利用深度学习理论预测大规模交通路网拥堵演化过程
2016-03-22
预测大规模城市交通拥堵演化趋势并确定拥堵节点对于政府治理拥堵和出行者出行意义重大。传统的研究往往利用数学公式或仿真软件进行大规模城市路网交通状况分析,这些研究方法大多需要一些假设条件以及非常复杂的模型矫正过程。随着“互联网+”概念的出现,越来越多的移动传感器(手机、GPS)在城市中开始普及,这些基于出行的信息催生出利用大数据进行交通拥堵预测方面的研究。基于此,我们提出利用深度学习理论进行大规模路网交通状态预测,分析数千个交通路段的出租车数据,可以将路网拥堵状态抽象成一个时空变化的高维矩阵,通过学习矩阵各元素间的历史变化趋势,预测路网路段交通状态。

我们提出一种基于深度递归神经网络与受限玻尔兹曼机(RNN-RBM)混合模型预测城市路网拥堵的时空演化规律,通过采集的4000辆宁波出租车GPS数据,获取每个路段的速度,估计全路网交通状态。同时为了优化算法的效率,我们利用GPU对算法进行并行化实现,结果表明,在间隔为1小时,路网拥堵预测精度可以达到88.2%,所需要的模型运行时间仅为354秒,与传统的BP神经网络及SVM模型对比,我们提出的路网拥堵状态预测精度要提高17%,同时运行时间减少98%。

该研究的结果可用于城市交通管控,路网组织优化,实时出行信息规划,可以使政府找到交通拥堵瓶颈点,更有效地采取相应的措施缓解拥堵。



图 1 深度递归网络及受限玻尔兹曼机混合模型



图 2 路网拥堵状态演化预测

马晓磊,交通科学与工程学院,副教授,卓越百人,E-mail:xiaolei@buaa.edu.cn

参考文献
[1]Xiaolei Ma, Haiyang Yu, Yunpeng Wang and Yinhai Wang, Large-scale Transportation Network Congestion Evolution Prediction Using Deep Learning Theory, PLOS ONE, 10(3): e0119044, 2015.
[2]Xiaolei Ma, Zhimin Tao, Yinhai Wang, Haiyang Yu and Yunpeng Wang, Long Short-term Memory Neural Network for Traffic Speed Prediction Using Remote Microwave Sensor Data, Transportation Research Part C: Emerging Technologies, 54: pp.187-197, 2015.