Page 100 - 《软件学报》2020年第12期

3766 Journal of Software 软件学报 Vol.31, No.12, December 2020

应用于降维、分类和特征学习中.多个 RBM 堆叠成的深度信念网络能学习数据的潜在周期和趋势,因此,使用深
度信念网络预测行程时间有一定的研究意义.
4.5 通用预测方法
已有的行程时间预测方法大多适用于高速公路,城区行程时间预测的研究很少,而人们的日常出行大都在
城区范围.因此,将预测方法应用于城区范围具有重要的现实意义.此外,现有预测模型大都针对特定的地点,可
转移性差.开发一类通用的行程时间预测方法,是一个极具挑战性的任务.
4.6 拟议预测方法
2015 年,Shi 等人 [106] 提出了卷积长短期记忆网络(convolutional long-short term memory,简称 convLSTM).
该网络能够结合数据的空间相关信息,同时能挖掘时间序列的潜在模式.Yuan 等人 [107] 已经将该方法应用于交
通事故预测,并取得了不错的结果.因此,我们认为,convLSTM 在交通领域是一个有潜力的方法.本文拟议的行
程时间预测模型如图 5 所示.我们可以通过根据包括起始地和目的地在内的一个道路网络图和每一条边(短路
径)需要花费的历史行程时间,来预测出发地到目的地的每条路线的行程时间.具体来说,在道路网络图中,从出
发地到目的地的每一条路线都是由多个短路径构成的.通过提取历史交通数据库中路网的每条短路径的历史
行程时间,我们可以获得一个三维的历史行程时间张量.convLSTM 模型接收该三维张量,并输出未来一段时间
内每一条短路径的行程时间.旅客从起始地到目的地的预测行程时间可以通过计算每一个短路径的行程时间
之和获得.例如,从图 5 中的出发地到目的地有多条路线,其中,路线一由(r 1 ,r 2 ,r 3 ,r 4 )构成,路线二由(r 5 ,r 6 ,r 7 ,r 4 )构
成,则 convLSTM 模型对路线一和二的预测出行时间分别为(t 1 +t 2 +t 3 +t 4 )和(t 5 +t 6 +t 7 +t 4 ).该模型能够结合地理空
间位置关系和行程时间的时间序列关系,且能同时预测整个道路网络的行程时间.缺点是 convLSTM 的网络结
构需要通过实验进行确定,训练时间相对较长.值得一提的是,当新的行程时间数据可用时,可以在一个固定周
期(例如每天或每周)使用最新的数据对模型进行离线更新,以提高模型的性能.

convLSTM
...
t 7 t 4
...
目的地 t 6 t 3
r 7 r 4
...
r 6 r 3
t 5 t 2
...
r 5 r 2 t 1
...
时间
出发地 r 1
Fig.5 Proposed model of travel-time prediction
图 5 提议的行程时间预测模型

5 总 结

本文总结了自 20 世纪 90 年代起,近 50 篇行程时间预测相关文献介绍的方法.基于理论和模型的差异,这些
方法被分为模型驱动方法(排队论和细胞传输模型)和数据驱动方法(包括参数方法(线性回归、自回归集成移动
平均和卡尔曼滤波)和非参数方法(神经网络、支持向量回归、最近邻和集成学习)).
模型驱动方法大都适用于较短距离的短期(不超过 30min)行程时间预测,且随着预测时间的增加,模型准确
度逐渐降低.预测模型一般需要考虑交叉路口的信号灯周期以及等待队列长度等信息,需要具备一定的交通流
知识,适用于高速公路和城区道路.模型驱动方法的优势是已经有比较成熟和完善的交通流模型和理论体系,能
够明确地解释各个交通量之间的关联,只需要对特定道路情况进行建模并计算,且模型的参数较少.模型驱动方
法的一个最大缺陷是地点特定,转移到其他地点需要重新建模和确定交通参数.
数据驱动方法既可以用于短期预测,也可以用于长期预测.大部分数据驱动方法能在预测时间增加的同时