现代交通预测的复杂性

交通预测已经从简单的历史平均值演变成必须说明头晕的动态变量的学科。 吞噬模式不仅随着时间变化而变化,而且还随着天气事件、事故、建筑区、体育赛事甚至社交媒体趋势而变化。 传统的统计模型,如ARIMA或Kalman过滤器,都难以捕捉这些非线性、时间变化的依赖性。 更复杂的是需要实时预测[ — 当交通条件在几秒钟内发生变化时,需要几分钟才能重现的模型是没用的。 深层学习通过直接从原始或最小处理的数据中学习分层表述来解决这些问题,从而使得模型能够跨越不见状况,更快地适应。

交通预测核心深层学习架构

经常神经网络和LSTMs

经常性神经网络(RNN)旨在处理顺序数据,使其成为时间序列交通数据的自然适合。然而,香草RNNs却受到渐变的影响,限制了他们学习远距离依赖的能力。 长期短期记忆(LSTM)网络通过可以存储数百个时间步骤信息的门内记忆细胞克服了这一限制。 交通预测系统通常使用堆叠的LSTM层来捕捉多种时间尺度的规律 — — 例如,低层可能学习日常周期,而高层则学习周或季节趋势。 Ma等人的研究证明,LSTMs超过了北京交通数据的传统模型,实现了12—15%的预测误差。

空间模式的进化神经网络

交通数据不纯是连续的;它也有空间维度。一个交汇点的速度与邻近的交汇点的速度相关。最初为图像开发的革命神经网络(CNN)可以通过将路网快照作为2D矩阵来应用于交通网。快速增长的文献使用跨空间的瞬间CNN,将跨时间的反复层结合起来。例如,ST-ResNet架构应用残余的革命块来预测全市的人群流动,实现最先进的准确性,培训时间适合近实时更新。当这些模型部署在市级传感器网络上时,可以每隔几分钟对数千个路段进行预测。

变形器模型和注意机制

最近,最初为自然语言处理而开发的变压器架构被调整为流量预测. 自留置机制允许模型在进行预测时权衡所有时段步骤和所有空间位置的重要性,而无需RNNs的顺序处理限制. 这使得变压器在捕捉远距离依赖性和突发异常事件时特别有效. Autormer Autormer 变体降低自留置的四维复杂性,使其适用于大规模部署. PEMS-BAY数据集上2023年的基准中,变压器模型在每批50毫秒处理新传感器读数时,实现了2.5毫升以下的绝对误差.

建立实时预测的强大数据管道

深度学习模型只能与它所消耗的数据一样好。 构建实时流量预测系统需要一条管道,从不同来源吸收、清理和转换流数据:

  • 传感器数据——诱导环,雷达,和lidar在固定点提供车辆计数和速度.
  • GPS探测器[]——导航应用和机队车辆的浮车数据提供连续的行程时间.
  • 织物饲料——降水,能见度,温度直接影响到驱动行为.
  • Event calendars ——音乐会,体育比赛,节日会产生可预测的涌力.

数据预处理至关重要。 缺失值必须使用插值或矩阵因子化进行估算; 需要识别和标出值( 如一个传感器报告200 mph ) 。 特性工程可以包括日时编码、日周双数和滞后变量。 对于深层学习模型,原始输入( 如跨网格的过去60分钟的速度读数) 经常直接输入进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进

培训和评估交通预测模式

模型培训首先将历史数据分为培训、验证和测试组,同时保留时间顺序——随机打乱会泄露未来信息。标准损失功能包括平均绝对错误(MAE)和根平均方差错(RMSE),尽管若干交通基准也报告平均绝对错误(MAPE)的可解释性。由于交通数据往往为重尾(偶然极端拥堵),建议像Huber损失这样的强力损失功能。在验证过程中,从业人员应当注意罕见事件(意外事件、关闭)的性能,使用诸如降水加权的MAE或阈值精确度的拥挤预测。

超参数调试可以通过巴耶斯优化或网格搜索进行。关键超参数包括LSTM层数、CNN的过滤器数、学习率和序列长度。一个常见的做法是利用早期停止验证损失来防止过度匹配 — 配有数百万参数的深层模型如果为太多的时代训练,容易被记历史模式。从大城市数据上预先训练的模型中学习,可以减少较小城市的训练时间,如 Zhang等人的工作所示。

实时推论和部署战略

将经过训练的模型投入生产需要一种能够平衡时间、吞吐量和成本的部署架构。 许多组织将使用多克的模型装箱,并通过使用TensorFlow Service、TorchServe或NVIDIA Triton推论服务器等框架的REST API服务。 对于实时流量预测,推论必须在几百毫秒内完成,才能用于交通管理系统。 批量推论 — — 一起处理多个路段或时间步骤 — — 能够提高GPU的利用率并减少每请求的空闲。

另一个挑战是概念漂移:交通模式在几个月内发生变化(例如新的道路开通、通勤习惯的转变 ) 。 一个强大的系统用预测误差漂移等衡量标准进行持续监测,并在性能下降超过门槛时触发自动再培训。 在线学习技术 — — 即该模型随着每批新数据逐步更新 — — 正在对交通应用产生吸引力,尽管需要谨慎管理以避免灾难性的遗忘。 混合方法每星期重现一个完整的模型,同时使用一个轻量级的适应层进行日常调整。

对城市流动和未来趋势的影响

深层次的学习驱动交通预测已经通过智能交通信号控制和动态路线建议将试点城市的交通时间减少了10—20 % 。 实时预测允许紧急服务在拥堵周围重新设置救护车和消防车,有可能挽救生命。 随着自主车辆[的普及,这些模型将直接将预测输入车辆路径规划者,提高安全和效率。 边际部署是一个很有希望的方向:在路边单位甚至车辆内部运行轻量级模型本身会减少对云的依赖,并能够做出耐久性的反应。

未来的研究正在探索将道路网络作为图表的图神经网络(GNNs)整合,使得与网格化的CNN相比,可以对不规则地形进行更好的处理. 利用注意机制将视频相机与传感器数据连接的多式模型也在出现,提供了更丰富的背景. 采用像的Traffic Flowbork基准[这样的标准基准正在帮助外地加速发展. 随着IOT基础设施和开放数据举措的持续扩展,深层学习交通预测将成为全球智能城市业务的标准组成部分.