基於深度學習的道路擁塞與交通流量預測

來自 搜狐網 的圖片

基於深度學習的道路擁塞與交通流量預測隨着改革開放的不斷深入，我國的國民經濟持續穩定增長。人民的生活水平普遍提高，城市機動車作為現代社會人們出行的主要交通工具之一，其數量正在顯著增加。

目錄

簡介

一些大中型城市開始面臨城市交通擁堵、交通秩序混亂，以及交通事故頻發等問題。儘管城市道路不斷進行改建、擴建，現有的城市交通發展依然不能滿足人們日益提高的交通出行要求。交通結構不合理、道路容量不足、交通控制管理設施不健全等嚴重阻礙了城市交通發展。為了解決上述問題，需要把車輛、道路、使用者和交通管理者密切結合起來，形成一種及時、準確、高效的交通管理系統。隨着物聯網技術的發展和 5G 的逐漸普及，智能化生活逐漸走進人們的視線。在此基礎上，考慮把計算機、通信、電子控制等技術融入交通管理系統，實現智能交通管控成為一種新思路。事實上，一些發達國家和北京等特大城市都在大力推進智能交通系統（ITS）建設。

交通流量預測是智能交通系統（ITS）中的關鍵一環，也是其中最具挑戰性的一部分。交通流量預測是指，在給定一系列歷史交通狀態和物理道路網絡的情況下，預測交通網絡中的未來交通狀態。交通流量進行預測對於城市道路規劃建設、機動車行駛路線選擇、交警力量等資源分配具有重要參考意義，因此研究準確高效的交通流量預測算法具有重要意義。由於近年來交通數據的數量和種類不斷增加，數據驅動的交通預測方法在性能上已顯示出相當大的潛力，優於傳統的基於模擬的方法。

我們的目標是設計一種道路擁塞程度和交通流量預測算法，在給定一定區域交通路線圖之後，對車流平均速度和交通流量歷史數據進行獲取，然後通過該算法可以對該區域未來一段時間內的道路擁塞程度和交通流量情況進行準確高效的預測，以對智能交通管控具有參考意義。

2 技術方案

2.1 問題分析

道路擁塞和交通流量預測在智能交通系統中起着至關重要的作用。準確的道路擁塞和交通預測可以輔助路線規劃，指導車輛調度，緩解交通擁堵。由於道路網絡中不同區域之間複雜且動態的時空依賴關係，該問題具有挑戰性。道路擁塞和交通流量預測主要是在給定一系列歷史交通狀態和物理道路網絡的情況下，預測交通網絡中的未來交通狀態。因此，進行道路擁塞和交通流量預測，首先要獲取預測區域的歷史交通狀態，即對該區域的歷史車流速度和交通流量進行統計；其次要獲取預測區域的空間相關性特徵，即不同路段之間的依賴關係；最後要根據已獲取的信息進行預測。所以在實現道路擁塞和交通流量過程中，我們的項目主要考慮解決以上三部分內容。

關於預測區域歷史車流速度和交通流量的歷史統計，可以採用一些公開信息，但為了是算法具有普適性，需要進行自主的車流速度和交通流量統計。關於車流平均速度採集一種可行的方法是在預測區域部署速度傳感器，進行速度監測，統計該路段在一定時間段內的平均車流速度，以平均車流速度間接反應交通流量，一般情況下車輛平均運行速度越慢反應道路越擁塞。該方法存在的問題是——需要進行相對密集的速度傳感器部署，工作量大、成本高，且這些速度傳感器除了統計測速外很少有其他用處。我們的項目採取的方法是直接利用現有交通網絡中部署的道路監控系統進行拍照、攝像等，對圖片進行信息提取從而直接獲取監測路段的車流速度和交通流量情況。

在分析預測區域的空間相關性時，在給定該區域交通路線圖的情況下，需要提取其中包含的空間相關性特徵。如何判斷道路之間存在空間相關性，一種可解釋的方案是距離較近的道路之間相關性會強，直接可達的道路之間的相關性也會強。因為一旦當前行駛路段發生交通堵塞、交通事故等突發情況時，人們通常會選擇變換到與當前相近或直接可達的其他路線。因此，在分析交通網絡空間依賴性時可以考慮道路之間的可達性和距離。

在此基礎上選擇效率和準確度高的預測算法進行未來交通流量預測。現有交通流量預測算法一般分為：經典統計方法和機器學習模型。其中，前者適用於交通系統不太複雜、交通數據集規模相對較小的情況。統計模型處理高維時間序列數據的能力非常有限。近年來，隨着計算能力的快速發展和交通數據量的迅速增長，關於交通流量預測的大部分最新工作都集中在機器學習方法上。因此，我們的項目選擇基於深度學習的數據驅動的交通預測算法。