尹邵龙　赵亚楠

摘 要： 短时交通流状态预测对于实现城市智能交通系统至关重要。在过去，很多神经网络模型被提出来用以预测交通流，但是效果并不是很显著。究其原因，是因为大多数都是利用浅层模型在学习，浅层模型由于容易陷入局部极值而且不能模拟更复杂的数学运算，所以并不适合于模拟现实的交通状况。深度学习作为机器学习的新兴学科，在语音与图像处理方面取得了显著的成效，它能够非监督地从数据中学习出有效的特征用以预测，故在此利用深度学习进行建模用以城市主干道交通流预测。实验表明，模型取得了不错的交通流预测效果。

关键词： 深度学习； 交通流预测； 神经网络； 机器学习

中图分类号： TN915.5?34； TP183 文献标识码： A 文章编号： 1004?373X（2015）15?0158?05

Practice and research on deep learning applied in urban traffic flow prediction

YIN Shaolong， ZHAO Yanan

（North China Institute of Computer Technology， Beijing 100086， China）

Abstract： Short?term traffic flow state prediction plays an important role in realizing urban intelligent transportation system. Many neural network models have been proposed to predict traffic flow in the past， and the effects are unsatisfied. The reason for this is that most models learning uses shallow model. Since shallow model is liable to sink into local extremum and unable to simulate more complicated arithmetical operation， it is not suitable for simulating actual traffic condition. As a new branch of machine learning， deep learning has made great success in the field of voice and image processing. It can learn valid features for prediction from data sets in an unsupervised way. Deep learning is applied to prediction urban main road traffic flow by modeling. The experimental results show that this method has achieved better traffic flow prediction effect.

Keywords： deep learning； traffic flow prediction； neural network； machine learning

0 引 言

随着社会的快速发展和机动车数量的急剧增加，城市交通日益趋向于拥堵，交通事故与空气污染也进一步加剧。在我国，北京、上海这样的大城市在中心市区的平均车速在高峰时期不足20 km/h，交通拥堵又进一步导致了能耗加剧与环境污染。研究结果表明[1]，当车速由40 km/h降低至10 km/h时，能量损耗量会增长1倍，环境污染量会增加3倍以上。北京市汽车排放的氮氧化物、一氧化碳对环境分别占到46%和63%。所以，智能交通系统（Intelligent Transportation Systems，ITS）成为解决城市拥堵问题的关键途径。智能交通系统有效地利用当前先进的硬件和软件，对交通进行有效的综合管理。短时交通流状态预测（Short?term Traffic State Forecasting）作为智能交通系统的核心技术，它利用现有数据对交通流状况进行预测，进而帮助出行者进行路径规划，实现交通流诱导，从而缓解了交通拥挤，减少了环境污染。……