高速公路交通流预测模型研究
黄紫竹
摘要 为了解决高速公路道路拥塞问题，建立相应的高速交通流预测模型是较好的解决途径。文章综合分析当前常见的交通流预测模型特点，提出了一种CNN-LSTM神经网络预测模型，该模型能够有效结合CNN神经网络和LSTM长短时神经网络的优点。通过采用该模型对西宝高速交通流进行预测后发现CNN-LSTM模型具有准确的预测性能，其可为高速公路交通管理运营提供数据支持，提高对突发事件的适应性。
关键词 高速公路;交通流;预测模型;CNN神经网络;LSTM
中图分类号 U491.112 文献标识码 A 文章编号 2096-8949（2022）10-0013-03
0 引言
近年来随着我国经济的快速发展，人们对于交通运输行业的发展也提出了更高的要求。当前我国高速公路的交通量与日俱增，常常出现高速堵车以及严重的交通事故。不仅影响了高速公路的正常运行，也给高速公路的通行安全带来极大的隐患。因此，准确地对高速公路交通流进行预测能够合理地规避上述问题，从本质上提升高速公路的服务质量。基于此，该文提出了一个基于CNN和LSTM的高速公路交通流预测模型，通过与其他模型对比分析后发现该模型在预测高速公路交通流方面具有更高的精确度。采用交通流预测模型能够为高速公路的管理和运营提供有力的技术支撑。
1 交通流预测模型
1.1 模型分类
国内外学者对于交通流预测模型展开深入研究，提出了近300余种预测模型，总体可归纳为统计方法模型、神经网络模型、非线性理论模型以及动态交通分配模型[1-3]。其中，统计方法模型是通过对历史数据进行统计分析，得出未来交通流的预测结果。此类模型简单，所需检测设备简单，一般适用于特定路段的预测。由于模型预测精度较差且不具备实时性，因此，目前已较少应用此类模型来预测高速公路的交通流。作为一种新兴的数学方法，神经网络的黑箱型的学习模式使其在交通流预测方面具有显著优势。在不需要任何经验预测公式的基础上，仅需对数据样本进行学习便能得到准确的数学模型。也正基于此优点，神经网络模型在预测时必须具有大量的数据样本，一旦数据样本较少，容易造成模型预测结果偏差很大。由于此类模型仅适用于预测数据所处的高速公路，对其他路段的交通流预测不具有普适性。非线性预测模型常以混沌理论、耗散理论等非线性系统为基础，采用相关的非线性概念建立交通流预测模型。此类模型最大的特点是仅适用于交通流的短期预测，而不能用于长期预测。动态交通分配模型是用获取的数据进行模拟，从而得到交通流的预测数据，由于采用静态交通分配假设来进行动态交通流的预测，因此具备良好的理论基础，但有些模型尽管解释性好但可能存在无法求解或求解复杂等问题。此类模型一般不适用于大规模路网交通流的预测。表1中简要给出了当前用于高速公路交通流预测的模型特征。
1.2 模型网络结构
图1为该文设计的高速公路交通流神经网络模型结构。预测模型由输入层、隐藏层和输出层组成[4-5]。输入层主要是对高速公路交通流照片进行采样，操作流程是输入交通流照片。隐藏层包含CNN卷积神经网络和LSTM长短期神经网络，其主要工作是将输入层的图片特征进行分析并最终输出到LSTM中对交通流进行最后预测。基于CNN-LSTM神经网络预测模型主要采用卷积层、池化层、全连接层以及LSTM，其中卷积层与池化层相对应，在池化层后将池化层的节点全部展开成特征向量形式，并最终输入到LSTM长短期神经网络中进行预测分析。
考虑到高速公路的交通流具有空间和时间效应，因此，在进行建模预测时必须将空间和时间作为整体。由于CNN卷积神经网络能较好捕捉交通流的空间特征，因此，在后续的信息数据处理过程中必须考虑时间对交通流的影响。由于LSTM能够反映输入数据前后间的相互影响，因此，以其作为对交通流预测的时间响应模型。LSTM作为一种特殊的循环神经网络，通常由输入门、遗忘门以及输出门组成，分别起着控制当前网络状态所需存储的信息量、确定需要丢弃的状态信息以及决定最后输出的信息量的作用。单个时间步下的LSTM的网络结构可表示为图2。CNN-LSTM神经网络的卷积层的核心是提取交通流图片上的特征信息并进行分析。假定图片大小为M＼timesN，采用卷积核对图像区域进行点乘从而得到卷积后图像的像素值。按照上述方法，对图像进行多次采用后，将所得数据存储为一列即可实现全连接层的搭建。
1.3 模型构建
交通流预测模型的构建主要由卷积层、池化层、全连接层以及输出层四部分组成。假定在当前时刻高速公路的交通流为一组特征向量，为准确预测一定时间内的高速公路交通流，因此，在上述特征向量的基础上考虑时间的影响，从而将其转化为了矩阵向量。卷积核和图像的像素分别表示为M×N和m×n，卷积层通过采用Relu激励函数对卷积面中的所有元素按下式进行计算：
式中，y为节点i与j的交通流情况，w为计算权重函数，m和n分别为交通流数据。
池化层采用下采样法进行计算，将特征映射进行区域划分后计算该区域的特征值。针对全连接层而言，作为前馈网络通常采用同卷积层相同的Relu激活网络进行计算，并得到交通流的特征信息。全连接层的输出作为LSTM层的输入，该层的输出被送入Softmax分類器中进行分类，计算出现车辆特征的最大概率。
2 试验结果分析
2.1 数据来源及数据预处理
该文的实验数据来自西安市交通管理部门，路段为西宝高速路段，选取这条道路上的三个具有“上下游”关系的监测点的交通流量进行研究。结合道路1和道路2的交通量，对道路2的交通量进行预测。交通流量每10分钟统计一次，共1个月数据（2019.12.1—2019.12.30），获得数据4 350条。其中，以2019.12.1—2019.12.24时间段的车流量数据为训练样本，以2019.12.25—2019.12.30时间段的车流量为测试样本。作为模型输入的训练样本3 350个，测试样本1 000个。
2.2 评价标准
为了准确地预测该路段未来的交通流的趋势，所建立的交通流预测模型往往需要一个合适的评价指标。为了更加精确地反映该文所建立模型的精度，采用了均方根误差（RMSE）、平均绝对误差（MAE）和拟合优度（R）3个评价指标来验证该文所提出的交通流预测模型的性能。这些评价指标的表达式可表示为：
2.3 模型参数分析
由于模型构建中CNN神经中卷积核的尺寸和模型的迭代次数对试验结果的精度有一定影响，因此，在开展模型训练及预测之前须开展交通流预测模型的自身参数研究。为了更为合理地确定卷积核尺寸大小和迭代次数，实验过程中对不同卷积尺寸和迭代次数下模型预测的均方根误差RMSE进行了统计，结果如图3所示。结果表明，卷积核尺寸为3×3时，模型的预测误差最小;当卷积核尺寸2×2和7×7时，模型的预测误差较大，且最为复杂。虽然卷积核尺寸在3×3至6×6时均具有较小的RMSE，但考虑到卷积核尺寸越小，对模型预测速度影响较大。因此，模型中的卷积核尺寸最终确定为3×3。类似的，迭代次数与模型预测精度也表现为非线性关系，单一提高模型的迭代次数并非会得到更为准确的预测结果，根据对实验结果的分析，模型的迭代次数确定为120次。
2.4 模型训练
在建立好高速公路交通流的CNN-LSTM预测模型后，将预先准备好的训练数据集和测试数据集输入到该模型中并进行后续的训练和测试工作。通过对模型参数调整，得到了交通流的预测结果。同时为了体现该文所建立模型的精度和优越性，对比分析了基于CNN神经网络建立的交通流预测模型所预测的试验结果，如图4所示。从图中可以看出，相较于基本的CNN神经网络预测模型，该文所建立的CNN-LSTM模型与实际交通流更为接近，且精度更高，因此，采用本模型来模拟高速公路交通流时具有更好的效果。除此之外，为了更直观地反映这两个模型在模拟交通流时的精度，表2给出了各自模型的误差评价指标。根据表及评价指标可知，CNN-LSTM预测模型的误差指标均显著低于基本的CNN神经网络预测模型。综上所述，CNN-LSTM模型在预测高速公路交通流方面更具优越性。
3 结论
作為高速公路运行规划的前提条件，交通流预测是制约高速公路安全运营的主要因素。该研究以深度神经网络为研究手段，通过结合CNN在数据提取方面和LSTM在前后交通流数据处理方面的优点，提出了CNN-LSTM交通流预测模型。以西宝高速为例，在经过调整模型参数后开展该模型的训练和预测工作。通过对比预测交通流与实际交通流发现，该文所建立的CNN-LSTM交通流预测模型在高速公路交通流预测方面具有极高的精度，为交通管理和控制提供有效的依据。
参考文献
[1]高小婷. 基于时空相关性的短时交通流预测模型[J]. 电脑知识与技术， 2020（18）：
12-14.
[2]唐凡. 基于神经网络的城市交通流预测研究[J]. 四川水泥， 2019（4）：
335.
[3]蒋亚平， 郭俊亮， 赵军伟. 基于组合模型的短时交通流预测[J]. 现代计算机， 2013（7）：
26-29.
[4]胡伍生， 吕楚男， 夏晓明. 基于神经网络的短期交通流预测模型[J]. 现代测绘， 2020（5）：
10-13.
[5]蒲悦逸， 王文涵， 朱强， 等. 基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法[J]. 北京邮电大学学报， 2020（5）：
9-14.