基于PELT的交通流狀態(tài)檢測(cè)與短期預(yù)測(cè)研究

陳王勇, 胡 堯, 2

( 1. 貴州大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院, 貴州 貴陽(yáng) 550025; 2. 公共大數(shù)據(jù)國(guó)家重點(diǎn)實(shí)驗(yàn)室, 貴州 貴陽(yáng) 550025)

0 引言

在很多交通流狀態(tài)分析研究中，高峰期存在平穩(wěn)狀態(tài)都是一個(gè)潛在的假設(shè)。而近平穩(wěn)狀態(tài)的識(shí)別對(duì)于檢測(cè)交通活動(dòng)瓶頸，校準(zhǔn)基本圖以及量化容量變化的幅度大小具有重要意義。Jin近年的一系列研究中，在運(yùn)動(dòng)波理論框架內(nèi)證明了一般道路網(wǎng)絡(luò)中平穩(wěn)狀態(tài)的存在和穩(wěn)定性[1-3]。然而，由于不可避免的噪聲干擾和隨機(jī)波動(dòng)，原始檢測(cè)數(shù)據(jù)中不存在嚴(yán)格的平穩(wěn)狀態(tài)，因此，在實(shí)踐中平穩(wěn)狀態(tài)只能是近似平穩(wěn)的。

現(xiàn)有的識(shí)別此類近平穩(wěn)狀態(tài)的研究通常是由校準(zhǔn)基本圖的需要所推動(dòng)的。Del Castillo等[4]提出潛在的近平穩(wěn)狀態(tài)持續(xù)時(shí)間至少4或5 min且標(biāo)準(zhǔn)差小于平均值的15%，基于此準(zhǔn)則對(duì)速度序列進(jìn)行目視選擇，進(jìn)一步基于Kendall’s tau檢驗(yàn)，提取速度和車輛計(jì)數(shù)序列中無(wú)趨勢(shì)的近平穩(wěn)狀態(tài)。由于上述方法使用目視檢查，并且在處理大量數(shù)據(jù)時(shí)耗費(fèi)時(shí)間和人力。因此，需要有效識(shí)別近平穩(wěn)狀態(tài)的自動(dòng)方法。最近Yan等[5]基于PELT(Pruned Exact Linear Time)搜索算法的變點(diǎn)檢測(cè)方法，將交通流時(shí)間序列劃分為多個(gè)可能接近平穩(wěn)狀態(tài)的候選間隔，計(jì)算每個(gè)候選間隔的特征，通過(guò)修改Cassidy準(zhǔn)則實(shí)現(xiàn)了近平穩(wěn)狀態(tài)的自動(dòng)識(shí)別過(guò)程，但是對(duì)數(shù)據(jù)要求較為苛刻。鄔群勇等[6]基于公交車和出租車軌跡數(shù)據(jù)對(duì)城市交通狀態(tài)進(jìn)行了精細(xì)劃分和識(shí)別，實(shí)現(xiàn)對(duì)城市交通狀態(tài)的分析。本研究在文獻(xiàn)[5]的基礎(chǔ)上，提出隨機(jī)化的交通流基本參數(shù)，根據(jù)不同的速度和密度需求，精細(xì)劃分交通狀態(tài)，并結(jié)合時(shí)間序列方法，運(yùn)用ADF(Augmented Dickey-Fuller)檢驗(yàn)[7]構(gòu)建交通流近平穩(wěn)狀態(tài)檢測(cè)方法。

在智能交通系統(tǒng)的研究領(lǐng)域中，除了上述交通狀態(tài)檢測(cè)研究外，短期交通流預(yù)測(cè)也是研究的熱點(diǎn)之一[8-12]。而非參數(shù)回歸方法在交通流預(yù)測(cè)中扮演著重要的角色[13]，早期Sun等[14]提出局部線性回歸模型應(yīng)用于短期交通預(yù)測(cè)，該方法具有一定的時(shí)效性，但是對(duì)帶有異常值的數(shù)據(jù)不具有魯棒性。進(jìn)而Cleveland[15]提出具有魯棒性的LOESS(Locally Weighted Regression and Smoothing Scatterplot)方法，通過(guò)計(jì)算和繪制平滑點(diǎn)，大大增強(qiáng)了散點(diǎn)圖上的視覺(jué)信息。Sun等[16]提出具有魯棒性的自適應(yīng)參數(shù)的k近鄰方法用于短期交通流預(yù)測(cè)，但交通流歷史信息考慮不足。對(duì)此，本研究引入局部多項(xiàng)式回歸[17]，并綜合考慮當(dāng)前的交通流信息以及歷史交通流消息，對(duì)未來(lái)的交通流進(jìn)行短期預(yù)測(cè)?；赑ELT搜索算法，結(jié)合Sigma原則，得到短期斷面交通流趨勢(shì)預(yù)測(cè)區(qū)間。

本研究?jī)?nèi)容安排如下：首先定義劃分交通流狀態(tài)，接著構(gòu)建基于PELT搜索算法的交通流變點(diǎn)檢測(cè)方法以及近平穩(wěn)狀態(tài)的檢測(cè)模型，引入局部多項(xiàng)式回歸方法，并與LOESS，k近鄰等非參數(shù)回歸方法進(jìn)行預(yù)測(cè)精度的比較，最后以實(shí)際交通流數(shù)據(jù)驗(yàn)證所提方法的有效性。

1 交通流近平穩(wěn)狀態(tài)檢測(cè)模型

1.1 交通流狀態(tài)

在時(shí)空區(qū)域Ω={(t,l):t∈T,l∈L}中，交通流率、密度、速度在時(shí)刻t位置l處分別記為q(t,l)，k(t,l)以及v(t,l)，則有如下?tīng)顟B(tài)：

定義1若時(shí)空域中的流率和密度均與時(shí)間無(wú)關(guān)q(t,l)=q(l)，k(t,l)=k(l)或等價(jià)地表示為：

(1)

則稱該時(shí)空區(qū)域中的交通流狀態(tài)是平穩(wěn)的(stationary state)[5]。

定義2若時(shí)空域中的流率和密度均與時(shí)間和位置無(wú)關(guān)q(t,l)=q，k(t,l)=k，或等價(jià)地表示為：

(t,l)∈Ω。

(2)

則稱該時(shí)空區(qū)域中的交通流狀態(tài)是穩(wěn)定的(steady state)[5]。

在上述的定義中，并沒(méi)有考慮交通流基本參數(shù)的隨機(jī)特征。在實(shí)際中，由于道路交通運(yùn)行復(fù)雜，交通數(shù)據(jù)更是異構(gòu)多源，時(shí)空性明顯，且交通狀態(tài)是交通運(yùn)行系統(tǒng)中不同通行能力供需變化的綜合體現(xiàn)，故本研究將從統(tǒng)計(jì)角度隨機(jī)意義下去劃分交通狀態(tài)，即將時(shí)空區(qū)域Ω中的流量Q(t,l)、密度K(t,l) 以及速度V(t,l)均映射到實(shí)數(shù)域R。在統(tǒng)計(jì)意義下，將通行能力記為交通流量條件期望最大值，其基本計(jì)算公式如下：

C=max{E[Q(t,l)|V(t,l)]:(t,l)∈Ω},

(4)

式中kj為交通阻塞密度(jam density)。

綜上可知，統(tǒng)計(jì)意義下定義的自由流、中斷和擁堵等交通狀態(tài)中均存在近平穩(wěn)狀態(tài)。本研究旨在研究交通流量參數(shù)近似常數(shù)下的一種近平穩(wěn)狀態(tài)檢測(cè)以及交通流的短期預(yù)測(cè)。

1.2 基于PELT搜索算法的交通流變點(diǎn)檢測(cè)模型

數(shù)據(jù)預(yù)處理：記q1:n=(q1，…,qn)表示觀測(cè)到的交通流序列，其中n是樣本量。采用如下公式對(duì)交通流序列進(jìn)行標(biāo)準(zhǔn)化處理，使其平均值為0，標(biāo)準(zhǔn)差為1。

(5)

為了檢測(cè)變點(diǎn)數(shù)量和位置，構(gòu)造如下優(yōu)化問(wèn)題：

(6)

式中，θ為間隔的損失函數(shù)；β為避免過(guò)度擬合的懲罰參數(shù)[20]。特別地，使用兩倍的負(fù)對(duì)數(shù)似然函數(shù)來(lái)表示損失函數(shù)：

(7)

m+1。

(8)

進(jìn)而得到交通流標(biāo)準(zhǔn)化序列的目標(biāo)函數(shù)：

(9)

為了求解上述的最優(yōu)問(wèn)題和尋找最優(yōu)的變點(diǎn)位置，采用基于動(dòng)態(tài)規(guī)劃和剪枝技術(shù)的PELP算法得到交通流標(biāo)準(zhǔn)化序列中檢測(cè)的最優(yōu)變點(diǎn)位置：

(10)

定理:通過(guò)樣本標(biāo)準(zhǔn)差重新調(diào)整懲罰參數(shù)，數(shù)據(jù)標(biāo)準(zhǔn)化不影響觀測(cè)序列中檢測(cè)到的變點(diǎn)數(shù)量和位置。

證明：將(5)式代入標(biāo)準(zhǔn)化序列的目標(biāo)函數(shù)(9)式中可得：

(11)

定理表明適當(dāng)?shù)膽土P參數(shù)選擇說(shuō)明式(10)也是交通流觀測(cè)序列的最優(yōu)變點(diǎn)位置。

1.3 近平穩(wěn)狀態(tài)檢測(cè)模型

qt=μ+φ1qt-1+…+φpqt-p+εt,i.i.d

j=1，…,m+1,

(12)

若交通流序列{qt}平穩(wěn)，則φ1+φ2+…+φp<1；

若交通流序列{qt}非平穩(wěn)，則φ1+φ2+…+φp=1。

記ρ=φ1+φ2+…+φp-1，則AR(p)過(guò)程的ADF檢驗(yàn)原假設(shè)和備擇假設(shè)如下：

H0:ρ=0v.s.H1:ρ<0。

(13)

當(dāng)γ≤γα?xí)r，拒絕原假設(shè)H0，認(rèn)為序列{qt}顯著平穩(wěn)，即第j個(gè)候選間隔為近平穩(wěn)狀態(tài)；

當(dāng)γ>γα?xí)r，接受原假設(shè)H0，認(rèn)為序列{qt}非平穩(wěn)，即第j個(gè)候選間隔為非近平穩(wěn)狀態(tài)。

2 交通流短期預(yù)測(cè)方法

2.1 局部多項(xiàng)式回歸

針對(duì)交通流序列，除了對(duì)交通狀態(tài)的檢測(cè)外，還需要根據(jù)當(dāng)前的歷史數(shù)據(jù)對(duì)未來(lái)的交通流趨勢(shì)做出判斷。本研究采用局部多項(xiàng)式回歸[17]對(duì)交通流時(shí)間序列進(jìn)行短期預(yù)測(cè)。該方法是一種基于光滑思想的非參數(shù)回歸模型，記觀測(cè)到的一組樣本數(shù)據(jù)為(ti,qi)(i=1，…n)，則可建立如下非參數(shù)模型：

qi=m(ti)+εi,i=1，…,n，

(14)

式中，m(t)=E(q|t)為q關(guān)于t的回歸函數(shù)，并進(jìn)一步假定E(εi)=0，Var(εi)=σ2。局部多項(xiàng)式基于加權(quán)最小二乘的思想，利用k(k≥1)階多項(xiàng)式去逼近回歸函數(shù)。

記Q=(q1，…,qn)T，T(t0)=((ti-t0)j),i=1，…,n,j=0，…,k。設(shè)m(t)具有k階連續(xù)導(dǎo)數(shù)，對(duì)定義域中任一點(diǎn)t0，進(jìn)行Taylor展開(kāi)，則在t0的鄰域內(nèi)有：

(15)

式中，αj(t0)=m(j)(t0)/j！(j=0,1，…,k)，選擇合適的αj(t0)(j=0,1，…,k)使得式(16)達(dá)到最小

(16)

記W(t0)=Diag(Kh(t1-t0)，…,Kh(tn-t0))，α(t0)=(α0(t0)，…,αk(t0))T，則由加權(quán)最小二乘方法可得α(t0)的估計(jì)值為：

(TT(t0)W(t0)T(t0))-1TT(t0)W(t0)Q。

(17)

(18)

(19)

式中ω(t)為非負(fù)的權(quán)函數(shù)，則最優(yōu)光滑參數(shù)為：

(20)

2.2 模擬和預(yù)測(cè)比較

(21)

(22)

為了說(shuō)明局部多項(xiàng)式回歸的有效性，本研究將該方法與LOESS，k近鄰等經(jīng)典的非參數(shù)回歸方法進(jìn)行比較。在k近鄰回歸中，k取值過(guò)小會(huì)出現(xiàn)過(guò)擬合現(xiàn)象，而k取值過(guò)大會(huì)出現(xiàn)欠擬合現(xiàn)象，為防止過(guò)擬合或欠擬合本研究k取3和6。首先通過(guò)模擬基準(zhǔn)[24]來(lái)檢測(cè)方法的性能，其次基于貴陽(yáng)市中山西路與瑞金中路交叉口(由南往北方向)2 min斷面交通流數(shù)據(jù)，通過(guò)上述回歸方法分別進(jìn)行短期預(yù)測(cè)，進(jìn)一步驗(yàn)證該方法的有效性。模擬數(shù)據(jù)由如下模型產(chǎn)生：

yi=μi+σεi,εi～N(0,1),i=1，…,n，

(23)

其中數(shù)據(jù)長(zhǎng)度n=500，噪聲參數(shù)σ=0.2。數(shù)據(jù)中共存在6個(gè)均值變點(diǎn)，變點(diǎn)位置依次為137，224，241，298，307，331各個(gè)區(qū)段均值μ依次為-0.18，0.36，0.89，-0.4，0.29，-0.65，0.33,如圖1所示。

圖1 模擬數(shù)據(jù)示例Fig.1 Example of simulated data

在積分均方誤差準(zhǔn)則下局部多項(xiàng)式回歸的最優(yōu)光滑參數(shù)如圖2所示。從圖2中可以看出，模擬數(shù)據(jù)的積分均方誤差MISE在光滑度h為2.6時(shí)達(dá)到最小值；而斷面流量數(shù)據(jù)的積分均方誤差MISE在光滑度h為1.1時(shí)達(dá)到最小，故局部多項(xiàng)式的最優(yōu)光滑參數(shù)分別選取為2.6和1.1。

圖2 局部多項(xiàng)式回歸光滑參數(shù)的選取Fig. 2 Selection of local polynomial regression smoothing parameters

圖3 局部多項(xiàng)式、LOESS及k近鄰回歸方法比較Fig.3 Comparison of local polynomial, LOESS and k-nearest neighbor regression method

圖4 局部多項(xiàng)式回歸、LOESS及k近鄰回歸預(yù)測(cè)比較Fig.4 Comparison of local polynomial regression, LOESS, and k-nearest neighbor regression prediction

基于模擬數(shù)據(jù)和斷面流量數(shù)據(jù)，將局部多項(xiàng)式回歸與LOESS，k近鄰等經(jīng)典的非參數(shù)回歸方法進(jìn)行比較如圖3、圖4所示。從圖3和圖4中均可以看出LOESS方法只是大致擬合了數(shù)據(jù)的趨勢(shì)，與觀測(cè)時(shí)序趨勢(shì)相差較大，不便于做實(shí)際分析; 而局部多項(xiàng)式回歸與k近鄰回歸擬合效果相對(duì)較優(yōu)，擬合時(shí)序和觀測(cè)值序列趨勢(shì)基本吻合。

通過(guò)比較得到各個(gè)方法的精度評(píng)價(jià)指標(biāo)見(jiàn)表1。從表1中可以看出局部多項(xiàng)式回歸在兩個(gè)精度指標(biāo)可決系數(shù)R2和均方根誤差RMSE方面均表現(xiàn)較優(yōu)。一方面基于模擬數(shù)據(jù)局部多項(xiàng)式、k近鄰(k=3)和k近鄰(k=6)的可決系數(shù)R2以及RMSE相對(duì)于LOESS較高，且局部多項(xiàng)式回歸的R2和RMSE較優(yōu)，分別為0.926 5和0.894 8，進(jìn)而說(shuō)明了局部多項(xiàng)式回歸方法的有效性。另一方面基于交通流數(shù)據(jù)局部多項(xiàng)式回歸預(yù)測(cè)值與觀測(cè)值的可決系數(shù)R2為0.894 8，均方根誤差RMSE為11.088 6，相對(duì)于LOESS和k近鄰回歸方法較優(yōu)，進(jìn)一步驗(yàn)證了該方法的有效性。

表1 精度指標(biāo)比較Tab.1 Comparison of precision indicators

3 案例分析

3.1 交通流近平穩(wěn)狀態(tài)檢測(cè)

主要選取貴陽(yáng)市中山西路與瑞金中路(由南往北方向)、中華南路與都司路(由北往南方向)兩個(gè)交叉口的斷面交通流為研究對(duì)象，分別將其記為斷面I和斷面II。為檢測(cè)所選斷面交通流的近平穩(wěn)狀態(tài)以及斷面交通流短期預(yù)測(cè)，特取7月1日—7月7日為期1周的2 min斷面交通流數(shù)據(jù)如圖5所示，從圖5可以看出在07:00與23:00之間的時(shí)段內(nèi)兩個(gè)斷面的交通流量相對(duì)較高，其余時(shí)段相對(duì)較低，特別在23:00與00:00之間的時(shí)段內(nèi)數(shù)據(jù)存在不同程度的缺失或異常值，造成該時(shí)段內(nèi)的近平穩(wěn)狀態(tài)檢測(cè)結(jié)果、斷面交通流量預(yù)測(cè)與實(shí)際不符,見(jiàn)圖4、圖6及圖8所示。

圖5 斷面I和斷面II交通流量熱力圖Fig.5 Thermal diagrams of traffic volumes at section I and section II

圖6 斷面I和斷面II近平穩(wěn)狀態(tài)候選間隔Fig.6 Near-stationary state candidate intervals of section I and section II

為檢測(cè)出所選斷面處的交通流近平穩(wěn)狀態(tài)，采用基于動(dòng)態(tài)規(guī)劃和剪枝技術(shù)的PELP算法對(duì)斷面交通流序列進(jìn)行候選間隔的劃分如圖6所示，圖6(a)，(b)中僅顯示了7月1日—7月4日的近平穩(wěn)狀態(tài)候選間隔，并對(duì)所劃分的候選間隔進(jìn)行編號(hào)。針對(duì)斷面I和斷面II為期1周的交通流量序列共劃分出131個(gè)候選間隔，其中斷面I包含56個(gè)候選間隔，斷面II包含75個(gè)候選間隔。對(duì)所有候選間隔進(jìn)行ADF檢驗(yàn)，將ADF值嚴(yán)格小于0且p值不超過(guò)顯著性水平0.01的候選間隔視為近平穩(wěn)狀態(tài)，共檢測(cè)出55個(gè)近平穩(wěn)狀態(tài)，其中斷面I包含28個(gè)近平穩(wěn)狀態(tài)，斷面II包含27個(gè)近平穩(wěn)狀態(tài)。

例如，7月2日斷面I與斷面II候選間隔狀態(tài)檢測(cè)結(jié)果見(jiàn)表2。對(duì)于檢測(cè)出的非平穩(wěn)狀態(tài)，其對(duì)應(yīng)時(shí)段內(nèi)的斷面流量會(huì)出現(xiàn)較大的波動(dòng)，更容易導(dǎo)致交通事故的發(fā)生，具體需結(jié)合多源交通流數(shù)據(jù)做進(jìn)一步排查，該檢測(cè)結(jié)果對(duì)道路交通管理具有一定的有效性。

3.2 近平穩(wěn)狀態(tài)的驗(yàn)證

根據(jù)Cassidy提出的目視檢測(cè)方法[25]對(duì)近平穩(wěn)狀態(tài)有效性進(jìn)行直接驗(yàn)證，記N(t,l)為t時(shí)刻到達(dá)位置l的累計(jì)車流量，q0t為時(shí)間的線性函數(shù)，q0是與候選間隔有關(guān)的常數(shù)，若N(t,l)-q0t關(guān)于時(shí)間t具有線性趨勢(shì)且與最佳擬合線之間的偏差不超過(guò)10 輛-1，則該候選間隔可以視為近平穩(wěn)狀態(tài)。為說(shuō)明上述所檢測(cè)出的近平穩(wěn)狀態(tài)是有效的，以7月2日斷面II時(shí)段[05:52, 09:54]為例，該時(shí)段共劃分了3個(gè)候選間隔，累計(jì)車流量的原始曲線N(t,l)和轉(zhuǎn)換曲線N(t,l)-q0t如圖7所示。從圖7中可以直觀的看出：第4個(gè)候選間隔不僅具有明顯的線性趨勢(shì)且均在擬合線閾值邊界內(nèi)，所以該候選間隔視為近平穩(wěn)狀態(tài)是有效的; 注意到第5個(gè)和第6個(gè)候選間隔沒(méi)有被選為近平穩(wěn)狀態(tài)，很大程度上是因?yàn)槔塾?jì)車流量轉(zhuǎn)換曲線超出擬合線閾值邊界。這與表2中斷面II的近平穩(wěn)狀態(tài)檢測(cè)結(jié)果是一致的，即上述所構(gòu)建的交通流近平穩(wěn)狀態(tài)檢測(cè)方法是有效的。

表2 7月2日斷面I與斷面II候選間隔狀態(tài)檢測(cè)結(jié)果Tab.2 Test result of candidate interval between section I and section II on July 2

圖7 累計(jì)車流量原始曲線和轉(zhuǎn)換曲線Fig.7 Original and transformed curves of cumulative traffic volume

3.3 交通流短期預(yù)測(cè)

除了對(duì)斷面交通流進(jìn)行狀態(tài)檢測(cè)外，為了提高道路的交通流趨勢(shì)預(yù)警，在PELT變點(diǎn)檢測(cè)算法的基礎(chǔ)上將局部多項(xiàng)式回歸與Sigma原則結(jié)合，得到短期斷面交通流趨勢(shì)預(yù)測(cè)區(qū)間。

(24)

式中，n為預(yù)測(cè)樣本量；I(·)為示性函數(shù)。

圖8 7月7日短期斷面交通流趨勢(shì)預(yù)測(cè)Fig.8 Cross-sectional short-term traffic flow trend prediction on July 7

以7月1日—7月6日的斷面交通流數(shù)據(jù)為測(cè)試集，基于測(cè)試集數(shù)據(jù)采用上述局部多項(xiàng)式回歸，得到7月7日的短期斷面交通流趨勢(shì)預(yù)測(cè)如圖8所示，從圖8中可以看出部分時(shí)段的交通流量會(huì)出現(xiàn)較大的波動(dòng)，整體上預(yù)測(cè)區(qū)間趨勢(shì)與觀測(cè)時(shí)序基本吻合。以斷面I的預(yù)測(cè)趨勢(shì)為例，如圖8(a)在時(shí)段[06:00, 08:30)內(nèi)共檢測(cè)出5個(gè)變點(diǎn)，變點(diǎn)位置依次為06:24，06:42，07:00，07:18，08:18對(duì)應(yīng)的斷面流量預(yù)測(cè)值分別為11，27，42，61，65。相對(duì)于流量趨勢(shì)較為平穩(wěn)的時(shí)段[00:00, 06:00)而言，在該時(shí)段內(nèi)流量呈現(xiàn)急劇上升趨勢(shì)。一方面，若提前對(duì)出行者發(fā)布該斷面處的交通流量趨勢(shì)，則在某種程度上對(duì)出行者的路線選擇提供便利，同時(shí)也有利于交管部門對(duì)該斷面及時(shí)進(jìn)行交通疏導(dǎo)，緩解交通擁堵，說(shuō)明上述的短期斷面交通流趨勢(shì)預(yù)測(cè)區(qū)間具有一定的時(shí)效性；另一方面，斷面I、斷面II的交通流量趨勢(shì)預(yù)測(cè)區(qū)間覆蓋率分別為82.92%，80.28%，可見(jiàn)預(yù)測(cè)區(qū)間覆蓋率較高，進(jìn)一步說(shuō)明了上述預(yù)測(cè)方法具有一定的有效性。

4 結(jié)論

針對(duì)目前的交通流基本參數(shù)，考慮時(shí)空特征，從統(tǒng)計(jì)角度隨機(jī)化交通流基本參數(shù)，同時(shí)給出了相應(yīng)的自由流、中斷和擁堵等交通狀態(tài)劃分，通過(guò)分析表明近平穩(wěn)狀態(tài)存在于3種狀態(tài)之中。針對(duì)卡口數(shù)據(jù)構(gòu)建了交通流近平穩(wěn)狀態(tài)的檢測(cè)方法。該方法能夠快速準(zhǔn)確地檢測(cè)斷面交通流候選間隔是否為交通流近平穩(wěn)狀態(tài)，并基于貴陽(yáng)市實(shí)際交通流數(shù)據(jù)通過(guò)Cassidy目視檢測(cè)方法驗(yàn)證了所提方法的有效性。除了對(duì)斷面交通流進(jìn)行狀態(tài)檢測(cè)外，為了提高道路的短期交通流趨勢(shì)預(yù)警，引入局部多項(xiàng)式回歸，對(duì)斷面交通流趨勢(shì)進(jìn)行短期預(yù)測(cè)。通過(guò)模擬和預(yù)測(cè)精度指標(biāo)比較分析表明，該方法相對(duì)于經(jīng)典的LOESS以及k近鄰等非參數(shù)回歸方法在預(yù)測(cè)精度方面表現(xiàn)較優(yōu)。除此之外，通過(guò)實(shí)證分析表明短期斷面交通流趨勢(shì)預(yù)測(cè)區(qū)間與觀測(cè)時(shí)序的趨勢(shì)基本吻合，且交通流趨勢(shì)預(yù)測(cè)區(qū)間的覆蓋率較高。綜合考慮交通流近平穩(wěn)狀態(tài)檢測(cè)結(jié)果和交通流趨勢(shì)預(yù)測(cè)結(jié)果，對(duì)于出行者的路線選擇、交通擁堵的緩解以及交管部門的決策提供了一定的參考價(jià)值。同時(shí)為道路交叉口及城市路網(wǎng)中交通流近平穩(wěn)狀態(tài)的自動(dòng)檢測(cè)提供了方法參考。

所提方法不足之處在于PELT變點(diǎn)檢測(cè)方法不僅要求數(shù)據(jù)服從正態(tài)分布，而且易受異常值的影響。在分布假設(shè)不正確或異常值存在的情況下，可能會(huì)影響時(shí)序的劃分，進(jìn)一步影響檢測(cè)的近平穩(wěn)狀態(tài)數(shù)量和質(zhì)量。因此在后續(xù)研究中可以考慮一些穩(wěn)健的時(shí)序劃分方法，來(lái)增強(qiáng)近平穩(wěn)狀態(tài)檢測(cè)方法對(duì)異常值的穩(wěn)健性。另外，在接下來(lái)的工作中將通過(guò)基本圖對(duì)多時(shí)段、多斷面交通流數(shù)據(jù)進(jìn)行精細(xì)劃分交通狀態(tài)以及多斷面交通流短期預(yù)測(cè)方法的研究。