本文来源：公众号交通攻城狮；微信ID：TrafficBlog

/ 导读 /

在过去的几年中，全球自动驾驶汽车的使用呈指数增长。这是由于人工智能技术在各种应用中的普及和使用呈指数增长。交通流量预测对于自动驾驶车辆来说非常重要，因为自动驾驶车辆可以根据其周围物体来决定自己的行程并做出适应性决定(例如，转弯或右转，直行，换道，停车或加速)。

图源：Miglani A, Kumar N. Deep learning models for traffic flow prediction in autonomous vehicles: A review, solutions, and challenges[J]. Vehicular Communications, 2019, 20: 100184.

从现有文献中可以看出，对自动驾驶汽车的研究已经从传统的统计模型转向了自适应机器学习技术。然而，由于在车辆做出的上述自适应决策期间从周围环境收集的空间和时间数据之间存在非线性复杂关系，因此现有的机器学习模型可能无法直接应用于该环境。

因此，针对这些问题，在本文中，我们研究了用于自动驾驶交通量预测的各种深度学习模型，并将这些模型与它们在现代智能交通系统中的适用性进行了比较。选择各种参数以在不同的深度学习模型之间进行相对比较。此外，本文还讨论了挑战和未来的研究方向。

图源：Miglani A, Kumar N. Deep learning models for traffic flow prediction in autonomous vehicles: A review, solutions, and challenges[J]. Vehicular Communications, 2019, 20: 100184.

未来研究方向

• 交通流量预测的大多数研究都使用 RMSE 和 MAE 来衡量所提出模型的性能。但是，当输入数据集彼此完全不同时，这两个指标并不一定完全适用。因此，定义基准度量以评估交通流预测模型仍然是一个未解决的问题。
• 大多数研究都对交通量进行了短期预测，然而长期预测被认为是另一个挑战，这一点值得注意。
• 交通量预测的另一个挑战是存在异常因素，例如事故、天气、道路施工、不同时间段的差异性等等。在设计深度学习模型架构时考虑这些异常因素可以显着提高预测准确性，另外预测技术应该能够对不同时间段的交通流量进行建模。
• 交通量预测很难直接用数学公式表达，它的复杂性围绕着交通流量数据的性质而定，交通流量数据是相对于时间和空间背景下的一种随机的、非线性的发展现象。因此，结合几种智能技术的混合模型可以为交通流预测提供更好的准确性。
• 大多数研究使用环路探测器和传感器来收集交通流量数据。然而，基于 GPS 系统的数据提供了更好的高维、动态、非线性和空间时态特征。与其他数据源相比，GPS 技术需要较低的安装成本。因此，分析来自其他数据源的流量数据或通过集成不同源的数据可以提高预测性能。

图源：Miglani A, Kumar N. Deep learning models for traffic flow prediction in autonomous vehicles: A review, solutions, and challenges[J]. Vehicular Communications, 2019, 20: 100184.

• 需要鼓励将进化计算(EC)纳入其研究视野之内。与深度学习不同，EC 专注于创建尚不存在的解决方案。通过优化计算时间进行更多此类工作可以提高交通流量预测的准确性。但是，EC 进行大量的交互训练网络时却增加了计算时间的复杂性，这可能是将来工作的主题。
• 尽管深度学习模型的体系结构与传统 ML 模型相比具有改进性，但这些体系结构在实际应用中面临一个问题：由于其内部复杂和复杂的体系结构，其结果可解释性不好。而且，大多数现有模型都使用击中和尝试方法(hit and trial method)进行训练，这确实是一个耗时的过程。此外，在设计带有深度学习的交通流预测模型时，网络参数的优化是一个考虑因素。为了解决此问题，一种方法是通过展开原始数据中的内部相关性并使用潜在特征，将深度架构转换为简单结构。
• 随着数据驱动技术的普及，需要开发可处理大量交通数据的大数据方法。在大数据范例(云计算，并行计算)中运行基于深度学习的流量预测模型可以提供简单且相对高效的预测。然而，在该领域中没有开展很多工作。同样，使用非结构化数据集进行建模也是该领域的一个重要挑战。

图源：Miglani A, Kumar N. Deep learning models for traffic flow prediction in autonomous vehicles: A review, solutions, and challenges[J]. Vehicular Communications, 2019, 20: 100184.

总体来说，未来的研究可以侧重于以下主题：提高深度学习模型的准确性和有效性，优化网络参数，选择更好的插补策略来处理丢失和损坏的数据，选择更节省时间的训练和学习算法，处理更多种类的交通数据集，考虑影响交通流量预测的许多其他复杂因素(例如、工作活动、假期、天气等)和多模式学习功能融合(即考虑不同类型的交通流数据的相关性)。

中文研究结论

通过使用先进的技术和传感器，自动驾驶旨在提高现代运输系统的运营效率和能力。对于自动驾驶而言，交通预测是一项艰巨的任务，因为道路网络的空间模型非常复杂，而且非线性时间动态性也很高。在过去的几年中，已经设计了各种各样的交通流量预测方法，从数学建模到ML。 此外，交通流量预测受环境变化、事故和工作区域等各种因素影响。为了提高交通流量预测的准确性，许多研究人员探索了不同的技术。但是，由于深度学习体系结构能够处理非线性数据，因此已被证明是预测流量的最有效、最实用的方法。

图源：Miglani A, Kumar N. Deep learning models for traffic flow prediction in autonomous vehicles: A review, solutions, and challenges[J]. Vehicular Communications, 2019, 20: 100184.

从上述讨论中观察到，深度学习方法，如 Multilayer Perceptron(MLP)，LSTM，aggregation of LSTM 和 CNN 模型已经被广泛研究，而较少重视 Deep Belief Network(DBN) 和 Autoencoder(AE) 模型。与单个模型相比，混合结构更准确。此外，大多数研究都集中在预测未来 5 至 15 分钟。此外，高速公路和快速路区域是进行流量预测的主要对象，因为交通数据的种类更多，其他类型的区域被忽略。总之，由于不同学科对实时流量预测的需求日益增加，因此设计了许多基于深度学习的流量预测模型。 但是，很难得出任何一种方法在任何特定情况下都比其他方法更好的结论，因为不同的研究中选取了不同的交通数据，并且获得的预测结果，基于与收集的时空交通数据集相关的特征。因此，应在不同的数据集上执行测试，以检查不同情况下模型的准确性。此外，该研究讨论了许多开放研究问题，即研究人员未来需要考虑这些问题。

参考文献：Miglani A, Kumar N. Deep learning models for traffic flow prediction in autonomous vehicles: A review, solutions, and challenges[J]. Vehicular Communications, 2019, 20: 100184.

- End -

▎最新热文

跌落神坛的上汽市值，给我们什么警示？ 理想汽车回应追尾事故

免责声明： 凡本公众号注明“来源：XXX(非智车科技)”的作品，均转载自其它媒体，转载目的在于传递和分享更多信息，并不代表本平台赞同其观点和对其真实性负责，版权归原作者所有，如有侵权请联系我们删除。