城市交通流预测方法阐述与分析

1引言

据《中国主要城市交通分析报告》,全国26%的城市通勤处于拥堵状态,55%的城市高峰时处于缓行状态,这严重增加了出行者的行程时间,带来了油耗提高,环境污染,交通事故等一系列问题。在实际的交通控制中,交通信息采集和处理过程往往存在一定的滞后性,直接影响了控制策略的有效性。然而,交通系统具有严密的时空逻辑关系,可以通过交通流历史数据进行先前预测,进而提高交通系统的管理效率。本文针对交通流预测,对国内外研究现状及存在的问题进行讨论与分析。

2交通流预测现状及分析

按时间跨度可以将交通流预测分为长期预测、中期预测和短时预测三类。三种预测方式的目的、侧重点和精度都有所不同。长期交通流预测主要用于交通规划,预测被规划路网的交通流量及其变化情况,这种预测一般以年为单位,精度要求不高,易于实现。中期预测主要以交通管理为目的,需要在一段时间内以月、日、小时为单位对交通流量分布进行估计,这种预测的实现也不困难。短时交通流预测主要是以实时的交通控制为目的,一般都不超过15min,并且对预测的精度要求较高,预测难度大。这是因为随着预测周期的缩短,交通流变化的规律性越来越不明显,各种干扰所造成的影响就越来越大,使得短时交通流的变化显示出更明显的不确定性。

总体上,短时交通流预测方法可归纳为传统统计理论方法、非线性理论预测方法和智能预测方法。传统统计理论方法是用数理统计的方法对原始数据进行处理,利用历史数据实现短时交通流预测,主要方法有:回归分析预测方法[1]、时间序列模型[2]、卡尔曼滤波方法[3]、极大似然估计方法[4]等。传统统计方法理论简单、容易理解,但是由于大部分模型都是线性的,随着交通流量变化的随机性和非线性不断加强,预测性能也随之变差。

近些年随着非线性理论快速发展,基于非线性理论的预测方法被广泛地用于短时交通流预测中。主要方法有:混沌理论[5]、马尔科夫理论[6]、小波分析[7]、K最近邻算法[8]等,徐建闽等[8]针对城市孤立交叉口交通流量未饱和的情形,提出了一种基于K近邻短时交通流预测的单交叉口自适应控制策略,使单交叉口控制方案适应于动态变化的交通流,仿真结果表明该方法有效提高了交叉口的车辆通行效率。非线性预测方法很好地解决了短时预测过程中的非线性和随机性因素,提升了预测的有效性,但这类方法均包含较多的系统模型参数,当参数值不准确(甚至不可测)时或外部干扰因素增多时,将对预测的性能造成不同程度的影响。

智能预测方法主要以数据为基础并融入人类经验改善预测性能,主要包括神经网络[9,10]、支持向量机[11]、大数据技术[12,13]等。Sun等[10]提出了一种模糊神经网络模型,并针对模型的复杂参数提出了一种改进差分进化算法,通过将该算法与BP结合实现了模型复杂参数辨识,有效的改进了交通流预测性能。智能预测方法有效地规避了未知参数问题所带来的设计难题,并展现了良好的容错性和鲁棒性控制性能,但这类方法在参数设置、多重不确定因素、突发事件等方面有待于深入探索与研究。

3总结与展望

上述给出了交通流预测国内外的研究现状并分析了各种方法的优缺点。虽然各种方法都具有自己的特定应用范围,但在某些方面仍然能极大的提高交通系统的运行效率。随着人工智能方法的不断发展,交通流预测等技术会不断精进,必然会形成各种物联网、车联网,由此将会推动交通控制领域技术的大范围变革,科技改变生活,让我们拭目以待。

摘要：交通问题关乎民生,随着汽车保有量的急剧增加,交通拥挤变得越来越严重,从而使得交通问题在实际中具有重要的研究价值。城市交通系统的高复杂性、非线性以及不确定性,决定了这个问题的研究是复杂而多样的,针对交通流预测的研究,大概可分为几种方法,分别给出相应的国内外研究现状,并对存在的问题进行讨论与分析。

关键词：交通流预测,统计理论预测,非线性理论预测,智能预测

参考文献

[1] Pang X,Wang C, Huang G. A short-term traffic flow forecasting method based on a three-layer K-nearest neighbor non-parametric regression algorithm[J]. Journal of Transportation Technologies, 2016, 06(4):200-206.

[2] 杨元元.基于时间序列模型的短时交通流预测的研究与应用[D]. 西安电子科技大学, 2014.

[3] Guo J,Huang W, Williams B M. Adaptive Kalman filter approach for stochastic short-term traffic flow rate prediction and uncertainty quantification[J]. Transportation Research Part C Emerging Technologies, 2014, 43:50-64.

[4] Habtemichael F G,Cetin M. Short-term traffic flow rate forecasting based on identifying similar traffic patterns [J]. Transportation Research Part C, 2016, 66:61-78.

[5] 韩超.基于混沌理论的短时交通流预测方法[J]. 物流工程与管理, 2012, 34(4):116-117.

[6] Yin S,Yan L. Grey-Markov model for traffic flow forecast based on binary sequence index [J]. Journal of Tianjin Normal University, 2016, 36(2): 33-38.

[7] Chai Y,Huang D, Zhao L. A short-term traffic flow prediction method based on wavelet analysis and neural network [C]. 2016 Chinese Control and Decision Conference (CCDC), 2016, pp: 7030-7034.

[8] 徐建闽,李岿林,翟春杰,肖雅惠.基于短时交通流预测的单交叉口自适应控制[J]. 重庆交通大学学报(自然科学版), 2018, 37(09):73-78.

[9] 王祥雪,许伦辉. 基于深度学习的短时交通流预测研究[J]. 交通运输系统工程与信息, 2018, 18(1):81-88.

[10] Sun S,Huang R, Gao Y. Network-scale traffic modeling and forecasting with graphical lasso and neural networks [J]. Journal of Transportation Engineering, 2017, 138(11):1358-1367.

[11] 李巧茹,赵蓉,陈亮.基于SVM与自适应时空数据融合的短时交通流量预测模型[J]. 北京工业大学学报, 2015(4):597-602.

[12] Xia D,Wang B, Li H, et al. A distributed spatial-temporal weighted model on MapReduce for short-term traffic flow forecasting [J]. Neurocomputing, 2016, 179(C):246-263.

[13] Zhou Z,Schutter Bart, Lin S, Xi Y. Two-level hierarchical model-based predictive control for large-scale urban traffic networks [J]. IEEE Transactions on Control Systems Technology, 2017, 25(2): 496-508.