基于門架和收費站數(shù)據(jù)的高速公路交通擁堵預(yù)測模型

基金項目：2022年橫向課題“廣西高速公路交通擁堵防治智能決策系統(tǒng)”（編號：GXHS-2022-016）；2021年廣西交通職業(yè)技術(shù)學(xué)院重點科研項目“廣西高速公路交通擁堵防治的研究與應(yīng)用”（編號：JZY2021KAZ05）；廣西高校中青年教師科研基礎(chǔ)能力提升項目“大數(shù)據(jù)背景下道路運輸安全風(fēng)險預(yù)警平臺研究與應(yīng)用”（編號：2022KY1122）；“基于‘AI視覺+機(jī)器學(xué)習(xí)’的交通場景應(yīng)用研究”（編號：2023KY1157）

作者簡介：林立春（1974—），碩士，副教授，研究方向：計算機(jī)應(yīng)用技術(shù)和大數(shù)據(jù)技術(shù)。

摘要：基于門架和收費站大數(shù)據(jù)的特征維數(shù)不高、數(shù)據(jù)量大、擁堵預(yù)測為模糊預(yù)測等特點，文章選擇支持向量回歸（SVR）方法作為交通擁堵預(yù)測算法并加以優(yōu)化研究。通過研究和實踐表明，利用ETC門架和收費站數(shù)據(jù)能夠準(zhǔn)確地獲取高速公路區(qū)間平均車速、交通流量等信息，利用合適的模型能夠較為準(zhǔn)確地預(yù)測未來的擁堵狀態(tài)。

關(guān)鍵詞：高速公路；交通擁堵；預(yù)測；門架；SVR

中圖分類號：U491.1⁺4

0 引言

隨著我國高速公路里程、機(jī)動車保有量和交通運輸業(yè)務(wù)的增加，高速公路的交通擁堵也越來越嚴(yán)重。而全國高速公路ETC門架（以下簡稱門架）系統(tǒng)早在2019年底已完成23 974個，占比99.99%。門架產(chǎn)生的監(jiān)測數(shù)據(jù)以及眾多的收費站數(shù)據(jù)，將其脫敏后，利用大數(shù)據(jù)分析等算法，可以科學(xué)地預(yù)測道路的擁堵程度。出行者可據(jù)此合理安排時間和路線，提高出行效率和經(jīng)濟(jì)效益，降低安全事故隱患，減少污染，節(jié)約寶貴的時間^［1］。

基于門架和收費站大數(shù)據(jù)的特征維數(shù)不高、數(shù)據(jù)量大、擁堵預(yù)測為模糊預(yù)測等特點，文章選擇支持向量回歸（Support vector regression，簡稱SVR）方法作為交通擁堵預(yù)測算法并加以優(yōu)化。

1 支持向量回歸理論

SVR方法認(rèn)為預(yù)測值與實際值偏差不大即認(rèn)為預(yù)測正確，不用計算損失，只有當(dāng)超出范圍時才計算損失，這極大地減少了數(shù)據(jù)的計算，尤其是復(fù)雜數(shù)據(jù)的計算，正符合交通擁堵預(yù)測的需求。

回歸預(yù)測模型SVR的預(yù)測輸出值f（x）的一般公式如式（1）所示。

f（x）=w^Tx+b""" （1）

式中：w——法向量；

b——位移項。

僅當(dāng)預(yù)測值與實測值y_i偏差大于ε時，即|f（x_i）-y_i|gt;ε時才計算損失，ε的計算如式（2）所示。

s.t.f（x_i）-y_i≤ε+ξ_iy_i-f（x_i）≤ε+ξ^*_iξ_igt;0，ξ^*_igt;0，i=1，2，…，N

式中：ξ_i和ξ^*_i——松弛變量，即允許少數(shù)樣本不落在以y_i為中心兩側(cè)ε寬的間隔帶內(nèi)；

C——懲罰函數(shù)。

定義拉格朗日函數(shù)如式（3）所示。

式中，μ_i≥0，μ^_i≥0，α_i≥0，α^_i≥0為拉格朗日乘子。根據(jù)拉格朗日對偶性得到：

假如解為α^*=（α^*₁，α^*₂，…，α^*_N），在α^^*=（α^^*₁，α^^*₂，…，α^^*_N）^T中找出α^*_j∈α^*且滿足Cgt;α^*_jgt;0，則有：

由此得出模型輸出的預(yù)測值f（x）為：

式中，K（x，x_i）為核函數(shù)，通過試驗對比，選擇了徑向基核函數(shù)，如公式（7）所示。

σ為核帶寬參數(shù)，取值對預(yù)測效果有一定的影響。

2 擁堵預(yù)測模型

依據(jù)高速公路基本服務(wù)水平分析指標(biāo)與分級標(biāo)準(zhǔn)，文章將區(qū)間平均車速作為擁堵判斷指標(biāo)，共劃分6個交通擁堵狀況等級^［2］，如表1所示。

2.1 預(yù)測模型整體架構(gòu)

建立SVR交通擁堵預(yù)測模型，整體架構(gòu)如圖1所示。先抽取特征，對特征數(shù)據(jù)降噪，并進(jìn)行歸一化處理，將歸一化后的數(shù)據(jù)集分為訓(xùn)練樣本集和預(yù)測樣本集，利用式（1）中的SVR算法進(jìn)行預(yù)測，根據(jù)上一預(yù)測周期的預(yù)測數(shù)據(jù)與實測數(shù)據(jù)的誤差，進(jìn)行修正計算本輪預(yù)測結(jié)果，評估模型，優(yōu)化參數(shù)，同時更新樣本集，逆歸一化，輸出結(jié)果。

2.2 抽取特征

目前，ETC門架、交調(diào)站、高清卡口、視頻監(jiān)控和浮動車數(shù)據(jù)等已覆蓋全國90%以上高速公路，廣西已全區(qū)覆蓋。將門架數(shù)據(jù)、收費站數(shù)據(jù)等多源數(shù)據(jù)進(jìn)行數(shù)據(jù)融合與清洗，脫敏后即可為高速路擁堵預(yù)防使用。例如對門架數(shù)據(jù)抽取如表2所示的特征。

2.3 降噪

如果某個特征中包含了大量的噪聲數(shù)據(jù)，結(jié)果會在一定程度上影響預(yù)測模型的魯棒性?；诂F(xiàn)實中高速公路上有個別車輛在服務(wù)區(qū)停車、路上拋錨、事故、數(shù)據(jù)缺失、識別異常等情況，表現(xiàn)為趨于分散、能量較小的噪聲，采用陳淑燕等^［3］等利用小波變換的方法可達(dá)到較滿意的降噪效果。

2.4 歸一化

交通流時間序列數(shù)據(jù)是隨機(jī)序列，若未歸一化，一來學(xué)習(xí)率大，二來收斂速度慢。對數(shù)據(jù)采用極差標(biāo)準(zhǔn)化歸一方法，將特征映射到［0，1］區(qū)間內(nèi)，如式（8）所示。

式中： x^*_i——第i個數(shù)據(jù)x_i的歸一化數(shù)據(jù)；

x_max和x_min——最大和最小值^［4］。

2.5 預(yù)測模型優(yōu)化

2.5.1 預(yù)測結(jié)果的修正計算

設(shè)時間窗步長為S，當(dāng)預(yù)測出t+1時刻的值之后，要增減一個修正量。修正量δ_t+1的計算如式（9）所示。

即取距離預(yù)測時刻t+1最近的t-S+1，t-S+2，…，t等時刻的實測值與預(yù)測值差值的平均值為修正量。目的是使預(yù)測值的曲線更加貼近或圍繞實測值的曲線發(fā)展，使預(yù)測值進(jìn)一步逼近實測值，提高預(yù)測準(zhǔn)確度。實測值獲取方法見2.5.2。

2.5.2 平均車速實測值的計算

通過研究表2的數(shù)據(jù)內(nèi)容可發(fā)現(xiàn)，利用“vehicleSpeed”、“transTime”等多個數(shù)據(jù)可獲取統(tǒng)計周期內(nèi)（15 min、0.5 h、1 h……）每輛車的行駛速度，進(jìn)而得出統(tǒng)計周期（時間窗）內(nèi)的門架附近的平均車速v_s，如式（10）所示。

式中：v_i——第i輛車行駛速度；

n——統(tǒng)計周期內(nèi)通過門架的車輛總數(shù)，即交通流量。

收費站附近的交通流量Q通過收費數(shù)據(jù)很容易統(tǒng)計，但是統(tǒng)計收費站附近的平均車速v_s較難。為計算收費站附近的v_s，可以根據(jù)公式Q=Kv_s計算得出。Q為交通流量由收費數(shù)據(jù)得出，K為平均車流密度。因為K的采集難度較大，一般用時間占有率近似地表示K，計算公式如式（11）所示。

Occupancy=∑Δt_i/T""" （11）

式中：occupancy——時間占有率（%）；

Δt_i——第i輛車占用檢測器的時間（s）；

T——觀測時間段的長度（s）。

得出K后，通過Q=Kv_s近似地計算出收費站附近的平均車速。

在得出統(tǒng)計周期內(nèi)門架和收費站平均車速之后，結(jié)合門架數(shù)據(jù)“gantryId”的GPS位置可知高速公路各個區(qū)間段的實時平均車速v_s和交通流量Q。

2.5.3 SVR參數(shù)的優(yōu)化

SVR預(yù)測中，影響預(yù)測結(jié)果的參數(shù)有C、ε和σ三個。針對于式（6）、式（7）所示的預(yù)測函數(shù)，主要是調(diào)整核帶寬參數(shù)σ，以期達(dá)到預(yù)測的最優(yōu)解。

在試驗中，閾值范圍為0.01～0.618，初始為0.1。實際應(yīng)用時可在每日凌晨3：00-5：00（也可設(shè)置為每周、每月優(yōu)化一次SVR參數(shù)）服務(wù)器負(fù)載最低的時段將前一天或前一周的歷史數(shù)據(jù)，通過差分灰狼優(yōu)化（Differential Evolution-Grey Wolf Optimizer，DE-GWO）算法^［5］計算出每條高速公路的K個認(rèn)為比較理想的SVR參數(shù)，并記錄每個參數(shù)對應(yīng)的均方根誤差（RMSE），作為接下來預(yù)測時使用的備選SVR參數(shù)。

在新的預(yù)測中，例如預(yù)測t+1時間的擁堵情況時，t時間的實測值已經(jīng)計算得出，計算t時間的預(yù)測值和實測值之間的RMSE，如果RMSE小于或等于該參數(shù)的最小誤差，更新最小誤差，且繼續(xù)使用該參數(shù)，并將該參數(shù)的使用次數(shù)+1；如果RMSE在允許范圍內(nèi)，仍繼續(xù)使用該參數(shù)，并將該參數(shù)的使用次數(shù)+1；如果RMSE誤差較大超過允許范圍，繼續(xù)判斷預(yù)測值偏大還是偏小。如果偏大，從備選參數(shù)中選擇當(dāng)前參數(shù)的近鄰參數(shù)，該近鄰參數(shù)應(yīng)該同樣使得產(chǎn)生的預(yù)測值比實測值偏大，且使用次數(shù)是最大的；如果偏小，從另一側(cè)選擇使用次數(shù)最大的近鄰參數(shù)。循環(huán)往復(fù)下去，目的是選擇“最優(yōu)”參數(shù)。

2.5.4 循環(huán)滾動更新樣本集

循環(huán)滾動預(yù)測的原理是在數(shù)據(jù)長度保持不變的情況下，對訓(xùn)練樣本集、預(yù)測樣本集循環(huán)滾動地加入新的數(shù)據(jù)，剔除舊的數(shù)據(jù)。這種不斷向前更新數(shù)據(jù)集建立的數(shù)據(jù)序列能更好地反映出高速公路狀態(tài)的最新特征，體現(xiàn)出訓(xùn)練樣本集、預(yù)測樣本集的動態(tài)變化。因更改了樣本集，故動態(tài)數(shù)據(jù)集還在一定程度上解決了過擬合的問題。實施過程為：

設(shè)定時間窗步長為S，則輸入數(shù)據(jù)為X={X₁，X₂，…，X_S}，這里X_i={d_i，d_i+1，…，d_N-S+p-1}，1≤i≤S;i，S∈N。實測對比數(shù)據(jù)為Y={Y₁，Y₂，…，Y_S}，Y_i={d_i+1，d_i+2，…，d_N-S+p}。下一個時間窗X_i從d_i+1開始，Y_i則從d_i+2開始，循環(huán)向前滾動，不停地預(yù)測下一時段的交通狀態(tài)。

2.6 輸出預(yù)測結(jié)果

在預(yù)測得出區(qū)間平均車速v_s后，即可建立每個門架以及收費站所處區(qū)域的速度演變趨勢圖。當(dāng)v_s連續(xù)兩個周期低于65 km/h時，可通過相關(guān)管控平臺軟件進(jìn)行擁堵預(yù)警（管控平臺面向管理者，還可通過公眾號或App面向出行者），并提醒管理者及時介入，主動預(yù)防可能出現(xiàn)的更大擁堵^［6］。

3 結(jié)果表征

基于上述預(yù)測算法，選擇南寧東至六景西樞紐高速公路段進(jìn)行預(yù)測與實測，得到預(yù)測的平均車速與實測的平均車速，如圖2所示，表3為對應(yīng)的預(yù)測與后來計算得出的實測數(shù)據(jù)。此實驗數(shù)據(jù)統(tǒng)計周期為60 min，即預(yù)測未來1 h內(nèi)的擁堵情況。圖2中虛線為實測值，實線為預(yù)測值。當(dāng)出現(xiàn)交通流突變時，誤差略微增大?？傮w情況是預(yù)測值圍繞實測值上下波動，預(yù)測精度較為理想。

在誤差分析中采用常見的重要指標(biāo)有：平均絕對誤差（MAE）和均方根誤差（RMSE）。和常見的支持向量機(jī)（SVM）、長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）進(jìn)行對比，發(fā)現(xiàn)本文經(jīng)過優(yōu)化后的SVR預(yù)測精度最高。預(yù)測誤差對比如表4所示。

4 結(jié)語

通過研究和實踐表明，利用ETC門架和收費站數(shù)據(jù)能夠準(zhǔn)確地獲取高速公路區(qū)間平均車速、交通流量等信息，利用合適的模型能夠較為準(zhǔn)確地預(yù)測未來的擁堵狀態(tài)。

非門架附近的區(qū)域，在具有方便獲取浮動車相關(guān)GPS數(shù)據(jù)的情況下，同樣適用于本研究方法。

上述預(yù)測算法主要針對常發(fā)性擁堵，當(dāng)遇到交通事故等不可預(yù)測的偶發(fā)性擁堵時，算法具有較大的滯后性。解決辦法是車主第一時間報警，交警及時把數(shù)據(jù)反饋給平臺、公眾號、APP或高速公路管理部門，做出下一步擁堵預(yù)防措施。例如，全國已有部分高速公路交警支隊和百度地圖、高德地圖等相關(guān)方合作，及時反饋交通擁堵情況，以防止更嚴(yán)重、更大范圍的交通擁堵。此法已試行較長一段時間，效果較好。而且，隨著北斗衛(wèi)星精確定位的普及，還可以通過浮動車數(shù)據(jù)獲取偶發(fā)性擁堵情況。

其他諸如極端天氣、泥石流、塌方等自然災(zāi)害，或者臨時養(yǎng)護(hù)、交通稽查等造成的偶發(fā)性擁堵，需要管理者通過天氣預(yù)報、作業(yè)申請和管理部門的通知等信息及時地預(yù)警及管控。重大節(jié)假日亦應(yīng)通過算法預(yù)測和人工介入進(jìn)行擁堵預(yù)防，以實現(xiàn)較好的擁堵防治效果。

擁堵預(yù)防不僅從微觀上能夠帶來減少用時、節(jié)約經(jīng)濟(jì)、綠色環(huán)保等好處；從宏觀上來看，還可深度融入“一帶一路”，加快城鎮(zhèn)化進(jìn)程，構(gòu)建智能、平安、綠色、共享的現(xiàn)代化綜合交通體系，協(xié)助相關(guān)部門實現(xiàn)道路智能化管理，提高交通科學(xué)治理和服務(wù)水平，助力建設(shè)交通強(qiáng)國。

參考文獻(xiàn)

［1］林立春，洪 東，劉 華.基于大數(shù)據(jù)分析和多模融合的交通擁堵高效預(yù)測技術(shù)［J］.西部交通科技，2021（7）：151-155.

［2］黃承鋒.基于改進(jìn)GA算法的高速公路交通擁堵狀況預(yù)測［J］.吉林大學(xué)學(xué)報（信息科學(xué)版），2022（3）：198-205.

［3］陳淑燕，王 煒，李文勇.實時交通數(shù)據(jù)的噪聲識別和消噪方法［J］.東南大學(xué)學(xué)報（自然科學(xué)版），2006（3）：322-325.

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

［5］鄭曉亮，陳華亮，來文豪.參數(shù)優(yōu)化的SVR移動網(wǎng)絡(luò)流量預(yù)測［J］.計算機(jī)應(yīng)用與軟件，2022（9）：278-284.

［6］王 健.基于ETC系統(tǒng)數(shù)據(jù)的高速公路主動管控建設(shè)探討［J］.中國交通信息化，2020，251（12）：99-101.

收稿日期：2023-03-30