英语原文共 36 页，剩余内容已隐藏，支付完成后下载完整资料
自动驾驶汽车交通流量预测的深度学习模型：
回顾，解决方案和挑战
摘要：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汽车来说至关重要，通过预测自动驾驶汽车可以决定其路线并针对周围物体做出适应性决策（例如左转或右转，直行，换道，停车或加速）。已经观察到，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。但是，由于车辆在做出的上述自适应决策时，所需要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此环境。因此，针对这些问题，在本文中，我们探索了各种用于自动驾驶汽车交通流量预测的深度学习模型，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。选择各种参数在不同的深度学习模型之间进行相对比较。此外，文章还讨论了挑战和未来的研究方向。
1引言
最近，认知计算作为自学习算法，在物联网（IoT）中的使用已广受欢迎，可以置于智能对象或事物中以进行仿真人类的思考过程。这项技术称为认知物联网（CIoT）。认知物联网可以在未来的几年中革新几种应用，包括交通运输，医疗保健，智能等。在所有这些应用中，认知物联网最近几年开始在运输行业中得到广泛使用。
在当前的交通运输应用中，驾驶员有责任在不同的意外情况下控制车辆，例如控制速度、改变车道等。但是，人类驾驶员可能会困倦、醉酒或服药，导致做出不合理的决策，例如交通事故，错误的路径选择等。根据[1]中的一项研究，据报道，人为无知是大多数交通事故背后的最主要原因。自从美国国防高级研究计划局（DARPA）开始加速自动驾驶汽车发展的艰巨挑战以来，有关使用认知物联网技术在全球范围内构建智能和独立自动驾驶系统的研究建议就不断涌现。例如来自通用汽车（GM）的Cruise AV、来自Google的Waymo、戴姆勒-博世（Daimler-Bosch）、福特（Ford）都是一些在自动驾驶汽车上投入大量资金的领先公司[2]。这些公司的提案针对自动获取、收集、管理和分配各种运输节点（例如车辆、路边单元（RSU）、接入点等）之间的交通信息。当今的智能车辆在可以执行任务的意义上具有自驱性与实时决策相关的功能，无需人工干预即可进行自我指挥、导航和发现周围环境。图1表示自动驾驶汽车要实现的各种目标，如提高安全性、自动泊车、商机、增加收入、以客户为中心的体验、便利性和改善交通状况，这些是自动驾驶汽车的一些关键优势[3]。本文的作者回顾了有关通过预测交通模式来改善交通状况的最新文献，以提高智能交通系统（ITS）的运营效率。
如[4]中所述，到2023年，将有大约7000万辆互联网连接的车辆。农村和城市地区车辆数量的持续增加导致交通系统出现交通拥堵，燃料消耗问题、健康问题、污染、交通拥堵和交通事故增多。在所有这些问题中，交通拥堵是一个重要问题，尤其是在城市中。交通拥堵问题增加了环境中有害的二氧化碳（CO2）和一氧化碳（CO）的排放。这导致公众健康风险增加，从而导致医疗费用增加。但是，及时且正确地预测交通流量可以避免拥堵问题，并在我们周围提供一个健康的生态系统。因此，需要更好的交通管理和控制系统来解决上述问题。
但是，为了使自动驾驶车辆有效地行动，应从运输系统中完全消除交通拥堵的情况。解决此问题的一种解决方案是及时预测流量。交通流量预测是自动驾驶系统的重要组成部分，用于处理交通拥堵问题。交通流量预测既是空间过程也是时间过程。可以将预测的交通流信息传达给交通控制中心，RSUs，驾驶员和自动驾驶汽车，以防止交通流故障。此外，通过交通流估计，可以制定最佳的路线计划以及交通管理。车辆路径规划、交通信号优化定时、实时拥塞控制是交通流量预测的其他关键应用。但是，在进行预测之前，重要的是从各种数据源（例如无线电检测和测距（雷达）、超声波、摄像机、光检测和测距（LIDAR）、感应接近、浮动）中获取和分析历史实时交通数据、蜂窝数据和全球定位系统（GPS）。这些巨大的信息彻底改变了运输和控制数据驱动的智能交通系统模型[5]。从过去收集的实时交通流量数据被用作预测模型的输入，基于该预测模型，未来的交通流量将作为模型的输出生成。例如自回归综合移动平均值（ARIMA）、k近邻（k-NN）、多层感知器（MLP）、神经网络（NN）和卡尔曼滤波（KF）是这些类别的一些模型。
从文献中得知，基于人工智能（AI）的技术已广泛用于智能交通系统中的对象检测和分析。但是，这些启用AI的技术需要准确的感知。但是，现有算法在执行过程中会产生许多错误，这对于智能交通系统中的实时数据分析是不可接受的。在过去的几十年中，已经提出了许多研究建议以改进针对运输系统的复杂和动态应用的自学习算法。用于交通预测的自学习算法可以大致分为两部分，即参数化和非参数化。交通预测的参数自我学习方法中流行的技术包括时间序列模型和KF。预测参数方法具有较高的准确性，并且预测期间的错误较少。但是，在具有噪声和干扰的网络中，参数业务流预测方法无法生成准确的结果。然而，由于交通流数据的随机性、不确定性和非线性特性，研究人员更喜欢非参数方法而不是参数方法。在这种情况下，已经发现称为深度学习（DL）的非参数方法对于具有多维特征的交通流预测是有用的。深度学习是基于深度神经网络（DNN）概念的机器学习（ML）的子集，并且已广泛用于数据分类，自然语言处理（NLP）和对象识别。用于交通流预测的最流行的深度学习模型包括卷积神经网络（CNN）、深层信念网络（DBN）、递归神经网络（RNN）、自动编码器（AE）和深层玻尔兹曼机（DBM），所有这些都将在以后讨论，也涉及交通流量预测中的适用性。
尽管许多建议都讨论了交通流量预测的概述和方法[6]，[7]，[8]，但是对于基于深度学习的交通流量预测方法尚无全面的调查。因此，本文介绍了交通流量预测的分类法，讨论了典型的自动驾驶汽车和深度学习概念，讨论了深度学习方法在交通流量预测中的适用性，并比较了现有的深度学习预测交通流量的建议。本文还回顾了技术挑战和开放性研究问题，同时实现用于交通流量预测的深度学习模型。最后，本文讨论了使用深度学习技术预测交通流量的未来研究方向。
1.1动机
诸如Google，Amazon，IBM等领先公司正在投入大量时间，精力和金钱来设计新的深度学习模型和技术，这些模型和技术可用于开发未来的智能自动驾驶汽车，以造福社会[9]。算法支持各种数据集，例如语音、图像和语言。深度学习模型建立在神经网络概念的基础上，而神经网络概念是由人脑处理的非线性引起的。无需对过程进行任何假设，深度学习模型就能提供可靠且一致的流量预测。这些模型可以提取由多层框架生成的相关特征，以生成最准确的结果。同时，深度学习体系结构可以帮助挖掘高维和高分辨率数据（通过分布式和层次计算），这些数据是由部署用于收集和处理来自不同环境的数据的多个传感器生成的。然而，在设计用于交通流预测的各种深度学习模型时，减少预测误差是主要问题之一。本文的目的是使用深度学习模型提供对交通流量预测领域中现有文献工作的更新，深入的综述。
1.2与相关调查文章的比较
从文献中观察到，已经对交通流量预测进行了各种调查。尽管这些文章大多数都研究了机器学习在预测交通流量中的作用，但是由于我们已经探索了用于交通流量预测的深度学习技术，因此我们的重点与现有建议有所不同。
文献中有几篇调查文章讨论和比较了各种深度学习模型。例如，最近在[10]中对深度学习技术及其应用进行了调查。[11]，[12]中的文章回顾了深度强化学习中的算法。希姆杜伯讨论了有监督，无监督和强化学习的详细调查[13]。[14]中的作者从智能无线网络的角度探讨了深度学习的应用。穆罕默德等在文献[15]对使用深度神经网络的各种物联网应用的各种深度学习架构进行了比较。
在[16]中，作者没有对深度学习在健康领域的广泛应用进行评论，而是回顾了对深度学习模型在电子健康记录（EHR）数据中的应用的最新研究。
在研究的早期，[17]的作者对智能交通系统的短期预测指标的进展，应用和方法进行了概述。在[18]中介绍了用于交通预测的统计技术和机器学习技术的比较。具体来说，作者比较了自回归综合移动平均值（ARIMA），反向传播神经网络（BPNN），历史平均值（HA）和非参数技术进行交通流量预测。Barros等在[19]中回顾了短期交通预测的模型和数据驱动方法。同样，Vlahogianni等在[20]中对短期交通预测建模过程进行了调查，着重于识别短期流量预测的概念特征。[21]研究了影响交通预测时间序列模型的预测准确性的属性。Van等在[22]中提供了文献中可用于短期交通模型的技术分类，作者简要讨论了预测的参数和非参数方法。Lippi等在[6]中讨论了现有的短期交通流量预测方法。他们的文章主要包括对时间序列模型的回顾。但是，他们尚未讨论用于交通流量预测的机器学习技术。文献[7]中的作者介绍了深度学习方法在交通领域的应用。他们的研究调查了深度学习在广泛的交通数据中的使用情况，即交通信号控制，车辆检测，行驶时间检测，驾驶员行为和交通流量预测。同样，[23]中的作者对预测器系统用于动态路径预测的某些机器学习算法进行了简短的调查。Kosolsombat和Saraubon在[24]中对参数和非参数方法进行了简短的调查，以预测智能交通系统的流量。大多数调查文章都针对流量和速度进行流量预测。[8]，[25]中的作者对神经网络及其在预测旅行时间中的缺点和应用进行了调查。[20]中的作者对短期交通预测进行了广泛的调查，而[26]中的调查则通过采用[20]中未涵盖的不同参数，回顾并比较了广泛的交通预测文献。此外，该研究还提供了有关短期交通流量预测的十个分析和技术难题领域的信息。[27]中的作者调查了径向基函数（RBF），多层感知器，局部线性神经模糊网络和人工神经网络（ANN）在短期交通量预测中的应用。[28]中的作者对交通预测模型的挑战和技术成就进行了详细调查。同样，[29]中的作者研究了交通流量预测的不同方法和技术。与所有这些文章不同，Castillo等在[30]中从数学优化问题的角度提出了交通预测和估计问题的综述。表1显示了这些相关调查与建议调查的比较。
因此，大多数现有的调查文章都集中在交通流量预测的通用技术上，但是这些文章都没有讨论深度学习方法在交通流量预测中的应用。据我们所知，这是首次尝试对基于深度学习的交通流预测技术及其相对优势和劣势进行全面比较。
1.3调查范围
在本文中，我们回顾了有关使用深度学习技术进行交通流量预测的最新建议。总而言之，以下是本文的主要贡献：
bull;我们讨论了用于自动驾驶汽车交通流量预测的现有深度学习技术。
bull;然后，我们讨论深度学习技术如何提供比传统机器学习方法更好的性能，以进行交通流预测。
bull;我们还回顾了有关交通流量预测的可用相关调查文章，并重点介绍了这些文章中讨论的重要问题和挑战。
bull;最后，我们概述了实现深度学习技术进行交通流量预测的开放研究挑战和未来研究方向。
1.4结构
完整文章的结构如图2所示。在第2节中，给出了自动驾驶汽车和交通流量预测的概述。第3节讨论了深度学习体系结构和应用程序。第4节回顾了用于交通流预测的不同参数和非参数技术。此外，本节还提供了使用深度学习技术进行交通流预测的最新建议的比较。第5节讨论在实施深度学习技术进行交通流量预测时的开放研究挑战和未来研究方向。最后，本文在第6节中进行了总结。此外，表2以字母顺序列出了首字母缩写词列表。
2自动驾驶汽车与交通流预测综述
2.1自动驾驶汽车背景
人口的增长导致个人拥有的车辆数量增加，这给当前的交通基础设施（例如停车位，充电站和加油站等）造成了沉重的负担。在2018年第一季度，美国道路上约有2.721亿辆汽车[31]。到2030年，全球道路上的车辆数量预计将达到20亿[32]。车辆数量的不断增加在现有交通中造成各种问题，例如停车困难，道路事故数量增加，通勤时间长，交通拥堵，道路愤怒以及污染增加[33]。世界卫生组织（WHO）报告称，每年有近125万人死于道路交通事故，到2023年，死亡率可能上升到180万人[1]。因此，需要可靠且安全的运输系统。
为了改善当前的交通条件，全球研究人员广泛探索了诸如实现互联汽车和自动驾驶汽车等最新技术。由于汽车领域，计算机视觉系统和认知技术的最新发展，自动驾驶汽车引起了学术界和工业界的广泛关注。自主车辆被定义为计算机控制的AI代理，它们可以监督，做出决策并完全管理自身，而无需人工输入。这些智能汽车在支持以下任务的意义上表现为自动化，这些任务包括：感知周围环境，规划最短和最安全的行驶路线/路径，速度控制，无人驾驶操作以及无需任何人工输入的导航。减少人为失误，事故数量，交通拥堵，油耗和高效停车是自动驾驶汽车的一些关键优势。此外，自动驾驶汽车的使用将减少对物理道路信号，交通警察，车辆保险的需求。
自动驾驶汽车基于互联汽车的概念。这两种技术都利用车载专用网络（VANET），其中车辆通过专用的短距离通信（DSRC）协议进行连接[34]。同样，IEEE 802.1p，WiFi，可见光通信（VLC），LTE，蜂窝移动通信（C-V2X）是自动驾驶汽车使用的其他一些通信标准。这些车辆具有各种各样的传感器，执行器，可以产生和处理实时交通数据，以实现更好的操作和感知。
到目前为止，已经设计并展示了
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238502]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
