基于车辆大数据和深度神经网路的AI路况短期预测模型及应用

胡正 彭建

摘要 文章提出基于车辆大数据和深度神经网路的AI路况短期预测模型，在不扩张路网规模的前提下，综合运用智能AI来提高交通运输的效率和交通路网的通行能力。同时，文章基于预测模型开发了智慧交通实时AI路况发布系统中AI路况短期预测应用，提供了短期路况预测信息，能够对路口、路段、区域的道路交通服务水平给出实时评价，为道路交通管理决策提供支持，进一步验证了方案的可行性。

关键词 深度学习;AI（人工智能）;交通安全;大数据

中图分类号 D631.5 文献标识码 A 文章编号 2096-8949（2022）01-0059-04

0 引言

2019年9月19日，国务院正式印发《交通强国建设纲要》，提出“交通强国”战略。旨在推进数据资源赋能交通发展，加速交通基础设施网、运输服务网、能源网与信息网络融合发展，构建先进的交通信息基础设施。构建综合交通大数据中心体系，深化交通公共服务和电子政务发展。同时，随着汽车保有量的持续增长，许多城市的道路承载容量已经达到饱和，交通安全、出行效率、环境保护等问题突出，交通问题在一定程度上已经成为制约经济、社会稳定发展的“瓶颈”问题。然而有限的土地和经济制约等使得道路建设不可能达到相对满意的里程数，就需要在不扩张路网规模的前提下，综合运用现代信息与通信技术等手段来提高交通运输的效率，以提高交通路网的通行能力[1]。

实时准确的交通流量预测，即有效地利用大量实时交通数据信息去滚动预测未来几分钟内的交通状况，这种短期预测与以小时、天、月甚至是年计算的基于交通规划的战略预测有着本质区别，其结果可以直接运用到智能交通系统中协助交通拥堵预测研判、警力资源合理调度，提高交通治理效率以及给出行者提供实时有效的信息。

英国、德国、美国有一些州市正在研究和建立交通预测系统，国内学者、企业对交通流短期预测模型進行了一定的研究。某公司整合动态数据在武汉市进行智慧交通应用建设，包括对城市拥堵的短时间预测等应用。某公司利用自身的硬件存储资源优势进行车辆大数据整合，特别在红绿灯优化方面进行了一定程度的研究。交通短时预测需要强大的数据支撑以及模型的训练、验证，才能实现一定的效果。目前，诸多单位基于自身优势进行了研究探索并取得了一些成果，但仍存在着很大的研究与应用空间。

1 技术路线

1.1 大数据应用平台

多源数据融合对来自多源、多媒质、不同时间、不同模式、不同表示方法的传感器数据和信息按一定的准则，结合知识库，分析、综合为一个全面的情报，最后得到被感知对象更精确的描述，并在此基础上为用户提供需求信息。其最大优势在于它能合理协调多元数据，充分综合有用信息，在较短时间内、以较小的代价，得到使用单个传感器所不能得到的数据特征[2]。

该文方案形成海量车辆位置大数据，实现数据接入、清洗、转换和标准化等处理流程，其包括路况相关的道路属性、时间属性、空间属性等特征量，通过进一步接入某省交警行业相关数据来丰富车辆大数据，在完成数据接入、清洗、入库的同时，实现车辆动态、静态数据可视化管理、数据及时更新与维护，保证数据的现势性，实时同步数据包括“浮动车”“两客一危”“GPS轨迹”“公交”“气象”融合组成的路况数据，同步频率为分钟级（如图1）。

1.2 深度神经网络预测模型构成

神经网络能够依据实时的交通信息更新网络，可以保证预测的实时性，同时适合交通系统影响因素多的特点，不仅可以利用研究路段的历史数据，还考虑相关路段的影响以及各种影响交通系统的因素，如天气情况、道路施工情况、事故情况、道路条件等。

深度神经网络预测中一项非常重要的工作便是特征提取，前期工作便是数据挖掘，挖掘隐藏在数据中对短期预测有价值的信息。下面是从时间、空间领域两维度做的数据分析。通过对数据的初步分析发现，不同的时间（星期特征日、工作日、周末、小时）、空间（道路的属性、道路等级、道路长度等）信息，路况的速度分布有着明显的差异性，因此，特征提取工作主要分成时间维度相关特征提取和空间相关特征维度提取两方面[3]。

该文依据深度神经网络技术从时间和空间两个维度对车辆位置大数据的属性数据中进行深度挖掘，提取数据中对短期路况预测有价值的显式和隐式信息，形成深度神经网络依赖的特征量，如时间-速度关系，工作日-速度关系，星期-速度关系，从而建立理想的预测模型。

1.3 利用位置大数据进行路况短期预测和调优

预测模型不同于基于交通模式的路况预测模型，该文通过确定反映待预测路链特征的特征数据向量，进一步根据预设交通流信息库确定该特征数据向量对应的真实路况值，最后根据该特征数据向量以及真实路况值建立路况预测模型。

该文挖掘影响道路未来2 h速度的影响因素，将影响因素转化为机器学习任务的特征X，结合历史未来2 h的速度真值Y，利用深度学习算法学习X与Y之间的映射关系。最终在不知道未来1 h速度的情况下，把X输入到深度神经网络模型，模型推理得到未来1 h的速度预测值Y，并最终形成预测服务发布给用户。

1.4 方案实现

该文应用实现卡口、各警种内部浮动车数据与互联网浮动车数据与车辆网、手机信令以及天气等多种数据融合，将形成符合城市真实运行状态的实时动态交通信息。路况预测模型采用特征数据向量和对应的真实路况值作为训练数据，不仅能够表现出个体差异性，还能够使路况预测变得更加准确，打破了传统路况预测准确率的瓶颈。

2 实验与结果分析

该文分别对预测技术、预测方案选型、深度神经网络预测过程进行了分析，其中预测技术分析包含以下几种方法：

（1）历史数据填补预测法-CONT。使用某路段的行驶速度、旅行时间对预测值进行填补。即预测5 min后的速度等于当前速度，预测10 min、15 min……后的速度也等于当前速度。该方法被很多短期预测系统采用，不需要进行复杂的建模，同时在短期预测时（例如5～15 min），一条路段的速度变化比较少，因此使用该方法在短期预测时会比较有效。

（2）时间序列预测法-AR。在交通流预测的研究中非常广泛地使用，它通过历史数据生成（时间，速度/旅行时间）的数据对，再据此数据对生成连续的时间序列。该方法首先建立历史的速度Pattern，形如（Link id，Day of week，time stamp of day，speed）。即对每条路段分成特征日和时间戳，每个时间戳时长5 min，因此一天为288个时间戳，特征日/时间戳对应一个平均速度，将该平均速度作为一个历史“基准速度”，随后基于此Pattern对所有历史速度进行差分，并基于差分结果建立训练模型[4]。

（3）历史数据统计预测法-STAT。对每条路段根据特征日（周一—周日），时间戳进行历史平均速度统计，预测时提取这条路段相应特征日，时间戳的速度作为预测速度。

（4）深度神经网絡预测法-DNN。建立两层网络，输入前3 h每个时间戳的速度向量，输出为预测1 h的速度向量。该模块中调参的目标是使预测值与真实值接近，但调参是基于历史数据的，因此调整的参数只是对于该训练所用的历史数据最为合适的，并不一定意味着对于其他时间都是最为有效，因此在有新数据时需要“适时”更新，以达到最佳效果。

使用相同数据分别用上述模型进行训练，并用相同测试数据进行测试后对比分析各个模型的优劣及适应情况，情况如图2所示。

上图为多种预测模型使用相同的三周数据的非深夜时段作为测试的结果。其中每个柱状表示一种算法预测一种时长的速度的平均误差。可以看出有如下两点规律：

对于大部分算法而言，预测的时长越长（即预测离当前时间越久）那么误差率将会越高，也就是预测越不准确。这可以理解为，越靠近当前时间的路况，其规律性越强，而越久之后的路况由于各种因素的影响（例如事故，流量不可预计的变化等等），越难预测。从预测误差率来看，25 min以内，大部分算法可以将误差率保持在20%以下，这也是可以接受的误差率，在此误差率下，预测的准确度较高。而25 min以后误差率普遍分布在20%～30%之间，这些数据可以有选择地使用，即它们可能会出现预测比较不准的情况，虽然总体平均误差并不是很高。

对于各种不同模型，可以看出其在不同预测时长的差异。比较明显的是CONT和STAT，CONT在短时预测（5～25 min）时，其误差率一直是最低的，但是随着时长变长，预测准确率的下降非常明显。而STAT模型却相反，它的预测误差率在所有时长上保持一个比较平稳的水平，不随着预测时长的增加而变化，因此虽然在短时预测时其误差率越超其他几种模型，但是在50 min之后，由于其他模型在此时已经都很难预测准确，STAT模型反而比其他模型预测得更为准确。可以预见，在1 h之后，这种模型对于其他模型的优势将越来越明显[5]。

该文的目标为预测值无限接近于真实值，目前主流的评价标准有以下几种：

MAE（平均绝对误差），MSE（平均平方差），MAPE（平均相对误差率），考虑到准确率是预测关键评价指标，因此该项目把MAPE作为评价指标。

由于该指标属于误差值，因此MAPE值越小越好。代表模型预测越准确，准确率越高。DNN模型在执行效率、模型调优难易程度、模型的性能等维度方面展示很好的综合性能，用某地2019年9月份近一个月数据对模型进行评价，评价结果如图3所示。

DNN适合规律性较差的时间序列。特征日的规律难找，特征日之内时间戳的规律也比较难找，且变化幅度较大的情况。图3为不同日的早高峰速度曲线。DNN算法是带入之前历史上发生过的4 h状态，如果前3 h状态经过转换后可以与预测前3 h状态相仿，那所预测的最后1 h状态就与该次历史的最后1 h速度相近。因此它并不涉及特征日，时间戳等特性，而仅仅是时间序列的规律性。神经网络方法是用于发布段较短，且离上下闸道较近的情况，尤其是高峰期其效果相对于其他方法要明显一点。故该文中采用DNN作为短期预测方案[6]。

3 结论

该文结合实际需求对基于车辆大数据和深度神经网络的AI路况短期预测模型进行研究应用，并提出了实施方案进行应用，实施结果表明该方案具有良好的可行性。

AI路况预测服务的应用基于通过实时交通信息服务，实现预测交通运行态势、判定拥堵级别，为交通管理部门提供辅助决策支持，提高出警效率，同时基于未来路况智慧规划出行路径提供实时诱导，缩短公众出行时间，极大提高城市交通出行体验。从而降低城市拥堵率、保证城市交通畅通，是“城市交通大脑”的重要组成部分，对于提高交通管理水平，提升城市整体形象起着重要作用。

随着市场逐步推广，该文应用研究将应用到更多产品以及项目建设中，通过不断地模型训练优化以及矫正，不断提高路况预测的准确率。综合不同预测技术及模型，并结合实际情况相应模型调整，或者综合多种模型应用进行实际路况预测，提高实际应用的准确率和适应性。

参考文献

[1]李亮.大数据背景下智慧公安交通管理系统建设研究[D].北京：中国人民公安大学，2019.

[2]沈国江，王啸虎，孔祥杰.短时交通流量智能组合预测模型及应用[J].系统工程理论与实践，2011（3）：561-568.

[3]周翔宇.基于感知数据的路况信息管理服务系统软件体系结构设计[D].天津：天津大学，2012.

[4]赵雅丽.基于深度学习的车辆跟踪算法研究[D].北京：北京工业大学，2018.

[5]罗军舟，金嘉晖，宋爱波，等.云计算：体系架构与关键技术[J].通信学报，2011（7）：3-21.

[6]党倩，王维锋，丁闪闪，等.基于ArcEngine的交通运行监测系统设计与实现[J].华东交通大学学报，2016（3）：74-78.