基于交通小區(qū)短時(shí)交通生成預(yù)測的城市道路網(wǎng)短時(shí)動態(tài)交通預(yù)測研究?

沈玲宏 趙 顗 王祉祈

（1.蘇州建設(shè)交通高等職業(yè)技術(shù)學(xué)校軌道交通工程系 蘇州 215009）

（2.南京林業(yè)大學(xué)汽車與交通工程學(xué)院 南京 210037）

1 引言

隨著智能化的推進(jìn)，各國在針對緩解城市交通擁堵這一問題上提出不同解決方案。其中智能交通應(yīng)用最為廣泛，其要求能夠準(zhǔn)確預(yù)測實(shí)時(shí)的交通流，這對交通控制和交通誘導(dǎo)有重要促進(jìn)作用，幫助管控人員提前了解道路交通變化狀況，及時(shí)給出主動管理方案［1］，在提前發(fā)布路網(wǎng)狀態(tài)信息、識別交通擁堵瓶頸及調(diào)整信號控制方案等方面起到了重要作用［2］。

短時(shí)交通預(yù)測模型在近幾十年的研究進(jìn)展中，根據(jù)模型理論基礎(chǔ)和引入平臺不同可將其分為基于統(tǒng)計(jì)分析的預(yù)測模型、基于非線性理論的預(yù)測模型、基于仿真的預(yù)測模型、基于知識發(fā)現(xiàn)的智能預(yù)測模型、基于混合理論的組合預(yù)測模型五大類［3～4］。楊高飛［5］提出ARIMA 和卡爾曼濾波組合模型，考慮兩模型具有一定的互補(bǔ)性，提高短時(shí)交通流預(yù)測的精度。王曉全［6］基于線性遞歸的ARIMA 模型和非線性遞歸的廣義回歸條件異方差-均值模型，提出了一種組合式短時(shí)預(yù)測模型。Zhang［7］將人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于短時(shí)交通流預(yù)測中。Zhang［8］引入頻譜分析技術(shù)分析交通流周期性趨勢，使用ARIMA 模型與GJR-GARCH 模型混合的模型提高預(yù)測性能。Shang Qiang［9］提出奇異頻譜分析（SSA）和核極限學(xué)習(xí)機(jī)（KELM）的混合預(yù)測模型，使用SSA 對交通流數(shù)據(jù)降噪，再用消噪后的數(shù)據(jù)訓(xùn)練KELM 模型，該組合預(yù)測模型性能優(yōu)于著名的單個(gè)預(yù)測模型。

城市道路網(wǎng)的短時(shí)交通流受到路網(wǎng)結(jié)構(gòu)、信號控制等多方面的影響，導(dǎo)致城市道路網(wǎng)短時(shí)交通的波動性較強(qiáng)，短時(shí)預(yù)測精度較低［10～11］。其中，交通小區(qū)的短時(shí)生成交通量是引發(fā)城市道路路網(wǎng)短時(shí)交通總量變化和波動性的根本原因。因此，本文對城市路網(wǎng)進(jìn)行交通小區(qū)劃分，采集各交通小區(qū)的生成交通量，并對各交通小區(qū)生成交通量進(jìn)行短時(shí)生成預(yù)測，結(jié)合動態(tài)交通分配實(shí)現(xiàn)路網(wǎng)短時(shí)交通預(yù)測。

2 數(shù)據(jù)采集及基本特征分析

根據(jù)高清卡口檢測設(shè)備采集到的卡口過車信息，獲取車輛的完整出行路徑和出行起終點(diǎn)，以15min 為周期統(tǒng)計(jì)連續(xù)八天每個(gè)交叉口的發(fā)生和吸引交通量。將每個(gè)交通小區(qū)內(nèi)所有交叉口采集的數(shù)據(jù)匯總，得到每個(gè)交通小區(qū)連續(xù)八天每15min發(fā)生和吸引的交通量。

統(tǒng)計(jì)每個(gè)卡口采集到的交通量數(shù)據(jù)，經(jīng)預(yù)處理后得到研究范圍內(nèi)的每個(gè)交通小區(qū)的時(shí)間序列交通量，任選兩個(gè)交通小區(qū)采集到的交通量進(jìn)行分析，如圖1、圖2所示。

圖1 號交通小區(qū)發(fā)生和吸引交通量時(shí)間分布圖

圖2 號交通小區(qū)發(fā)生和吸引交通量時(shí)間分布圖

通過對連續(xù)8 天的交通量統(tǒng)計(jì)分析，可以發(fā)現(xiàn)交通量變化呈現(xiàn)明顯的周期性。1 號交通小區(qū)，發(fā)生交通量在7：30～8：30 出現(xiàn)早高峰，吸引交通量在17：00～18：00 出現(xiàn)晚高峰，與居民上班和下班時(shí)間相一致。2 號交通小區(qū)周圍為居住和教育用地，發(fā)生交通量在7：30～8：30 出現(xiàn)早高峰，15：30～17：00出現(xiàn)晚高峰；吸引交通量在7：00～8：30 出現(xiàn)早高峰，15：30～17：30 出現(xiàn)晚高峰，早高峰吸引交通量為發(fā)生交通量的1.7 倍，高峰時(shí)間持續(xù)較長與周邊教育用地錯峰放學(xué)相一致。

3 組合預(yù)測模型構(gòu)建

3.1 基礎(chǔ)理論介紹

3.1.1 小波變換理論

小波變換以傅里葉變換為基礎(chǔ)，對函數(shù)或信號進(jìn)行平移、縮放等操作，以獲得更好的信號特征信息［12］?，F(xiàn)今小波分析被廣泛地應(yīng)用于信號分解處理、圖像處理、語音識別等領(lǐng)域。常見的小波函數(shù)有Haar 小波、Daubechies 小波、Gaus 小波等。通過對比分析確定本研究采用Daubechies 小波，簡稱dbN。該小波具有較好的正則性，其特點(diǎn)是隨階次N 的增大消失矩階數(shù)越大，其中消失矩越高光滑性就越好，頻域的局部化能力就越強(qiáng)，頻帶的劃分效果越好，但是會使時(shí)域緊支撐性減弱，同時(shí)計(jì)算量大大增加，實(shí)時(shí)性變差。

3.1.2 神經(jīng)網(wǎng)絡(luò)理論

神經(jīng)網(wǎng)絡(luò)通過模擬人腦學(xué)習(xí)過程，進(jìn)行分布式并行信息處理的抽象算法數(shù)學(xué)模型［13］。神經(jīng)網(wǎng)絡(luò)種類主要包括BP 神經(jīng)網(wǎng)絡(luò)、徑向基（RBF）神經(jīng)網(wǎng)絡(luò)、感知器神經(jīng)網(wǎng)絡(luò)等［14］。其中，BP 神經(jīng)網(wǎng)絡(luò)又稱誤差反向傳播網(wǎng)絡(luò)，具有自學(xué)習(xí)、自適應(yīng)的特點(diǎn)，能以任意精度逼近非線性關(guān)系，在神經(jīng)網(wǎng)絡(luò)中應(yīng)用廣泛，且BP 神經(jīng)網(wǎng)絡(luò)是智能預(yù)測模型中較為成熟的預(yù)測方法［15］。因此，本文選用BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測模型。

3.1.3 動態(tài)交通分配

動態(tài)交通分配模型是建立在已知城市交通需求狀態(tài)、出行行為和交通流理論的基礎(chǔ)上，用來描述和預(yù)測城市路網(wǎng)上的時(shí)變交通流的模型，不僅能描述OD需求矩陣隨時(shí)間變化的特征，還能更真實(shí)、準(zhǔn)確地描述城市路網(wǎng)中各種交通流現(xiàn)象［16］。根據(jù)wardrop 原理，動態(tài)交通分配模型可分為動態(tài)系統(tǒng)最優(yōu)模型和動態(tài)用戶最優(yōu)模型。兩種模型分別從管理者和出行者的角度考慮，預(yù)測出行時(shí)間和出行費(fèi)用最少的交通狀態(tài)［17～18］。

3.2 組合預(yù)測模型

根據(jù)組合方式的不同可將小波神經(jīng)網(wǎng)絡(luò)分為順序式小波神經(jīng)網(wǎng)絡(luò)和嵌入式小波神經(jīng)網(wǎng)絡(luò)兩大類。其中順序式小波神經(jīng)網(wǎng)絡(luò)通過設(shè)置不同的N值對交通小區(qū)的生成交通量進(jìn)行分析，當(dāng)N取值為4 時(shí)交通生成量可以獲得較好分解效果［19］。本文分別采用兩種不同組合方式的小波神經(jīng)網(wǎng)絡(luò)對交通小區(qū)生成交通量進(jìn)行短時(shí)預(yù)測，預(yù)測結(jié)果顯示嵌入式小波神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果明顯優(yōu)于順序式小波神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果，且嵌入式小波神經(jīng)網(wǎng)絡(luò)能夠適用于不同用地性質(zhì)的交通小區(qū)，操作過程更為簡單。

因此，本文中選用嵌入式小波神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型對交通小區(qū)生成交通量進(jìn)行預(yù)測，得到每個(gè)交通小區(qū)未來時(shí)間段生成交通量，并對小區(qū)預(yù)測的生成交通量進(jìn)行均衡。將路網(wǎng)交通出行總量與動態(tài)交通分配模型相結(jié)合，利用Frank-Wolfe 算法求解動態(tài)交通分配模型。在求解過程中，外部循環(huán)為路段阻抗函數(shù)不斷更新的過程，內(nèi)部循環(huán)為算法重復(fù)迭代的過程。利用F-W 算法求解路網(wǎng)動態(tài)分配模型的流程如圖3所示。

圖3 F-W算法求解動態(tài)交通分配模型邏輯圖

4 城市路網(wǎng)短時(shí)動態(tài)交通預(yù)測實(shí)驗(yàn)

4.1 評價(jià)指標(biāo)選擇

為更好地反映預(yù)測模型的準(zhǔn)確性，本文將選用均方誤差（MSE）和平均絕對百分比誤差（MAPE）來計(jì)算真實(shí)值Yactual和預(yù)測值Ypredict之間的誤差。MSE和MAPE的具體表達(dá)式如下：

式中，MSE為均方誤差；MAPE為平均絕對百分誤差；Yactual、Ypredict為真實(shí)值和預(yù)測值；n為預(yù)測次數(shù)。

4.2 實(shí)驗(yàn)參數(shù)設(shè)置

4.2.1 組合預(yù)測模型

為驗(yàn)證在城市路網(wǎng)中采用F-W 算法求解動態(tài)用戶均衡模型的有效性，本文根據(jù)道路的實(shí)際情況進(jìn)行城市路網(wǎng)建模，對路網(wǎng)中各路段屬性進(jìn)行標(biāo)定。為了便于觀察路網(wǎng)信息，對路網(wǎng)中交叉口和路段重新進(jìn)行編號。

對選擇的路網(wǎng)區(qū)域進(jìn)行交通小區(qū)劃分，將區(qū)域劃分為11 個(gè)交通小區(qū)，每個(gè)交通小區(qū)包含的節(jié)點(diǎn)號及早晚高峰時(shí)間段原始生成交通量如表1 所示。將11 個(gè)交通小區(qū)的生成交通量采用嵌入式小波神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型進(jìn)行短時(shí)交通預(yù)測，均衡預(yù)測的小區(qū)生成交通量，采用F-W 算法求解動態(tài)用戶均衡模型，對城市路網(wǎng)中劃分的11 個(gè)交通小區(qū)的OD交通量進(jìn)行交通分配。

表1 交通小區(qū)節(jié)點(diǎn)及高峰時(shí)段原始生成交通量表

4.2.2 BP神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)包括輸入層、輸出層和隱含層。本文使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測城市路網(wǎng)短時(shí)交通流，主要設(shè)置的參數(shù)如下：

1）時(shí)間相關(guān)性設(shè)置：使用時(shí)間序列交通流預(yù)測方法，將預(yù)測時(shí)間段的前4 個(gè)時(shí)間段統(tǒng)計(jì)的交通流數(shù)據(jù)作為輸入數(shù)據(jù)。

2）隱含層及神經(jīng)元數(shù)量設(shè)置：設(shè)置為一個(gè)隱含層，隱含層神經(jīng)元數(shù)量通過訓(xùn)練與測試確定最佳個(gè)數(shù)，設(shè)置神經(jīng)元數(shù)量可變范圍為[5 ，15] 。

3）學(xué)習(xí)函數(shù)設(shè)置：對比篩選設(shè)置隱含層和輸出層傳輸函數(shù)為tansig，訓(xùn)練函數(shù)為traingdx，權(quán)重學(xué)習(xí)函數(shù)為learngdm。

4）學(xué)習(xí)質(zhì)量控制參數(shù)設(shè)置：訓(xùn)練次數(shù)為1000，學(xué)習(xí)率為0.001，訓(xùn)練目標(biāo)誤差為1e-7。

4.3 實(shí)驗(yàn)結(jié)果分析

4.3.1 組合預(yù)測模型預(yù)測結(jié)果分析

采用嵌入式小波神經(jīng)網(wǎng)絡(luò)對11 個(gè)交通小區(qū)生成交通量進(jìn)行短時(shí)預(yù)測，預(yù)測結(jié)果如表1 中預(yù)測發(fā)生和吸引交通量所示。將預(yù)測生成交通量進(jìn)行交通分配，分別對城市路網(wǎng)中42 個(gè)主次干道路段的交通量進(jìn)行統(tǒng)計(jì)，基于交通小區(qū)預(yù)測生成交通量分配結(jié)果統(tǒng)計(jì)的早晚高峰路段雙向交通流總和如表2和表3中分配交通量所示。

表2 7：30主次干道路段預(yù)測交通量

表3 17：00主次干道路段預(yù)測交通量

表4 交通小區(qū)原始/預(yù)測生成交通量分配預(yù)測結(jié)果

將路網(wǎng)中各路段分配得到的交通量與路段采集的真實(shí)交通量進(jìn)行對比，提取路網(wǎng)交通量的預(yù)測精度。在早高峰時(shí)間段預(yù)測均方誤差為253.36，其精度可達(dá)90%；晚高峰時(shí)間段預(yù)測均方誤差相對較大為863.54，其精度相對較低為86%。

4.3.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果分析

根據(jù)BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型參數(shù)的設(shè)置，對路網(wǎng)中各路段數(shù)據(jù)進(jìn)行建模分析。本文控制隱含層節(jié)點(diǎn)個(gè)數(shù)分別對路網(wǎng)中各路段的交通量進(jìn)行訓(xùn)練和預(yù)測，選擇預(yù)測精度最高的預(yù)測結(jié)果進(jìn)行分析。路網(wǎng)中各路段在早晚高峰時(shí)間段預(yù)測結(jié)果如表2和表3中BP預(yù)測交通量所示。

4.3.3 預(yù)測結(jié)果對比分析

用兩種不同預(yù)測模型對城市路網(wǎng)進(jìn)行短時(shí)動態(tài)交通預(yù)測。第一組預(yù)測模型是將交通小區(qū)的生成交通量采先用嵌入式小波神經(jīng)網(wǎng)絡(luò)組合模型進(jìn)行短時(shí)預(yù)測，再將預(yù)測的交通小區(qū)生成交通量使用動態(tài)交通分配模型進(jìn)行分配，以此實(shí)現(xiàn)路網(wǎng)的短時(shí)動態(tài)交通預(yù)測；第二組預(yù)測模型是構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)短時(shí)交通預(yù)測模型，將前七天的數(shù)據(jù)用來訓(xùn)練模型，第八天的數(shù)據(jù)用于測試模型。采用兩種不同預(yù)測模型對路網(wǎng)交通量進(jìn)行預(yù)測，早晚高峰時(shí)間段預(yù)測結(jié)果分別如圖4所示。

圖4 早高峰7：30與晚高峰17：00路網(wǎng)短時(shí)交通預(yù)測對比圖

5 結(jié)語

針對兩組不同的預(yù)測模型對城市路網(wǎng)進(jìn)行了短時(shí)交通流預(yù)測，并結(jié)合早晚高峰時(shí)段路網(wǎng)短時(shí)交通預(yù)測結(jié)果，可以得出以下結(jié)論：

1）將交通小區(qū)生成交通量先進(jìn)行短時(shí)預(yù)測，再將預(yù)測的小區(qū)生成交通量進(jìn)行動態(tài)交通分配得到的預(yù)測結(jié)果比單獨(dú)依靠歷史數(shù)據(jù)使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測的精度要高。

2）以MSE 為評價(jià)指標(biāo)，基于交通小區(qū)預(yù)測生成交通量的分配預(yù)測結(jié)果明顯高于BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果，最大提升幅度達(dá)到84%。

3）以MAPE 為評價(jià)指標(biāo)，兩種分配預(yù)測精度均可達(dá)到80%以上，但基于小區(qū)預(yù)測生成交通量分配預(yù)測的精度較高。