基于大數(shù)據(jù)分析和多模型融合的交通擁堵高效預(yù)測技術(shù)

林立春 洪東 劉華

文章利用可變系數(shù)加權(quán)優(yōu)化方法對交通大數(shù)據(jù)進(jìn)行聚類分析，并為了適用于常發(fā)性和偶發(fā)性擁堵，采用改進(jìn)的兩級加權(quán)優(yōu)化ELM對分類進(jìn)行模式識別，以期提高擁堵預(yù)測的精確度。同時，引入了上下游關(guān)聯(lián)的擁堵傳導(dǎo)模型，進(jìn)一步提高擁堵預(yù)測的關(guān)聯(lián)性。當(dāng)預(yù)測到或已檢測到交通擁堵時，在擁堵誘導(dǎo)上采用路網(wǎng)局部最優(yōu)化模型為出行者規(guī)劃路線，路網(wǎng)全局最優(yōu)化模型則為管理部門使用并為未來規(guī)劃提供輔助決策。仿真實驗結(jié)果表明，多模型融合技術(shù)能預(yù)測較長時間后的擁堵情況并維持較高的準(zhǔn)確率，為構(gòu)建高效、經(jīng)濟(jì)、安全和便捷的現(xiàn)代化綜合交通體系提供科技支撐。

大數(shù)據(jù);交通擁堵;預(yù)測;多模型;擁堵傳導(dǎo)

U491.1+13A421515

0 引言

伴隨著我國人民生活水平的穩(wěn)步提高和社會的快速發(fā)展，機(jī)動車保有量迅速增加，居民出行總量提高，交通擁堵問題越來越嚴(yán)重，成為影響和制約城市發(fā)展以及飽受民眾詬病的熱點。在現(xiàn)今“互聯(lián)網(wǎng)+”和大數(shù)據(jù)發(fā)展的時代，利用大數(shù)據(jù)分析以及合適的技術(shù)，可以科學(xué)地預(yù)測道路的擁堵程度，為出行合理規(guī)劃路線，提高出行效率，減少安全事故隱患，降低城市排放污染，釋放城市發(fā)展?jié)撃?。本文的重點在于擁堵的預(yù)測，創(chuàng)新貢獻(xiàn)點主要有：（1）可變系數(shù)加權(quán)聚類優(yōu)化模型;（2）兩級加權(quán)并自適應(yīng)權(quán)重模型以全面應(yīng)對常發(fā)性和偶發(fā)性擁堵;（3）將兩級加權(quán)與極限學(xué)習(xí)機(jī)（下稱ELM）結(jié)合，使其既保持快速又能適用于平衡數(shù)據(jù)集和不平衡數(shù)據(jù)集，達(dá)到快速與準(zhǔn)確并存;（4）采用擁堵傳導(dǎo)模型，考慮上下游情況，進(jìn)而能夠從全局角度觀察，輔助管理決策;（5）預(yù)測到擁堵后采用路網(wǎng)總成本最優(yōu)化模型實現(xiàn)交通誘導(dǎo)，以提高城市的整體通行能力。

1 架構(gòu)的提出

交通擁堵從成因上來劃分一般可歸納為常發(fā)性交通擁堵和偶發(fā)性交通擁堵。詳見文獻(xiàn)[1]。常發(fā)性交通擁堵具有一定規(guī)律可循，大數(shù)據(jù)分析上具有明顯特征。而諸如交通事故、交通違法、道路施工、極端天氣、大型活動、特殊路段等動態(tài)因素影響而發(fā)生的偶發(fā)性交通擁堵隨機(jī)性大，規(guī)律不甚明顯。為此，本文提出建立含有常發(fā)性和偶發(fā)性擁堵規(guī)則庫及動態(tài)影響數(shù)據(jù)庫，當(dāng)偶發(fā)性擁堵發(fā)生時，通過兩級加權(quán)優(yōu)化模型側(cè)重于偶發(fā)性擁堵規(guī)則，常發(fā)性擁堵規(guī)則只做輔助參考，并通過預(yù)測時刻到來時的實時數(shù)據(jù)的驗證對加權(quán)進(jìn)行自學(xué)習(xí)（自適應(yīng)），以期收斂和準(zhǔn)確，同時豐富規(guī)則庫。當(dāng)無偶發(fā)性擁堵因素時，則以常發(fā)性擁堵規(guī)則為主。

為此，提出基于大數(shù)據(jù)分析的多模型融合（Big Data Analytics with Multiple Mode Combination，BDA-MMC）交通擁堵預(yù)警平臺，其架構(gòu)簡圖如圖1所示。架構(gòu)的核心是融合多種模型來構(gòu)建規(guī)則庫，其優(yōu)劣直接關(guān)系到預(yù)測精度。

2 關(guān)鍵技術(shù)

2.1 可變系數(shù)加權(quán)聚類優(yōu)化模型

模糊C均值聚類（FCM）不同于傳統(tǒng)的K均值聚類（K-means），它是一種柔性劃分方法，劃分結(jié)果是各個樣本的隸屬程度，而不是屬于某類，正符合擁堵程度的劃分需求。

但各路段本質(zhì)特征又有區(qū)別，如車道數(shù)量、人行橫道數(shù)量、紅綠燈數(shù)量和占有率等，加之工作日、周末和節(jié)假日之間的數(shù)據(jù)特征也有一定差異，顯然需要對不同維度上的特征予以區(qū)分。本文在FCM基礎(chǔ)上提出了一種可變系數(shù)加權(quán)聚類優(yōu)化模型及權(quán)重自學(xué)習(xí)方法。

令W={W1，W2，……，Wn}為n維特征的對應(yīng)權(quán)值集合，定義第i個維度特征的可變系數(shù)為：

Vi=σiμi（1）

式中：μi=1n∑nj=1χij，σi=1n∑nj=1（χij-μi）2。再為第i維特征的可變系數(shù)加權(quán)：

Wi=Vi∑nj=1Vj

（2）

通過可變系數(shù)加權(quán)值求得對象xi到聚類中心vk的距離dki：

dki=∑nj=1Wj（xij-vkj）2

（3）

對應(yīng)的隸屬度計算公式為：

uij=∑Kk=1∑nhWh（xjh-vih）2∑nhWh（xjh-vkh）1m-1-1（4）

計算權(quán)重的修正量公式為：

ΔWi=-ηE（W）Wi（5）

式中：E（W）——極小評價函數(shù);

η——學(xué)習(xí)率。

η通過下面公式計算：

EW1-ηE（W）W1，…，Wm-ηE（W）Wn=

minλ>0EW1-λE（W）W1，…，Wn-ηE（W）Wm（6）

當(dāng)Wi+ΔWi>0時，更新權(quán)重Wi=Wi+ΔWi。

2.2 兩級加權(quán)優(yōu)化的ELM及自適應(yīng)權(quán)重模型

通過聚類將大數(shù)據(jù)劃分為若干類之后，另一關(guān)鍵技術(shù)就是分類識別獲得與預(yù)測時段最相似的樣本集和規(guī)則。極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）在處理大數(shù)據(jù)問題時以快速著稱，適用于擬合、分類和模式識別等問題[5]。但缺點是當(dāng)有“噪聲”——數(shù)據(jù)集里存在離群點時，性能會受到影響。為彌補(bǔ)這一缺點，本文對ELM進(jìn)行改進(jìn)，進(jìn)行兩級加權(quán)優(yōu)化。因為偶發(fā)性擁堵相對于歷年的海量常發(fā)性擁堵來說占比極小，相當(dāng)于噪聲，但在現(xiàn)實中卻無疑會引發(fā)擁堵，只是程度不同而已。故此，當(dāng)偶發(fā)性擁堵發(fā)生時，不僅不應(yīng)讓這些少數(shù)類被淹沒，還要加大其權(quán)重，以期ELM在快速（時效性）的基礎(chǔ)上又能提高預(yù)測準(zhǔn)確度，還能使其同時適用于平衡和不平衡的大數(shù)據(jù)集合。

參考文獻(xiàn)[4]，給定預(yù)測樣本xi，訓(xùn)練好的N個學(xué)習(xí)機(jī)的預(yù)測輸出為f1（xi），…，fn（xi），…，fN（xi），其中fn（xi）=[f1n（xi），f2n（xi），…，fMn（xi）]T。首先進(jìn)行一級加權(quán)優(yōu)化，方法是計算每個學(xué)習(xí)機(jī)各個節(jié)點的概率輸出，公式如下：

pmn（fmn（xi））=11+exp（-（fmn（xi））），m=1，2，…，M，n=1，2，…，N（7）

進(jìn)一步對其歸一化得到：

pmn（xi）=p（fmn（xi））∑Mt=1p（ftn（xi）），m=1，2，…，M，n=1，2，…，N（8）

再確定每個學(xué)習(xí)機(jī)概率輸出的最大值：

pn=maxm=1，2，…，M{pmn（xi）}（9）

pn越大，該分類器在多模融合預(yù)測中的權(quán)值也應(yīng)越大，一級加權(quán)定義為：

un=pn∑Nn=1pn（10）

最后進(jìn)行二級加權(quán)wδ，計算樣本xi在預(yù)測模型中的輸出：

class（xi）=argmaxm=1，2，…，M∑Nn=1wδunpmn（xi）（11）

二級加權(quán)wδ取值范圍為[0，1]，在常發(fā)性擁堵——無動態(tài)影響因素時初始化為：

wδ=10.618Num（xi）>AVG（Num（xi））Num（xi）≤AVG（Num（xi））（12）

Num（xi）是指屬于xi類的樣本數(shù)目，當(dāng)其大于平均數(shù)目時，既側(cè)重于多數(shù)類，并有效抑制噪聲。在偶發(fā)性擁堵時，wδ的取值則反過來，側(cè)重于少數(shù)類。wδ以線性回歸模型為基礎(chǔ)，通過自學(xué)習(xí)動態(tài)在[0，1]之間改變。在t時刻預(yù)測t+1時刻擁堵程度，當(dāng)?shù)竭_(dá)t+1時刻，根據(jù)浮動車實時采集的數(shù)據(jù)來驗證，通過驗證的偏差來調(diào)整權(quán)重，以期準(zhǔn)確和收斂。當(dāng)該規(guī)則有效，則加入規(guī)則庫。這種自適應(yīng)權(quán)重既保持ELM的快速，還在一定程度上防止過擬合，且能提高模型的自適應(yīng)能力，亦能克服普通的線性回歸不能很好地反映交通的非線性變化和不確定性的缺點。

2.3 擁堵傳導(dǎo)模型（上下游關(guān)聯(lián)規(guī)則模型）

為了提高較長時長后的預(yù)測擁堵的準(zhǔn)確性，還要考慮擁堵的上下游關(guān)聯(lián)傳導(dǎo)關(guān)系。因為交通擁堵的產(chǎn)生在時間上和空間上都是一個較復(fù)雜的過程。本文的擁堵傳導(dǎo)模型既考慮路段在路網(wǎng)空間拓?fù)渖系泥徑雨P(guān)系，也考慮擁堵狀態(tài)的傳導(dǎo)在時間上的先后關(guān)系。

如圖2所示，當(dāng)前RC路段箭頭所示為行駛方向（另一方向同理），如果RC發(fā)生擁堵，一般會引發(fā)上游的i1～i3在Δt時間后發(fā)生擁堵。這在大數(shù)據(jù)分析中較容易通過RC的擁堵程度和i1～i3的流量預(yù)測出Δt，這里不贅述。

反過來，當(dāng)上下游路段發(fā)生不同程度的擁堵后，何時會傳導(dǎo)引發(fā)RC發(fā)生擁堵，這樣的因果關(guān)聯(lián)性是本文研究的重點。為降低時空復(fù)雜度，本平臺擁堵傳導(dǎo)模型僅計算直接擁堵傳導(dǎo)（臨邊），但整個路網(wǎng)的連通性已能反映出間接擁堵傳導(dǎo)（相隔路段之間傳導(dǎo)）。

對于RC，關(guān)聯(lián)模型主要考慮上游三個流入路段的流量Q（vehs/h），即流入RC的量;還有下游三個流出路段的平均行駛速度V（km/h），即RC的排出速度。當(dāng)采用路段平均速度為交通擁堵指數(shù)時，平均速度即是擁堵程度。若再簡化模型，把上游的流量也改為擁堵程度時，雖然計算簡化，但在實際應(yīng)用中的預(yù)測精度有所下降。

首先，通過道路方向與車輛行駛方向之間夾角過濾掉無關(guān)方向的浮動車，再通過檢測器得到上游三個駛?cè)肓髁縌i，i=1，2，3，下游三個駛出路段的平均行駛速度為Vj，j=1，2，3。擁堵傳導(dǎo)預(yù)測計算公式如下：

α∑ni=1（αiQi）-β∑mj=1（βjVj）+γVRc（13）

式中：n——上游臨邊數(shù);

m——下游臨邊數(shù)。

如果是圖2所示的十字路口，n和m都等于3，如果存在無關(guān)的單行線等限行路段方向應(yīng)將其忽略。αi、βj為參數(shù)，根據(jù)擁堵程度和流量占比給出;

α，β，γ——影響因子;

VRc——RC自身當(dāng)前的擁堵程度。

路段平均行駛速度定義為：

V=∑nk=1Lk∑nk=1（LkVk）（14）

Lk為該路段上第k條記錄的行駛車輛所駛過的距離;Vk為其速度。

除了考慮偶發(fā)性因素外，在常發(fā)性擁堵中，如何較準(zhǔn)確地預(yù)測從居民區(qū)和單位等地駛出的新匯入到道路上的車輛數(shù)——流量變數(shù)，是預(yù)測中的難題之一，也是能否較準(zhǔn)確預(yù)測擁堵的關(guān)鍵因素之一。為提高較長一段時間后（例如超過20 min之后）的擁堵預(yù)測準(zhǔn)確度，以時間序列上眾路段擁堵傳導(dǎo)模型的計算值為主，以大數(shù)據(jù)挖掘出的每天上下班高峰期的流量變數(shù)為輔進(jìn)行調(diào)整。因為絕大多數(shù)人的上下班時間段是固定的，乃至周末出行均有一定規(guī)律可循，從大數(shù)據(jù)分析可以得出;其他變數(shù)可以通過交通事故上報平臺、道路施工的市政平臺、極端天氣的天氣預(yù)報平臺、大型活動的社會服務(wù)平臺等采集，這樣即可實現(xiàn)預(yù)測較長時間后擁堵程度的高準(zhǔn)確度。

2.4 路網(wǎng)總成本最優(yōu)化模型

在出行路線選擇上，出行者僅僅從自身考慮，往往選擇路線最短、耗時最短路線或者主干道路線。在發(fā)出擁堵預(yù)警后，給出的優(yōu)化路線要充分考慮城市路網(wǎng)整體最優(yōu)均衡，即實現(xiàn)了一種交通誘導(dǎo)，充分利用次級道路，提高城市整體通行能力。平臺在為出行者服務(wù)時，為提高時空效率采用局部最優(yōu)方法，計算起點i到終點j的預(yù)選路徑集合所覆蓋的局部路網(wǎng)的總成本最小[6]。記起止（OD）點間路徑集合為Pij={Pij（t）：路網(wǎng)從點i到點j的第t條路徑};M為其流量矩陣;L（Pij（t））為路徑Pij（t）的長度;Cij（t）為Pij（t）的通行能力;Xij（t）為Pij（t）上待分配的交通量。則建立路網(wǎng)尋優(yōu)模型：

min∑i≠j∑tXij（t）×L（Pij（t））（15）

s.t.∑tXij（t）=Mij

0≤Xij（t）≤Cij（t）

∑XklXij（t）Xij（t）≤Ckl，

最后一條約束表示多條路徑都經(jīng)過某kl路段，則流經(jīng)重疊路段kl的交通量總和∑Xkl不超過kl段的通行能力。該模型同樣適用于整體路網(wǎng)總成本最優(yōu)（全局最優(yōu)），為相應(yīng)管理部門所用或?qū)ξ磥斫煌ㄒ?guī)劃輔助決策。

3 仿真實驗

實驗在訊方大數(shù)據(jù)服務(wù)器（2個英特爾至強(qiáng)銀牌4110-2.1 G-8 Core處理器，2×32G DDR4內(nèi)存，2塊1 200 GB SAS 12 Gb/s-10 K rpm硬盤，1塊RAID卡）、客戶端Windows 10計算機(jī)（處理器Intel Core i7-9700，內(nèi)存16 G）上進(jìn)行;實驗軟件使用Python 3.9;樣本數(shù)據(jù)采用廣西交通運輸云數(shù)據(jù)中心和南寧市交警支隊部分樣本數(shù)據(jù);測試路網(wǎng)為南寧市中心區(qū)域多條易擁堵路線，并選取了18：00有交通事故的情況;在8：00、12：00、18：00三個早中晚上下班高峰時段進(jìn)行重點預(yù)測，并以當(dāng)時的真實擁堵程度值進(jìn)行驗證。評價指標(biāo)選取常用的平均絕對誤差（MAE）、均方根誤差（RMSE）和平均絕對百分比誤差（MAPE），將BDA-MMC與廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）、ELM和支持向量機(jī)（SVM）等模型的預(yù)測性能進(jìn)行比較，結(jié)果如表1所示。

從表1中可以看出，本文基于大數(shù)據(jù)分析和多種模型融合（BDA-MMC）的擁堵預(yù)測結(jié)果明顯提高，且在18：00有交通事故的偶發(fā)性擁堵預(yù)測中結(jié)果穩(wěn)定。

4 結(jié)語

本文介紹了交通擁堵預(yù)警的主要方法，對歷史大數(shù)據(jù)進(jìn)行可變系數(shù)加權(quán)優(yōu)化聚類分析，在分類識別上，為綜合考慮常發(fā)性和偶發(fā)性交通擁堵，提出兩級加權(quán)優(yōu)化ELM和自適應(yīng)權(quán)重模型，同時引入上下游關(guān)聯(lián)的擁堵傳導(dǎo)模型，進(jìn)一步提升預(yù)測的準(zhǔn)確性和關(guān)聯(lián)性。在擁堵誘導(dǎo)上采用局部最優(yōu)模型，充分發(fā)揮各級道路的作用以提高城市的整體通行能力。通過仿真實驗證明，多模融合技術(shù)的交通擁堵預(yù)測方法不僅能夠給出短時擁堵預(yù)測，還能夠給出長時擁堵預(yù)測，并且均能維持較高的準(zhǔn)確率。

預(yù)測交通擁堵的作用和意義重大，可以提前預(yù)防，如同治未病思想，而不是已經(jīng)發(fā)生了擁堵甚至造成了事故才去彌補(bǔ)損失。在如今節(jié)奏越來越快的城市生活當(dāng)中，時間是最寶貴的，擁堵預(yù)警從節(jié)約時間、綠色環(huán)保、高效通行和提高管理水平的角度出發(fā)是必需的，是引領(lǐng)智能出行的關(guān)鍵，也是建設(shè)交通強(qiáng)國，助力交通科學(xué)治理的技術(shù)支撐和強(qiáng)有力的手段。

但是，由于歷史和信息安全等因素的約束，公安交通網(wǎng)絡(luò)一般與互聯(lián)網(wǎng)等網(wǎng)絡(luò)是隔離的，交通實時數(shù)據(jù)對外共享較困難。建議將交通系統(tǒng)數(shù)據(jù)中有必要對外開放又不涉及隱私和信息安全的數(shù)據(jù)進(jìn)行映射，對外共享?？刹扇∈跈?quán)訪問的方式進(jìn)行管理，商業(yè)化的要合理收費。同時，應(yīng)逐步推進(jìn)行業(yè)間大數(shù)據(jù)接口的標(biāo)準(zhǔn)，形成如圖1中所示各部門之間有關(guān)交通大數(shù)據(jù)的相互對接和信息共享，加快信息產(chǎn)業(yè)的升級，使之更好地服務(wù)于社會。

[1]林立春，劉 華，洪 東.基于大數(shù)據(jù)分析的交通擁堵預(yù)測技術(shù)[J].西部交通科技，2020（9）：138-141.

[2]沈 晴.面向交通擁堵預(yù)測大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)群組快速學(xué)習(xí)[D].北京：北京科技大學(xué)，2017.

[3]周輝宇.基于大數(shù)據(jù)規(guī)則挖掘的交通擁堵治理研究[J].統(tǒng)計與信息論壇，2017，32（5）：96-101.

[4]鄧萬宇，鄭慶華，陳 琳，等.神經(jīng)網(wǎng)絡(luò)極速學(xué)習(xí)方法研究[J].計算機(jī)學(xué)報，2010，33（2）：279-287.

[5]Lichun Lin，Shi Tong.Automatic Spatial Annotation of Image Based on Object Recognition [J].Journal of Information and Computational Science，2013，10（18）： 5 829-5 847.

[6]薛倚明.整體優(yōu)化路網(wǎng)交通量分配的系統(tǒng)思想[J].運籌與管理，2000，9（2）：79-83.