评价指标，利用FCM算法对公路网的交通状态进行评价。FCM算法能够很好地分析实际问题中大数据的属性特征，利用隶属度函数进行聚类[28］．

FCM算法划分N.向量 成C类并计算每个类的集群中心。为 那 表示速度和密度ith.样本,分别 ．隶属度函数定义的目标函数为: 在哪里 为样本对各簇中心公路网交通状态的加权值;它的隶属函数是ith.样品的j类, 那 ; 是 订单集群中心矩阵;它的特征向量是jth.集群中心的高速公路网交通状况良好 ; 为模糊加权指标; 是欧几里得距离ith.样品 ;和 是 排序模糊分类矩阵。

用拉格朗日乘法构造如下公式:

对所有输入变量求导，可得:

2．2.算法实现

（1）初始化。给出迭代标准 那放作为迭代的数量，让 ．隶属度矩阵计算为 如果 存在,所以 那然后是 那和 那 ．（2）簇中心的迭代运算为 （3）使用矩阵范数比较和 ;如果 那停止迭代;否则,让 那然后转到第二步。（4）最后得到公路网交通状态的聚类中心矩阵为 ．

车辆在公路网上的行驶速度和行驶密度可以很好地反映公路网的交通状况。车辆行驶速度越快，车辆密度越小，公路状况越好，公路网交通状况越平稳。根据上述算法，可以得到路网交通状态的聚类中心矩阵和分类结果。

2．3.基于LSTM算法的公路网交通状态预测模型

LSTM是一种长、短时记忆神经网络。该模型可以长时间可信，适用于处理和预测时间序列数据和延迟相对较长的重要事件。它已被应用于科学和技术的许多领域。本文提出的模型训练方法包括利用激活函数进行前向计算和利用损失函数进行通过时间反向传播(BPTT)进行后向估计[29］．

训练前对数据进行Z-score归一化预处理。处理后的函数的均值为0，标准差为1，如(6.)．在输出预测结果后，需要对数据进行反规格化处理，得到交通状态评价指标的真实预测值。反规范化公式为(7.)： 在哪里是所有样本数据的均值，和为所有样本数据的标准差。

为了验证预测结果的准确性和预测模型的可行性，有必要对预测结果进行误差分析。各预测点的相对误差公式如(8.)．公路或公路网的平均绝对百分比误差(MAPE)和均方根误差(RMSE)由9.） 和 （10）， 分别。 在哪里预测值与实际值之间的相对误差是多少ith.样本数据,真正的价值是什么ith.样本数据,是预测的价值ith.样本数据，和为流量状态评估指标的样本数据个数。

2．4．基于k -均值算法的公路网交通状态判别模型

K-means算法是一种无人监督的聚类算法，并且算法的基本思想是，对于给定的样本集，它根据样本之间的距离分成多个簇。使用欧几里德距离作为相似度的度量，可以找到每个样本和每个集群中心之间的最短距离。然后，我们可以知道每个样本的交通状态。具体公式如下： 在哪里 在哪里是甲状旁腺素公路交通状态预测样本;和分别为?的速度和密度参数甲状旁腺素公路交通状态预测样本;群集中心是jth.公路交通状态等级;和速度和密度是 那分别;和分别为速度和密度对交通状态分类影响的权重，本文认为其影响相同，即: ．

为了评价公路网的交通状况，需要计算所有公路网的平均速度和平均密度。基于K-means算法，可以得到公路网的平均交通状态。

3.案例研究

3．1.数据集

数据集由2016年9月5日至2016年9月12日的233个连续观测站点收集。由于原始数据集存在一定的质量问题，需要对数据集进行清理和处理。数据集是按方向、车道和车辆模式分类的综合交通流信息。观测间隔为5分钟，每个观测站每天采集288条数据。因此，从233个观测站收集了536832条数据。公路网观测站布置图如图所示1．观测站的主要属性信息如表所示1．一天的数据在Babaihu观察站列于表中2．每条公路上都有一个观测站，观测站的观测数据代表其所处公路的交通信息。

３．２．公路网交通状况划分

公路网由不同的高速公路组成，每条高速公路都有其特定的设计速度。因此，在使用FCM算法进行聚类之前，需要对公路网的交通流速度和密度进行标准化。标准化公式如下:

在使用FCM算法对公路网交通状态进行分类时，首先需要选择模型参数。如前所述，集群的数量C= 4。对于模糊加权指标M.，已经进行了大量的研究，人们普遍认为，要进行一般分类，M.= 2是理性的[30.］．研究了2016年9月5日至2016年9月11日从2016年9月5日收集的速度和密度数据。收集的数据集包含469,728个数据。计算的集群中心如下所示。

矩阵的第一列一种显示群集中心的归一化速度值。第二列是簇中心的归一化密度值。由于速度越快，密度越小，交通越好，矩阵中的四行一种从上到下分别显示严重拥塞状态、拥塞状态、一般状态和平滑状态的簇中心。FCM发现的聚类如图所示2．

3.3。高速公路网络交通状态预测

利用LSTM算法进行短期预测。2016年9月5日至2016年9月11日的数据为训练集，2016年9月12日的数据为测试集。分别预测了各观测站的速度和密度，并计算了预测误差。部分观测站预测速度与真实速度的对比如图所示3.．部分观测站预测密度与真实密度的对比如图所示4.．根据(9.） 和 （10)，得到了233个观测站速度和密度的MAPE和RMSE。得到的误差非常小，说明预测值比较准确。

3．4．公路网交通状况判别

每条公路的速度和密度由其所在观测站的观测结果决定。在判断各条公路的交通状态之前，应将预测的速度和密度值按照(13） 和 （14)．基于K-Means算法对每个高速公路的交通状态。然后，计算所有高速公路的平均速度和密度可以获得公路网络的平均交通状态。每个高速公路的平均交通状态的判别结果如图所示5.．并且分别标准化的平均预测速度和密度分别为0.7719和0.0467。因此，根据基于深度学习的高速公路网络交通状态的拟议评估和预测模型，2016年9月12日，233高速公路构成的公路网络的平均交通状况处于一般状态。

3．5.评价结果分析

为了证明所提模型的准确性，需要分析2016年9月12日公路网的真实平均交通状态。首先计算并归一化2016年9月12日各条公路的真实平均速度和密度，然后判别各条公路的平均交通状态，如图所示6.．公路网的真实归一化平均速度和密度分别为0.7710和0.0471。预测的交通状态和真实的交通状态是一致的，都处于一般状态。将各公路的预测平均交通状态与真实平均交通状态进行比较，各交通状态在公路网中所占比例如表所示3.．结果表明，拥塞状态和一般状态所占比例最大。约6%的高速公路处于严重拥堵状态，说明车辆的速度受到一定程度的限制。运行条件不好，高速公路处于高压状态。这种问题可能是由现有公路基础设施的供需不平衡和交通需求造成的。交通管理部门应重视这些公路的改造和发展。大约30%的高速公路处于拥堵状态，这些高速公路也应该受到关注。提前制定合理的交通组织规划和控制措施，缓解交通拥堵。当高速公路处于一般状态和平稳状态时，意味着车辆可以以较快的速度行驶，运行状态良好。在高速公路网中，超过50%的高速公路不拥堵。 It shows that the overall layout of the highway network is relatively reasonable, and the traffic condition is good. The evaluation and prediction of the traffic state of the highway network can play a role in prevention and planning in advance.

4.结论

提出了一种基于深度学习的公路网交通状态评价与预测模型。该模型由基于FCM算法的交通状态划分模型、基于LSTM算法的交通状态预测模型和基于K-Means算法的交通状态判别模型组成。本研究将公路网的交通状态分为四类:严重拥堵状态、拥堵状态、一般状态和畅通状态。选取交通流的速度和密度作为评价指标。为了验证模型的有效性，收集了2016年9月5日至2016年9月12日河北省233个观测站点的交通流量数据。观测间隔为5分钟，数据总数为536823条。主要研究结果如下:

2016年9月12日，预测的由233条公路组成的公路网平均交通状态为一般状态，与真实交通状态一致。公路网总体布局较为合理，交通供需基本平衡。

公路网交通状况是交通状况的客观反映。公路网交通状态的评价和预测提供了交通变化的动态特征。基于这些信息，旅行者可以更好地制定旅行计划，提高旅行效率。交通管理者也可以提前制定更好的交通组织计划，以减少交通拥堵。

数据可用性

用于支持本研究结果的数据可根据要求可从相应的作者获得。

的利益冲突

作者声明本文的发表不存在利益冲突。

致谢

河北省教育厅科研基金资助项目(no . ZD2021336)。河北省自然科学基金项目(no . E2019210305);河北省软科学研究项目(no . 20557673D)。关键词:岩石力学，数值模拟，数值模拟

参考文献

1. 河北省统计局，2019，http://www.hetj.gov.cn/hetj/app/tjgb/101591084423716.html.《河北省2019年经济社会发展统计报告》。
2. 戴兆祥和李鸿亨，“以服务水平为基础，在建造及营运阶段改善道路的交通情况”，IOP会议系列材料科学与工程第344期1、文章编号012018,2018。视图:出版商的网站|谷歌学者
3. S. Toru, M. B. Alexandre, K. Takahio等，“公路交通状态评估:综合调查”，年度管理检讨， vol. 43, pp. 128-151, 2017。视图:谷歌学者
4. H.-Y。王军，“普通公路交通运行状态评价方法研究”，公路与交通运输研究与发展杂志(英文版)，第10卷，第5期。2, pp. 73-78, 2016。视图:出版商的网站|谷歌学者
5. a . Zeroual, F. Harrou, Y. Sun等，“基于混合观察者策略的道路交通密度估计和拥堵检测”，可持续城市与社会， 2019年第46卷。视图:出版商的网站|谷歌学者
6. E. Ugnenko, E. Uzhvieva, Y. Voronova等，“城市地区道路网络交通流模拟”，Procedia工程，第134卷，第153-156页，2016。视图:出版商的网站|谷歌学者
7. X.-R H.-T。赵。刘,x。陈,J.-C。陆，“基于元胞自动机的车辆网络交叉口交通流模型”，物理A:统计力学及其应用，卷。494，pp。40-51,2018。视图:出版商的网站|谷歌学者
8. “基于状态空间模型的二维网络交通状态估计，”交通研究C部分:新兴技术，第113卷，176-192页，2020。视图:出版商的网站|谷歌学者
9. A. Jayasinghe, K. Sano, C. C. Abenayake, P. K. S. Mahanama，“一种模拟大规模城市道路网络路段交通的新方法”，MethodsX，第6卷，第1147-1163页，2019。视图:出版商的网站|谷歌学者
10. G.朱，K.宋，P. Zhang和L. Wang，基于隐马尔可夫模型的城市道路网络交通流量状态转换模型，“Neurocomputing第214卷第2期19, pp. 567-574, 2016。视图:出版商的网站|谷歌学者
11. D.-W。徐,h。盾,L.-M。Jia, and Y. Tian，“基于区域交通吸引子匹配的道路交通状态估计算法”，中南大学学报第21卷第2期5、2014年。视图:出版商的网站|谷歌学者
12. 徐大伟，董海华，李海君，贾利民，“基于压缩感知的道路交通状态估计，”运输计量学B:运输动力学，第3卷，第2期。2, pp. 131-152, 2015。视图:出版商的网站|谷歌学者
13. D.-W。徐,Y.-D。王,L.-M。贾玉琴，胡慧慧。董，“基于ARIMA和卡尔曼滤波的道路交通状态实时预测”，信息技术与电子工程前沿第18卷第2期2, pp. 287-302, 2017。视图:出版商的网站|谷歌学者
14. 徐东，王勇，彭鹏，“基于核函数的道路交通状态实时预测方法”，TransportMetrica A：运输科学，第16卷，第5期。1, pp. 104-118, 2018。视图:出版商的网站|谷歌学者
15. Xu D.和Peng P.，“一种基于深度学习的道路交通状态估计框架，”交通研究C部分:新兴技术，第117卷，2020年。视图:出版商的网站|谷歌学者
16. S. Amini，I.Gerostathopoulos，C.Prehofer等，“实时流量控制的大数据分析架构”IEEE智能交通系统模型与技术国际会议论文集，第710-715页，意大利那不勒斯，2017年6月。视图:谷歌学者
17. 王军，“基于深度学习的城市交通网络速度预测方法研究”，交通研究C部分:新兴技术，卷。100，pp。372-385,2019。视图:出版商的网站|谷歌学者
18. H. Bar-Gera，“评估基于移动电话的交通速度和旅行时间测量系统:来自以色列的案例研究”，交通研究C部分:新兴技术，第15卷，第5期。6，第380-391页，2007。视图:出版商的网站|谷歌学者
19. G. Fusco，C. Colombaroni，N.Isaenko等，“利用大城市公路网络的大数据的短期速度预测”，交通研究C部分:新兴技术， 2016年，第73卷，第183-201页。视图:出版商的网站|谷歌学者
20. 吴安，尹伟，杨学军，“基于浮动车辆数据的信号交叉口实时交通状态识别研究”，社会和行为科学， vol. 96, pp. 1578-1584, 2013。视图:出版商的网站|谷歌学者
21. M.-H。Wang, S. D. Schrock，和T. Mulinazzi，“使用手机网络数据估计动态出发地数据和旅行需求”，国际智能交通系统研究，第11卷，第5期。2, pp. 76-86, 2013。视图:出版商的网站|谷歌学者
22. B. Li，“基于单电感回路检测器数据的车辆平均车头时距递归估计”，交通研究B部分:方法论，卷。46，没有。1，pp。85-99,2012。视图:出版商的网站|谷歌学者
23. 李建军，范祖伦，魏刚等，“利用探测器数据诊断和插值环路检测器数据误差”，交通研究记录， vol. 2423, pp. 61-67, 2014。视图:出版商的网站|谷歌学者
24. 马晓霞，陶喆，王勇，余辉，王勇，“基于远程微波传感器数据的长短时记忆神经网络预测”，交通研究C部分:新兴技术， 2015年，第54卷，第187-197页。视图:出版商的网站|谷歌学者
25. 赵志钊，陈伟，吴昕，陈鹏程，刘建军，“基于LSTM网络的短期交通预测的深度学习方法”，智能交通系统，第11卷，第5期。2，第68-75页，2017。视图:出版商的网站|谷歌学者
26. 余建强，顾军，“基于图卷积生成自编码器的实时交通速度估计”，IEEE智能交通系统汇刊，第20卷，第2期。10，第3940-3951页，2019。视图:出版商的网站|谷歌学者
27. I. Laña, J. L. Lobo, E. Capecci, J. Del Ser，和N. Kasabov，“进化的峰值神经网络自适应长期交通状态估计”，交通研究C部分:新兴技术， vol. 101, pp. 126-144, 2019。视图:出版商的网站|谷歌学者
28. N. R. Pal和J. C. Bezdek，“模糊c均值模型的聚类效度”，模糊系统学报，第3卷，第2期。3，第370-379页，1995。视图:出版商的网站|谷歌学者
29. F. A. Gers, J. Schmidhuber，和F. Cummins，《学会忘记:LSTM的持续预测》，神经计算，第12卷，第2期10，页2451 - 2471,2000。视图:出版商的网站|谷歌学者
30. 陈志成，王伟，“基于机器学习的城市高速公路交通状态分类研究”，运输研究部分：政策和实践，第137卷，第411-428页，2020。视图:出版商的网站|谷歌学者

版权

版权所有©2021刘佳宇等人。这是一篇发布在创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。