Page 96 - 《软件学报》2020年第12期

3762 Journal of Software 软件学报 Vol.31, No.12, December 2020

Park 等人 [71] 考虑了上、下游道路的交通参数信息,结合历史行程时间和实时行程时间数据,使用单隐层
BPNN 进行建模.实验使用 US-290 高速公路数据,并设计了 NN_M1,NN_M2,NN_M3,NN_M4 这 4 个模型.其中,
NN_M1 只使用目标道路数据,NN_M2 使用目标道路和相邻上下游两条道路的数据,NN_M4 使用目标道路和相
邻上下游 4 条道路的数据,NN_M3 使用目标道路和最相关上下游两条道路的数据.结果显示:短期预测 NN_M1
性能最优,较长期预测 NN_M2 性能最优,所有模型的平均绝对百分比误差为 7.4%~18%.我们认为:考虑相邻道
路数据能帮助提高模型长期预测的性能,因为基于运动波理论,上下游的交通状态会影响目标道路的行程时间.
Chen 等人 [72] 结合单隐层 BPNN 和数据融合方法动态预测行程时间,提出了空间离散化行程时间计算算法
(SDTCM)和速度集成行程时间计算方法(SITCM).实验结果显示:SDTCM 比 SITCM 更准确,而 SITCM 比
SDTCM 更平稳.这是由于 SDTCM 是通过分段计算行程时间,而 SITCM 则是通过拟合速度函数然后求微积分
来计算行程时间.Wisitpongphan 等人 [10] 建立了具有 3 个隐层的 BPNN 模型,使用 GPS 数据预测未来 3h 的行程
时间.该模型能实时使用行程时间数据,获取当前道路状况.实验结果显示,该模型的平均平方误差小于 3%.
ii. 循环神经网络
1982 年,Hopfield [30] 提出了一种时间递归神经网络模型,这是原始的循环神经网络(recurrent neural network,
简称 RNN).随着研究的深入,RNN 逐渐被应用到交通领域.传统神经网络不具有上下文信息,因此对很多序列数
据处理问题无能为力.而 RNN 结构中隐层的输入不仅包括输入层的输入,还包括上一时刻隐层的输出,在时间
序列任务上表现出了优异的性能.
Yun 等人 [73] 采用 3 种神经模型:单隐层 BPNN、有限脉冲响应模型(finite impulse response,简称 FIR) [74] 和延
时循环网络(time-delayed recurrent network,简称 TDRN)模型,使用州际高速公路、城际高速公路和城市交叉路
口这 3 组代表不同交通状况的数据进行实验.结果表明:TDRN 对于随机数据的预测准确率更高,而 FIR 对于相
对规则的周期性数据性能更好.我们认为:这是因为 TDRN 能够学习时间相关的非线性变化,却只能保存短时间
的记忆;而 FIR 的线性滤波器相比具有静态权值的 BPNN 能够更好地捕获数据的潜在模式.Abdulhai 等人 [75] 使
用遗传算法(genetic algorithm,简称 GA)改善 TDRN 的性能.仿真实验结果表明,该模型的平均百分比误差低于
15%.Dia 等人 [76] 讨论了一种面向对象的 TDRN 模型,用来预测高速公路上未来 15min 的速度,平均百分比误差
为 7%.TDRN 网络具有短期记忆结构,更适合于非线性预测、系统识别和模式分类.
iii. 长短期记忆神经网络
鉴于 RNN 难以保留长期记忆,Hochreiter 等人 [31] 提出了长短期记忆网络(long short-term memory,简称
LSTM).在 LSTM 内部,RNN 的常规神经元被 LSTM 存储单元代替,每个存储单元由输入门、忘记门和输出门构
成.信息流从 3 个门流入:输入门决定是否传入激活信息,输出门决定是否传出信息,忘记门决定是否丢弃信息.
Duan 等人 [77] 使用 LSTM 神经网络模型预测行程时间.历史行程时间数据按顺序输入网络,依次输出预测的
未来行程时间.实验结果表明:随着预测范围从 15min 逐渐增加到 1h,平均相对误差从 0.17 增加到 0.77.王飞跃
等人 [78] 提出了 LSTM 路段行程时间预测方法,该模型可以挖掘行程时间数据的短期和长期关联模式,并根据当
前状态自动调整历史信息对当前预测的权重.Liu 等人 [79] 提出了由 LSTM 层、深度全连接层堆叠构成的
LSTM-DNN(long short term memory-deep neural network)模型,并设计了具有不同网络结构的多个模型.实验结
果表明,该模型对未来 1h 的行程时间预测平均绝对百分比误差低于 7.3%.虽然该模型准确率较高,但需要大量
的时间来确定网络结构参数和训练模型.值得注意的是,该模型在历史数据较少、预测区间较长时性能也比较
稳定.其原因可能是深层的网络结构充分提取了交通数据的潜在模式.
iv. 状态空间神经网络
状态空间神经网络(state space neural network,简称 SSNN)是循环神经网络的一种形式,具有一个上下文层
和一个隐层,且上下文层和隐层间相互连接.数据由输入层传入隐层,隐层神经元接收当前输入和上下文状态神
经元的数据,然后经过非线性变换后传递到输出层.上下文状态神经元保存的是上一时刻隐层神经元的状态.
SSNN 结构如图 3,u t,i 和 x t,i 分别表示时刻 t 第 i 条道路的输入和上下文状态,x t+1,i 是时刻 t 隐层的状态,y t+1 表示
时刻 t 网络的预测输出.