融合多因素的“時(shí)間齒輪”交通流預(yù)測(cè)模型

蘭添賀，曲大義，陳 昆，劉浩敏

(青島理工大學(xué)機(jī)械與汽車(chē)工程學(xué)院，山東青島 266520)

隨著智能交通及大數(shù)據(jù)技術(shù)的快速發(fā)展，運(yùn)用智能化手段解決城市交通問(wèn)題成為一種主流趨勢(shì)[1]。車(chē)載傳感器和路口監(jiān)控能夠?qū)崟r(shí)收集大量的交通流量數(shù)據(jù)，通過(guò)提取并挖掘數(shù)據(jù)中的隱藏規(guī)律，可以為減緩交通壓力、優(yōu)化出行結(jié)構(gòu)和提升道路通行能力等提供幫助。因此，對(duì)交通流影響因素的深度分析，以及對(duì)交通流進(jìn)行實(shí)時(shí)準(zhǔn)確的預(yù)測(cè)，是目前城市交通領(lǐng)域研究的熱點(diǎn)。

為了提升交通流預(yù)測(cè)的準(zhǔn)確度，國(guó)內(nèi)外研究人員提出了多種預(yù)測(cè)方法[2-10]，相比于傳統(tǒng)的數(shù)學(xué)模型預(yù)測(cè)方法[11]，這些方法雖在預(yù)測(cè)精度和效率上取得了很大進(jìn)步，但僅考慮了單一因素，也缺少對(duì)影響交通流的各因素進(jìn)行深度特征挖掘。隨著人工神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，依托深度學(xué)習(xí)算法進(jìn)行交通流的特征挖掘和預(yù)測(cè)，成為全新的研究方向[12-16]。一些模型雖通過(guò)人工神經(jīng)網(wǎng)絡(luò)深度挖掘了交通流信息的時(shí)間特征，但卻忽略了外部天氣因素和空間因素的重要性。融合多源數(shù)據(jù)并結(jié)合多種算法雖能夠明顯提升交通流預(yù)測(cè)的準(zhǔn)確度，但并沒(méi)有考慮城市道路交通自身?yè)碛械奶攸c(diǎn)[17-21]。城市道路的布局結(jié)構(gòu)與高速公路不同，市區(qū)城市道路具有密集路網(wǎng)和大量交叉口。一個(gè)路段的交通流量與其附近交叉口各個(gè)方向的交通流量密切相關(guān)。此外，城市道路的交通流量與人們的出行選擇有關(guān)。戶(hù)外天氣如溫度、風(fēng)速和晴雨等對(duì)于人們的出行選擇均具有明顯影響。

本文在數(shù)據(jù)層面將根據(jù)市區(qū)城市道路的特點(diǎn)，收集目標(biāo)路段附近交叉口各個(gè)方向的車(chē)流量，將目標(biāo)路段的天氣數(shù)據(jù)作為影響因素，通過(guò)深度分析各類(lèi)因素與目標(biāo)路段交通流量的相關(guān)性，對(duì)天氣因素和附近交叉口各個(gè)方向的交通流量分模塊進(jìn)行特征挖掘；在算法層面，考慮到數(shù)據(jù)本身具有周期性的規(guī)律，通過(guò)嵌入Time2vec提高模型對(duì)周期性數(shù)據(jù)的特征捕捉能力；仿照轉(zhuǎn)軸與齒輪的關(guān)系，將輸入數(shù)據(jù)與算法進(jìn)一步結(jié)合，以Bi-GRU模型為基礎(chǔ)，從正反2個(gè)方向?qū)r(shí)間序列信息進(jìn)行特征挖掘；最后，將Attention機(jī)制與Bi-GRU相結(jié)合，提高模型的特征學(xué)習(xí)能力，建立一種融合多因素的“時(shí)間齒輪”交通流預(yù)測(cè)模型。將市區(qū)城市道路作為研究對(duì)象，與MLP模型、AIRMA模型、SVM模型、RNN模型、LSTM模型、GRU模型和Bi-GRU模型等多種現(xiàn)有模型進(jìn)行對(duì)比，研究預(yù)測(cè)準(zhǔn)確度和預(yù)測(cè)速度。

1 研究數(shù)據(jù)及多元因素分析

1.1 交通流數(shù)據(jù)預(yù)處理

目標(biāo)路段的研究數(shù)據(jù)源自山東省青島市即墨區(qū)城間公路。使用電子警察采集目標(biāo)路段(north)及其最近一個(gè)交叉路口各方向的交通流量信息，采集時(shí)間跨度為8 d，采集周期為5 min。

對(duì)原始數(shù)據(jù)進(jìn)行檢查和清洗。為了彌補(bǔ)缺失的值，采用附近2個(gè)數(shù)的平均值作為填補(bǔ)。設(shè)置有效數(shù)據(jù)區(qū)間，將超出的異常數(shù)據(jù)使用整體數(shù)據(jù)的平均值替代，每個(gè)方向包含2 304條交通流量數(shù)據(jù)。目標(biāo)路段(north)及其最近一個(gè)交叉路口各方向的交通流量走勢(shì)如圖1所示。

圖1 交通流量走勢(shì)

1.2 城市道路交通流量分析

城市道路中路段的交通流量與附近交叉口有緊密關(guān)系，通過(guò)路段中某一橫截面的車(chē)流量受到鄰近交叉口各個(gè)方向交通流量的影響。因此，采集目標(biāo)路段最近的一個(gè)交叉口各方向的數(shù)據(jù)進(jìn)行研究，可分析各個(gè)方向車(chē)流量之間的相互影響作用。如圖2所示，目標(biāo)路段的方向?yàn)槟舷虮?，采用檢測(cè)器收集其余各個(gè)方向路段的交通流量信息，根據(jù)皮爾遜相關(guān)系數(shù)法，可分析各個(gè)方向交通流量之間的相關(guān)性。二維變量的皮爾遜相關(guān)系數(shù)如式(1)所示。

圖2 目標(biāo)路段及最近交叉路口

(1)

圖3所示為各個(gè)方向交通流量之間的相關(guān)性熱力圖，通常情況下，該系數(shù)超過(guò)0.8被視為2個(gè)因素的相關(guān)性較強(qiáng)，處于0.5～0.8之間則被視為2個(gè)因素的相關(guān)性中等。目標(biāo)路段為南向北(north)方向，可以看到其余方向的交通流量與north方向的相關(guān)性均在中等以上，平均相關(guān)系數(shù)為0.82，屬于強(qiáng)相關(guān)。上述結(jié)果表明，交叉口各個(gè)方向的交通流量對(duì)目標(biāo)路段的交通流量具有顯著影響，因此考慮將各個(gè)方向的交通流量作為預(yù)測(cè)模型的輸入因素之一。交叉口相關(guān)因素部分的輸入變量為[f1+f2,f3+f4,f5+f6,f7+f8]，預(yù)測(cè)模型的最終輸出為[f5+f6]。

圖3 4個(gè)方向交通流量之間的相關(guān)性熱力圖

1.3 出行天氣分析

人們的出行常會(huì)受到天氣因素的影響。青島氣候較為潮濕，且大風(fēng)天氣居多，戶(hù)外出行通常會(huì)考慮溫度、風(fēng)速和陰晴雨等。根據(jù)這一特點(diǎn)，本文采用從WunderGround平臺(tái)獲取的天氣數(shù)據(jù)，數(shù)據(jù)類(lèi)別包括風(fēng)速、溫度、濕度、氣壓和陰晴雨，天氣數(shù)據(jù)樣本如表1所示。

表1 天氣因素?cái)?shù)據(jù)樣本

為了體現(xiàn)天氣因素對(duì)交通出行的影響，本文提出一種更為深度的分析方法，采用K-means聚類(lèi)算法[22]分析風(fēng)速和溫度對(duì)交通出行的影響。K-means聚類(lèi)方法可以把樣本點(diǎn)的特征矩陣區(qū)分為n個(gè)無(wú)交集的簇。首先，設(shè)定n個(gè)隨機(jī)的最初質(zhì)心，通過(guò)計(jì)算將樣本點(diǎn)聚合到位置最為接近的質(zhì)心，生成簇；其次，計(jì)算每個(gè)簇中樣本點(diǎn)的平均值，將結(jié)果作為修正質(zhì)心；最后，比較修正質(zhì)心和最初的質(zhì)心是否一致，如果不一致則再循環(huán)上述計(jì)算過(guò)程，如果一致則停止迭代完成聚類(lèi)。聚類(lèi)過(guò)程中需要計(jì)算的質(zhì)心距離使用歐式距離，本文使用的三維空間歐式距離公式如式(2)所示：

(2)

式中：xi,yi,zi為樣本點(diǎn)的三維特征值；xμ,yμ,zμ為最近質(zhì)心的三維特征值。

圖4所示為溫度、風(fēng)速和交通流量的聚類(lèi)結(jié)果，將聚類(lèi)的類(lèi)別設(shè)置為3。由圖4可知，圖中的樣本點(diǎn)大致分為3種情況。第1種情況，交通流量較少的綠色點(diǎn)集，多分布在風(fēng)速高且氣溫低的區(qū)域；第2種情況，交通流量中等的紫色點(diǎn)集，相比第1種情況，分布在風(fēng)速更為緩和且氣溫相對(duì)舒適的區(qū)域；第3種情況，交通流量較高的黃色點(diǎn)集，分布在溫度舒適且風(fēng)速較低的區(qū)域。根據(jù)這3種情況可以明顯看出，人們會(huì)相應(yīng)減少低溫和大風(fēng)天氣的出行，而更多傾向于在溫度適宜且風(fēng)速溫和的天氣下出行。因此，天氣變化會(huì)明顯影響城市道路的車(chē)流量。

圖4 溫度、風(fēng)速和交通流量的聚類(lèi)結(jié)果

此外，分別計(jì)算晴天、陰天和雨天的交通流量平均值，如圖5所示，可以看出，晴天的交通流量平均值明顯要高于陰天和雨天。可見(jiàn)，人們較多選擇晴天出行，減少雨天出行的幾率。

圖5 晴天、陰天和雨天的交通流量

綜合上述分析可知，為了提高交通流量預(yù)測(cè)的準(zhǔn)確度，需引入更多相關(guān)因素作為影響因子。本文選擇將風(fēng)速、溫度、濕度、氣壓和陰晴雨作為天氣因素的輸入值。

2 TGM預(yù)測(cè)模型的構(gòu)建

為了有效協(xié)調(diào)多種因素對(duì)預(yù)測(cè)模型結(jié)果的影響，延長(zhǎng)交通流預(yù)測(cè)的時(shí)長(zhǎng)，本文建立一種新型的“時(shí)間齒輪”預(yù)測(cè)模型(TGM)。模型內(nèi)部分為2個(gè)模塊，模塊1對(duì)天氣因素進(jìn)行特征提取，模塊2對(duì)目標(biāo)路段附近交叉口各方向的交通流量信息進(jìn)行特征挖掘。最后，將2組模塊的輸出經(jīng)過(guò)張量拼接輸入到多層感知機(jī)(multiple perception,MLP)中再次挖掘數(shù)據(jù)的深層特征。

2.1 提取天氣因素

如圖6所示，TGM模型的模塊1對(duì)天氣數(shù)據(jù)進(jìn)行特征提取。首先，對(duì)晴天、陰天和雨天進(jìn)行熱編碼，對(duì)應(yīng)值為晴天—2，陰天—1，雨天—0；其次，為了減少不同數(shù)據(jù)數(shù)值范圍對(duì)預(yù)測(cè)結(jié)果影響的差異，對(duì)5種因素進(jìn)行歸一化處理，將數(shù)據(jù)壓縮到0～1之間；最后，使用MLP對(duì)天氣因素進(jìn)行特征挖掘，設(shè)置2組全連接層(Dense)，單元數(shù)設(shè)置為128，激活函數(shù)設(shè)置為relu。

圖6 TGM模型的整體結(jié)構(gòu)

2.2 構(gòu)建時(shí)間齒輪模型

交叉路口4個(gè)方向的交通流量數(shù)據(jù)會(huì)隨著時(shí)間變化，而時(shí)間信息和各個(gè)方向的交通流信息明顯在不同的維度。為了更好地體現(xiàn)這種時(shí)空特征，本文仿照轉(zhuǎn)軸與齒輪的關(guān)系，將時(shí)間線(xiàn)抽象為齒輪的轉(zhuǎn)軸，4個(gè)方向的交通量數(shù)據(jù)則在齒輪的輪齒上。如圖6所示，每一個(gè)時(shí)間點(diǎn)xn均包含4個(gè)方向的交通流量數(shù)據(jù)，并將4個(gè)方向的數(shù)據(jù)排布在輪齒上沿著時(shí)間轉(zhuǎn)軸傳遞信息。本文設(shè)置2組時(shí)間齒輪，根據(jù)正向和反向的時(shí)間線(xiàn)綜合提取交通流的時(shí)空特征。

如同齒輪的周期性運(yùn)動(dòng)，交通流數(shù)據(jù)也具有明顯的周期性。為了增強(qiáng)模型對(duì)時(shí)間序列數(shù)據(jù)的特征捕捉能力，使用一種基于Time2vec的時(shí)序數(shù)據(jù)表征學(xué)習(xí)方法[23]。在方法中添加一個(gè)正弦函數(shù)，使模型能夠更容易地捕獲到交通流數(shù)據(jù)的隱藏周期變化規(guī)律。如圖6所示，將Time2vec嵌入到預(yù)測(cè)模型中。Time2vec的公式如式(3)所示：

(3)

式中：x為原始時(shí)間序列的特征；α和β分別為三角函數(shù)中可學(xué)習(xí)的頻率和相位；ε為第ε個(gè)特征；w為特征維度。

為了充分學(xué)習(xí)交通流數(shù)據(jù)的時(shí)間特征，對(duì)TGM模型的算法框架在Bi-GRU網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行改進(jìn)。與LSTM相比，GRU在確保一定精度的同時(shí)，還進(jìn)一步簡(jiǎn)化了內(nèi)部組成。GRU內(nèi)部組成如圖7所示。

圖7 GRU結(jié)構(gòu)

如圖8所示，Bi-GRU網(wǎng)絡(luò)將時(shí)序數(shù)據(jù)按照2個(gè)相反的方向分別送入到2組GRU中，再將2組輸出的結(jié)果進(jìn)行融合，因此模型的輸出考慮到了未來(lái)數(shù)據(jù)信息對(duì)歷史數(shù)據(jù)信息的影響，這種結(jié)構(gòu)在大量學(xué)術(shù)研究中被證明具有更優(yōu)的模型性能[24]。本文使用多維時(shí)空數(shù)據(jù)，Bi-GRU盡管具有優(yōu)越性能，但是在數(shù)據(jù)復(fù)雜的情況下，模型為了充分挖掘數(shù)據(jù)的特征會(huì)增加迭代次數(shù)，變得難以擬合。因?yàn)閭鹘y(tǒng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程通常會(huì)兼顧全局信息，模型需要對(duì)信息進(jìn)行逐個(gè)分析，因而大大增加了模型的學(xué)習(xí)成本?？梢?jiàn)，面對(duì)多維度且大量的數(shù)據(jù)，如果重點(diǎn)分析其中的關(guān)鍵信息，并減少非關(guān)鍵信息的關(guān)注度，則可以降低模型的學(xué)習(xí)成本，使模型的計(jì)算過(guò)程變得簡(jiǎn)單靈活。

圖8 Bi-GRU結(jié)構(gòu)

圖9 引入Attention機(jī)制的Encoder-Decoder結(jié)構(gòu)

綜上所述，為了提升Bi-GRU對(duì)多維數(shù)據(jù)的特征提取能力，將注意力機(jī)制分別加入到正向GRU和反向GRU中，同時(shí)對(duì)Attention機(jī)制進(jìn)行改進(jìn)，可提高特征權(quán)重對(duì)GRU最終信息提取結(jié)果的依賴(lài)性。加入改進(jìn)Attention機(jī)制的Bi-GRU結(jié)構(gòu)如圖10所示。

圖10 結(jié)合改進(jìn)Attention機(jī)制的Bi-GRU

如圖10所示，對(duì)Bi-GRU的正向和反向加入改進(jìn)的Attention機(jī)制。在正向和反向的GRU中，輸入值xt經(jīng)過(guò)GRU信息深層挖掘，獲得相應(yīng)的信息提取結(jié)果，分別將正向GRU和反向GRU信息的最后一個(gè)結(jié)果ht和ht′單獨(dú)提取出來(lái)。然后，將每一個(gè)GRU單元的信息提取結(jié)果送入Dense層，按照輸入?yún)?shù)的維度標(biāo)準(zhǔn)化，將正向計(jì)算結(jié)果和反向計(jì)算結(jié)果分別設(shè)為[d1,d2,d3,…，dt]和[d1′,d2′,d3′,…，dt′]。為提升Attention機(jī)制計(jì)算權(quán)重值對(duì)GRU最終信息提取結(jié)果的依賴(lài)，將Dense層的計(jì)算結(jié)果和ht，ht′進(jìn)行點(diǎn)乘，并使用激活函數(shù)softmax將計(jì)算結(jié)果轉(zhuǎn)換為衡量信息重要性的權(quán)重分?jǐn)?shù)，將正向和反向Attention機(jī)制計(jì)算的權(quán)重設(shè)為A和A′。計(jì)算過(guò)程如式(4)和式(5)所示：

A=softmax([d1,d2,d3,…,dt]·ht)=[α1,α2,α3,…,αt]，

(4)

A′=softmax([d1′,d2′,d3′,…,dt′]·ht′)=[α1′,α2′,α3′,…,αt′]。

(5)

通過(guò)權(quán)重分配機(jī)制，提高模型對(duì)重點(diǎn)信息的關(guān)注度。將計(jì)算出的權(quán)重值和GRU每個(gè)單元信息提取值的對(duì)應(yīng)元素相乘并求和，正向和反向的計(jì)算過(guò)程如式(6)和式(7)所示：

(6)

(7)

考慮到GRU最終信息提取結(jié)果較為重要，將權(quán)重求和的結(jié)果和GRU最終信息提取結(jié)果合并，結(jié)合Attention機(jī)制的正向GRU輸出特征矩陣為Y1=[C，ht]，結(jié)合Attention機(jī)制的反向GRU輸出特征矩陣為Y2=[C′，ht′]。通過(guò)上述計(jì)算過(guò)程，將改進(jìn)的Attention機(jī)制加入到正向GRU和反向GRU中，最終的輸出結(jié)果為Y=[Y1，Y2]，再添加MLP層進(jìn)一步挖掘信息的深層次特征。

3 結(jié)果驗(yàn)證與分析

3.1 相關(guān)設(shè)置

本文設(shè)置多個(gè)對(duì)比模型，預(yù)測(cè)未來(lái)5，15，25 min的交通流量。訓(xùn)練集和驗(yàn)證集的比例設(shè)置為7∶1，輸入步長(zhǎng)為24(120 min)，學(xué)習(xí)率為0.000 1，一次性的投放抓取次數(shù)設(shè)置為128。將MSE作為模型的損失函數(shù)，使用Adam作為模型優(yōu)化器，輪數(shù)epoch設(shè)置為300，Time2vec的特征數(shù)設(shè)置為64，TGM模型中Bi-GRU2個(gè)方向的神經(jīng)元數(shù)均設(shè)置為64，激活函數(shù)使用tanh。

3.2 多因素對(duì)比結(jié)果

為了證明多因素預(yù)測(cè)模型及算法改進(jìn)的優(yōu)越性，進(jìn)行以TGM模型為基礎(chǔ)的消融實(shí)驗(yàn)，具體的參照對(duì)象設(shè)置如下：

上述研究中，研究組潰瘍消失時(shí)間（37.20±11.52）d、癥狀緩解時(shí)間（14.13±5.26）d與幽門(mén)螺桿菌轉(zhuǎn)陰時(shí)間（23.08±2.49）d均低于對(duì)照組，研究組治療后經(jīng)胃鏡檢查結(jié)果痊愈率為88.33%，與對(duì)照組（68.33%）比較，組間比較，差異具有統(tǒng)計(jì)學(xué)意義（P＜0.05），由此可見(jiàn)，在抗幽門(mén)螺桿菌的含鉍四聯(lián)療法上加用雙歧桿菌四聯(lián)活菌片治療消化性潰瘍的效果顯著。

TGM-Weather：在TGM模型的基礎(chǔ)上，去除天氣因素提取模塊；

TGM-Space：在TGM模型的基礎(chǔ)上，輸入值去除其余方向路段的交通流數(shù)據(jù)；

TGM-Attention：在TGM模型的基礎(chǔ)上，去除Attention機(jī)制，算法框架使用Bi-GRU；

TGM-RNN：在TGM模型的基礎(chǔ)上，保留Attention機(jī)制，將Bi-GRU換成RNN。

上述參照模型以及TGM模型的預(yù)測(cè)結(jié)果如圖11所示。

圖11 預(yù)測(cè)結(jié)果對(duì)比

由圖11可以看到TGM模型的預(yù)測(cè)性能相比其他對(duì)照模型具有明顯提高。消融實(shí)驗(yàn)表明，當(dāng)模型分別加入了天氣因素、附近交叉口交通流量因素、Attention機(jī)制和Bi-GRU后，5，15，25 min的交通流預(yù)測(cè)準(zhǔn)確度均有相應(yīng)提升。與不考慮交叉口和天氣因素的模型相比，TGM模型結(jié)合城市交通的特點(diǎn)，能夠更好地捕捉城市路段交通流量的特征。此外，在TGM-Attention模型和TGM-RNN模型中可以看到，Attention機(jī)制和Bi-GRU對(duì)預(yù)測(cè)結(jié)果具有明顯的影響。以上實(shí)驗(yàn)證明了融合天氣因素和最近交叉口各方向路段交通流量信息，以及仿照轉(zhuǎn)軸與齒輪關(guān)系建立TGM模型進(jìn)行交通流預(yù)測(cè)的合理性。

3.3 預(yù)測(cè)模型對(duì)比分析

為了證明TGM模型具有更為準(zhǔn)確的交通流預(yù)測(cè)能力，將MLP模型、AIRMA模型、SVM模型、RNN模型、LSTM模型、GRU模型和Bi-GRU模型設(shè)置為對(duì)比實(shí)驗(yàn)?zāi)Ｐ?，所有?duì)比模型的相關(guān)參數(shù)與TGM模型保持一致，并將模型的性能調(diào)至最佳狀態(tài)。對(duì)比實(shí)驗(yàn)的預(yù)測(cè)結(jié)果見(jiàn)表2和表3。

表2 實(shí)驗(yàn)結(jié)果：MAE對(duì)比

表3 實(shí)驗(yàn)結(jié)果：RMSE對(duì)比

從表2和表3中可以看出，與其他模型相比，TGM模型具有更佳的預(yù)測(cè)效果。TGM模型預(yù)測(cè)5，15，25 min交通流的MAE值分別為5.21，5.73和6.24，RMSE值分別為7.22，8.29和8.79。當(dāng)預(yù)測(cè)時(shí)間延長(zhǎng)時(shí)，TGM模型在15 min和25 min實(shí)驗(yàn)組的預(yù)測(cè)誤差MAE相比5 min實(shí)驗(yàn)組分別增加了9.08%和16.51%，RMSE相比5 min實(shí)驗(yàn)組分別增加了12.91%和17.86%?？梢?jiàn)，TGM模型能夠在預(yù)測(cè)時(shí)間延長(zhǎng)的同時(shí)保證誤差在合理范圍內(nèi)，具有穩(wěn)定的中長(zhǎng)時(shí)預(yù)測(cè)能力。

在15 min和25 min實(shí)驗(yàn)組中，傳統(tǒng)機(jī)器學(xué)習(xí)算法的預(yù)測(cè)誤差增加幅度較大。相比5 min實(shí)驗(yàn)組，MLP，AIRMA和SVM的15 min預(yù)測(cè)誤差MAE值分別增加了18.19%，18.23%和13.24%，25 min預(yù)測(cè)誤差MAE值分別增加了26.28%，25.30%和24.41%?？梢?jiàn)，傳統(tǒng)機(jī)器學(xué)習(xí)算法的中長(zhǎng)時(shí)預(yù)測(cè)不穩(wěn)定。在15 min實(shí)驗(yàn)組中，與RNN，LSTM，GRU和Bi-GRU相比，5 min實(shí)驗(yàn)組的預(yù)測(cè)誤差MAE值分別增加了16.88%，14.35%，10.83%和10.62%。在25 min實(shí)驗(yàn)組中，與RNN，LSTM，GRU和Bi-GRU相比，5 min實(shí)驗(yàn)組的預(yù)測(cè)誤差MAE值分別增加了29.72%，27.28%，25.26%和18.24%。典型循環(huán)神經(jīng)網(wǎng)絡(luò)模型和Bi-GRU模型在中長(zhǎng)時(shí)預(yù)測(cè)實(shí)驗(yàn)中，其誤差增加幅度均比TGM模型大，說(shuō)明TGM模型相比其他模型在中長(zhǎng)時(shí)預(yù)測(cè)方面更加穩(wěn)定。此外，TGM模型預(yù)測(cè)15 min和25 min的誤差MAE值相比性能較優(yōu)的Bi-GRU模型分別降低了6.37%和6.73%，RMSE值分別降低了7.09%和7.99%。結(jié)果表明，TGM模型相比其他模型在預(yù)測(cè)準(zhǔn)確度方面提升也明顯。

圖12所示為T(mén)GM模型預(yù)測(cè)值與實(shí)際交通流量的對(duì)比曲線(xiàn)圖。

圖12 TGM模型預(yù)測(cè)結(jié)果與實(shí)際值對(duì)比

由圖12可知，TGM模型很好地預(yù)測(cè)了實(shí)際交通流的變化趨勢(shì)，并且在多處曲線(xiàn)峰值處與實(shí)際值高度重合。此外，TGM模型在中長(zhǎng)時(shí)交通流預(yù)測(cè)方面仍具有可觀的擬合效果，進(jìn)一步驗(yàn)證了TGM模型的優(yōu)越性。

4 結(jié) 語(yǔ)

1)提出了一種融合多因素的“時(shí)間齒輪”交通流預(yù)測(cè)模型，深度分析了天氣因素和鄰近交叉路口各方向交通流量對(duì)目標(biāo)路段交通流量的影響，融合多因素對(duì)交通流進(jìn)行預(yù)測(cè)。

2)提出的TGM模型分為2個(gè)模塊，模塊1使用MLP對(duì)天氣因素進(jìn)行信息提取，模塊2仿照轉(zhuǎn)軸和齒輪結(jié)構(gòu)，將時(shí)間線(xiàn)和交叉路口各方向交通流量抽象為轉(zhuǎn)軸與齒輪，參照齒輪的旋轉(zhuǎn)周期，嵌入Time2vec提升模型對(duì)數(shù)據(jù)周期性規(guī)律的學(xué)習(xí)能力，再將模塊1和模塊2的結(jié)果合并，添加MLP得到最終輸出的預(yù)測(cè)結(jié)果。消融實(shí)驗(yàn)驗(yàn)證了所提出的TGM模型在方法上具有合理性。

3)與MLP模型、AIRMA模型、SVM模型、RNN模型、LSTM模型、GRU模型和Bi-GRU模型對(duì)比可知，TGM模型具有更強(qiáng)的非線(xiàn)性擬合能力和更高的預(yù)測(cè)準(zhǔn)確度。相比性能較優(yōu)的Bi-GRU模型，TGM模型在預(yù)測(cè)15，25 min交通流量的結(jié)果中，MAE值分別降低了6.37%和6.73%，RMSE值分別降低了7.09%和7.99%，可以滿(mǎn)足中長(zhǎng)時(shí)預(yù)測(cè)精度的要求，為交通協(xié)調(diào)管理控制提供數(shù)據(jù)支撐。

4)本文提出的TGM預(yù)測(cè)模型僅針對(duì)城市公路，面對(duì)復(fù)雜多變的道路交通情況，其預(yù)測(cè)性能仍有提升空間。未來(lái)將考慮增加出行興趣地點(diǎn)和行車(chē)軌跡等因素，并區(qū)分私有車(chē)輛和公有車(chē)輛，進(jìn)行更為深入的交通流預(yù)測(cè)研究。