基于神經(jīng)網(wǎng)絡(luò)的城市道路交通誘導(dǎo)算法設(shè)計(jì)

張揚(yáng)永

(中共福建省委黨校，福建 福州 350001)

隨著21世紀(jì)科學(xué)的發(fā)展，我國(guó)經(jīng)濟(jì)與社會(huì)等方面取得了飛躍式的發(fā)展，汽車己成為現(xiàn)代文明與進(jìn)步的象征和標(biāo)志，而且是城市和鄉(xiāng)村的社會(huì)生活中不可缺少的重要組成部分，給城鄉(xiāng)面貌帶來(lái)巨大的變化，尤其是城市規(guī)模和道路發(fā)展[1-2]。道路交通是社會(huì)和經(jīng)濟(jì)活動(dòng)的關(guān)鍵紐帶，在促進(jìn)城市和區(qū)域經(jīng)濟(jì)發(fā)展以及提高人民生活水平方面都有著極其重要的作用，其信息化管理水平也伴隨著社會(huì)經(jīng)濟(jì)的發(fā)展而不斷提高。然而，現(xiàn)實(shí)中城市規(guī)模的不斷擴(kuò)大，交通參與人及機(jī)動(dòng)車數(shù)量劇增，帶來(lái)了一系列的交通管理問(wèn)題。同時(shí)，與大力度投入建設(shè)道路相比，現(xiàn)代化的技術(shù)手段能進(jìn)一步發(fā)揮道路網(wǎng)絡(luò)的潛在功能，全面提高運(yùn)輸效率，緩解道路交通緊張局面，其投入少、見(jiàn)效快，更具有現(xiàn)實(shí)意義[3-4]。因此，智能交通系統(tǒng)(intelligent traffic system, ITS)應(yīng)運(yùn)而生，它是運(yùn)用先進(jìn)的計(jì)算機(jī)信息技術(shù)、計(jì)算機(jī)通訊技術(shù)、物聯(lián)網(wǎng)技術(shù)，建立適合城市范圍內(nèi)，實(shí)時(shí)、準(zhǔn)確、高效的綜合運(yùn)輸和管理系統(tǒng)，有效地集成運(yùn)用于整個(gè)交通運(yùn)輸管理體系[5]。鑒于ITS在道路交通管理中的應(yīng)用有很大成效，前期也有很多學(xué)者研究衛(wèi)星技術(shù)、信息技術(shù)、數(shù)據(jù)通訊傳輸技術(shù)、電子傳感技術(shù)、電子控制技術(shù)和計(jì)算機(jī)處理技術(shù)等在ITS中的綜合應(yīng)用，也借鑒了國(guó)外ITS應(yīng)用[6]。然而，我國(guó)道路交通信息化一方面存在管理認(rèn)識(shí)模糊、不到位，信息孤島現(xiàn)象突出、隊(duì)伍素質(zhì)不夠高、管理體制不適應(yīng)和無(wú)經(jīng)濟(jì)保障等問(wèn)題，另一方面，國(guó)外道路設(shè)計(jì)、人口分布、交通量、變化規(guī)律等與我國(guó)有較大區(qū)別，因此，我國(guó)學(xué)者在ITS方面的研究逐步轉(zhuǎn)向動(dòng)態(tài)全球定位系統(tǒng)(global positioning system, GPS)誘導(dǎo)、路段速度估算、人工智能應(yīng)用等道路交通誘導(dǎo)技術(shù)上，涉及誘導(dǎo)改進(jìn)算法和模型有KNN((K-nearest neighbor)、BP、CNN(convolutional neural network)、LSTM(long-short term memory)等，從而強(qiáng)調(diào)了計(jì)算機(jī)算法提升在道路交通中的應(yīng)用[2,7]。跟以往強(qiáng)調(diào)大規(guī)模的基礎(chǔ)建設(shè)投入相比，本文更加強(qiáng)調(diào)運(yùn)用科學(xué)技術(shù)和計(jì)算機(jī)算法改進(jìn)智能交通方面的應(yīng)用，針對(duì)現(xiàn)有道路交通誘導(dǎo)技術(shù)，應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)改善道路交通，提高道路交通人工智能應(yīng)用水平。

1 道路交通誘導(dǎo)技術(shù)

1) 動(dòng)態(tài)GPS誘導(dǎo)技術(shù)。GPS是為了在全球范圍內(nèi)，向用戶提供精確的、連續(xù)的三維位置和速度信息，與GPS密切相關(guān)的信息技術(shù)還有地理信息系統(tǒng)(geographic information system, GIS)是在計(jì)算機(jī)硬、軟件系統(tǒng)支持下，分析和處理海量地理數(shù)據(jù)的通用技術(shù)，主要針對(duì)地理分布的數(shù)據(jù)進(jìn)行采集、儲(chǔ)存和相關(guān)處理的技術(shù)系統(tǒng)。GPS/GIS系統(tǒng)在ITS中應(yīng)用，尤其是交通管理方面日益顯示出巨大能力，將動(dòng)態(tài)GPS技術(shù)引用到我國(guó)各大城市道路交通管理當(dāng)中，設(shè)計(jì)城市道路交通誘導(dǎo)系統(tǒng)，緩解交通擁堵現(xiàn)象，減輕交通壓力，提高城市道路交通運(yùn)輸效率，成為提高道路交通管理的重要手段[8-9]。動(dòng)態(tài)GPS誘導(dǎo)技術(shù)應(yīng)用有如下兩方面。

路線優(yōu)化模塊：交通信息服務(wù)子系統(tǒng)是交通誘導(dǎo)系統(tǒng)的重要組成部分，它把主機(jī)運(yùn)算出來(lái)的交通信息(包括預(yù)測(cè)的交通信息)通過(guò)各種傳播媒體傳送給公眾。這些媒體包括有線電視、聯(lián)網(wǎng)的計(jì)算機(jī)、收音機(jī)、路邊的可變信息標(biāo)志和車載的信息系統(tǒng)等。

行車路線優(yōu)化子系統(tǒng)：依據(jù)車輛定位子系統(tǒng)所確定的車輛在網(wǎng)絡(luò)中的位置和出行者輸入的目的地結(jié)合交通數(shù)據(jù)采集子系統(tǒng)傳輸?shù)穆肪W(wǎng)交通信息，為出行者提供能夠避免交通擁擠、減少延誤及高效率到達(dá)目的地的行車路線。在車載信息系統(tǒng)的顯示屏上給出車輛行駛前方道路的路網(wǎng)狀況圖，并用箭頭線及各種顏色標(biāo)示建議的行駛路線和最佳路線。

2) 路段速度估算技術(shù)。該技術(shù)(部分學(xué)者使用路段流量估算研究，都是交通流最基本也是最重要的參數(shù)，其估算基本思想相似)是利用路段部分車輛的平均行駛速度代表實(shí)際路段速度，同時(shí)也體現(xiàn)了道路服務(wù)水平[10-11]。然而準(zhǔn)確估計(jì)路段速度不僅非常關(guān)鍵，而且有一定技術(shù)難度，受采樣時(shí)間、GPS點(diǎn)數(shù)、路段距離干擾較大，如采樣時(shí)間間隔越長(zhǎng)，速度估算越不準(zhǔn)確；GPS點(diǎn)數(shù)越少，速度估算也越不準(zhǔn)確。當(dāng)前研究熱點(diǎn)在不同的時(shí)間段(同時(shí)區(qū)分工作日和周末)以及相鄰路段的速度預(yù)測(cè)，部分研究表明路段估算速度與路段真實(shí)速度(一般取實(shí)際速度的平均值)之間的誤差越少，其模型越好，而模型效果大多依賴于現(xiàn)有數(shù)據(jù)集中的數(shù)據(jù)成分，如車輛數(shù)量越多則誤差越少，數(shù)據(jù)偏少時(shí)則會(huì)出現(xiàn)相鄰路段數(shù)據(jù)與當(dāng)前路段的數(shù)據(jù)預(yù)測(cè)不符[12-13]。通常情況下，GPS點(diǎn)數(shù)、路段分布和不同的計(jì)算時(shí)間均會(huì)影響預(yù)測(cè)結(jié)果，因此單一的路段速度估算技術(shù)，往往只能適用其中的一類數(shù)據(jù)集效果，應(yīng)用到其他數(shù)據(jù)集則效果變差。路段節(jié)點(diǎn)之間交通流的影響規(guī)律本身就比較復(fù)雜，如路段節(jié)點(diǎn)之間擁堵可能會(huì)影響其他多個(gè)路段節(jié)點(diǎn)的交通流，不僅停留在與相鄰路段節(jié)點(diǎn)之間，而且，要考慮相對(duì)路段信息的隨機(jī)、動(dòng)態(tài)特征在路段速度估算技術(shù)中的應(yīng)用，開(kāi)始結(jié)合神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)融合技術(shù)，也逐漸發(fā)展到人工智能在ITS中的應(yīng)用。

3) 人工智能應(yīng)用技術(shù)。人工智能(artificial intelligence, AI)技術(shù)日益成熟，應(yīng)用領(lǐng)域也不斷擴(kuò)大，從計(jì)算機(jī)科學(xué)的一個(gè)分支發(fā)展到十分廣泛、復(fù)雜的科學(xué)，其中以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)發(fā)展起來(lái)的機(jī)器學(xué)習(xí)模型成為長(zhǎng)期研究熱點(diǎn)。機(jī)器學(xué)習(xí)的基礎(chǔ)理論為統(tǒng)計(jì)學(xué)、信息論和控制論，對(duì)歷史數(shù)據(jù)(也稱經(jīng)驗(yàn))有著重要的依賴，如神絡(luò)網(wǎng)絡(luò)模型中的輸入端均為歷史數(shù)據(jù)已經(jīng)發(fā)生過(guò)的信息，輸出端為歷史數(shù)據(jù)發(fā)生的結(jié)果，在不斷的學(xué)習(xí)(多次迭代的學(xué)習(xí)稱“深度學(xué)習(xí)”)中調(diào)整網(wǎng)絡(luò)中的權(quán)重，從而減少擬合值與實(shí)現(xiàn)值的誤差[14]。近年來(lái)，人工智能各類算法層出不窮，模型的驗(yàn)證方式并不統(tǒng)一，為檢驗(yàn)人工智能各類算法的效率、準(zhǔn)確率等，國(guó)內(nèi)外大數(shù)據(jù)相關(guān)機(jī)構(gòu)逐步完善了各類數(shù)據(jù)集(一般分為訓(xùn)練集和測(cè)試集)，在智能交通領(lǐng)域上，最為典型的開(kāi)放數(shù)據(jù)集為美國(guó)的交通部數(shù)據(jù)(https://www.its.dot.gov)。深度學(xué)習(xí)在道路交通流量預(yù)測(cè)主要包括短期交通流量和中長(zhǎng)期交通流量等的預(yù)測(cè)，由于ITS應(yīng)用更偏向于時(shí)效性，因此更加注重短期交通流量預(yù)測(cè)，相關(guān)預(yù)測(cè)有交通流量，交通速度，交通密度等[15-16]。較早人工智能模型是基于傳統(tǒng)數(shù)學(xué)方法和時(shí)間序列，如：最近鄰算法(KNN)、自回歸模型(autoregressive, AR)、滑動(dòng)平均模型(moving average, MA)、自回歸滑動(dòng)平均模型(auto-regressive and moving average, ARMA)等，隨著研究的深入，更高預(yù)測(cè)精度的方法逐漸轉(zhuǎn)向支持向量機(jī)模型(support vector machine, SVM)、人工神經(jīng)網(wǎng)絡(luò)模型(artificial neural network, ANN)等，其中神經(jīng)網(wǎng)絡(luò)模型具有良好適應(yīng)性的預(yù)測(cè)優(yōu)勢(shì)，以及隨著訓(xùn)練樣本不斷累積，其性能表現(xiàn)越優(yōu)，因此受到學(xué)者們的熱棒，如：深度信任網(wǎng)絡(luò)模型(deep belief network, DBN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)等常用于流量預(yù)測(cè)的通用基本網(wǎng)絡(luò)模型[14-18]。

2 算法設(shè)計(jì)

當(dāng)前，隨著深度學(xué)習(xí)技術(shù)在各行各業(yè)的應(yīng)用，相關(guān)的方法及變形越來(lái)越多，本文以BP神經(jīng)網(wǎng)絡(luò)在城市道路交通誘導(dǎo)路線應(yīng)用進(jìn)行算法設(shè)計(jì)，從而提升ITS的道路交通誘導(dǎo)能力。根據(jù)選取的實(shí)驗(yàn)道路的數(shù)據(jù)集，以路況起始時(shí)間、結(jié)束時(shí)間對(duì)行車方向、車道數(shù)、車流量、平均速度、車道占有率、視頻信號(hào)狀態(tài)、車輛信息等數(shù)據(jù)作為輸入，輸入節(jié)點(diǎn)以隨機(jī)權(quán)重傳輸至隱藏層，然后通過(guò)神經(jīng)網(wǎng)絡(luò)中間隱藏層不定層數(shù)和節(jié)點(diǎn)數(shù)(均大于等于1)，訓(xùn)練其輸出與交通路況(1-順暢，2-緩慢，3-擁堵)預(yù)期是否一致，不一致的誤差進(jìn)行反向修正權(quán)重，不斷訓(xùn)練以期獲得較理想的結(jié)果，BP神經(jīng)網(wǎng)絡(luò)傳遞過(guò)程如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)模型包括信息的前向傳播和誤差的反向權(quán)重修復(fù)傳播兩個(gè)過(guò)程，通過(guò)不斷迭代進(jìn)行修復(fù)權(quán)重信息，該模型首先讀取道路交通數(shù)據(jù)集，獲得輸入矩陣I，設(shè)置學(xué)習(xí)率、迭代次數(shù)等信息，以下步驟分前向傳播和誤差反向傳播進(jìn)行說(shuō)明：

1)前向傳播

Step 1. 初始化權(quán)重矩陣Wij，i表示網(wǎng)絡(luò)中每層的節(jié)點(diǎn)數(shù)，j為當(dāng)前層節(jié)點(diǎn)傳到下一層的節(jié)點(diǎn)數(shù)，最后一層節(jié)點(diǎn)數(shù)即為輸出層的節(jié)點(diǎn)數(shù)

X=W·I

(1)

Step 2. 應(yīng)用激活函數(shù)傳輸給下一層

x是組合后的數(shù)據(jù)，還需要對(duì)x進(jìn)行激活，激活形式多樣化，其效果也不一樣，本研究采用ReLU激活函數(shù)。

(2)

Step 3. 如果隱藏層多層則重復(fù)執(zhí)行公式(1)和公式(2)的操作步驟，直至輸出到最后一層即輸出層。

2)誤差反向傳播。

Step 1. 計(jì)算總誤差error，即輸出層與目標(biāo)值之間的差值。

eoutput=target·Ooutput

(3)

Step 2. 反向傳播誤差，根據(jù)輸入權(quán)重分配各自的誤差是當(dāng)前神經(jīng)網(wǎng)絡(luò)中最普遍的一種做法，反向傳播時(shí)需要對(duì)輸入的權(quán)重矩陣Wij進(jìn)行轉(zhuǎn)置即WT，重復(fù)傳播誤差直至網(wǎng)絡(luò)的第一層。

en-1=en·WT

(4)

Step 3. 權(quán)重修正，通過(guò)誤差來(lái)修正權(quán)重，在此引入神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率a即梯度下降

(5)

重復(fù)前向傳播和誤差反向傳播直至迭代完成才退出網(wǎng)絡(luò)，BP前向傳播和反向傳播誤差的訓(xùn)練過(guò)程的算法如下：

算法1 BP前向傳播和反向傳播誤差(Python)

算法1 BP前向傳播和反向傳播誤差(Python)(續(xù))

3 效果分析

1)實(shí)驗(yàn)數(shù)據(jù)及場(chǎng)景說(shuō)明。本研究在軟件上使用MyEclipse 2017 CI開(kāi)發(fā)工具相結(jié)合，開(kāi)發(fā)語(yǔ)言為Python3.7，訓(xùn)練模型為BP神經(jīng)網(wǎng)絡(luò)。研究選取了安徽省黃山市徽州區(qū)黃山路段進(jìn)行測(cè)試，實(shí)驗(yàn)時(shí)間為2016年6月22日至2016年6月30日，測(cè)試路段信息包括了地磁檢測(cè)數(shù)據(jù)(81.1萬(wàn)條記錄)和路口交通流檢測(cè)數(shù)據(jù)(15.3萬(wàn)條記錄)，實(shí)驗(yàn)數(shù)據(jù)說(shuō)明如表1所示，測(cè)試路段樣例如圖2和圖3所示，圖2為路段全景示意圖，圖3為黃山路西的信號(hào)控制的交叉口。

表1 實(shí)驗(yàn)數(shù)據(jù)

圖2 測(cè)試路段展示

為了讓采集的數(shù)據(jù)在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練更加穩(wěn)定、有效，由于道路交通數(shù)據(jù)中以時(shí)間序列為主，沒(méi)有負(fù)值，實(shí)驗(yàn)數(shù)據(jù)規(guī)范化采用比較簡(jiǎn)單的數(shù)據(jù)自歸一化處理(列的歸一化)，以時(shí)速為例，Speedi=Speedi/Speedmax即當(dāng)前時(shí)速值除以時(shí)速的最大值。實(shí)驗(yàn)過(guò)程，主要以車流量(輛)、車輛平均速度(km/h)，車輛密度(輛/km)展開(kāi)訓(xùn)練，這三項(xiàng)指標(biāo)標(biāo)志著道路交通的交通路況(1-順暢，2-緩慢，3-擁堵流量)，在工作日以早高峰、晚高峰尤其明顯，車流量變大，容易造成擁堵，車流量高峰時(shí)段每天的變化如圖4所示。

圖3 信號(hào)控制交叉口

圖4 晚高峰車流量變化趨勢(shì)

2)結(jié)果分析。由于現(xiàn)實(shí)中車流量存在不穩(wěn)定因素，在交通要素中很難被調(diào)控，然而可以在早晚高峰時(shí)段，車流量、車輛密度平均比非高峰時(shí)段高一倍，除非工作日外(2016年6月25日、26日分別為星期六、星期天)，車輛密度在非工作日有較大下降，如圖5和圖6所示。而車速指標(biāo)則相反，在高峰時(shí)段明顯低于非高峰時(shí)段，由于在道路路口時(shí)速為零的信息較多，因此統(tǒng)計(jì)出來(lái)的平均時(shí)速與實(shí)際有所偏離，如圖7所示。

圖5 交流平均車流量對(duì)比

圖6 交流平均車輛密度對(duì)比

圖7 交流平均車速對(duì)比

在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中，以提升早高峰、晚高峰通行效率(即減少車輛密度)和提升平均車速為主要目標(biāo)，具體訓(xùn)練參數(shù)見(jiàn)表2，以2016年6月22日到29日為訓(xùn)練集，2016年6月30日為測(cè)試集，訓(xùn)練結(jié)果的高峰時(shí)段和非高峰時(shí)段分別如圖8、圖9所示。

圖8 高峰時(shí)段平均車速和密度訓(xùn)練效果

圖9 非高峰時(shí)段平均車速和密度訓(xùn)練效果

通過(guò)人工智能算法干預(yù)的道路信號(hào)變化，確實(shí)提升了車輛通行速度，減少了車輛密度，在高峰時(shí)段的效果比較明顯，可提升近15%的通行效率(efficiencyi=speedi×diffdensityi路口單位車道通行效率(輛/時(shí)))，有效減少了擁堵的時(shí)長(zhǎng)，非高峰時(shí)段改進(jìn)不如高峰時(shí)段明顯，因此，BP神經(jīng)網(wǎng)絡(luò)在城市道路交通的誘導(dǎo)系統(tǒng)中的應(yīng)用確實(shí)有效。

表2 BP神經(jīng)網(wǎng)絡(luò)模型的參數(shù)

4 結(jié)語(yǔ)

伴隨著城市規(guī)模的擴(kuò)大和人口、車輛增多，城市的發(fā)展受到城市交通問(wèn)題嚴(yán)重困擾，交通擁堵、交通事故以及交通帶來(lái)的環(huán)境污染問(wèn)題等已經(jīng)嚴(yán)重制約了城市的發(fā)展步伐。盡管經(jīng)過(guò)多年的軟硬件投入，各種誘導(dǎo)技術(shù)都取得了顯著的進(jìn)步，然而面對(duì)城市經(jīng)濟(jì)和社會(huì)發(fā)展而帶來(lái)的客運(yùn)、貨運(yùn)的需求越來(lái)越大，道路交通管理信息化及誘導(dǎo)技術(shù)仍還不能夠滿足現(xiàn)代交通運(yùn)輸業(yè)發(fā)展的實(shí)際需求。跟以往強(qiáng)調(diào)大規(guī)模的基礎(chǔ)建設(shè)投入相比，基于神經(jīng)網(wǎng)絡(luò)的城市道路交通誘導(dǎo)算法研究更加強(qiáng)調(diào)人工智能技術(shù)和算法方面的應(yīng)用，以期實(shí)現(xiàn)某道路子系統(tǒng)的高效率運(yùn)行，從而提升整個(gè)城市道路交通系統(tǒng)效率。后續(xù)道路交通誘導(dǎo)技術(shù)問(wèn)題，還可以從兩方面入手去改善道路交通環(huán)境：一方面提高管理水平、推進(jìn)道路交通信息化管理，如ITS人工智能；另一方面將新型科技應(yīng)用到道路交通信息化管理當(dāng)中，如車聯(lián)網(wǎng)。