使用深度学习的交通预测建模方法的调查
三个要点
✔️ 在交通工程中使用深度学习模型的研究调查
✔️ 来自第一个应用深度学习模型的研究的描述
✔️ 未来发展的基石论文
Learning methods in the transportation domain: a review
written by Hoang Nguyen, Le-Minh Kieu, Tao Wen, Chen Cai
(Submitted on 30 July 2018)
Comments: accepted to Selected Papers from the 25th ITS World Congress Copenhagen 2018.
Subjects: machine learning (cs.LG)
交通工程和深度学习
交通工程和深度学习，即网络之间存在着联系，基于深度学习的表征和对传统预测方法的扩展已经得到了很多关注。由于道路网络的复杂性和网络内的时空依赖性，减少交通拥堵和预测交通需求的传统方法很难转移和建模。此外，交通模式是随时间变化的，每个路段都与下一个路段分开。此外，交通数据来自多个数据源和传感器，考虑到数据随时间的变化、网络收敛性和数据准确性，为学习预测模型提供有意义的特征非常重要。考虑到这些因素，这项研究强调了使用传统机器学习方法（如支持向量机、逻辑回归、决策树）进行预测的缺点，并介绍了使用深度学习模型解决这些缺点的工作。
具体任务的例子
在下文中，我们将介绍对交通工程中各项任务的研究。
交通网络的代表
本文将路段（链接）描述为交通网络中的一种道路情况。
以下是交通拥堵的二维阵列表示。设$N$是一个环节，$T$是一个时间间隔。
\begin{equation} \left[\begin{array}{ccccc}C_{1}^{1} & C_{1}^{2} & C_{1}^{3} & \ldots & C_{1}^{T} \\C_{2}^{1} & C_{2}^{2} & C_{2}^{3} & \ldots & C_{2}^{T} \\\vdots & \vdots & \vdots & \ddots & \vdots \\C_{N}^{1} & C_{N}^{2} & C_{N}^{3} & \ldots & C_{N}^{T}\end{array}\right]======\Rightarrow\left[\begin{array}{c}C_{1}^{T+1} \\C_{2}^{T+1} \\\vdots \\ C_{N}^{T+1}\end{array}\right] \end{equation}。
$C^t_n$代表$T$时间的交通拥堵状态，即第n$条链路，可以是拥堵或不拥堵的二进制值，也可以是交通状况（例如，顺利、轻度拥堵等）。该模型根据区间$T$的信息预测$T+1$中所有链接的交通状况。如果每个环节都是独立的，那么问题就可以简化为一个序列学习问题，但是当考虑到多个环节时，就需要对时间序列进行深度学习。
笔者使用Reccurent神经网络（RNN）对交通网络进行时间序列训练，并使用深度限制性波尔兹曼机（RBM）学习每一层的表征（图4）。尽管结构简单，但该模型在预测准确性方面表现不佳，因为它需要学习和推断空间关系（例如，路段之间的关系），只使用历史数据。
为了解决这个问题，Fouladgar等人提出了一个基于卷积神经网络（CNN）的交通流模型，可以推断出流入和流出的信息以及路段的交通状况。利用CNN的特性，学习交通网络中各路段之间的空间关联性。
在这个模型中，如果交通网络中的每个点是$S$，通往$S$的相邻点是$L_1, L_2, \ldots, L_n$，通往$S$的交通流中的相邻点是$R_1, R_2, \ldots, R_n$，那么在$t$的瞬间的状态表示如下
\begin{equation}\left[ L_n \rightarrow L_{n-1} \rightarrow \ldots L_2 \rightarrow L_1 \rightarrow S \rightarrow R_m \rightarrow R_{m-1} \rightarrow \ldots R_2 \rightarrow R_1 \rightarrow S \right] \end{equation}
如图所示，交通状况信息被输入为交通状况，通过将每个事件的事件信息加入到最终的全连接网络中，预测$t+1$的交通流量。我们还引入了长短期记忆（LSTM）来模拟交通状况，与RNN相比，它成功地捕捉了长期时间序列的特征。然而，仍然有一些问题，如果没有正确的配置和参数选择，就无法单独处理特定事故或有限区域的建模。
交通流量预测
预测交通流量是交通建模和数据分析的一个基本问题。具体来说，任务是预测未来路段上的车辆数量。由于手工选择特征、单独训练和层数较少，传统方法无法达到准确的结果。对此，Huang等人提出了深度学习中的一个模型，该模型由一个具有多个输出的层和深度信念网络（DBN）组成，用于交通流预测。
输入空间为$X$，包含某一时间之前的所有观察点，通过DBN的无监督学习来提取特征。然后，通过对相关道路的分组和学习，预测交通流量。尽管已经提出了几种分组方法（如空间聚类和交通流量变化聚类），但Huang等人提出了加权聚类，即根据回归层中推断出的道路权重对相关道路进行聚类。他们利用DBN成功地从数据中提取了有用的特征。在我们的实验中，我们预测了短时间内和60分钟内的交通流。这项研究的一个优点是，它与传统方法ARIMA模型、贝叶斯模型、支持向量回归（SVR）、神经网络模型和非参数回归模型进行了比较。作为比较的结果，传统方法在PeMS数据集上测试时表现较好，而提议的方法只在中低水平的测试中超过了它，这仍有改进的余地。
在最近的一项研究中，Polson和Sokolov等人提出了一个使用L1约束和tanh层的短期交通流预测模型。它的结构很简单，但它对交通流变化迅速的特殊事件数据的预测结果进行了评估。Zhao等人也提出了一个类似的使用LSTM进行短期交通预测的空间-时间模型。Zhao等人比较了LSTM与其他深度学习模型的性能，如RNN和叠加自动编码器（SAE），发现LSTM的性能更好。LSTM的性能长期优于RNN的性能，也优于使用流量大数据的传统参数化方法的性能。
信号控制
交通拥堵是一个非常重要且需要解决的道路问题。解决办法是扩大基础设施，但这是昂贵和耗时的，所以我们引入了一种方法，利用交通信号控制（TSC）来优化交通流，以减少拥堵和污染。为了解决这个问题，我们提出了一种利用GTSC优化交通流的方法。为了解决这个问题，Genders和Razavi提出了一个使用深度学习模型的自适应交通信号控制代理，并训练它学习最佳控制策略。为了学习，他们提出了一种基于信息密度的新的离散交通状态编码。这种编码的交通状态被视为深度学习模型的输入，并用于使用Q-learning与经验回放进行学习。深度学习的使用使我们可以通过观察行为来改变强化学习中的过程，而不需要按照原来的要求设计状态和行动空间。这导致整体延迟减少82%，队列长度减少66%，流量时间减少20%。
Van Der Pol同样处理了深度学习和Q-learning，在一个二进制矩阵中对所有交叉口的交通状况进行了编码，并试验了多代理强化学习与单一代理的结合。结果压倒了基线模型，并表明它可以应用于多个代理。
接下来，Li等人通过Q-learning训练红绿灯时间，并用稀疏自动编码器神经网络（SAE）近似Q函数，而不是使用深度学习；SAE神经网络将状态矩阵作为输入，输出Q值和可能采取的行动。这表明，在交通灯设计中，深度强化学习的性能要优于其他。
车辆检测的自动化
传统上，交通数据是由定时环形探测器和压电传感器收集的，但很难收集到稳定可靠的数据数量。随着深度学习算法的兴起，基于无人机的成像系统和基于摄像头的车辆识别系统已成为商业上可行的。我们经常听到的深度学习模型通过模型类型来识别汽车，但由于缺乏训练数据集，出现了很多训练过的模型的转移学习，模型需要被澄清。传统的支持向量机（SVM）已经成功地用于识别多类汽车，使用基于地理和外观的方法（Moussa 2014。）Wang等人提出了一个用于汽车检测的2D深度信念网络。他们使用二维平面而不是一维矢量作为输入，并对可分辨的信息进行双线性投影。他们在数据上取得了96.05%的识别准确率。
然而，即使使用SoTA汽车检测和识别算法，也很难在恶劣天气等特殊情况下检测汽车。此外，视频摄像头可以用来实时监测交通量、交通密度、车辆类型和拥堵情况。此外，通过检测车辆的速度，该系统可以适应该地区的情况，随着这项研究的进展，预计将获得更多有价值的数据用于交通代理。
交通需求预测
交通需求预测预测了未来有多少用户会出现在道路和公共交通上。交通需求预测允许使用乘客需求作为各种交通模型的输入。在长期需求预测中，大多数交通需求预测研究在需求模型中分为四个步骤（出行产生、出行分布、模式选择和出行分配）。
另一方面，短期交通需求预测是一个新兴的课题，其目的是利用历史数据预测近期的交通需求。特别是最近数据采集方法的急剧增加，如智能卡、传感器、探针、GPS和CCTV，加速了研究工作。这些获取方法内容丰富，信息量大，但同时在分析结构上也很复杂。因此，我们正在使用深度学习在短期内更准确和实时地（或在很短的时间内）进行预测。
Cheng等人提出了几个深度学习模型来预测大型交通网络中的每日交通需求转变。这些模型同时考虑了时间和空间的相关性，并实现和评估了三种模型：DNN、堆叠LSTM和特定特征的数据融合模型。结果显示，堆叠式LSTM网络的性能最好。接下来，Ke等人提出了一种除了空间和时间之外还考虑外在关系的方法，以进一步改进系统（Ke等人，2017。
Zhu等人创建了一个汽车共享的需求预测模型，使用SAE模型来学习潜在的需求时空相关因素；Yao等人扩展了这个模型，并提出了一个预测出租车需求的模型。这个模型由时间序列、空间和语义的角度组成。在其他地方，Liu等人提出了一个预测公共交通中乘客需求的模型，并使用DNN来预测台北的快速交通系统的需求。输入包括过去的客流、时间信息和假期因素。
事故预测
交通工程的一个重要目标，以及预测交通需求和减少拥堵，是交通安全。交通事故不仅对人和建筑物造成损害，而且还对事故发生地的道路网络造成重大延误。因此，交通事故的预测对于建立一个控制交通状况的系统非常重要。
Chen等人使用深度堆栈去噪自动编码器对汽车表征的层次特征进行建模。该模型使用事故数据进行训练，并实时输入汽车数据以生成交通事故风险图。作为实验的结果，我们能够准确地预测交通事故的风险，但由于缺乏事故数据，要形成一个可靠的模型还需要更多的时间。此外，人们认为不仅可以使用事故数据，还可以使用位置数据和出发地-目的地数据来改进模型。
对于个体汽车事故的预测，Chen等人使用深度遗传算法（GA）提出了一个预测追尾碰撞的最佳神经网络，并将其应用于自动避免碰撞系统。该模型考虑了车辆间通信、路对车通信和GPS数据假设下的碰撞风险概率，通过使用GA，有效地使用了最优方案。
自动操作
对于自动驾驶的深度学习方法，其中一个容易想象的建议是Huval等人的深度学习方法在高速公路上驾驶的实验评估。他们的工作表明，CNN模型可以相当准确地检测出车道和汽车，但要进行实时检测需要有计算速度。
此外，虽然大多数研究假设在高速公路和维护良好的道路上行驶，但Hadsell等人提出了一个DBN，从长远来看，用于非道路自动驾驶。通过所提出的模型，从输入图像中提取特征，并训练一个实时判别器来预测驾驶潜力。在实验中，该模型成功地识别了树木和道路，但性能似乎取决于训练数据的大小，需要更多的信息量的图像。
司机的行为
目前正在研究在汽车中使用传感器和GPS数据来检测司机在驾驶时的态度。这样做的目的是为了提前防止司机睡着，发展自动驾驶，并带来提供给相关保险公司的信息。一个利用GPS进行司机行为分析的研究是Dong等人的研究，他们实现了一个具有1D卷积的CNN和一个RNN，并比较了它们的性能。这成功地提取了复杂的驾驶模式，与传统方法相比，提高了驾驶员检测的准确性。此外，在我们利用人脸识别技术进行瞌睡检测的研究中，我们成功提取了人脸的潜伏特征和复杂的非线性特征，准确率超过92%。
摘要
在本节中，我们介绍了深度学习在各种交通任务中的应用。关于交通工程的主要目标，即效率和安全，深度学习已被成功用于提高复杂数据的预测精度。未来的工作将侧重于实时解决问题，获取数据集，并提出各种情况下的方法。随着自动驾驶的发展，预计数据采集方法、驾驶员行为和用户行为也将发生变化。在这个快速变化的领域，使用深度学习的研究预计将继续进行。
与本文相关的类别
