一种考虑时空关联的深度学习短时交通流预测方法

【摘  要】空间关联特性的关联因素过于复杂且难以量化等问题导致短时交通流预测过于依赖时间关联特性。针对这一问题，提出一种考虑时空关联的深度学习短时交通流预测方法。首先，通过构建同时考虑距离、车流流量相似性和车流速度相似性的空间关联性度量函数，量化目标路段与周边关联道路间的空间关联性。然后，构建内嵌长短时记忆神经元的卷积神经网络模型，利用长短时记忆神经元提取数据间的时间关联性，利用空间关联性度量值及交通数据的卷积传输提取数据间的空间关联性，以实现同时考虑时空关联性的交通流预测。实验结果表明，提出的方法能适应工作日和周末等不同交通流特性条件下的短时预测，且与经典方法相比，预测精度更优，在工作日和周末的预测偏差分别为10.45%和12.35%。

【关键词】  深度学习 ; 智能交通 ; 交通预测 ; 长短时记忆神经网络 ; 卷积神经网络

1.引言

短时交通流预测是智能交通及大数据处理领域的热点研究问题之一。精确的短时交通流预测是实现高效智能交通诱导和交通管控的关键技术，是提高通行效率、缓解交通拥堵的重要环节。特别在雨雪天气、交通事故发生区域和交通高峰时期等交通极易发生拥堵的情况下，精确的短时交通流预测显得极为重要，不仅能为出行者选择最优路径提供判断依据，同时也能为管理者制定有效的控制措施提供强有力的数据支撑，从而实现缓解交通拥堵、保障交通安全和减少尾气排放等目标。

经典的短时交通流预测方法多关注交通流参数在时间上的关联性，然后利用此特点实现预测。比较有代表性的方法有时间序列法、卡尔曼滤波法、支持向量回归等。这类方法充分考虑了交通流历史数据与未来数据的时间关联，利用回归等方法实现短时预测。然而交通流复杂多变，特别是在恶劣天气和发生交通事故的条件下，交通流极易发生突变，使下一时刻的交通特性较上一时刻发生显著变化。时间关