精细化短时交通流预测模型及迁移部署方案

doi:10.11772/j.issn.1001-9081.2021061411

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (6): 1748-1755.DOI: 10.11772/j.issn.1001-9081.2021061411

• 2021年全国开放式分布与并行计算学术年会(DPCS 2021)论文 • 上一篇

精细化短时交通流预测模型及迁移部署方案

郭嘉宸, 杨宇燊, 王研, 毛仕龙, 孙丽珺()

青岛科技大学信息科学技术学院，山东青岛 266061

收稿日期:2021-08-06 修回日期:2021-09-17 接受日期:2021-11-17 发布日期:2022-01-10 出版日期:2022-06-10
通讯作者: 孙丽珺
作者简介:郭嘉宸（1997－），男，山东烟台人，硕士研究生，CCF会员，主要研究方向：深度学习、智能交通
杨宇燊（2000－），男，福建三明人，主要研究方向：深度学习、智能交通
王研（2000－），男，山东临沂人，主要研究方向：深度学习、智能交通
毛仕龙（2000－），男，山东菏泽人，主要研究方向：深度学习、智能交通
基金资助:
青岛科技大学2020年大学生创新训练计划项目(S202010426017)

Refined short-term traffic flow prediction model and migration deployment scheme

Jiachen GUO, Yushen YANG, Yan WANG, Shilong MAO, Lijun SUN()

College of Information Science and Technology，Qingdao University of Science and Technology，Qingdao Shandong 266061，China

Received:2021-08-06 Revised:2021-09-17 Accepted:2021-11-17 Online:2022-01-10 Published:2022-06-10
Contact: Lijun SUN
About author:GUO Jiachen，born in 1997，M. S. candidate. His researchinterests include deep learn
YANG Yushen，born in 2000. His research interests include deeplearning，intelligent transportation.
WANG Yan，born in 2000. His research interests include deeplearning，intelligent transportation.
MAO Shilong，born in 2000. His research interests include deeplearning，intelligent transportation.
Supported by:
2020 College Student Innovation Training Program of Qingdao University of Science and Technology(S202010426017)

摘要/Abstract

摘要：

精细化短时交通流预测是保证智能交通系统（ITS）合理决策的前提。为了建立无人驾驶汽车换道模型、预测车辆轨迹、引导车辆出行，及时为每条车道预测车流量成为亟须解决的问题，然而精细化短时交通流预测面临着以下挑战：一是交通流数据日益多元化，传统预测方法难以满足ITS高精度、短时延的要求；二是为每条车道训练预测模型会造成大量的资源浪费。针对以上问题，提出利用卷积-门控循环单元（Conv-GRU）结合灰色关联度分析法（GRA）建立精细化短时交通流预测模型预测车道流量。考虑到深度学习训练时间长、推理时间相对较短的特点，提出云-雾部署方案；同时，为避免为每条车道训练预测模型，在云-雾部署方案的基础上提出了模型迁移部署方案，该方案仅需训练部分车道的预测模型，然后通过GRA将训练好的预测模型迁移部署到关联车道进行预测。对真实交通流数据集进行大量对比实验的结果表明：与传统深度学习预测方法相比，所提模型拥有更精准的预测性能，与卷积-长短期记忆（Conv-LSTM）网络相比在提高精度的基础上运行时间更短，且能在保证高精度预测的情况下实现模型迁移，比训练每条车道的预测模型节省了约49%的训练时间。

关键词: 精细化短时交通流预测, 卷积-门控循环单元, 灰色关联度分析法, 时空特征, 部署方案

Abstract:

Refined short-term traffic flow prediction is the premise to ensure the rational decision making in Intelligent Transportation System （ITS）. In order to establish the lane-changing model of self-driving car， predict vehicle trajectories， and guide vehicle routes， the timely traffic flow prediction for each lane has become an urgent problem to solve. However， refined short-term traffic flow prediction faces the following challenges： first， with the increasing diversity of traffic flow data， the traditional prediction methods cannot meet the requirements of ITS for high precision and short time delay； second， training prediction model for each lane make a huge waste of resources. To solve the above problems， a refined short-term traffic flow prediction model combined Convolutional-Gated Recurrent Unit （Conv-GRU） with Grey Relational Analysis （GRA） was proposed to predict lane flow. Considering the characteristics of long training time and relatively short reasoning time of deep learning， a cloud-fog deployment scheme was designed. Meanwhile， to avoid training prediction models for each lane， a model migration deployment scheme was proposed， which only needs to train the prediction model of some lanes， and then the trained prediction models were migrated to the associated lane for prediction through GRA. Experimental results of extensive comparisons on a real-world dataset show that， compared with traditional deep learning prediction methods， the proposed model has more accurate prediction performance； compared with Convolutional-Long Short-Term Memory （Conv-LSTM） network， the model has shorter running time. Furthermore， the model migration is realized by the proposed model under the condition of ensuring high-precision prediction， which saves about 49% of training time compared to training prediction model for each lane.

Key words: refined short-term traffic flow prediction, Convolutional-Gated Recurrent Unit (Conv-GRU), Grey Relational Analysis (GRA), spatiotemporal feature, deployment scheme

中图分类号:

TP391

郭嘉宸, 杨宇燊, 王研, 毛仕龙, 孙丽珺. 精细化短时交通流预测模型及迁移部署方案[J]. 计算机应用, 2022, 42(6): 1748-1755.

Jiachen GUO, Yushen YANG, Yan WANG, Shilong MAO, Lijun SUN. Refined short-term traffic flow prediction model and migration deployment scheme[J]. Journal of Computer Applications, 2022, 42(6): 1748-1755.

图/表 15

图1 路口流量和车道流量对比

Fig. 1 Comparison of crossroad flow and lane flows

表1 主要符号说明

Tab. 1 Summary of main symbols

符号	含义
$n$	一个周期的天数
$f t r$	一个周期内第 $r$ 条车道产生的第 $t$ 条流量数据
$F$	一个周期内的车道流量矩阵
$F'$	经过无量纲化处理后的车道流量矩阵
$ζ i, j t$	车道 $i$ 与车道 $j$ 在第 $t$ 个时刻的关联系数
$r i, j$	车道 $i$ 与车道 $j$ 的关联度
$ρ$	分辨系数
$R i$	第 $i$ 条车道的空间信息矩阵
$f' t x d$	对第 $i$ 条车道影响较大的第 $d$ 条车道第 $t$ 个时刻的交通流量

表1 主要符号说明

Tab. 1 Summary of main symbols

符号	含义
$n$	一个周期的天数
$f t r$	一个周期内第 $r$ 条车道产生的第 $t$ 条流量数据
$F$	一个周期内的车道流量矩阵
$F'$	经过无量纲化处理后的车道流量矩阵
$ζ i, j t$	车道 $i$ 与车道 $j$ 在第 $t$ 个时刻的关联系数
$r i, j$	车道 $i$ 与车道 $j$ 的关联度
$ρ$	分辨系数
$R i$	第 $i$ 条车道的空间信息矩阵
$f' t x d$	对第 $i$ 条车道影响较大的第 $d$ 条车道第 $t$ 个时刻的交通流量

图2 部分车道的灰色关联度热图

Fig. 2 Grey relation heatmap of some lanes

图3 预测模型框架

Fig. 3 Framework of prediction model

图4 Conv-GRU模块结构

Fig. 4 Structure of Conv-GRU module

图5 一维卷积

Fig. 5 One-dimensional convolution

图6 平均池化层

Fig. 6 Average pooling layer

图7 GRU结构

Fig. 7 GRU structure

图8 云-雾迁移部署方案示意图

Fig. 8 Schematic diagram of cloud-fog migration deployment scheme

表2 不同方法在工作日和休息日的交通流量预测性能

Tab. 2 Performance of different methods in weekday and weekend traffic flow prediction

模型	工作日		休息日
模型	$M M A E$	$R R M S E$	$M M A E$	$R R M S E$
本文模型	13.998	22.245	12.217	16.640
Conv-LSTM	14.602	22.834	13.329	17.833
GRU	16.994	24.821	13.145	17.651
LSTM	14.469	22.519	12.432	17.232

表2 不同方法在工作日和休息日的交通流量预测性能

Tab. 2 Performance of different methods in weekday and weekend traffic flow prediction

模型	工作日		休息日
模型	$M M A E$	$R R M S E$	$M M A E$	$R R M S E$
本文模型	13.998	22.245	12.217	16.640
Conv-LSTM	14.602	22.834	13.329	17.833
GRU	16.994	24.821	13.145	17.651
LSTM	14.469	22.519	12.432	17.232

图9 工作日交通流量预测

Fig. 9 Weekday traffic flow prediction

图10 休息日交通流量预测

Fig. 10 Weekend traffic flow prediction

表3 不同迭代次数下模型运行时间

Tab. 3 Model running time under different iteration times

迭代步数	运行时间/s		迭代步数	运行时间/s
迭代步数	Conv-aLSTM	本文模型	迭代步数	Conv-aLSTM	本文模型
50	161	122	200	645	489
100	320	243	250	784	639
150	471	376

表4 模型推理时间及性能对比

Tab. 4 Model reasoning time and performance comparison

模型	推理时间/s	$M M A E$	$R R M S E$
Conv-LSTM	250	13.967 0	20.333 5
本文模型	236	13.107 5	19.342 5

表4 模型推理时间及性能对比

Tab. 4 Model reasoning time and performance comparison

模型	推理时间/s	$M M A E$	$R R M S E$
Conv-LSTM	250	13.967 0	20.333 5
本文模型	236	13.107 5	19.342 5

图11 模型迁移结果与关联度的关系

Fig. 11 Relationship between model migration results and correlation degree

参考文献 27

1	NALLAPERUMA D， NAWARATNE R， BANDARAGODA T， et al. Online incremental machine learning platform for big data-driven smart traffic management［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（12）： 4679-4690. 10.1109/tits.2019.2924883
2	VLAHOGIANNI E I， KARLAFTIS M G， GOLIAS J C. Short-term traffic forecasting： where we are and where we’re going［J］. Transportation Research Part C： Emerging Technologies， 2014， 43（Pt 1）： 3-19. 10.1016/j.trc.2014.01.005
3	WEIGEND A S， GERSHENFELD N A. Time Series Prediction： Forecasting the Future and Understanding the Past［M］. New York： Routledge， 2018： 2-11.
4	KUMAR S V， VANAJAKSHI L. Short-term traffic flow prediction using seasonal ARIMA model with limited input data［J］. European Transport Research Review， 2015， 7： No.21. 10.1007/s12544-015-0170-8
5	KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［C］// Proceedings of the 25th International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2012： 1097-1105.
6	薛春铭，谭国真，丁男，等. 基于博弈论的人类驾驶与无人驾驶协作换道模型［J］. 计算机工程， 2017， 43（12）：261-266. 10.3969/j.issn.1000-3428.2017.12.047
	XUE C M， TAN G Z， DING N， et al. Cooperative lane-changing model of human driving and unmanned driving based on game theory［J］. Computer Engineering， 2017， 43（12）： 261-266. 10.3969/j.issn.1000-3428.2017.12.047
7	包智鹏，支永帅，张素民，等. 基于BiGRU的多模态驾驶行为及轨迹预测［J］. 大连理工大学学报， 2021， 61（3）：246-254. 10.7511/dllgxb202103004
	BAO Z P， ZHI Y S， ZHANG S M， et al. BiGRU based multi-model maneuvers and trajectory prediction［J］. Journal of Dalian University of Technology， 2021， 61（3）： 246-254. 10.7511/dllgxb202103004
8	MU S D， XIONG Z X， TIAN Y X. Intelligent traffic control system based on cloud computing and big data mining［J］. IEEE Transactions on Industrial Informatics， 2019， 15（12）： 6583-6592. 10.1109/tii.2019.2929060
9	WILLIAMS B M， HOEL L A. Modeling and forecasting vehicular traffic flow as a seasonal ARIMA process： theoretical basis and empirical results［J］. Journal of Transportation Engineering， 2003， 129（6）： 664-672. 10.1061/(asce)0733-947x(2003)129:6(664)
10	ZHAO J， SUN S L. High-order Gaussian process dynamical models for traffic flow prediction［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（7）： 2014-2019. 10.1109/tits.2016.2515105
11	VAPNIK V N. An overview of statistical learning theory［J］. IEEE Transactions on Neural Networks， 1999， 10（5）： 988-999. 10.1109/72.788640
12	BENGIO Y， COURVILLE A， VINCENT P. Representation learning： a review and new perspectives［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2013， 35（8）： 1798-1828. 10.1109/tpami.2013.50
13	FENG X X， LING X Y， ZHENG H F， et al. Adaptive multi-kernel SVM with spatial-temporal correlation for short-term traffic flow prediction［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（6）： 2001-2013. 10.1109/tits.2018.2854913
14	LV Y S， DUAN Y J， KANG W W， et al. Traffic flow prediction with big data： a deep learning approach［J］. IEEE Transactions on Intelligent Transportation Systems， 2015， 16（2）： 865-873. 10.1109/tits.2015.2399852
15	YU X J， SUN L J， YAN Y， et al. A short-term traffic flow prediction method based on spatial-temporal correlation using edge computing［J］. Computers and Electrical Engineering， 2021， 93： No.107219. 10.1016/j.compeleceng.2021.107219
16	ZHENG J H， HUANG M F. Traffic flow forecast through time series analysis based on deep learning［J］. IEEE Access， 2020， 8： 82562-82570. 10.1109/access.2020.2990738
17	SHAO H X， SOONG B H. Traffic flow prediction with Long Short-Term Memory Networks （LSTMs）［C］// Proceedings of the 2016 IEEE Region 10 Conference. Piscataway： IEEE， 2016： 2986-2989. 10.1109/tencon.2016.7848593
18	LUO X L， LI D Y， YANG Y， et al. Spatiotemporal traffic flow prediction with KNN and LSTM［J］. Journal of Advanced Transportation， 2019， 2019： No.4145353. 10.1155/2019/4145353
19	GUO S N， LIN Y F， LI S J， et al. Deep spatial-temporal 3D convolutional neural networks for traffic data forecasting［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（10）： 3913-3926. 10.1109/tits.2019.2906365
20	KHAJEH HOSSEINI M， TALEBPOUR A. Traffic prediction using time-space diagram： a convolutional neural network approach［J］. Transportation Research Record， 2019， 2673（7）： 425-435. 10.1177/0361198119841291
21	邓烜堃，万良，丁红卫，等. 基于深度学习的交通流量预测研究［J］. 计算机工程与应用， 2019， 55（2）：228-235. 10.1109/icdmw.2019.00040
	DENG X K， WANG L， DING H W， et al. Traffic flow prediction based on deep neural networks［J］. Computer Engineering and Applications， 2019， 55（2）：228-235. 10.1109/icdmw.2019.00040
22	徐凌伟，权天祺. 移动协作通信系统中断概率性能智能预测［J］. 聊城大学学报（自然科学版）， 2020， 33（6）： 33-39， 75. 10.19728/j.issn1672-6634.2020.06.004
	XU L W， QUAN T Q. OP performance intelligent prediction of mobile cooperative communication system［J］. Journal of Liaocheng University （Natural Science Edition）， 2020， 33（6）： 33-39， 75. 10.19728/j.issn1672-6634.2020.06.004
23	杜圣东，李天瑞，杨燕，等. 一种基于序列到序列时空注意力学习的交通流预测模型［J］. 计算机研究与发展， 2020， 57（8）： 1715-1728. 10.7544/issn1000-1239.2020.20200169
	DU S D， LI T R， YANG Y， et al. A sequence-to-sequence spatial-temporal attention learning model for urban traffic flow prediction［J］. Journal of Computer Research and Development， 2020， 57（8）： 1715-1728. 10.7544/issn1000-1239.2020.20200169
24	谷远利，陆文琦，李萌，等. 基于组合深度学习的快速路车道级速度预测研究［J］. 交通运输系统工程与信息， 2019， 19（4）： 79-86. 10.1016/j.trc.2019.07.003
	GU Y L， LU W Q， LI M， et al. Lane-level traffic speed prediction for expressways based on a combined deep learning model［J］. Transportation Systems Engineering and Information， 2019， 19（4）：79-86. 10.1016/j.trc.2019.07.003
25	HUANG Y P， QIAN L P， FENG A Q， et al. Short-term traffic prediction by two-level data driven model in 5G-enabled edge computing networks［J］. IEEE Access， 2019， 7： 123981-123991. 10.1109/access.2019.2938236
26	张琛，徐国丽. 基于云遗传的RBF神经网络的交通流量预测［J］. 计算机工程与应用， 2014， 50（16）： 216-220. 10.3778/j.issn.1002-8331.1208-0505
	ZHANG C， XU G L. Prediction for traffic flow of RBF neural network based on cloud genetic algorithm［J］. Computer Engineering and Applications， 2014， 50（16）： 216-220. 10.3778/j.issn.1002-8331.1208-0505
27	刘思峰，郭天榜，党耀国，等. 灰色系统理论及其应用［M］. 2版. 北京：科学出版社， 1999：17-29.
	LIU S F， GUO T B， DANG Y G， et al. Grey System Theory and Its Application［M］. 2nd ed. Beijing： Science Press， 1999： 17-29.

[1]	马栋林, 马司周, 王伟杰. 基于图卷积网络和门控循环单元的多站点气温预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 287-293.
[2]	王智文, 蒋联源, 王宇航, 王日凤, 张灿龙, 黄镇谨, 王鹏涛. 基于尺度自适应局部时空特征的足球比赛视频中的多运动员行为表示[J]. 计算机应用, 2016, 36(8): 2134-2138.
[3]	向坚朱红丽. 基于三维特征提取的人体运动数据分析和检索[J]. 计算机应用, 2008, 28(5): 1344-1346.

精细化短时交通流预测模型及迁移部署方案

Refined short-term traffic flow prediction model and migration deployment scheme

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 27

相关文章 3

编辑推荐

Metrics