中文标题：基于混合卷积神经网络的城市快速路行程速度短时预测模型
作者：Keshuang Tang, Siqu Chen, Yumin Cao, Xiaosong Li, Di Zang, Jian Sun, Yangbeibei Ji*.
已见刊于：IEEE Transactions on Intelligent Transportation Systems, 2022, 23(3): 1829-1840.
DOI: 10.1109/TITS.2015.2462738
关键词：行程速度短时预测、特征提取、卷积神经网络、混合模型
快速路作为城市道路网络的主骨架，承担着大量的通勤和过境交通需求，其拓扑结构复杂且交通拥堵具有频率高、范围广、模式多等特点。因此，准确可靠的快速路行程速度短时预测对于提高城市整体交通主动管控能力和出行信息服务质量，具有重要的意义。
现有的交通流预测方法主要可分为参数模型、非参数模型、深度学习模型以及混合模型。近年来，随着的大数据的兴起以及人工智能技术的快速发展，深度学习模型以及混合模型受到越来越多学者的关注，这类方法支持大尺寸、高纬度的输入数据，同时在复杂特征提取与识别方面具有一定优势，较以往的研究方法在预测精度上有较为明显的提升。代表的模型包括DBN（Deep Belief Network）、RNN（Recurrent Neural Network）、CNN（Convolutional Neural Network）以及GNN（Graph Neural Network）等。其中许多研究表明，基于CNN的模型能较为高效地提取交通流特征并具备良好的预测性能，故对于基本CNN存在的高维时空特征提取能力以及鲁棒性有限的不足，本研究有针对性地构建了三个混合神经网络模型。此外，随着深度学习技术在交通流预测领域的广泛应用，如何通过综合有效的对比框架在不同场景下定量分析模型的性能，同样是本研究的重点。
因此，本研究分别针对时序特征提取能力、鲁棒性以及高维时空特征提取能力提出了相应的改进混合CNN模型。其中，面向时序特征提取问题，结合LSTM（Long Short Term Memory）以及卷积算子捕获相邻步长的交通流状态关联关系，构建了LSTM-CNN模型，如图1（a）所示；面向鲁棒性问题，采用AE（Auto Encoder）的框架，得到原始数据更加稳定的特征表达，构建了AE-CNN模型，如图1（b）所示；面向时空特征提取问题，应用Inception模块的思路，对不同尺寸的卷积算子进行串行与并行组合，构建了Inception-CNN模型，如图1（c）所示。
图1 混合卷积网络模型的基本结构，(a)为LSTM-CNN，(b)为AE-CNN，(c)为Inception-CNN
此外，本研究提出了一个覆盖模型预测准确率、鲁棒性、时序特征提取能力以及时空特征提取能力的综合对比分析框架，以定量化评价交通流预测方法的性能。其中，准确率指标采用MAE（Mean Absolute Error）、MAPE（Mean Absolute Percentage Error）、MASE（Mean Absolute Scaled Error）以及MdASE（Median Absolute Scaled Error）；鲁棒性考虑了不同输入时间步长以及不同程度数据噪声的影响；时序特征提取能力以DTW（Dynamic Time Warping）为评价指标，分析两个时间序列的相似性；时空特征提取能力从图像的角度采用GMSD（Gradient Magnitude Similarity Deviation）分析，定量对比预测值与真实值表征的交通事件轮廓的一致性。
本研究基于上海市2011年延安高架快速路线圈检测器数据展开验证，其地理位置与基本拓扑信息如图2所示。在预测准确率方面，三个混合卷积神经网络模型的MAE和MAPE均不超过2.5km/h和4%，代表了预测精度不低于96%，其中LSTM-CNN的预测精度最高；在鲁棒性方面，采用了30、45以及60分钟不同的输入时间步长，同时考虑了以10%递增的0~100%输入数据的高斯噪声。可以看到，当采用30分钟历史数据进行5分钟的短时预测时，各模型的预测精度较高，而AE-CNN由于具备编码-解码的模型框架，可更好地适应带有噪声的预测场景。
图2 验证场景
在时序特征提取能力评估方面，DTW指标可有效地定量比较两个时间序列的相似程度，由于LSTM-CNN增强了相邻步长输入数据的关联关系学习能力，因此表现出了优秀的时序特征提能力，选取某一天的行程速度预测值与真实值绘制时变图，同样可以反映出相似的结论，如图3所示；在时空特征提取能力评估方面，GMSD指标可以克服传统MAE仅能从单点角度进行评估的不足，进而借助图像的方式对交通状态演化过程的捕捉能力进行评价。此外，提出“拥堵区域”的概念深入挖掘模型对于一定时空范围内的交通拥堵的特征提取能力。结果表明，Inception-CNN预测结果生成的行程速度时空图像可较为准确反映交通拥堵在时空层面产生、延续、消散的过程，如图4所示。
图3 混合卷积神经网络预测时变图
图4 行程速度时空图像以及GMSD卷积结果，(a)为真实值，(b)为Inception-CNN预测值
本研究针对城市快速路行程速度短时预测问题，分别从增强时序特征提取能力、鲁棒性以及高维时空特征提取能力的维度，提出了相应的混合卷积神经网络模型，实证数据验证结果表明模型均具备较高的预测准确性。此外，本研究提出的包含预测准确率、鲁棒性以及特征提取能力的对比分析框架，经过拓展可进一步应用于其他交通参数如流量、占有率的短时预测任务与定量结果评价中。本研究成果可帮助交通管理者及时采取管控措施以缓解交通拥堵，并为出行者路径选择提供准确可靠的交通拥堵预测信息。
