基于多源交通數(shù)據(jù)融合的短時(shí)交通流預(yù)測(cè)

陸百川，舒 芹，馬廣露

(1. 重慶交通大學(xué) 交通運(yùn)輸學(xué)院，重慶 400074； 2. 重慶交通大學(xué) 山地城市交通系統(tǒng)與安全實(shí)驗(yàn)室，重慶 400074)

0 引 言

隨著計(jì)算機(jī)技術(shù)迅速發(fā)展，交通信息采集的智能化程度不斷提高[1]，獲得的交通數(shù)據(jù)種類和數(shù)量越來越多。由于各類交通檢測(cè)器檢測(cè)原理不同及安裝位置變化等，使得每類交通數(shù)據(jù)中所包含的信息及所受到的限制條件各不相同，故對(duì)多源交通數(shù)據(jù)動(dòng)態(tài)融合能獲得更有用的交通信息，從而才能為解決城市交通問題打下基礎(chǔ)。

在交通數(shù)據(jù)采集方面，陸化普等[2]分析了不同來源交通數(shù)據(jù)的基本特性，提出了交通數(shù)據(jù)分析方法將從單一數(shù)學(xué)模型轉(zhuǎn)變?yōu)榧瘷C(jī)理、知識(shí)和數(shù)據(jù)驅(qū)動(dòng)為一體的混合建模發(fā)展趨勢(shì)。在交通數(shù)據(jù)融合方面，史巖等[3]利用神經(jīng)網(wǎng)絡(luò)和回歸分析法，并基于浮動(dòng)車與微波檢測(cè)器速度參數(shù)構(gòu)建了融合模型，得到了更高質(zhì)量的速度數(shù)據(jù)，但對(duì)兩者速度特性及差異缺乏分析；沈穎潔等[4]引入數(shù)據(jù)融合技術(shù)對(duì)不同預(yù)測(cè)方法的行程時(shí)間預(yù)測(cè)值進(jìn)行處理，雖考慮了檢測(cè)器布設(shè)影響，但融合數(shù)據(jù)僅來自均勻分布的檢測(cè)器。在短時(shí)交通流預(yù)測(cè)方面，吳凡等[5]增加動(dòng)量項(xiàng)和自適應(yīng)學(xué)習(xí)率來修正GA-WNN預(yù)測(cè)模型網(wǎng)絡(luò)參數(shù)，以較快收斂速度獲得了較高預(yù)測(cè)精度，但對(duì)樣本數(shù)據(jù)來源可靠性缺少分析；蔣肖[6]選取交通量、占有率和平均車速為訓(xùn)練參數(shù)，基于支持向量機(jī)回歸及RBF神經(jīng)網(wǎng)絡(luò)分別建立了單交通參數(shù)及多參數(shù)融合的短時(shí)交通流預(yù)測(cè)模型，但訓(xùn)練數(shù)據(jù)僅來源于單一交通檢測(cè)器。

筆者利用融合數(shù)據(jù)互補(bǔ)性、全面性和精準(zhǔn)性等特點(diǎn)，結(jié)合遺傳算法較強(qiáng)地全局搜索能力和小波神經(jīng)網(wǎng)絡(luò)較高地自適應(yīng)學(xué)習(xí)性，提出利用多源數(shù)據(jù)融合與遺傳-小波神經(jīng)網(wǎng)絡(luò)(GA-WNN)相結(jié)合方法進(jìn)行交通流預(yù)測(cè)。以不同檢測(cè)器得到單一流量數(shù)據(jù)序列為基礎(chǔ)，分別基于GA-WNN、GA-NN與WNN構(gòu)建交通流量預(yù)測(cè)模型，得到單源最優(yōu)預(yù)測(cè)序列；在對(duì)多源交通數(shù)據(jù)融合和短時(shí)交通流預(yù)測(cè)必要性進(jìn)行綜合分析基礎(chǔ)上，利用最小二乘動(dòng)態(tài)加權(quán)融合算法將各單源預(yù)測(cè)結(jié)果進(jìn)行處理，得到最優(yōu)融合預(yù)測(cè)序列。通過案例分析證明：基于GA-WNN和多源交通數(shù)據(jù)融合的短時(shí)交通流預(yù)測(cè)結(jié)果精度高于單一數(shù)據(jù)源的結(jié)果。

1 基于多源數(shù)據(jù)融合短時(shí)預(yù)測(cè)

1.1 多源交通數(shù)據(jù)特性分析

目前城市交通系統(tǒng)中存有大量交通數(shù)據(jù)，通常包括靜態(tài)數(shù)據(jù)與動(dòng)態(tài)數(shù)據(jù)。動(dòng)態(tài)交通數(shù)據(jù)會(huì)隨著采集時(shí)間、地點(diǎn)和獲取方式差異而出現(xiàn)不同特征和性質(zhì)，在實(shí)際運(yùn)用時(shí)必須對(duì)這類數(shù)據(jù)進(jìn)行分析處理，從而得到有用的交通信息。

按采集時(shí)間不同，獲得動(dòng)態(tài)數(shù)據(jù)能描述斷面歷史與實(shí)時(shí)的交通狀態(tài)特征。按采集地點(diǎn)變化，獲得的交通數(shù)據(jù)能描述整個(gè)路網(wǎng)交通流空間分布特征。按采集方式差異[7]，人工調(diào)查數(shù)據(jù)能直接解析調(diào)查區(qū)域交通出行特征與規(guī)律，但數(shù)據(jù)量有限且主觀性強(qiáng)、更新周期長；車檢設(shè)備數(shù)據(jù)能提供檢測(cè)地點(diǎn)的交通流特征，但精確性與布設(shè)密度有關(guān)；浮動(dòng)車GPS數(shù)據(jù)能提供行駛路段區(qū)間的運(yùn)行參數(shù)特征或單個(gè)車輛的實(shí)時(shí)運(yùn)行特征，但穩(wěn)定性、連續(xù)性差；手機(jī)信令、公交IC卡數(shù)據(jù)，獲取方便、內(nèi)容完整、更新連續(xù)，能提供交通出行的精細(xì)化過程，但巨量數(shù)據(jù)分析與處理過程繁瑣。因而，不同的交通數(shù)據(jù)在時(shí)間、空間、側(cè)重點(diǎn)及用途上都表現(xiàn)出差異性[8]，能以不同程度描述目標(biāo)路段交通流運(yùn)行特征。綜合分析、處理多源交通數(shù)據(jù)就能得到全面、可靠與互補(bǔ)的交通信息。

1.2 多源交通數(shù)據(jù)融合

不同來源的交通數(shù)據(jù)包含著不同的且有限的交通信息，將各單源交通數(shù)據(jù)進(jìn)行融合能克服單源獲取信息的局限性，能獲得更全面與有用的交通信息，以掌握整個(gè)路網(wǎng)交通運(yùn)行狀態(tài)。

交通數(shù)據(jù)融合有3個(gè)層次[9]：① 數(shù)據(jù)級(jí)融合是直接對(duì)原始交通數(shù)據(jù)進(jìn)行處理，信息量大，處理時(shí)間長且數(shù)據(jù)必須同類型；② 特征級(jí)融合是將從原始數(shù)據(jù)中提取出來的交通流量、速度及行程時(shí)間等特征信息融合，但交通特征參數(shù)提取困難且關(guān)聯(lián)復(fù)雜度高；③ 決策級(jí)融合是對(duì)每個(gè)單源信息交通輸出結(jié)果以融合處理，即使某數(shù)據(jù)源出現(xiàn)錯(cuò)誤，也能輸出正確結(jié)果，靈活性高、信息量小。筆者以車檢(微波、視頻、地磁)數(shù)據(jù)與浮動(dòng)車數(shù)據(jù)為分析要點(diǎn)，由于車檢數(shù)據(jù)源屬于斷面交通參數(shù)，浮動(dòng)車數(shù)據(jù)源屬于區(qū)間交通參數(shù)；經(jīng)數(shù)據(jù)時(shí)空匹配后兩者都有一致的時(shí)間、空間特性，故采用決策級(jí)融合，即利用各單一數(shù)據(jù)源預(yù)測(cè)的交通流量值進(jìn)行融合分析，從而為解決交通問題提供更可靠的決策依據(jù)。

1.3 短時(shí)交通流預(yù)測(cè)需求分析

交通管理、控制與智能誘導(dǎo)不但需要掌握實(shí)時(shí)交通流狀態(tài)，還必須了解未來交通變化狀況與發(fā)展趨勢(shì)，短時(shí)交通流預(yù)測(cè)作為未來交通數(shù)據(jù)的主要來源，能為智能交通系統(tǒng)提供有效的未來交通信息。

對(duì)交通管理者而言，通過預(yù)測(cè)交通信息判斷路網(wǎng)未來交通狀態(tài)波動(dòng)，為交通控制與誘導(dǎo)提供決策支持，實(shí)現(xiàn)路網(wǎng)交通流均勻分配，使路網(wǎng)交通總延誤最小與道路利用率最高；對(duì)交通出行者而言，根據(jù)預(yù)測(cè)信息獲取出行區(qū)間內(nèi)路段未來交通運(yùn)行狀態(tài)，為出行路徑規(guī)劃提供參考，以提前選擇出行線路、出行方式及出行時(shí)間[10]，達(dá)到最小的出行成本與出行延誤，最高的出行便捷性與舒適性。

1.4 多源數(shù)據(jù)交通流預(yù)測(cè)

不同的交通檢測(cè)器數(shù)據(jù)采集頻率不能完全一致，使得獲得的交通數(shù)據(jù)在時(shí)間序列與空間位置上并不能完全同步，直接將原始數(shù)據(jù)進(jìn)行融合無法很好反應(yīng)斷面交通特性。筆者分別對(duì)各個(gè)檢測(cè)器的交通流量參數(shù)進(jìn)行短時(shí)預(yù)測(cè)處理，輸出目標(biāo)路段在同一時(shí)段、相同間隔的交通流量預(yù)測(cè)序列，從而保證了各單源預(yù)測(cè)序列在時(shí)間與空間上的同步；之后將預(yù)測(cè)結(jié)果進(jìn)行動(dòng)態(tài)加權(quán)融合，獲得最優(yōu)短時(shí)交通流預(yù)測(cè)序列，如圖1。

圖1 基于多源數(shù)據(jù)的交通流預(yù)測(cè)模型

按照時(shí)間、空間特性匹配的原則收集城市道路網(wǎng)絡(luò)中的各交通檢測(cè)器數(shù)據(jù)，以同路段為約束將其轉(zhuǎn)換為同時(shí)段、同間隔的關(guān)聯(lián)數(shù)據(jù)；之后將各檢測(cè)器的交通量數(shù)據(jù)按相同時(shí)間范圍分為訓(xùn)練集與驗(yàn)證集，運(yùn)用各訓(xùn)練集數(shù)據(jù)擬合預(yù)測(cè)模型，以各驗(yàn)證集數(shù)據(jù)為輸入得到各單源在同一時(shí)段的短時(shí)交通流預(yù)測(cè)結(jié)果；將各檢測(cè)器實(shí)際采集交通量數(shù)據(jù)與預(yù)測(cè)輸出值對(duì)比，計(jì)算不同源數(shù)據(jù)在每時(shí)段間隔內(nèi)預(yù)測(cè)結(jié)果的方差；最后根據(jù)上一時(shí)段融合值與檢測(cè)值實(shí)時(shí)更新下一時(shí)段各單源交通數(shù)據(jù)預(yù)測(cè)值的最小二乘動(dòng)態(tài)融合權(quán)重，得到融合后的最優(yōu)短時(shí)交通流量預(yù)測(cè)序列。

2 短時(shí)預(yù)測(cè)模型構(gòu)建

2.1 遺傳-小波神經(jīng)網(wǎng)絡(luò)(GA-WNN)

遺傳算法[11](genetic algorithm, GA)是一種基于自然選擇和基因遺傳學(xué)原理的群體優(yōu)化搜索算法，具有并行、高效、全局搜索等優(yōu)點(diǎn)。小波神經(jīng)網(wǎng)絡(luò)(wavelet neural networks, WNN)是基于小波分析與神經(jīng)網(wǎng)絡(luò)的結(jié)合。小波分析[12]時(shí)-頻局部化性質(zhì)良好，可聚焦到任一局部信號(hào)細(xì)節(jié)，能降低交通流中的噪聲干擾；神經(jīng)網(wǎng)絡(luò)容錯(cuò)性使多源數(shù)據(jù)中某信息源出現(xiàn)錯(cuò)誤時(shí)仍可輸出可靠結(jié)果，自學(xué)習(xí)與自組織功能使系統(tǒng)能適應(yīng)數(shù)據(jù)的不確定變化，神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和實(shí)現(xiàn)從輸入-輸出的任意非線性映射關(guān)系的特點(diǎn)，適用于對(duì)多源交通數(shù)據(jù)的融合處理?；趦烧邇?yōu)勢(shì)結(jié)合使小波神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的函數(shù)逼近能力與適應(yīng)性。

由于小波神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值及因子采用隨機(jī)化的方式初始化，使網(wǎng)絡(luò)的收斂速度、融合預(yù)測(cè)精度以及平穩(wěn)性無法得到保證，而遺傳算法作為并行隨機(jī)搜索的最優(yōu)化方法，用其去優(yōu)化小波神經(jīng)網(wǎng)絡(luò)初始參數(shù)可有效防止搜索過程收斂于局部最優(yōu)解，能提高融合預(yù)測(cè)模型精度與加快收斂速度，同時(shí)能為網(wǎng)絡(luò)參數(shù)的初始化選擇提供依據(jù)。

2.2 基于GA-WNN的交通數(shù)據(jù)處理及預(yù)測(cè)

選用含有3層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，即輸入層、隱含層、輸出層的遺傳-小波神經(jīng)網(wǎng)絡(luò)(GA-WNN)對(duì)多源檢測(cè)器的交通量參數(shù)進(jìn)行處理。設(shè)某種交通檢測(cè)器以5 min為一個(gè)周期進(jìn)行統(tǒng)計(jì)，所采集交通流量序列為xi(i=1,2,3,…,k)，并作為小波神經(jīng)網(wǎng)絡(luò)的輸入交通參數(shù)，則隱含層輸出計(jì)算如式(1)：

(1)

式中：s(j)為隱含層第j個(gè)節(jié)點(diǎn)的輸出流量值，且j=1,2,…,n；sj為小波基函數(shù)；ij為輸入層到隱含層的權(quán)值；b(j)、a(j)分別為小波基函數(shù)sj的平移因子、伸縮因子。

選擇Morlet小波作為WNN的基函數(shù)來處理所采集的交通流量序列，如式(2)：

s(x)=e-x2/2cos(1.75x)

(2)

網(wǎng)絡(luò)輸出層計(jì)算預(yù)測(cè)交通量值如式(3)：

式中：y(k)為輸出層第k個(gè)節(jié)點(diǎn)的預(yù)測(cè)流量輸出值；jk為隱含層到輸出層的權(quán)值；s(j)為隱含層第j個(gè)節(jié)點(diǎn)的輸出流量值；m、l分別為輸出層、隱含層節(jié)點(diǎn)個(gè)數(shù)。

聯(lián)立式(1)～(3)，并經(jīng)大量輸入輸出交通流量數(shù)據(jù)訓(xùn)練、擬合模型后，模型便有了預(yù)測(cè)能力；通過輸入驗(yàn)證流量數(shù)據(jù)序列，便可輸出基于該種檢測(cè)器數(shù)據(jù)的預(yù)測(cè)交通流量序列。但網(wǎng)絡(luò)模型在訓(xùn)練時(shí)，會(huì)產(chǎn)生誤差且會(huì)反向傳播[13]，引入梯度下降算法對(duì)模型各層的連接權(quán)值及參數(shù)按式(4)進(jìn)行修正，使預(yù)測(cè)值逼近期望值。

{λ(i+1)n,k=λ(i)n,k+Δλ(i+1)n,k

a(i+1)k=a(i)k+Δa(i+1)k

b(i+1)k=b(i)k+Δb(i+1)k

(4)

式(4)中的修正值可按式(5)進(jìn)行計(jì)算：

式中：η為小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率；e為預(yù)測(cè)誤差。

預(yù)測(cè)誤差e可按式(6)計(jì)算。

(6)

式中：yn(k)為實(shí)際交通流量值；y(k)為預(yù)測(cè)交通流量輸出值。

對(duì)目標(biāo)路段上，同一時(shí)段里每種交通檢測(cè)器的流量數(shù)據(jù)都采用以上方法及步驟對(duì)其進(jìn)行分析處理，從而獲得基于單源檢測(cè)器的預(yù)測(cè)流量序列，為后期的多源融合最好數(shù)據(jù)準(zhǔn)備。

2.3 基于GA-WNN與多源預(yù)測(cè)結(jié)果融合

筆者以多源預(yù)測(cè)值中的加權(quán)誤差平方和最小為原則，充分利用不同數(shù)據(jù)源經(jīng)GA-WNN預(yù)測(cè)輸出結(jié)果的不同交通流特性，依據(jù)預(yù)測(cè)流量值與實(shí)測(cè)流量值分別進(jìn)行實(shí)時(shí)方差計(jì)算，并根據(jù)上一時(shí)段融合值與實(shí)測(cè)值實(shí)時(shí)更新下一時(shí)段各單源交通數(shù)據(jù)預(yù)測(cè)值的最小二乘動(dòng)態(tài)融合權(quán)重，使精度較高交通量預(yù)測(cè)序列所占比重大，而精度較低的交通量預(yù)測(cè)序列所占比重小?；谧钚《藙?dòng)態(tài)加權(quán)融合的算法既考慮了不同數(shù)據(jù)源預(yù)測(cè)流量序列的不同交通特征信息，又考慮了隨機(jī)因素對(duì)流量檢測(cè)值的影響，增強(qiáng)了融合的精度與抗干擾能力。

以不同檢測(cè)器預(yù)測(cè)輸出值作為融合的基礎(chǔ)，并以(t-1)時(shí)段融合權(quán)重實(shí)時(shí)更新t時(shí)段動(dòng)態(tài)誤差，由式(7)可得t時(shí)段融合后的交通流量預(yù)測(cè)值。

(7)

式中：yt為t時(shí)段融合后的交通流量預(yù)測(cè)值；yti為第i種交通檢測(cè)器在t時(shí)段的交通流量預(yù)測(cè)值；wt-1,i則為yti的融合權(quán)重；n為多源交通檢測(cè)器個(gè)數(shù)。

設(shè)第i種檢測(cè)器的交通流量預(yù)測(cè)方差為σi，且σi=E[(yk-yki)]，k=t-1,t-2,…,t-n；yk為k時(shí)段各交通檢測(cè)器的實(shí)測(cè)流量值，yki為k時(shí)段第i種交通檢測(cè)器的預(yù)測(cè)流量值。利用式(8)能得到多源融合的預(yù)測(cè)估計(jì)方差。

(8)

取式(8)中wti的偏導(dǎo)數(shù)，并令其為0，取其極小值，有wti=1/σi，則t時(shí)段融合權(quán)重與方差成反比。并且將其代入(8)可得多個(gè)交通檢測(cè)器預(yù)測(cè)結(jié)果融合輸出后的估計(jì)方差，按式(9)計(jì)算：

(9)

從式(9)可看出：將不同交通檢測(cè)器的預(yù)測(cè)流量輸出值進(jìn)行融合后，其預(yù)測(cè)方差比單一交通檢測(cè)器預(yù)測(cè)結(jié)果方差小，從而短時(shí)交通流預(yù)測(cè)結(jié)果精度更高，提供的未知交通信息更可靠。

基于多源交通流量數(shù)據(jù)融合及GA-WNN的短時(shí)交通流預(yù)測(cè)流程如圖2[14]。

圖2 基于多源數(shù)據(jù)與遺傳小波神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)流程

基于GA-WNN與多源交通數(shù)據(jù)的短時(shí)交通流預(yù)詳細(xì)步驟如下：

1)收集預(yù)測(cè)路段各種交通檢測(cè)器的交通參數(shù)，經(jīng)預(yù)處理后使不同源數(shù)據(jù)在時(shí)間與空間上保持一致性；

3)將預(yù)測(cè)交通流量與實(shí)際采集交通流量間的誤差和確定為適應(yīng)度值；

4)選擇、交叉、變異操作，且取交叉概率為0.7，變異概率為0.008；

5)重復(fù)步驟3)、4)直到達(dá)到最大迭代次數(shù)或規(guī)定適應(yīng)度要求，并將遺傳算法優(yōu)化而得到的最優(yōu)種群依次解碼得到各種參數(shù)；

6)利用所采集的多源交通流量數(shù)據(jù)分別對(duì)步驟5)解碼后的權(quán)值及因子訓(xùn)練擬合預(yù)測(cè)模型，并不斷修正及更新參數(shù)，直到訓(xùn)練誤差或訓(xùn)練次數(shù)滿足規(guī)定要求；

7)分別以不同檢測(cè)器的歷史交通流量數(shù)據(jù)為預(yù)測(cè)模型的輸入，將要預(yù)測(cè)時(shí)刻的流量作為預(yù)測(cè)模型的輸出，得到單一檢測(cè)器流量數(shù)據(jù)的預(yù)測(cè)結(jié)果；

8)按照各單一數(shù)據(jù)源流量預(yù)測(cè)結(jié)果精度的高低運(yùn)用最小二乘加權(quán)動(dòng)態(tài)融合法進(jìn)行處理，得到最優(yōu)短時(shí)交通流量預(yù)測(cè)序列。

3 算例分析

筆者以合肥市某小型路網(wǎng)為研究對(duì)象，其實(shí)際路網(wǎng)如圖3。該道路網(wǎng)絡(luò)中分布有丁字形、十字形等交叉口，具有代表性；布設(shè)有微波、視頻、地磁等車輛檢測(cè)器，交通數(shù)據(jù)獲取方便。選取“黃山路—科學(xué)大道”交叉口至“黃山路—天智路”交叉口間路段的多源交通數(shù)據(jù)為分析基礎(chǔ)；其中，微波與視頻檢測(cè)器安裝在距“黃山路-天智路”交叉口停車線25m處，地磁檢測(cè)器在距停車線5、40m處都有安裝，但40m處檢測(cè)器采集的交通數(shù)據(jù)缺失，故地磁數(shù)據(jù)源以距停車線5m處的采集數(shù)據(jù)為準(zhǔn)。

圖3 實(shí)際路網(wǎng)

考慮到工作日交通流的相似性，整理和處理視頻、微波、地磁與浮動(dòng)車在2016年6月27日—7月1日、7月4日—8日的交通流數(shù)據(jù)；由于視頻與浮動(dòng)車數(shù)據(jù)的采集在夜間缺失嚴(yán)重，故筆者只選用每天08:00—20:00的多源數(shù)據(jù)為預(yù)測(cè)樣本。為反映樣本數(shù)據(jù)采集時(shí)效性，同時(shí)降低交通流波動(dòng)對(duì)數(shù)據(jù)采集結(jié)果的影響，將各單源數(shù)據(jù)以5min時(shí)間間隔劃分，實(shí)現(xiàn)多源數(shù)據(jù)時(shí)間同步；以固定檢測(cè)器位置(如：微波檢測(cè)器)來挑選浮動(dòng)車數(shù)據(jù)，由微波檢測(cè)器DETECT_ID(設(shè)備編號(hào))與ROAD_ID(路段編號(hào))確定的檢測(cè)路段在浮動(dòng)車LINK_ID中找到相匹配信息，實(shí)現(xiàn)多源數(shù)據(jù)空間同步。浮動(dòng)車直接獲取的交通參數(shù)為速度，利用楊濤[15]提出的三段式速度-流量模型對(duì)求得的平均速度進(jìn)行處理，得到行車區(qū)間內(nèi)的交通流量推算值。表1為不同數(shù)據(jù)源在7月5日13:00—13:30時(shí)段內(nèi)的初始交通流量(pcu/5min)。

表1 初始數(shù)據(jù)采集及處理結(jié)果

使用微波、地磁與浮動(dòng)車流量數(shù)據(jù)融合預(yù)測(cè)短時(shí)交通流量，并將預(yù)測(cè)結(jié)果與視頻實(shí)測(cè)流量值進(jìn)行比較；選取前9 d流量數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練集；并以7月14日流量數(shù)據(jù)作為驗(yàn)證集，預(yù)測(cè)輸出為11:30—14:30時(shí)段內(nèi)的交通流量序列。采用MAE、MRE和MSE這3個(gè)誤差指標(biāo)來量化評(píng)價(jià)短時(shí)預(yù)測(cè)精度及預(yù)測(cè)結(jié)果融合的可靠性。其中：MAE反映預(yù)測(cè)值誤差的實(shí)際情況；MRE反映預(yù)測(cè)偏離實(shí)測(cè)值的程度；MSE反映預(yù)測(cè)誤差的集中與離散程度。其定義如式(10)：

(10)

為比較單檢測(cè)器流量數(shù)據(jù)與多檢測(cè)器流量數(shù)據(jù)融合的短時(shí)交通流預(yù)測(cè)結(jié)果。利用MATLAB平臺(tái)基于遺傳小波神經(jīng)網(wǎng)絡(luò)模型對(duì)微波、地磁及浮動(dòng)車流量數(shù)據(jù)以及預(yù)測(cè)輸出結(jié)果進(jìn)行處理，得到4種數(shù)據(jù)源的交通流量預(yù)測(cè)序列及相對(duì)誤差分布，如圖4；預(yù)測(cè)誤差分析如表2。

通過4種數(shù)據(jù)源預(yù)測(cè)流量序列與實(shí)測(cè)流量序列偏離程度及平均相對(duì)誤差波動(dòng)范圍的比較，預(yù)測(cè)效果由壞到好依次為浮動(dòng)車數(shù)據(jù)、地磁數(shù)據(jù)、微波數(shù)據(jù)及多源融合預(yù)測(cè)。由于多源融合協(xié)調(diào)了各種數(shù)據(jù)源不同的交通特性，綜合運(yùn)用了不同的交通信息，提高了預(yù)測(cè)樣本數(shù)據(jù)的時(shí)空覆蓋率，從而使預(yù)測(cè)結(jié)果相對(duì)單源較平穩(wěn)，預(yù)測(cè)效果最好。

圖4 4種數(shù)據(jù)源的交通流量預(yù)測(cè)及相對(duì)誤差

表2 多源交通數(shù)據(jù)及融合預(yù)測(cè)結(jié)果對(duì)比

微波、地磁、浮動(dòng)車與多源數(shù)據(jù)預(yù)測(cè)的平均絕對(duì)誤差(MAE)分別為8.65、12.21、13.15、7.71，則多源融合預(yù)測(cè)累計(jì)誤差小于單源數(shù)據(jù)預(yù)測(cè)序列誤差；平均相對(duì)誤差(MRE)分別為0.27、0.20、0.26、0.16，多源融合的MRE低于單源檢測(cè)器預(yù)測(cè)的誤差值，使預(yù)測(cè)值偏離實(shí)測(cè)值的離散程度得到改善。通過與MSE值對(duì)比，也可看出多源融合預(yù)測(cè)精度高于單源預(yù)測(cè)結(jié)果；因此基于多源融合的預(yù)測(cè)結(jié)果優(yōu)于僅使用固定或移動(dòng)數(shù)據(jù)的短時(shí)交通流預(yù)測(cè)序列。為驗(yàn)證GA-WNN模型融合預(yù)測(cè)可靠性，利用MATLAB將實(shí)測(cè)流量分別基于遺傳神經(jīng)網(wǎng)絡(luò)(GA-NN)模型、小波神經(jīng)網(wǎng)絡(luò)(WNN)模型進(jìn)行處理。表3為預(yù)測(cè)誤差定量化分析；圖5為不同模型預(yù)測(cè)結(jié)果比較曲線及其平均相對(duì)誤差分布。

表3 基于不同模型的融合預(yù)測(cè)結(jié)果對(duì)比

圖5 基于不同模型的交通流量預(yù)測(cè)及相對(duì)誤差

基于GA-WNN模型融合預(yù)測(cè)交通流量最接近于實(shí)測(cè)值，預(yù)測(cè)誤差波動(dòng)范圍也最小，模型融合預(yù)測(cè)性能最好；基于GA-NN模型融合預(yù)測(cè)值能較好接近真實(shí)值，融合預(yù)測(cè)效果為次最優(yōu)；而WNN模型的預(yù)測(cè)結(jié)果與實(shí)測(cè)值偏差最大，誤差波動(dòng)范圍也最大，預(yù)測(cè)效果最差。

對(duì)于MAE指標(biāo)，GA-WNN相比于GA-NN減小了7.5%，相比于WNN減小了15.1%；對(duì)于MRE指標(biāo)，GA-WNN相比于GA-NN減小了7.1%，相比于WNN減小了23.2%；對(duì)于模型計(jì)算時(shí)間(TIME)指標(biāo)，GA-WNN相比于GA-NN減小了3.0%，相比與WNN減小了37.5%。由此可見，筆者提出的GA-WNN模型融合預(yù)測(cè)的MAE、MRE與MSE都最小，且網(wǎng)絡(luò)收斂速度也快，預(yù)測(cè)可靠性及實(shí)時(shí)性強(qiáng)，預(yù)測(cè)效果最好。故基于遺傳小波神經(jīng)網(wǎng)絡(luò)和多源交通數(shù)據(jù)融合的短時(shí)交通流預(yù)測(cè)序列結(jié)果最優(yōu)、精度最高，能為交通管理者的判斷決策與交通出行者的路徑選擇提供更準(zhǔn)確、全面的交通信息。

4 結(jié) 語

筆者通過對(duì)多源交通數(shù)據(jù)智能融合及短時(shí)交通流預(yù)測(cè)必要性的綜合分析，以微波、地磁、浮動(dòng)車與視頻交通流量參數(shù)序列為基礎(chǔ)，分別利用GA-WNN、GA-NN與WNN進(jìn)行短時(shí)流量預(yù)測(cè)，采用最小二乘動(dòng)態(tài)加權(quán)融合法將單一數(shù)據(jù)源預(yù)測(cè)結(jié)果融合處理而得到最優(yōu)短時(shí)交通流預(yù)測(cè)序列。利用平均絕對(duì)誤差MAE、平均相對(duì)誤差MRE和均方差MSE這3個(gè)誤差指標(biāo)為各模型的短時(shí)預(yù)測(cè)序列評(píng)價(jià)標(biāo)準(zhǔn)。經(jīng)實(shí)例驗(yàn)證分析，基于多檢測(cè)器數(shù)據(jù)融合和遺傳小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)精度優(yōu)于單一數(shù)據(jù)源的短時(shí)交通流預(yù)測(cè)序列。