融合多相關(guān)收費(fèi)站數(shù)據(jù)的高速公路交通流預(yù)測

張陽，姚芳鈺，楊書敏

（1.福建理工大學(xué) 交通運(yùn)輸學(xué)院，福建 福州 350118；2.同濟(jì)大學(xué) 交通運(yùn)輸工程學(xué)院，上海市 201804）

0 引言

以中國大循環(huán)為主體的新發(fā)展格局對于推動(dòng)中國高質(zhì)量發(fā)展具有重大而深遠(yuǎn)的意義。在中國大循環(huán)的帶動(dòng)和支持下，城市群間經(jīng)濟(jì)社會(huì)的聯(lián)系日益緊密。高速公路是聯(lián)系城市群區(qū)域間的走廊和紐帶，緊密的經(jīng)濟(jì)聯(lián)系導(dǎo)致交通需求飛速增長，高速公路擁堵問題日益嚴(yán)峻。為緩解高速公路收費(fèi)站擁堵問題及對制定合理的高速公路控制和誘導(dǎo)策略提供基礎(chǔ)和支撐，同時(shí)兼顧外部因素的影響，需尋找交通流時(shí)空變化規(guī)律，準(zhǔn)確預(yù)測高速公路收費(fèi)站流量。

傳統(tǒng)的交通流預(yù)測方法多集中于交通流數(shù)據(jù)時(shí)間序列變化規(guī)律的研究，經(jīng)典模型有差分自回歸移動(dòng) 平 均 模 型［1］（Autoregressive Integrated Moving Average Model，ARIMA）、卡爾曼濾波器［2］等，傳統(tǒng)方法處理非線性數(shù)據(jù)能力較弱，對原始數(shù)據(jù)質(zhì)量要求較高，在數(shù)據(jù)有缺失的情況下效果更不佳，也難以實(shí)現(xiàn)實(shí)時(shí)預(yù)測。受流量采集設(shè)備的誤差和流量變化的非線性特征等因素的約束，這類方法在實(shí)際試驗(yàn)中精度往往無法達(dá)到要求。

深度學(xué)習(xí)的迅猛發(fā)展引起越來越多的學(xué)者關(guān)注，并將其運(yùn)用至交通流預(yù)測領(lǐng)域。其中具有代表性的長短期記憶網(wǎng)絡(luò)［3］（Long Short-Term Memory，LSTM）和 門 控 循 環(huán) 單 元［4］（Gated Recurrent Unit，GRU），不僅能夠較好地尋找交通流的時(shí)間變化規(guī)律，同時(shí)也能有效解決梯度消失和梯度爆炸的問題。GRU 與LSTM 效果相似，因操作簡單，GRU 更適合構(gòu)建大型模型［5］。然而，這兩種經(jīng)典模型對數(shù)據(jù)的空間關(guān)聯(lián)性不夠敏感，在交通流預(yù)測領(lǐng)域中更多地側(cè)重尋找數(shù)據(jù)間的時(shí)間關(guān)聯(lián)性，遺漏了空間關(guān)聯(lián)性，制約了預(yù)測精度的進(jìn)一步提升。學(xué)者們發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）能很好地對空間信息進(jìn)行提?。?-7］，但是CNN 通常運(yùn)用于歐幾里得網(wǎng)絡(luò)中，而高速公路網(wǎng)絡(luò)的結(jié)構(gòu)通常都是非歐網(wǎng)絡(luò)，將其視為矩陣并用CNN 進(jìn)行預(yù)測，不考慮網(wǎng)絡(luò)拓?fù)湫畔?，將無法對一些細(xì)微數(shù)據(jù)和信息進(jìn)行充分提取，最終影響預(yù)測效果。

針對這一問題，眾多學(xué)者對高速公路收費(fèi)站的車流量預(yù)測進(jìn)行了研究。Wang 等［8］分別使用支持向量機(jī)（Support Vector Machine，SVM）和K 最鄰近（K-Nearest Neighbor，KNN）對高速公路出口收費(fèi)站進(jìn)行預(yù)測，但其只考慮了時(shí)間特性，沒有對周圍收費(fèi)站的影響進(jìn)行衡量，準(zhǔn)確性受到很大程度的限制；Han 等［9］使用CNN 和LSTM 的結(jié)合網(wǎng)絡(luò)，使用CNN提取高速公路交通流空間信息，因道路網(wǎng)絡(luò)的非歐性，運(yùn)用中將產(chǎn)生誤差；Jin 等［10］提出改進(jìn)圖卷積網(wǎng)絡(luò)（Graph Convolutional Networks，GCN），對高速公路出口收費(fèi)站的流量進(jìn)行預(yù)測，運(yùn)用圖注意網(wǎng)絡(luò)能更準(zhǔn)確地描述非歐空間，但其只對周圍相鄰的節(jié)點(diǎn)進(jìn)行考慮，而難以對遠(yuǎn)處交通流數(shù)據(jù)的影響進(jìn)行量化。然而由于城市群的經(jīng)濟(jì)聯(lián)系日益緊密，區(qū)域間多相關(guān)收費(fèi)站的交通數(shù)據(jù)間也存在一定的內(nèi)在關(guān)聯(lián)性，準(zhǔn)確尋找該規(guī)律并有效結(jié)合交通流數(shù)據(jù)的時(shí)間變化規(guī)律對提升高速公路交通流預(yù)測的精度有積極作用。由于受諸多不確定性的影響，該關(guān)聯(lián)性難以捕捉和量化，如何對相關(guān)收費(fèi)站間關(guān)聯(lián)級別進(jìn)行分類和量化，如何在提取多相關(guān)收費(fèi)站內(nèi)在關(guān)聯(lián)性的基礎(chǔ)上有效融合數(shù)據(jù)間的時(shí)間規(guī)律還亟待解決。

為了解決相關(guān)收費(fèi)站影響難以量化的問題，本文提出一種基于ATGCN-ResGRU 算法的組合深度學(xué)習(xí)高速公路交通流預(yù)測模型。 首先，通過Attention 機(jī)制對范圍內(nèi)的收費(fèi)站分配權(quán)重，量化其對目標(biāo)收費(fèi)站的影響程度，并據(jù)此構(gòu)建包含不同注意度的3 個(gè)高速公路網(wǎng)絡(luò)拓?fù)鋱D，分別使用GCN 在高速公路路網(wǎng)中提取空間信息后，加權(quán)獲得空間相關(guān)性預(yù)測；同時(shí)，使用GRU 模塊，實(shí)現(xiàn)對過往高速公路收費(fèi)站交通流數(shù)據(jù)的時(shí)間相關(guān)性提取，為了進(jìn)一步提升其對時(shí)間數(shù)據(jù)的學(xué)習(xí)能力，通過殘差網(wǎng)絡(luò)將兩個(gè)GRU 模塊連接；最后，通過特征融合和全連接層，對時(shí)空數(shù)據(jù)進(jìn)行融合，輸出最終預(yù)測結(jié)果，以期能得到較好的預(yù)測結(jié)果。

1 ATGCN-ResGRU 組合深度學(xué)習(xí)預(yù)測模型

收費(fèi)站是進(jìn)出高速公路的重要節(jié)點(diǎn)，也是車輛在高速公路上運(yùn)行的起訖點(diǎn)。一個(gè)被預(yù)測的目標(biāo)收費(fèi)站同時(shí)和多個(gè)其他起訖點(diǎn)收費(fèi)站間因經(jīng)濟(jì)社會(huì)聯(lián)系而相關(guān)聯(lián)，其交通流量間有一定的關(guān)聯(lián)規(guī)律。為了準(zhǔn)確捕捉、分類和量化多相關(guān)收費(fèi)站間流量的關(guān)聯(lián)性，本文構(gòu)建一種基于ATGCN-ResGRU 算法的組合深度學(xué)習(xí)預(yù)測模型，該模型由兩類學(xué)習(xí)模型組合而成，分別提取高速公路收費(fèi)站交通流的空間和時(shí)間變化規(guī)律。由于多相關(guān)收費(fèi)站與預(yù)測目標(biāo)收費(fèi)站間的交通流空間關(guān)聯(lián)性強(qiáng)弱有差異，本文提出一種新的ATGCN 關(guān)聯(lián)空間信息提取模型，利用注意力機(jī)制對相關(guān)收費(fèi)站的關(guān)聯(lián)度進(jìn)行分類，并將其融合進(jìn)GCN 網(wǎng)絡(luò)實(shí)現(xiàn)多相關(guān)收費(fèi)站間流量的關(guān)聯(lián)性的捕捉和量化。同時(shí)，將兩個(gè)GRU 網(wǎng)絡(luò)通過殘差連接，組成ResGRU 模型提取交通流在預(yù)測目標(biāo)收費(fèi)站上的時(shí)間變化規(guī)律。最后，使用特征融合層和全連接層將預(yù)測信息結(jié)合輸出。ATGCN- ResGRU 組合深度學(xué)習(xí)預(yù)測模型結(jié)構(gòu)示意圖如圖1 所示。

1.1 一種新的ATGCN 關(guān)聯(lián)空間信息提取模型

考慮到注意力機(jī)制（Attention）提取和分類信息重要性的能力較強(qiáng)，而GCN 具有較強(qiáng)的空間信息提取能力，本文將注意力機(jī)制融合進(jìn)GCN 算法中，提出一種ATGCN 關(guān)聯(lián)空間信息提取算法，利用注意力機(jī)制計(jì)算多相關(guān)收費(fèi)站節(jié)點(diǎn)的注意度，再將節(jié)點(diǎn)根據(jù)注意度量化值劃分成高注意度、中注意度和低注意度3個(gè)層次，并分別構(gòu)建拓?fù)渚W(wǎng)絡(luò)圖運(yùn)用GCN 提取各層次空間關(guān)聯(lián)信息，對不同層次的計(jì)算結(jié)果進(jìn)行加權(quán)，獲得空間預(yù)測結(jié)果。ATGCN 模型示意圖如圖2所示。

圖2 ATGCN 模型示意圖Figure 2 ATGCN model

多相關(guān)收費(fèi)站節(jié)點(diǎn)的注意度計(jì)算公式如下：

式中：b為偏移值；Wn為權(quán)重；Xn為第n個(gè)節(jié)點(diǎn)的交通流數(shù)據(jù)。

為計(jì)算每一個(gè)節(jié)點(diǎn)的交通流數(shù)據(jù)對目標(biāo)節(jié)點(diǎn)影響度所占比例的大小，同時(shí)消除負(fù)數(shù)對結(jié)果造成的影響，利用指數(shù)函數(shù)的非負(fù)性提取所占注意度，并最終輸出注意度結(jié)果。

式中：αn為通過注意力機(jī)制后計(jì)算所得的權(quán)重。

計(jì)算注意度后，根據(jù)各個(gè)節(jié)點(diǎn)的權(quán)重值不同，將各個(gè)節(jié)點(diǎn)分為高注意度、中注意度和低注意度，再將節(jié)點(diǎn)回歸至道路拓?fù)渚W(wǎng)絡(luò)中。因高速公路具有路段全封閉性質(zhì)，故將非本拓?fù)鋱D節(jié)點(diǎn)視作連通，由此形成3 個(gè)拓?fù)鋱D，分別為Ms，Mm，Ml，代表對節(jié)點(diǎn)交通流不同注意度影響的交通網(wǎng)絡(luò)。3 個(gè)拓?fù)鋱D仍然為非歐氏空間數(shù)據(jù)，GCN 網(wǎng)絡(luò)處理非歐氏空間數(shù)據(jù)相互關(guān)系能力較強(qiáng)，因此采用GCN 網(wǎng)絡(luò)對提取不同層次注意度間的空間聯(lián)系。

ATGCN 在卷積過程中使用3×3 的濾波器，每一節(jié)點(diǎn)都將與周圍一階鄰節(jié)點(diǎn)產(chǎn)生關(guān)聯(lián)，中心節(jié)點(diǎn)由相鄰一階鄰節(jié)點(diǎn)數(shù)據(jù)取均值獲得。ATGCN 神經(jīng)網(wǎng)絡(luò)層中，層與層之間的傳遞公式如下：

式中：I為單位矩陣；D～ 為A～ 的度矩陣；σ為非線性激活函數(shù)；H為每一層的特征；W為參數(shù)矩陣。

節(jié)點(diǎn)交通流受不同注意度拓?fù)鋱D的影響不同，故在分別進(jìn)行圖卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)算之后，也需要根據(jù)其注意度的不同，將多重圖卷積的輸出結(jié)果進(jìn)行加權(quán)融合，以獲得最后的空間關(guān)聯(lián)信息。將各個(gè)節(jié)點(diǎn)分為高、中、低3 種注意度網(wǎng)絡(luò)的依據(jù)是在Attention 機(jī)制中權(quán)重的計(jì)算，因此在加權(quán)融合計(jì)算中，將各個(gè)注意度網(wǎng)絡(luò)中，除目標(biāo)節(jié)點(diǎn)外的各個(gè)節(jié)點(diǎn)的權(quán)重值求平均值，作為加權(quán)融合的權(quán)重。權(quán)重與預(yù)測所提取的特征則通過哈達(dá)瑪積進(jìn)行計(jì)算，后逐個(gè)相加。計(jì)算公式如下：

式中：?為哈達(dá)瑪計(jì)算；wi為每個(gè)圖卷積網(wǎng)絡(luò)對應(yīng)的權(quán)重；wiGn為第i個(gè)圖卷積網(wǎng)絡(luò)中第n個(gè)節(jié)點(diǎn)的對應(yīng)權(quán)重。

1.2 基于ResGRU 殘差網(wǎng)絡(luò)的時(shí)間信息提取模型

為使模型同時(shí)擁有時(shí)間規(guī)律撲捉學(xué)習(xí)能力，本文通過殘差塊連接的GRU 模塊，使用恒等映射，將較深層次的網(wǎng)絡(luò)映射至淺層，形成一個(gè)更深層次的網(wǎng)絡(luò)，有效提取交通流中的時(shí)間信息。本文所構(gòu)建的ResGRU 網(wǎng)絡(luò)由兩個(gè)GRU 模塊通過殘差網(wǎng)絡(luò)連接而成，該模型結(jié)構(gòu)示意圖如圖3 所示。

圖3 ResGRU 模型示意圖Figure 3 ResGRU model

GRU 是循環(huán)神經(jīng)網(wǎng)絡(luò)中的一種經(jīng)典模型，為解決RNN 梯度消失和梯度爆炸的問題而生。同時(shí)更充分地學(xué)習(xí)時(shí)間信息，本文提出ResGRU 時(shí)間序列學(xué)習(xí)模型，該模型用殘差塊連接兩個(gè)GRU 模塊，并通過恒等映射構(gòu)造網(wǎng)絡(luò)，克服因深度高過平滑的問題。運(yùn)用殘差塊將兩個(gè)GRU 模塊連接時(shí)，殘差塊連接公式如下：

式中：Xl+1為殘差塊的輸出；Xl為殘差塊的輸入。

ResGRU 包含有輸入層、隱藏層和輸出層。其中，隱藏層中含有其核心算法，包括更新門和重置門，均對上一層操作。更新門選取相關(guān)度高的時(shí)間數(shù)據(jù)并添加，重置門用于選取相關(guān)度低的時(shí)間數(shù)據(jù)并剔除，由此對數(shù)據(jù)進(jìn)行篩選，保證所傳遞信息均為預(yù)測所用的時(shí)間關(guān)聯(lián)相關(guān)信息，再通過殘差塊將兩個(gè)GRU 模塊連接。ResGRU 單元計(jì)算公式如下：

式中：Rt為重置門；Zt為更新門；H～t為候選隱藏狀態(tài)；Ht為隱狀態(tài)；σ為Sigmoid 激活函數(shù)；Wij為各個(gè)門、輸入值、隱藏層之間的對應(yīng)權(quán)重參數(shù)；b為各個(gè)門及隱藏層的偏移量；X為輸入量；Ht-1指上一層隱藏層的輸入數(shù)據(jù)。

1.3 ATGCN-ResGRU 交通流預(yù)測模型實(shí)現(xiàn)步驟

本文選取廣東省潯峰洲收費(fèi)站作為預(yù)測目標(biāo)，對目標(biāo)收費(fèi)站及范圍內(nèi)相關(guān)的高速公路收費(fèi)站車流數(shù)據(jù)進(jìn)行收集，并且對收費(fèi)站所在地區(qū)的城市人口、人均GDP、產(chǎn)業(yè)結(jié)構(gòu)等與出行相關(guān)的因素進(jìn)行采集，同時(shí)對所在地區(qū)的相關(guān)政策進(jìn)行收集，作為未來交通量變化的相關(guān)因素。先對所取得的數(shù)據(jù)進(jìn)行預(yù)處理，剔除噪聲數(shù)據(jù)，以此為輸入，使用過去1 h 的信息對未來15 min 交通流進(jìn)行預(yù)測。其預(yù)測步驟如下：

步驟1：采集高速公路交通流數(shù)據(jù)樣本，包括目標(biāo)節(jié)點(diǎn)及研究范圍內(nèi)各個(gè)高速公路收費(fèi)站的數(shù)據(jù)，采集時(shí)間為1 個(gè)月。同時(shí)需要對各個(gè)節(jié)點(diǎn)之間與目標(biāo)節(jié)點(diǎn)間的距離進(jìn)行采集。對數(shù)據(jù)進(jìn)行預(yù)處理，將數(shù)據(jù)根據(jù)不同日期進(jìn)行分類，從不同類別中各自選定訓(xùn)練集和預(yù)測集；對數(shù)據(jù)進(jìn)行清洗和集成，剔除噪聲數(shù)據(jù)，最后將所得車流量數(shù)據(jù)按5 min 聚合，并使用模型預(yù)測所需格式保存。

步驟2：將選定范圍內(nèi)各個(gè)節(jié)點(diǎn)的交通數(shù)據(jù)輸入至Attention 機(jī)制中，根據(jù)公式（1）～（3）計(jì)算結(jié)果分別選出高、中、低3 種注意度節(jié)點(diǎn)，再回歸拓?fù)渚W(wǎng)絡(luò)中，使用GCN 進(jìn)行預(yù)測，計(jì)算公式如式（4）～（5），最后根據(jù)公式（6）將其融合，以學(xué)習(xí)范圍內(nèi)交通流的空間相關(guān)性。

步驟3：構(gòu)建ResGRU 網(wǎng)絡(luò)，先將目標(biāo)節(jié)點(diǎn)的歷史交通流信息輸入至GRU 網(wǎng)絡(luò)中，根據(jù)公式（8）～（11）進(jìn)行計(jì)算，再根據(jù)公式（7）將其映射至低層網(wǎng)絡(luò)中，再根據(jù)公式（8）～（11），對歷史信息進(jìn)行學(xué)習(xí)，充分提取時(shí)間相關(guān)性。

步驟4：將步驟2 和步驟3 中的預(yù)測結(jié)果進(jìn)行特征融合，結(jié)合有關(guān)交通流預(yù)測的不同信息，獲得時(shí)間特征和空間特征，將其分別輸入至特征融合層，形成特征向量。再輸入至全連接層，使之前所提取的特征綜合，并將學(xué)習(xí)結(jié)果用以預(yù)測交通流。融合時(shí)間和空間特征后將其輸出。

步驟5：利用訓(xùn)練集對預(yù)測模型進(jìn)行測試，并對各個(gè)參數(shù)進(jìn)行調(diào)整，提高預(yù)測精度。

步驟6：將真實(shí)值與預(yù)測結(jié)果比較并計(jì)算相關(guān)指標(biāo)，若預(yù)測精度達(dá)到預(yù)期目標(biāo)則輸出結(jié)果，若未達(dá)到預(yù)期目標(biāo)則返回步驟2，調(diào)整各個(gè)參數(shù)后重新進(jìn)行學(xué)習(xí)，直至精度達(dá)到預(yù)期效果。

2 實(shí)例分析

2.1 試驗(yàn)數(shù)據(jù)說明

本次試驗(yàn)范圍為廣東省廣州市內(nèi)高速公路路網(wǎng)，研究范圍內(nèi)道路有廣深高速、機(jī)場高速、廣清公路、廣佛江珠高速，范圍內(nèi)高速公路收費(fèi)站有潯峰洲收費(fèi)站、黃岐收費(fèi)站、沙貝收費(fèi)站、廣清收費(fèi)站等。本試驗(yàn)以潯峰洲收費(fèi)站作為試驗(yàn)對象，研究其與周圍高速公路收費(fèi)站和周圍高速公路路網(wǎng)的關(guān)系。研究范圍內(nèi)的道路網(wǎng)示意圖如圖4 所示。

圖4 研究對象范圍內(nèi)路網(wǎng)示意圖Figure 4 Road network within research area

將高速公路收費(fèi)站的ETC 收費(fèi)數(shù)據(jù)及人工收費(fèi)數(shù)據(jù)相結(jié)合，獲得高速公路收費(fèi)站出口車流量信息。經(jīng)過數(shù)據(jù)分析和預(yù)處理，得到9 月1 日到10 月15 日的數(shù)據(jù)，共45 d，將其作為試驗(yàn)數(shù)據(jù)，工作日28 d，其中節(jié)假日17 d，樣本采集時(shí)間間隔為15 min?？紤]高速公路交通流在工作日和節(jié)假日存在一定差異性，故本文對工作日和節(jié)假日分別進(jìn)行訓(xùn)練，結(jié)合收費(fèi)站流量和道路空間信息對兩個(gè)模型分別進(jìn)行訓(xùn)練。將10 月14 日（工作日）和10 月15 日（節(jié)假日）的數(shù)據(jù)作為測試集，其余作為訓(xùn)練集，測試算法的性能。

2.2 模型評價(jià)指標(biāo)

為客觀評價(jià)本文所提算法對高速公路交通流預(yù)測的準(zhǔn)確性，選取平均絕對誤差［11］（Mean Absolute Error，EMAE）、均方根誤差［12］（Root Mean Square Error，ERMSE）、最 大 相 對 熵［13］（Max Relative Entropy，EMRE）幾個(gè)指標(biāo)評估本文所述模型性能。

式中：Yyeat（t）為在t時(shí)刻的交通流量實(shí)際值，Ypred（t）為在t時(shí)刻的本文模型預(yù)測值；N為樣本數(shù)量。

2.3 評估ATGCN 模型對預(yù)測性能的影響

為評估本文所提的ATGCN 關(guān)聯(lián)空間信息提取模型對高速公路交通流預(yù)測性能的影響，使用ATGCN模型和ResGRU 模型組合網(wǎng)絡(luò)（以下簡稱ATGCNResGRU）與傳統(tǒng)GCN 模型和ResGRU 模型的組合網(wǎng)絡(luò)（以下簡稱GCN-ResGRU）對交通流進(jìn)行預(yù)測，并通過2.2 所選指標(biāo)對二者的預(yù)測結(jié)果進(jìn)行比較。

本文中所有網(wǎng)絡(luò)模型由tensorflow 構(gòu)建，使用SGDM 作為模型優(yōu)化器以調(diào)整參數(shù)，設(shè)置模型迭代的學(xué)習(xí)率設(shè)置為0.01，每個(gè)模型設(shè)置迭代50 次，迭代20 次后，每5 次迭代學(xué)習(xí)率降低5%。GCN 卷積核大小為3×3。使用訓(xùn)練集和過去1 h 的交通流信息，對未來15 min 的交通流信息進(jìn)行預(yù)測。

因高速公路交通流在節(jié)假日和工作日的特征差別較大，故本次試驗(yàn)分別對工作日和節(jié)假日進(jìn)行預(yù)測，并與真實(shí)值進(jìn)行比較。在節(jié)假日和工作日中，ATGCN-ResGRU 模型的性能都比GCN-ResGRU模型更優(yōu)，比較結(jié)果如圖5、6 所示，具體指標(biāo)如表1所示。

表1 預(yù)測結(jié)果對比Table 1 Comparison of prediction results

圖5 工作日預(yù)測結(jié)果對比Figure 5 Comparison of prediction results on weekdays

圖6 節(jié)假日預(yù)測結(jié)果對比Figure 6 Comparison of prediction results on holidays

2.4 與經(jīng)典算法的性能比較

將本文提出的ATGCN-ResGRU 模型與其他經(jīng)典模型比較，以證明本文模型的預(yù)測有效性。本文選用經(jīng)典深度學(xué)習(xí)模型及其改進(jìn)模型，多元集成CNN-LSTM［14］、CNN-BiLSTM［15］、DL-SVR［16］，分別對節(jié)假日和工作日車流量數(shù)據(jù)進(jìn)行預(yù)測，根據(jù)2.2 所選指標(biāo)進(jìn)行比較。試驗(yàn)證明：本文所提算法與經(jīng)典模型相比預(yù)測精度有所提升。比較結(jié)果如圖7、8 所示，具體指標(biāo)如表2 所示。

表2 預(yù)測結(jié)果對比Table 2 Comparison of prediction results

圖7 工作日預(yù)測結(jié)果對比Figure 7 Comparison of prediction results on weekdays

圖8 節(jié)假日預(yù)測結(jié)果對比Figure 8 Comparison of prediction results on holidays

根據(jù)圖7、8 和表2 比較可以得出：本文所提出的ATGCN-ResGRU 模型，不僅深度提取交通流數(shù)據(jù)的時(shí)間關(guān)聯(lián)信息，更通過注意力機(jī)制和GCN 網(wǎng)絡(luò)的結(jié)合，對區(qū)域內(nèi)不同影響程度的收費(fèi)站進(jìn)行劃分并加以預(yù)測，多元集成CNN-LSTM 模型和CNN-BiLSTM模型雖然都對空間關(guān)聯(lián)性進(jìn)行考慮，但所使用的CNN 模型都對道路網(wǎng)絡(luò)的信息提取不夠準(zhǔn)確，因此無法準(zhǔn)確提取道路信息，CNN-BiLSTM 模型使用雙向長短時(shí)模型，增加了對前序時(shí)間信息的提取，精度有了一定提升，但二者對非相鄰收費(fèi)站的影響考慮不足，無法準(zhǔn)確估計(jì)和度量其對交通流的影響，而最終導(dǎo)致預(yù)測精度不佳的情況。DL-SVR 模型則因處理非線性數(shù)據(jù)效果不佳的原因，使得預(yù)測結(jié)果與真實(shí)值相差甚遠(yuǎn)。無論在節(jié)假日還是工作日中，本文所提出的ATGCN-ResGRU 算法都具有良好的預(yù)測精度，證明不論訓(xùn)練樣本大小，本文所提模型精度均優(yōu)于經(jīng)典模型。

3 結(jié)語

本文構(gòu)建一種組合式深度學(xué)習(xí)高速公路交通流預(yù)測模型，著重考慮研究范圍內(nèi)多相關(guān)收費(fèi)站對交通流預(yù)測產(chǎn)生的影響，在模型中，提高時(shí)間關(guān)聯(lián)度預(yù)測的層次以獲得更優(yōu)效果，通過Attention 機(jī)制劃分不同注意度以獲得不同距離的收費(fèi)站間的關(guān)聯(lián)度，增強(qiáng)了模型對交通流時(shí)間和空間信息的學(xué)習(xí)。試驗(yàn)結(jié)果證明：本文所提出的預(yù)測方法，與傳統(tǒng)預(yù)測方法相比，準(zhǔn)確度上有所提升，可以有效對高速公路車流量進(jìn)行預(yù)測，為高速公路的控制決策提供基礎(chǔ)數(shù)據(jù)，同時(shí)有效緩解高速公路擁堵情況，具有一定的實(shí)際作用。