《基于深度學(xué)習(xí)的交通預(yù)測研究國內(nèi)外文獻(xiàn)綜述》2200字

基于深度學(xué)習(xí)的交通預(yù)測研究國內(nèi)外文獻(xiàn)綜述國內(nèi)外眾多研究機構(gòu)和學(xué)者采用了多種不同的模型和算法對短時交通流預(yù)測問題的分析及應(yīng)用展開了探討。研究體系大致可分為參數(shù)化方法和非參數(shù)化方法，其中非參數(shù)化方法包括傳統(tǒng)非參數(shù)化方法和深度學(xué)習(xí)方法。參數(shù)化方法是指該模型具備固定的結(jié)構(gòu)和參數(shù)，參數(shù)由歷史經(jīng)驗數(shù)據(jù)計算得到，且參數(shù)量不隨訓(xùn)練樣本的數(shù)量變化而變化，包括回歸預(yù)測、時間序列和卡爾曼濾波等模型。由于參數(shù)化方法的效用有限，研究人員開始嘗試?yán)梅菂?shù)化方法解決交通流預(yù)測問題。非參數(shù)化方法即指該模型沒有固定的結(jié)構(gòu)和參數(shù)，常用的傳統(tǒng)非參數(shù)化方法有k近鄰算法、支持向量機、人工神經(jīng)網(wǎng)絡(luò)算法等。以上所述的傳統(tǒng)非參數(shù)化方法雖然對交通流中的非線性特征進(jìn)行了表示并取得了一定的結(jié)果，但由于結(jié)構(gòu)簡單，導(dǎo)致特征的學(xué)習(xí)程度有限且預(yù)測精度受限。因此，我們把重點放在深度學(xué)習(xí)在短時交通流預(yù)測的應(yīng)用。近年來，深度學(xué)習(xí)在圖像、語音等多種富有挑戰(zhàn)性的任務(wù)上都取得了較好的成果，所以該方法逐漸被廣泛地應(yīng)用于其它領(lǐng)域，包括交通流預(yù)測。相比只含一層隱藏層的人工神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)采用更深層的網(wǎng)絡(luò)結(jié)構(gòu)使得模型的學(xué)習(xí)能力得到大幅提高。Huang等人最早將深度學(xué)習(xí)應(yīng)用到交通領(lǐng)域，通過組合深度置信網(wǎng)絡(luò)和多任務(wù)回歸層進(jìn)行交通流預(yù)測，實驗證明深度學(xué)習(xí)在交通領(lǐng)域具備良好的應(yīng)用前景[1]；Lv等人首先將堆棧自編碼網(wǎng)絡(luò)（SAEs）運用到交通流預(yù)測當(dāng)中，使用貪婪的分層方式進(jìn)行訓(xùn)練，其結(jié)果證實優(yōu)于SVM和ANN等算法[2]；Ma等人通過將限制玻爾茲曼機和循環(huán)神經(jīng)網(wǎng)絡(luò)相融合對交通擁堵進(jìn)行預(yù)測，其模型的有效性在大規(guī)模的實際路網(wǎng)數(shù)據(jù)上得到了驗證[3]。這些模型方法均是深度學(xué)習(xí)方法在交通流預(yù)測領(lǐng)域進(jìn)行的嘗試性工作，雖然取得了比傳統(tǒng)方法較好的結(jié)果，但并沒有很好地結(jié)合交通流數(shù)據(jù)的時空特性。長短期記憶網(wǎng)絡(luò)（LSTM）在研究中被用來獲取交通流的時間特性，該網(wǎng)絡(luò)是為了解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)中的長期依賴問題而設(shè)計出來的。Tian和Pan采用LSTM網(wǎng)絡(luò)對交通流的時域特性進(jìn)行深度表達(dá)并對交通流速度進(jìn)行了預(yù)測，在PEMS數(shù)據(jù)集上驗證的結(jié)果證明該模型優(yōu)于現(xiàn)存的大部分算法如SVM、ANN、SAE等[4]；Kang等人利用LSTM網(wǎng)絡(luò)分析不同輸入設(shè)置對短時記憶預(yù)測性能的影響，通過考慮上下游的流量數(shù)據(jù)提高了預(yù)測精度[5]。但是交通流作為一種特殊的時間序列數(shù)據(jù)，除時域特征外，還擁有不同于其它時序數(shù)據(jù)的空間特征。研究表明空間信息能夠大大提高交通流預(yù)測的準(zhǔn)確性，特別是對于擁擠的交通狀況和長周期預(yù)測[6]。為了更好地提升預(yù)測精度，眾多學(xué)者在綜合表征時空特性上進(jìn)行了深入探索。近年來，卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為對網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)內(nèi)在聯(lián)系進(jìn)行捕捉的深度前饋神經(jīng)模型，在機器學(xué)習(xí)領(lǐng)域可謂是異軍突起，對交通領(lǐng)域的空間特征表達(dá)也獲得了令人滿意的結(jié)果。構(gòu)建CNN-LSTM融合模型是研究路線之一[7-9]，如Wu和Tan采用一維CNN對相鄰路段數(shù)據(jù)進(jìn)行空間特征的提取，多個LSTM進(jìn)行交通流時序特征和周期性特征的提取，結(jié)果表明LSTM-CNN模型所提取的時空特征對于預(yù)測效果均有所改良[7]；Cheng等人提出了DeepTransport模型，通過對上下游道路的預(yù)測路段進(jìn)行卷積操作后輸入到LSTM網(wǎng)絡(luò)中得到交通流的時空依賴關(guān)系[10]。部分研究通過將城市路網(wǎng)劃分成二維網(wǎng)格后采用CNN進(jìn)行相關(guān)預(yù)測，Ma等人通過將多條相鄰路段的數(shù)據(jù)構(gòu)建成以時間-空間位置為軸的時空矩陣，并將其視為圖像，通過二維CNN對其時空變化特性進(jìn)行學(xué)習(xí)和獲取，實驗表明該模型對比SAEs、LSTM等網(wǎng)絡(luò)均有性能的提升[11]；Zhang等人將城市路網(wǎng)劃分成二維網(wǎng)格，并將帶殘差的CNN網(wǎng)絡(luò)應(yīng)用在該網(wǎng)格上進(jìn)行路網(wǎng)的流量預(yù)測，在多個數(shù)據(jù)集上驗證的結(jié)果均優(yōu)于現(xiàn)存的諸多算法[12-13]。近年來，CNN被拓展至可以適應(yīng)任何網(wǎng)絡(luò)結(jié)構(gòu)的的圖卷積神經(jīng)網(wǎng)絡(luò)（GraphConvolutionalNetwork，GCN）[14]并得到了廣泛的應(yīng)用。Zhao等人借助CNN-LSTM的思想構(gòu)建了GCN和LSTM的融合模型TGCN，其結(jié)果顯示該模型能夠很好地獲取時空特征[15]；Yu等人針對交通流預(yù)測設(shè)計了STGCN網(wǎng)絡(luò)模型，該模型由結(jié)合圖卷積和門控時域卷積的ST-Block組成，實驗結(jié)果表明它在探索時空結(jié)構(gòu)方面具有巨大的潛力[16]。綜上，可以得知非參數(shù)化方法，特別是基于深度學(xué)習(xí)的方法能夠更有效地捕捉交通流的非線性特質(zhì)，雖然其效果并不一定會優(yōu)于參數(shù)化方法，但這無疑是一個值得深入研究的方向。ITS和人工智能的快速發(fā)展對短時交通流預(yù)測領(lǐng)域提出了更高的要求，目前各種算法都有其優(yōu)點和缺點，但受各種復(fù)雜因素的影響，例如路網(wǎng)拓?fù)浣Y(jié)構(gòu)、交叉口信號控制和交通事故等，短時交通流預(yù)測仍然是具有挑戰(zhàn)性的科學(xué)問題。參考文獻(xiàn)[1]HuangW,SongG,HongH,etal.Deeparchitecturefortrafficflowprediction:deepbeliefnetworkswithmultitasklearning[J].IEEETransactionsonIntelligentTransportationSystems,2014,15(5):2191-2201.[2]LvY,DuanY,KangW,etal.Trafficflowpredictionwithbigdata:adeeplearningapproach[J].IEEETransactionsonIntelligentTransportationSystems,2014,16(2):865-873.[3]MaX,YuH,WangY,etal.Large-scaletransportationnetworkcongestionevolutionpredictionusingdeeplearningtheory[J].PloSone,2015,10(3).[4]TianY,PanL.Predictingshort-termtrafficflowbylongshort-termmemoryrecurrentneuralnetwork[R]//2015IEEEinternationalconferenceonsmartcity/SocialCom/SustainCom(SmartCity).IEEE,2015:153-158.[5]KangD,LvY,ChenYy.Short-termtrafficflowpredictionwithlstmrecurrentneuralnetwork[R]//2017IEEE20thInternationalConferenceonIntelligentTransportationSystems(ITSC).IEEE,2017:1-6.[6]ErmagunA,LevinsonD.Spatiotemporaltrafficforecasting:reviewandproposeddirections[J].TransportReviews,2018,38(6):786-814.[7]WuY,TanH.Short-termtrafficflowforecastingwithspatial-temporalcorrelationinahybriddeeplearningframework[J].arXivpreprintarXiv:1612.01022,2016.[8]LiuY,ZhengH,FengX,etal.Short-termtrafficflowpredictionwithconv-lstm[R]//20179thInternationalConferenceonWirelessCommunicationsandSignalProcessing(WCSP).IEEE,2017:1-6.[9]DuS,LiT,GongX,etal.Trafficflowforecastingbasedonhybriddeeplearningframework[R]//201712thInternationalConferenceonIntelligentSystemsandKnowledgeEngineering(ISKE).IEEE,2017:1-6.[10]ChengX,ZhangR,ZhouJ,etal.Deeptransport:Learningspatial-temporaldependencyfortrafficconditionforecasting[R]//2018InternationalJointConferenceonNeuralNetworks(IJCNN).IEEE,2018:1-8.[11]MaX,DaiZ,HeZ,etal.Learningtrafficasimages:adeepconvolutionalneuralnetworkforlarge-scaletransportationnetworkspeedprediction[J].Sensors,2017,17(4):818.[12]ZhangJ,ZhengY,QiD,etal.Dnn-basedpredictionmodelforspatio-temporaldata[R].//Proceedingsofthe24thACMSIGSPATIALInternationalConferenceonAdvancesinGeographicInformationSystems.2016:1-4.67[13]ZhangJ,ZhengY,QiD.Deepspatio-temporalresidualnetworksforcitywidecrowdflowsprediction[R].//Thirty-FirstAAAIConferenceonArtificialIntelligence.2017.[14]BrunaJ,ZarembaW,SzlamA,etal.Spectralnetworksandlocallyconnectednetworksongraphs[J].arXivpreprintarXiv:1312.6203,2013.[15]ZhaoL,SongY,ZhangC,etal.T-gcn:Atemporalgraphconvolutionalnetworkfortrafficprediction[J].IEEETransactionsonIntelligentTransportationSystems,2019.YuB,YinH,ZhuZ.Spatio-temporalgraphconvolutionalnet