交通設(shè)計(jì)中交通量預(yù)測(cè)方法的改良

高俊偉

摘 要：合理進(jìn)行交通規(guī)劃是緩解交通擁堵的有效途徑，合理的交通規(guī)劃離不開(kāi)準(zhǔn)確的交通預(yù)測(cè)作為支撐，同時(shí)也是道路設(shè)計(jì)的有力決策依據(jù)。準(zhǔn)確的交通預(yù)測(cè)模型能夠更好的分析路網(wǎng)交通狀況，對(duì)于交通網(wǎng)絡(luò)的規(guī)劃、交通網(wǎng)絡(luò)的控制有著積極的作用。本文近幾年的交通預(yù)測(cè)模型進(jìn)行搜索、整理、篩選、歸納。整理出交通預(yù)測(cè)模型的改進(jìn)方法，為交通規(guī)劃做出指導(dǎo)。

關(guān)鍵詞：交通擁堵;短時(shí)交通量;預(yù)測(cè)模型

0 引言

智能交通系統(tǒng)的前身是智能車輛道路系統(tǒng)。智能交通系統(tǒng)將先進(jìn)的信息技術(shù)、數(shù)據(jù)通信技術(shù)、傳感器技術(shù)、電子控制技術(shù)以及計(jì)算機(jī)技術(shù)等有效地綜合運(yùn)用于整個(gè)交通運(yùn)輸管理體系，從而建立起一種大范圍內(nèi)、全方位發(fā)揮作用的，實(shí)時(shí)、準(zhǔn)確、高效的綜合運(yùn)輸和管理系統(tǒng)。

1 四階段法簡(jiǎn)介

所謂“四階段”預(yù)測(cè)方法，是將城市交通規(guī)劃中的交通需求預(yù)測(cè)任務(wù)分成四個(gè)子任務(wù)來(lái)依次完成：即依次進(jìn)行交通生成量預(yù)測(cè)、出行分布預(yù)測(cè)、交通方式分擔(dān)率預(yù)測(cè)以及交通量分配預(yù)測(cè)，由于分為四個(gè)相互關(guān)聯(lián)的階段進(jìn)行預(yù)測(cè)，因此又簡(jiǎn)稱“四步法”。

階段預(yù)測(cè)方法理論成熟，建模層次分明，便于理解，但是其模型結(jié)構(gòu)復(fù)雜，步驟繁多，采用人工方式進(jìn)行計(jì)算工作量非常巨大，必須借助于計(jì)算機(jī)和軟件才能實(shí)施。

2 研究現(xiàn)狀

交通流量預(yù)測(cè)的概念是通過(guò)運(yùn)用調(diào)用數(shù)據(jù)庫(kù)的已測(cè)數(shù)據(jù)去估測(cè)未來(lái)時(shí)間段的交通流量。城市道路交通預(yù)測(cè)方法可根據(jù)預(yù)測(cè)時(shí)長(zhǎng)，分為長(zhǎng)期預(yù)測(cè)，中長(zhǎng)期預(yù)測(cè)，短期預(yù)測(cè)和短時(shí)預(yù)測(cè)。由于交通流與交通參與者的交通行為息息相關(guān)，隨機(jī)因素影響對(duì)短時(shí)交通流影響巨大，交通流具有很強(qiáng)的不確定性、非線性、非平穩(wěn)性。

3 短時(shí)交通流量預(yù)測(cè)改進(jìn)

3.1 支持向量機(jī)回歸模型

支持向量機(jī)回歸（SVMR）是支持向量機(jī)在回歸估計(jì)問(wèn)題中的擴(kuò)展。支持向量機(jī)回歸要解決的問(wèn)題實(shí)際上就是讓所有樣本點(diǎn)逼近超平面，使得樣本點(diǎn)離超平面的距離的總和達(dá)到最小。本文所提及的短時(shí)交通流預(yù)測(cè)屬于非線性回歸問(wèn)題，但是可以通過(guò)引進(jìn)核函數(shù)，把短時(shí)交通流預(yù)測(cè)問(wèn)題轉(zhuǎn)化為高維空間中的線性回歸問(wèn)題。

3.2 支持向量機(jī)回歸模型建立流程

假設(shè)是影響交通預(yù)測(cè)的因素，是交通量的預(yù)測(cè)值。而基于SVMR的交通流預(yù)測(cè)模型就是尋求與之間的關(guān)系。

采用當(dāng)前t和前n個(gè)時(shí)段的交通流作為輸入值，對(duì)未來(lái) t +1時(shí)段的交通流進(jìn)行預(yù)測(cè)。

具體操作步驟如下：

（1）先做預(yù)處理，包括選擇樣本數(shù)據(jù)、歸一化等。假設(shè)當(dāng)前時(shí)段的流量為，則對(duì)應(yīng)將下一時(shí)段的訓(xùn)練樣本集為。

（2）分析己知數(shù)據(jù)，選擇核函數(shù)，以及選擇合適的參數(shù)。

（3）利用樣本建立目標(biāo)函數(shù)，通過(guò)求解二次規(guī)劃問(wèn)題來(lái)尋找最優(yōu)超平面，進(jìn)而求出最優(yōu)解，再由求得的最優(yōu)解構(gòu)建決策函數(shù)。

（4）最后利用測(cè)試樣本集來(lái)計(jì)算未來(lái)時(shí)刻的預(yù)測(cè)值。

3.3 基于貝葉斯分類的改進(jìn)

采用貝葉斯分類對(duì)非參數(shù)回歸進(jìn)行改進(jìn)的目的是為了為歷史數(shù)據(jù)進(jìn)行分類，而搜索臨近狀點(diǎn)時(shí)，僅搜索同種類別的歷史數(shù)據(jù)，以此降低臨近狀態(tài)的搜索時(shí)間。

將道路v在t時(shí)刻的流量記為v（t），假設(shè)與道路v相關(guān)聯(lián)的上游道路有i個(gè)（即道路車輛能夠直接到達(dá)道路 v，中途不會(huì)經(jīng)過(guò)其他道路），分別記為。在時(shí)刻 t，關(guān)聯(lián)道路i流量為：。如此設(shè)定的歷史數(shù)據(jù)中包含的 v（ t），。

接下來(lái)，即是要從這 8640 個(gè)距離值中，選取距離值最小的 K=4 個(gè)歷史數(shù)據(jù)，以其來(lái)進(jìn)行預(yù)測(cè)。

（1）N*K次掃描。該算法的基本思路為，每次從所有N個(gè)距離值中選取最小的那個(gè)，進(jìn)行K次遍歷，以此來(lái)選擇最小的 K 個(gè)距離值。易得，該算法的時(shí)間復(fù)雜度為（NK）。

（2）排序后取最小K個(gè)值。該算法的基本思路為對(duì) N 個(gè)數(shù)進(jìn)行排序，選取最小的 K 個(gè)即為所需。根據(jù)排序方式不同，該算法的時(shí)間復(fù)雜度也不盡相同。一般來(lái)說(shuō)，可以考慮選用快速排序等時(shí)間復(fù)雜度較低的排序方式。如若采用快速排序，則該算法的時(shí)間復(fù)雜度為。

綜合比較上面所述的二種預(yù)測(cè)方法，在 N=8640，K=4 的情況下。第一種方法的時(shí)間復(fù)雜度為（NK）中 NK=34560;第二種方法的時(shí)間復(fù)雜度為中，。

使用分類對(duì)非參數(shù)回歸的交通流量預(yù)測(cè)算法進(jìn)行改進(jìn)后。將交通流量按時(shí)間分為五類之后。分別分析各類情況下對(duì)搜索和計(jì)算時(shí)間的影響。將分類引入非參數(shù)回歸的交通流量預(yù)測(cè)，可以有效的降低算法運(yùn)算時(shí)間。在不影響預(yù)測(cè)實(shí)效性的情況下，甚至可以考慮提高歷史數(shù)據(jù)的采集密度，從而做到更短時(shí)間的交通流量預(yù)測(cè)。

4 結(jié)語(yǔ)

對(duì)于短時(shí)交通量的預(yù)測(cè)，需要結(jié)合城市短時(shí)交通流量的變化特點(diǎn)，考慮國(guó)家民族的文化特色，在大數(shù)據(jù)環(huán)境下，提出一種基于共性交通態(tài)勢(shì)尋覓的預(yù)測(cè)算法，以解決傳統(tǒng)交通系統(tǒng)預(yù)測(cè)中存在的隨機(jī)性影響大、模型泛化能力差、非平穩(wěn)時(shí)間序列預(yù)測(cè)及實(shí)時(shí)預(yù)測(cè)效果差的問(wèn)題。

參考文獻(xiàn)：

[1]Ahmed M S，Cook AR.Analysis of freeway traffic time-series data by using box-Jenkins techniques[J].Trans-portation Research Record，1979，722：1-9.

[2]Vythoulkas P C.Alternative approaches to short term traffic forecasting for use in driver information systems[M].Berkeley：Elsevier Science Publishers，1993.

[3]李香靜，劉向龍，劉好德，楊新征.我國(guó)城市交通規(guī)劃模型研究應(yīng)用現(xiàn)狀及發(fā)展趨勢(shì)[J].交通運(yùn)輸研究，2016，2（04）：29-37.

[4]傅貴.城市智能交通動(dòng)態(tài)預(yù)測(cè)模型[D].廣州：華南理工，2014.

[5]劉樹(shù)義.城市道路交通預(yù)測(cè)系統(tǒng)研究與應(yīng)用[D].武漢：武漢理工大學(xué)，2005.