極端天氣環(huán)境下行車危險彎坡路段交通流預測

張 瑾，字豐軍

(昆明理工大學交通工程學院，云南 昆明 650000)

1 引言

近年來，我國城市化建設(shè)發(fā)展飛速，交通需求呈指數(shù)增長，城市內(nèi)部的交通壓力隨之增加。由于我國疆域廣闊、氣象類型[1]多變，是世界上受氣象災(zāi)害影響最大的國家之一，再加上我國現(xiàn)代化公路交通的復雜性，導致現(xiàn)代化交通受到惡劣天氣的影響，容易出現(xiàn)大面積的交通延誤和交通事故，這種影響會給國家、人們的經(jīng)濟帶來損失。為了有效規(guī)避交通事故的發(fā)生，提升交通路段的使用壽命，需要對交通危險彎坡組合路段進行交通流預測[2]。

文獻[3]提出基于時空節(jié)點選擇和深度學習的城市道路短時交通流預測。該方法首先對交通流的時空特征進行提取，并確定時空節(jié)點集，依據(jù)目標函數(shù)計算適應(yīng)度，通過反向傳播神經(jīng)網(wǎng)絡(luò)選擇時刻節(jié)點；最后將時刻節(jié)點作為網(wǎng)絡(luò)輸入數(shù)據(jù)，完成交通流的預測。該方法由于未能在交通流預測前修復危險彎坡組合路段的線形數(shù)據(jù)，所以該方法的預測誤差大。文獻[4]提出改進支持向量回歸機的短時交通流預測。該方法根據(jù)深度學習法建立回歸機算法模型；將受限的玻爾茲曼顯層節(jié)點作為模型的輸入端，徑向支持向量機作為輸出端；最后將采集的交通數(shù)據(jù)作為輸入數(shù)據(jù)放入模型中，從而實現(xiàn)交通流的預測。該方法在建立模型時存在問題，所以該方法的預測誤差大、預測時間長。文獻[5]提出基于數(shù)據(jù)約減和支持向量機的非參數(shù)回歸短時交通流預測算法。該方法首先利用主成分分析法對交通數(shù)據(jù)進行降維處理，規(guī)避維度干擾對交通流帶來的影響；再通過模糊均值聚類方法篩選原始交通流數(shù)據(jù)，并使用多維搜索結(jié)構(gòu)實現(xiàn)對原始交通流的快速搜索；最后利用融合的支持向量機對搜索數(shù)據(jù)進行預測估計，從而實現(xiàn)交通流的預測。該方法在搜索數(shù)據(jù)時存在誤差，導致該方法的預測時間長。

為解決上述交通流預測方法中存在的問題，提出極端天氣下行車危險彎坡組合路段交通流預測方法。

2 道路數(shù)據(jù)恢復

公路在早期建設(shè)時由于欠缺規(guī)范化管理，導致道路的資料遺失或出現(xiàn)大量誤差，為使交通流的預測結(jié)果足夠準確，需要使用適當?shù)姆椒〝M合出精確的交通道路路線，恢復道路數(shù)據(jù)。車載激光掃描系統(tǒng)[6]依靠其自身耗時短、自動化程度高以及采集數(shù)據(jù)精確的特性能夠有效完成道路數(shù)據(jù)恢復。

2.1 提取中心軸點

(1)

式中，網(wǎng)格點A與β外部區(qū)域之間的距離用m(A)表示。

依據(jù)幾何定義可知，網(wǎng)格中最大的數(shù)據(jù)點均值為該區(qū)域的最大權(quán)值，可將其作為危險彎坡組合路段的中軸搜索初始點，通過初始點與鄰域數(shù)據(jù)點之間的計算可獲取下一階段數(shù)據(jù)的跟蹤步長以及追蹤方向，通過迭代找出危險彎坡組合路段全部中軸點數(shù)列，過程如下：

1)將采集的激光道路點云數(shù)據(jù)映射到網(wǎng)格上，建立柵格單元矩陣，并計算單元權(quán)值。

2)確定初始數(shù)據(jù)建立坐標系，選取初始搜索點，設(shè)定搜索半徑，獲取回歸數(shù)據(jù)區(qū)域，并沿x、y兩個方向?qū)ζ溥M行直線回歸計算。

3)建立兩個最小目標方程，確定搜索方向D，目標方程如下式所示

(2)

式中，滿足逼近原則的目標函數(shù)用I1表示，滿足光順性原則的目標函數(shù)用I2表示，點集內(nèi)各數(shù)據(jù)點、搜索方向與y軸之間的夾角分別為θi和θk，數(shù)據(jù)點與坐標系原點之間距離為Li。在確定θk時，需要通過一定的約束條件，過程如下式所示

(3)

式中，調(diào)節(jié)系數(shù)用λ標記，搜索半徑用π表示，網(wǎng)格中第i點網(wǎng)格數(shù)據(jù)點標記為Ai，點云數(shù)據(jù)總集為S。

4)對流程3)進行重復，確定中軸序列上的其它點云數(shù)據(jù)點，直至全部計算完成。

2.2 中軸點平滑以及曲線擬合

設(shè)定A1、A2、A3為中軸點序列中連續(xù)的三個數(shù)據(jù)點，并且三者之間處于平行狀態(tài)。數(shù)據(jù)點A1的權(quán)值為半徑，以y軸為圓心生成一個圓形。對圓形上的原始離散數(shù)據(jù)進行計算，通過計算結(jié)果調(diào)整A1的位置，獲取B樣本曲線，實現(xiàn)中軸點的平滑。再通過平滑后獲取的B樣本曲線隨中軸點序列進行擬合處理。

2.3 道路線形恢復

通過上述擬合結(jié)果獲取道路的線形，由于線形中的組合形式不明顯，所以需要將擬合曲線轉(zhuǎn)化成平面的線形結(jié)構(gòu)，從而復原道路的各線形參數(shù)[7]，過程如下：

1)設(shè)定固定的長度隔點，計算數(shù)據(jù)點曲率，獲取數(shù)據(jù)點曲率半徑。

2)依據(jù)路線的設(shè)計規(guī)劃對危險彎坡組合路段進行劃分。

3)使用最小二乘法[8]對組合的曲線參數(shù)進行擬合計算。

4)計算逐樁坐標。

根據(jù)上述流程可確定危險彎坡組合路段的參數(shù)及各樁號坐標，直至恢復道路線形。具體流程如圖1所示。

圖1 道路恢復流程圖

3 交通流預測

基于恢復的危險彎坡組合路段道路數(shù)據(jù)，使用隨機森林法完成對危險彎坡組合路段交通流的預測。該方法首先建立一個隨機森林的決策樹，通過自舉集成算法提高預測精準度，建立交通流預測模型，最后通過該預測模型實現(xiàn)危險彎坡組合路段的交通流預測。

3.1 極端天氣分析

3.1.1 定義惡劣天氣

將不利于人類生產(chǎn)活動的破壞性局部天氣狀況定義為極端天氣。在對極端天氣行車危險彎坡組合路段進行交通流預測[9]前，需要對極端天氣進行劃分定義。劃分結(jié)果如下：

1)能見度不高于1千米的天氣劃分為大霧級別。

2)風速高于45千米/小時，大樹樹枝擺動、舉傘困難以及海面出現(xiàn)大浪，將該種天氣劃分為強風天氣類型。

3)溫度大于等于34攝氏度，為高溫最低標準警告，可將其劃分為高溫天氣。

4)溫度小于等于零下8攝氏度，達到低溫黃色預警，可將其劃分為低溫天氣類型。

可將上述4種指標作為衡量極端天氣的標準，滿足任意條件即可認定為極端天氣。

3.1.2 天氣篩選

通過上述對天氣類型的定義，將無天氣狀況的天氣設(shè)定為正常天氣，并以此為基礎(chǔ)對天氣數(shù)據(jù)進行篩選。篩選過程中，天氣數(shù)據(jù)滿足上述任意指標，就可直接完成選定。對氣象數(shù)據(jù)庫中的數(shù)據(jù)進行重復篩選，直至找出數(shù)據(jù)庫中天氣數(shù)據(jù)。

3.2 建立決策樹

設(shè)定預測器空間為X，X={X1，X2，…，Xp}，非重疊區(qū)域為R，R={R1，R2，…，RJ}。在非重疊區(qū)域RJ中，可以對樣本數(shù)據(jù)進行預測，并通過預測獲取樣本數(shù)據(jù)預測均值。劃分J個非重疊區(qū)域時，預測器[10]區(qū)域需要整合為高維度矩形，并使用下式尋找最小化矩形

(4)

3.3 自舉集成

構(gòu)建一個系列的預測函數(shù)，通過整合建立組合預測函數(shù)，自舉集成過程中需要使用相對活躍的分類方法，整個流程如下：

1)將輸入樣本集標記為D，且D={(x1，y1)，(x2，y2)，…，(xn，yn)}，分類器迭代次數(shù)標記為T，輸出的強分類為f(x)。

當t=1，2，…，T時，通過對訓練數(shù)據(jù)集的隨機采樣，訓練弱學習器Gt(x)。

2)使用回歸算法計算弱學習器的回歸結(jié)果。

3.4 建立預測模型

根據(jù)隨機森林法[11]，建立交通流預測模型。在極端天氣下，可將交通流預測轉(zhuǎn)化為回歸問題，依照隨機森林的回歸要求，設(shè)定決策樹為回歸樹，利用最小的均方差原則，將交通流的特征進行劃分，通過對應(yīng)的分割點s將輸入樣本集劃分成D1和D2兩部分，并獲取二者的最小均方差，過程如下式所示

(5)

式中，D1和D2的輸出均值分別為c1和c2，均值誤差標記為yi。

最后通過隨機森林中所有樹的預測值，完成危險彎坡組合路段的交通流預測。建立的預測模型如圖2所示。

圖2 交通流預測模型

3.5 預測流程

基于隨機森林[12]預測模型的危險彎坡組合路段的交通流預測流程如下：

1)讀取極端天氣數(shù)據(jù)，將極端天氣的決定因素作為預測模型的輸入變量。

2)劃分危險彎坡組合路段，獲取各區(qū)域段的交通流數(shù)據(jù)量。

3)根據(jù)模型的輸出結(jié)果獲取固定區(qū)域的交通流數(shù)據(jù)量，通過整合實現(xiàn)極端天氣行車危險彎坡組合路段的交通流預測。

4 實驗

為了驗證上述交通流預測方法的整體有效性，需要對此方法進行測試。

分別采用極端天氣下行車危險彎坡組合路段交通流預測(方法1)、基于時空節(jié)點選擇和深度學習的城市道路短時交通流預測(方法2)、基于數(shù)據(jù)約減和支持向量機的非參數(shù)回歸短時交通流預測算法(方法3)進行測試；

1)預測精度

在進行極端天氣行車危險彎坡組合路段交通流預測時，預測誤差的高低會直接影響交通流預測精度。將均方誤差和平均絕對誤差作為誤差測試指標，采用方法1、方法2以及方法3對交通流進行預測時，對三種預測方法的預測誤差進行測試，測試結(jié)果如圖3所示。

圖3 不同預測方法的預測誤差測試結(jié)果

隨著車輛總數(shù)的不斷增加，三種交通流預測方法的預測誤差都出現(xiàn)了不同程度地提升趨勢。分析圖3(a)可知，三種預測方法自檢測初期就出現(xiàn)較大差距，本文方法的預測均方誤差檢測結(jié)果較為理想，方法2略微高于本文方法，方法3的均方誤差檢測效果最差。而在圖3(b)中，本文方法檢測出的平均絕對誤差依然低于其它兩種方法，由此可知，本文方法在進行交通流預測時的預測誤差小。

2)預測時間

交通流預測過程中，預測時間的長短會對預測效果帶來影響。選取大霧、強風兩種極端天氣，采用方法1、方法2以及方法3進行交通流預測時，對三種預測方法的預測時間進行測試，測試結(jié)果如圖4所示。

圖4 不同預測方法的預測時間測試結(jié)果

分析圖4可知，大霧天氣下，三種預測方法的預測時間要高于強風天氣下的預測時間。在圖4(a)中，當汽車數(shù)量在40輛時，本文方法與方法2檢測出的預測時間一致，且與方法3的差距較小，隨著汽車數(shù)量的增加，三種預測方法逐漸拉開距離。這主要是因為本文方法在進行交通流預測前，修復了該路段的線形數(shù)據(jù)，所以本文方法在進行交通流預測時的預測時長較短。

綜上所述，本文方法在進行極端天氣行車危險彎坡組合路段的交通流預測時的預測精度高、預測時長短。

5 結(jié)束語

隨著我國經(jīng)濟水平的提升，公路交通系統(tǒng)發(fā)展迅速，交通事故、擁擠等問題加劇，并一度成為全球交通的難題之一，有效的交通流預測方法可以有效地降低事故的發(fā)生概率。針對傳統(tǒng)交通流預測方法中存在的問題，提出極端天氣下行車危險彎坡組合路段交通流預測方法。該方法首先對極端天氣行車危險彎坡組合路段的線形數(shù)據(jù)進行修復，通過修復結(jié)果建立交通流預測模型，最后通過預測模型實現(xiàn)極端天氣行車危險彎坡組合路段交通流預測。由于該方法在建立決策樹時存在一定缺陷，今后需針對該缺陷繼續(xù)對該方法進行進一步優(yōu)化。