基于改进时空残差卷积神经网络的城市路网短时交通流预测

doi:10.11772/j.issn.1001-9081.2021010080

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (1): 258-264.DOI: 10.11772/j.issn.1001-9081.2021010080

• 前沿与综合应用 • 上一篇

基于改进时空残差卷积神经网络的城市路网短时交通流预测

包银鑫¹, 曹阳¹^,², 施佺¹^,²()

^1.南通大学信息科学技术学院，江苏南通 226019
^2.南通大学交通与土木工程学院，江苏南通 226019

收稿日期:2021-01-15 修回日期:2021-04-20 接受日期:2021-04-29 发布日期:2021-05-12 出版日期:2022-01-10
通讯作者: 施佺
作者简介:包银鑫（1996—），男，江苏淮安人，博士研究生，主要研究方向：智能信息处理
曹阳（1986—），江苏如皋人，教授，博士生导师，博士，主要研究方向：科学计算、智能信息处理
施佺（1973—），男，江苏海门人，教授，博士生导师，博士，CCF高级会员，主要研究方向：智能信息处理。
基金资助:
国家自然科学基金资助项目(61771265);江苏省“333工程”科研项目(BRA2017475);南通市“226”科研项目(131320633045)

Improved spatio-temporal residual convolutional neural network for urban road network short-term traffic flow prediction

Yinxin BAO¹, Yang CAO¹^,², Quan SHI¹^,²()

^1.School of Information Science and Technology，Nantong University，Nantong Jiangsu 226019，China
^2.College of Transportation and Civil Engineering，Nantong University，Nantong Jiangsu 226019，China

Received:2021-01-15 Revised:2021-04-20 Accepted:2021-04-29 Online:2021-05-12 Published:2022-01-10
Contact: Quan SHI
About author:BAO Yinxin， born in 1996， Ph. D. candidate. His research interests include intelligent information processing.
CAO Yang， born in 1986， Ph. D.， professor. His research interests include scientific computing， intelligent information processing.
SHI Quan， born in 1973， Ph. D.， professor. His research interests include intelligent information processing.
Supported by:
National Natural Science Foundation of China(61771265);“Project 333” Scientific Research Project of Jiangsu(BRA2017475);“226” Scientific Research Project of Nantong(131320633045)

摘要/Abstract

摘要：

城市路网交通流预测受到历史交通流和相邻路口交通流的影响，具有复杂的时空关联性。针对传统时空残差模型缺乏对交通流数据进行相关性分析、捕获微小变化而容易忽略长期时间特征等问题，提出一种基于改进时空残差卷积神经网络（CNN）的城市路网短时交通流预测模型。该模型将原始交通流数据转化成交通栅格数据，利用皮尔逊相关系数（PCC）对交通栅格数据进行相关性分析，确定相关性高的周期序列和邻近序列；同时，建立周期序列模型和邻近序列模型，并引入长短时记忆（LSTM）网络作为混合模型提取时间特征以及捕获两种序列的长期时间特征。利用成都市出租车数据集对模型进行验证，结果表明该模型预测结果优于LSTM、CNN和传统残差模型等基准模型，以均方根误差（RMSE）为评价指标时，所提模型将测试集中交通路网的平均预测精度分别提高了25.6%、13.3%和3.2%。

关键词: 短时交通流预测, 时空分析, 残差网络, 皮尔逊相关系数, 长短时记忆网络, 卷积神经网络, 组合模型

Abstract:

Traffic flow prediction for urban road network is influenced by historical traffic flow and traffic flow at adjacent intersections， which has complex spatio-temporal correlation. For the lack of correlation analysis on traffic flow data， capturing small changes but ignoring long-term time characteristics in traditional spatio-temporal residual models， a short-term traffic flow prediction model for urban road network based on improved spatio-temporal residual Convolutional Neural Network （CNN） was proposed. In the proposed model， the original traffic flow data was transformed into traffic grid data， and Pearson Correlation Coefficient （PCC） was used to analyze the correlation of traffic grid data， so as to determine the periodic series and adjacent series with high correlation. At the same time， the periodic series model and the adjacent series model were established， and Long Short-Term Memory （LSTM） network was introduced as the hybrid model to extract the time characteristics and capture the long-term time characteristics of the two series. Experimental results on Chengdu taxi dataset show that the proposed model can predict traffic flow better than benchmark models of LSTM， CNN and the traditional residual model. When the evaluation index is Root Mean Square Error （RMSE）， the average prediction accuracy of traffic road network in the test set is improved by 25.6%， 13.3% and 3.2% respectively.

Key words: short-term traffic flow prediction, spatio-temporal analysis, Residual Network (ResNet), Pearson Correlation Coefficient (PCC), Long Short-Term Memory (LSTM) network, Convolutional Neural Network (CNN), combination model

中图分类号:

TP18

包银鑫, 曹阳, 施佺. 基于改进时空残差卷积神经网络的城市路网短时交通流预测[J]. 计算机应用, 2022, 42(1): 258-264.

Yinxin BAO, Yang CAO, Quan SHI. Improved spatio-temporal residual convolutional neural network for urban road network short-term traffic flow prediction[J]. Journal of Computer Applications, 2022, 42(1): 258-264.

图/表 16

图1 交通栅格数据转化

Fig. 1 Traffic grid data transformation

图2 传统时空残差模型结构

Fig. 2 Structure of traditional spatio-temporal residual model

图3 2D卷积示意图

Fig. 3 Schematic diagram of 2D convolution

图4 残差模块结构

Fig. 4 Structure of residual module

图5 改进时空残差卷积神经网络结构

Fig. 5 Structure of improved spatio-temporal residual convolutional neural network

图6 LSTM网络结构

Fig. 6 Structure of LSTM network

图7 交通流周期性变化

Fig. 7 Periodic changes in traffic flow

表1 数据集参数

Tab. 1 Dataset parameters

数据集	成都市出租车数据
地点	中国四川省成都市
时间	2014年8月3日到2014年8月30日
栅格面积	648 km²
区域经度（最小值）	103.945 689
区域经度（最大值）	104.204 976
区域纬度（最小值）	30.786 707
区域纬度（最大值）	30.585 958
时间间隔	5 min
栅格数据尺寸	24×24
栅格数据数量	6 048

图8 交通栅格数据的相关性分析

Fig. 8 Correlation analysis of traffic grid data

表2 改进时空残差卷积神经网络模型结构参数

Tab. 2 Structural parameters of improved spatio-temporal residual convolutional neural network model

参数	取值
输入尺寸	［BATCH_SIZE，1，24，24］
残差单元数量	3
卷积核尺寸	3×3
卷积核步长	1
卷积补零圈数	1
LSTM输入层维度	1×576
LSTM隐藏层层数	12
LSTM输出层维度	1×576
激活函数	残差单元：ReLU，其余为Sigmoid

图9 2014年8月26日x7,3路口车流量真实值与预测值对比

Fig. 9 Comparison of real and predicted traffic flow values at intersection x7,3 on August 26， 2014

图10 城市路网车流量真实值与预测值

Fig. 10 Real value and predicted value of traffic flow in urban road network

表3 模型性能比较结果

Tab. 3 Model performance comparison results

模型类别	成都市出租车数据（测试集）
模型类别	RMSE（平均）	MAE（平均）
LSTM（路网）	9.282	5.444
CNN（路网）	7.972	3.588
ST-ResNet（路网）	7.139	4.188
改进ST-ResNet（路网）	6.909	3.110

图11 模型预测数据拟合对比

Fig. 11 Comparison of model prediction data fitting

图12 本文模型与传统残差模型预测效果对比

Fig. 12 Prediction effect comparison between the proposed model and traditional residual model

图13 测试集上RMSE和MAE比较结果

Fig. 13 RMSE and MAE comparison results on test set

参考文献 26

1	VLAHOGIANNI E I， KARLARLAFTIS 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： 3-19. 10.1016/j.trc.2014.01.005
2	ZHANG J P， WANG F Y， WANG K F， et al. Data-driven intelligent transportation systems： a survey［J］. IEEE Transactions on Intelligent Transportation Systems， 2011， 12（4）： 1624-1639. 10.1109/tits.2011.2158001
3	OH S， BYON Y J， JANG K， et al. Short-term travel-time prediction on highway： a review of the data-driven approach［J］. Transport Reviews， 2015， 35（1）： 4-32. 10.1080/01441647.2014.992496
4	陈航，陈玉敏，吴钱娇，等. 基于周相似性的短时交通流预测方法研究［J］. 测绘通报， 2015（S2）： 27-31.
	CHEN H， CHEN Y M， WU Q J， et al. Research on methods of traffic flow forecasting based on weekly similarity［J］. Bulletin of Surveying and Mapping， 2015（S2）： 27-31.
5	KUMAR S V. Traffic flow prediction using Kalman filtering technique［J］. Procedia Engineering， 2017， 187： 582-587. 10.1016/j.proeng.2017.04.417
6	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
7	陈丹，胡明华，张洪海，等. 基于贝叶斯估计的短时空域扇区交通流量预测［J］. 西南交通大学学报， 2016， 51（4）： 807-814. 10.3969/j.issn.0258-2724.2016.04.028
	CHEN D， HU M H， ZHANG H H， et al. Short-term traffic flow prediction of airspace sectors based on Bayesian estimation theory［J］. Journal of Southwest Jiaotong University， 2016， 51（4）： 807-814. 10.3969/j.issn.0258-2724.2016.04.028
8	罗向龙，李丹阳，杨彧，等. 基于 KNN-LSTM 的短时交通流预测［J］. 北京工业大学学报， 2018， 44（12）： 1521-1527. 10.11936/bjutxb2018030029
	LUO X L， LI D Y， YANG Y， et al. Short-term traffic flow prediction based on KNN-LSTM［J］. Journal of Beijing University of Technology， 2018， 44（12）： 1521-1527. 10.11936/bjutxb2018030029
9	KARLAFTIS M G， VLAHOGIANNI E I. Statistical methods versus neural networks in transportation research： differences， similarities and some insights［J］. Transportation Research Part C： Emerging Technologies， 2011， 19（3）： 387-399. 10.1016/j.trc.2010.10.004
10	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
11	POLSON N G， SOKOLOV V O. Deep learning for short-term traffic flow prediction［J］. Transportation Research Part C： Emerging Technologies， 2017， 79： 1-17. 10.1016/j.trc.2017.02.024
12	HUANG W H， SONG G J， HONG H K， et al. Deep architecture for traffic flow prediction： deep belief networks with multitask learning［J］. IEEE Transactions on Intelligent Transportation Systems， 2014， 15（5）： 2191-2201. 10.1109/tits.2014.2311123
13	ABDULHAI B， PORWAL H， RECKER W. Short-term traffic flow prediction using neuro-genetic algorithms［J］. Journal of Intelligent Transportation Systems， 2002， 7（1）： 3-41. 10.1080/10248070212011
14	高红民，曹雪莹，杨耀，等. 基于CNN的双边融合网络在高光谱图像分类中的应用［J］. 通信学报， 2020， 41（11）： 132-140. 10.11959/j.issn.1000-436x.2020238
	GAO H M， CAO X Y， YANG Y， et al. Application of bilateral fusion model based on CNN in hyperspectral image classification［J］. Journal on Communications， 2020， 41（11）： 132-140. 10.11959/j.issn.1000-436x.2020238
15	MA X L， DAI Z， HE Z B， et al. Learning traffic as images： a deep convolutional neural network for large-scale transportation network speed prediction［J］. Sensors， 2017， 17（4）： No.818. 10.3390/s17040818
16	王祥雪，许伦辉. 基于深度学习的短时交通流预测研究［J］. 交通运输系统工程与信息， 2018， 18（1）： 81-88. 10.16097/j.cnki.1009-6744.2018.01.012
	WANG X X， XU L H. Short-term traffic flow prediction based on deep learning［J］. Journal of Transportation Systems Engineering and Information Technology， 2018， 18（1）： 81-88. 10.16097/j.cnki.1009-6744.2018.01.012
17	王志建，李达标，崔夏，等. 基于LSTM神经网络的降雨天旅行时间预测研究［J］. 交通运输系统工程与信息， 2020， 20（1）： 137-144.
	WANG Z J， LI D B， CUI X， et al. Travel time prediction based on LSTM neural network in precipitation［J］. Journal of Transportation Systems Engineering and Information Technology， 2020， 20（1）： 137-144.
18	于德新，邱实，周户星，等. 基于GRU-RNN模型的交叉口短时交通流预测研究［J］. 公路工程， 2020， 45（4）： 109-114. 10.19782/j.cnki.1674-0610.2020.04.018
	YU D X， QIU S， ZHOU H X， et al. Research on short-term traffic flow prediction of intersections based on GRU-RNN model［J］. Highway Engineering， 2020， 45（4）： 109-114. 10.19782/j.cnki.1674-0610.2020.04.018
19	SHI X J， CHEN Z R， WANG H， et al. Convolutional LSTM network： a machine learning approach for precipitation nowcasting［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2015： 802-810.
20	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778. 10.1109/cvpr.2016.90
21	ZHANG J B， ZHENG Y， QI D K， et al. Predicting citywide crowd flows using deep spatio-temporal residual networks［J］. Artificial Intelligence， 2018， 259： 147-166. 10.1016/j.artint.2018.03.002
22	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
23	GUO G， ZHANG T Q. A residual spatio-temporal architecture for travel demand forecasting［J］. Transportation Research Part C： Emerging Technologies， 2020， 115： No.102639. 10.1016/j.trc.2020.102639
24	赵建立，石敬诗，孙秋霞，等. 基于混合深度学习的地铁站进出客流量短时预测［J］. 交通运输系统工程与信息， 2020， 20（5）： 128-134. 10.1155/2020/4656435
	ZHAO J L， SHI J S， SUN Q X， et al. Short-time inflow and outflow prediction of metro stations based on hybrid deep learning［J］. Journal of Transportation Systems Engineering and Information Technology， 2020， 20（5）： 128-134. 10.1155/2020/4656435
25	ZHENG C P， FAN X L， WEN C L， et al. DeepSTD： mining spatio-temporal disturbances of multiple context factors for citywide traffic flow prediction［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 21（9）： 3744-3755. 10.1109/tits.2019.2932785
26	百度网盘. 2014年四川成都的出租车数据［DS/OL］. （2020-10-22）［2020-11-03］.，提取码： clsj. （Baidu Netdisk. Taxi data in Chengdu， Sichuan Province in 2014［DS/OL］. （2020-10-22）［2020-11-03］.， Extraction code： clsj.）

[1]	李恒鑫, 常侃, 谭宇飞, 凌铭阳, 覃团发. 应用通道间相关性及增强信息蒸馏的彩色图像去马赛克网络[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 245-251.
[2]	宋中山, 梁家锐, 郑禄, 刘振宇, 帖军. 基于双向门控尺度特征融合的遥感场景分类[J]. 计算机应用, 2021, 41(9): 2726-2735.
[3]	李康康, 张静. 基于注意力机制的多层次编码和解码的图像描述模型[J]. 计算机应用, 2021, 41(9): 2504-2509.
[4]	张永斌, 常文欣, 孙连山, 张航. 基于字典的域名生成算法生成域名的检测方法[J]. 计算机应用, 2021, 41(9): 2609-2614.
[5]	赵宏, 孔东一. 图像特征注意力与自适应注意力融合的图像内容中文描述[J]. 计算机应用, 2021, 41(9): 2496-2503.
[6]	徐江浪, 李林燕, 万新军, 胡伏原. 结合目标检测的室内场景识别方法[J]. 计算机应用, 2021, 41(9): 2720-2725.
[7]	牟长宁, 王海鹏, 周丕宇, 侯鑫行. 基于图卷积神经网络的串联质谱从头测序[J]. 计算机应用, 2021, 41(9): 2773-2779.
[8]	王贺兵, 张春梅. 基于非对称卷积-压缩激发-次代残差网络的人脸关键点检测[J]. 计算机应用, 2021, 41(9): 2741-2747.
[9]	曾祥银, 郑伯川, 刘丹. 基于深度卷积神经网络和聚类的左右轨道线检测[J]. 计算机应用, 2021, 41(8): 2324-2329.
[10]	曹玉红, 徐海, 刘荪傲, 王紫霄, 李宏亮. 基于深度学习的医学影像分割研究综述[J]. 《计算机应用》唯一官方网站, 2021, 41(8): 2273-2287.
[11]	丁尹, 桑楠, 李晓瑜, 吴飞舟. 基于循环神经网络的电信行业容量数据预测方法[J]. 计算机应用, 2021, 41(8): 2373-2378.
[12]	秦斌斌, 彭良康, 卢向明, 钱江波. 司机分心驾驶检测研究进展[J]. 计算机应用, 2021, 41(8): 2330-2337.
[13]	黄程程, 董霄霄, 李钊. 基于二维Winograd算法的深流水线5×5卷积方法[J]. 计算机应用, 2021, 41(8): 2258-2264.
[14]	祝承, 赵晓琦, 赵丽萍, 焦玉宏, 朱亚飞, 陈建英, 周伟, 谭颖. 基于谱聚类半监督特征选择的功能磁共振成像数据分类[J]. 计算机应用, 2021, 41(8): 2288-2293.
[15]	吴则举, 焦翠娟, 陈亮. 基于改进Faster R-CNN的轮胎缺陷检测方法[J]. 计算机应用, 2021, 41(7): 1939-1946.

基于改进时空残差卷积神经网络的城市路网短时交通流预测

Improved spatio-temporal residual convolutional neural network for urban road network short-term traffic flow prediction

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 26

相关文章 15

编辑推荐

Metrics