高速公路旅行時間的預(yù)測方法

樊博

摘 要：高速公路所具有的快速性、暢通行、便捷性等，使其成為公眾出行首選交通方式之一。安全，是一切出行的前提。因此，預(yù)測出準確的高速公路的旅行時間對管理組和公眾都具有重大意義。本文介紹了國內(nèi)外相關(guān)學(xué)者在高速公路旅行時間預(yù)測上所使用的方法，并對其進行分類，分別是基于參數(shù)模型、基于非參數(shù)模型、基于人工智能、組合模型。

關(guān)鍵詞：高速公路;旅行時間;預(yù)測

0 引言

高速公路中，基于準確的交通信息，一方面可以為管理人員提供更有針對性的交通管理決策的依據(jù)，另一方面，可以為出行者提供更合適的出行選擇。做好高速旅行時間的預(yù)測意義重大且受益頗多。然而，由于受到人、車、路、環(huán)境（天氣、地形等）、偶發(fā)事件（交通事故等）、規(guī)律事件（節(jié)假日等）、交通流（各車型比例等）等多種因素的影響，旅行時間具有非平穩(wěn)性非線性的特點。

1 旅行時間的定義及其預(yù)測方法

1.1 旅行時間的定義

高速公路旅行時間是指在相同的時間段內(nèi)，從某一收費站A駛?cè)敫咚俟罚購牧硪皇召M站B駛出的所有車輛的路段平均行駛時間，其中計算數(shù)據(jù)一般來源于聯(lián)網(wǎng)收費數(shù)據(jù)。

1.2 旅行時間預(yù)測方法的分類

根據(jù)現(xiàn)有的對高速公路旅行時間的研究成果，按照預(yù)測原理的不同，短期旅行時間（提前不到30分鐘）的預(yù)測主要分為：基于參數(shù)模型的預(yù)測方法、基于非參數(shù)模型的預(yù)測方法、基于交通仿真（交通流理論）的預(yù)測方法、基于人工智能的預(yù)測方法等，除此之外，很多學(xué)者還將上述方法根據(jù)需要組合在一起，用組合模型的方法進行預(yù)測。各種類型的代表方法具體見下。

（1）基于參數(shù)模型：卡爾曼濾波、時間序列法、統(tǒng)計回歸等。

（2）基于非參數(shù)模型：非參數(shù)回歸、模式匹配、決策樹等。

（3）基于人工智能：神經(jīng)網(wǎng)絡(luò)、支持向量機、極限學(xué)習(xí)機等。

2 基于參數(shù)、非參數(shù)模型的預(yù)測方法

2.1 參數(shù)與非參數(shù)模型

參數(shù)模型是通過對已有樣本數(shù)據(jù)進行統(tǒng)計分析，提出對樣本產(chǎn)生影響的因素，建立起數(shù)學(xué)模型，然后再把待測值放入該模型中，得到由模型產(chǎn)生的預(yù)測值。

非參數(shù)模型不需要在歷史數(shù)據(jù)的基礎(chǔ)上建立數(shù)學(xué)模型，而是直接通過在歷史數(shù)據(jù)庫中針對待測值進行模式識別和匹配，找到與待測值相似的樣本來描述待測值進而預(yù)測。

2.2 基于參數(shù)模型的研究

王浩[1]基于京港澳高速公路收費數(shù)據(jù)，基于最小二乘法構(gòu)建實時卡爾曼濾波模型。Ladino等人[2]通過把預(yù)測日期聚類分成幾個集群作為輸入，基于卡爾曼濾波設(shè)計了預(yù)測模型。郭宇潔[3]集成收費與氣象監(jiān)測數(shù)據(jù)，提出時空匹配法，增設(shè)車流量序列作為回歸變量來建立ARMAX預(yù)測模型。

2.3 基于非參數(shù)模型的研究

Chen[4]等人將當前時空交通狀態(tài)演變與歷史數(shù)據(jù)相匹配實現(xiàn)動態(tài)預(yù)測旅行時間。Qiao[5]用實時藍牙數(shù)據(jù)基于歷史平均值，ARIMA，卡爾曼濾波和KNN的組合模型，提出了一種改進KNN-T模型。

3 基于人工智能的預(yù)測方法

3.1 人工智能

高速公路旅行時間預(yù)測使用到的人工智能算法以支持向量機、神經(jīng)網(wǎng)絡(luò)為主?；谏窠?jīng)網(wǎng)絡(luò)為預(yù)測模型的研究原理是通過“訓(xùn)練”海量的多源數(shù)據(jù)，獲得輸入、輸出間的映射關(guān)系。在建立起自變量和因變量之間的映射關(guān)系后，利用這種映射關(guān)系來對需要預(yù)測的數(shù)據(jù)作為模型輸入獲取輸出。

3.2 基于人工智能的研究

趙建東[6]等融合多源數(shù)據(jù)利用遺傳神經(jīng)網(wǎng)絡(luò)對高速公路站間旅行時間進行了研究。劉偉銘[7]等利用小波神經(jīng)網(wǎng)絡(luò)對旅行時間進行了預(yù)測仿真研究。丁宏飛[8]等通過車牌識別數(shù)據(jù)利用BP神經(jīng)網(wǎng)絡(luò)和支持向量機組合模型預(yù)測了旅行時間。

4 結(jié)束語

高速公路是一個復(fù)雜的系統(tǒng)，除了受到傳統(tǒng)人、車、路、環(huán)境的影響外，還受眾多因素的影響，比如天氣、節(jié)假日、交通事故等等，因此影響旅行時間的因素也比較多。未來對旅行時間的預(yù)測會考慮更加多的影響因素，這樣才能預(yù)測出更加準確的旅行時間。

參考文獻：

[1]王浩.基于收費數(shù)據(jù)的高速公路旅行時間自適應(yīng)插值卡爾曼濾波預(yù)測研究[D].北京交通大學(xué)，2014.

[2]Ladino A，Kibangou A，et al.Travel time forecasting from clustered time series via optimal fusion strategy[C]. Control Conference.IEEE，2017.

[3]郭宇潔.基于多維數(shù)據(jù)的行程時間預(yù)測與可靠性研究[D].北京交通大學(xué)，2017.

[4]Chen H，Rakha H A，et al.Dynamic travel time prediction using pattern recognition[C].20th World Congress on Intelligent Transportation Systems.2013.

[5]Qiao W，Haghani A，et al.A Nonparametric Model for Short-Term Travel Time Prediction Using Bluetooth Data[J].Journal of Intelligent Transportation Systems，2013，17（02）：165-175.

[6]趙建東，徐菲菲，張琨，白繼根.融合多源數(shù)據(jù)預(yù)測高速公路站間旅行時間[J].交通運輸系統(tǒng)工程與信息，2016，16（01）：52-57.

[7]劉偉銘，李松松.大數(shù)據(jù)中高速公路旅行時間預(yù)測仿真研究[J].計算機仿真，2017，34（03）：395-399.

[8]丁宏飛，李演洪，劉博，秦政.基于BP神經(jīng)網(wǎng)絡(luò)與SVM的快速路行程時間組合預(yù)測研究[J].計算機應(yīng)用研究，2016，33（10）：2929-2932+2936.