辜麗瓊 宋祖康 楊陽

摘要：隨著機動車數(shù)量的迅猛增加，城市交通擁堵狀況日益嚴峻，城市道路擁堵嚴重影響著居民的日常工作和生活，因此研究道路擁堵程度，以及對道路擁堵變化進行預測則顯得尤為重要。為此，構(gòu)建一個基于擁堵指標的MM-SVR模型，在考慮下一時段可能到達路段的潛在車流量情況下，對道路擁堵情況進行深入探究。首先，融合速度、區(qū)域內(nèi)交通流量構(gòu)建道路擁堵程度指標，然后基于歷史數(shù)據(jù)構(gòu)建將馬爾科夫鏈與支持向量機預測相結(jié)合的MM-SVR模型對道路擁堵進行預測，以向前"階狀態(tài)的交通流量和速度作為輸入量，將道路擁堵程度指標作為輸出量。在實例驗證中，使用廣州市某片區(qū)的實時交通流數(shù)據(jù)對模型效果進行評測，并且使用SVR以及Adaboosting模型進行對比實驗。實驗結(jié)果表明，該模型無論是在擬合優(yōu)度還是預測誤差上均優(yōu)于對比模型，在實時反映交通流擁堵情況方面有著良好表現(xiàn)。

關(guān)鍵詞：MM-SVR;時間序列;交通流;交通擁堵預測

DOI：10.11907/rjd k.191224

中圖分類號：TP301 文獻標識碼：A 文章編號：1672-7800（2019）012-0061-04

0引言

如今，日益擁堵的交通已經(jīng)嚴重影響到人們的工作與生活，因此如何改善交通問題，加快城市現(xiàn)代化建設(shè)已成為一個亟待解決的問題。作為大數(shù)據(jù)時代解決交通問題的重要手段，智能交通系統(tǒng)開始得到越來越多人的重視。在智能交通系統(tǒng)中，交通指標構(gòu)建以及交通流的描述與預測是一個關(guān)鍵組成部分。如王妍穎等融合速度與車流量指標，構(gòu)建北京擁堵指標體系，并對北京交通的真實情況進行指標分析;鄭淑鑒等列舉國內(nèi)外交通擁堵評價指標計算方法，系統(tǒng)梳理了交通流指標現(xiàn)有研究成果，并對眾多指標進行對比分析，搭建了一個比較完整的指標體系。在交通流預測方面的主要研究方向是短時間交通流預測，作為大密度、短間隔的時間序列，短時交通流具有非平穩(wěn)與非線性特征。當前，對于交通流的預測方法主要有馬爾科夫鏈、ARIMA、灰色系統(tǒng)與元胞自動機等傳統(tǒng)模型，以及基于機器學習的SVM、Adaboosting等模型。其中，梁經(jīng)韻等在經(jīng)典單路段元胞自動機交通流模型基礎(chǔ)上，將多個路段視為一個道路系統(tǒng)，發(fā)現(xiàn)擁堵路段與非擁堵路段之間存在明顯界限的現(xiàn)象;唐毅等根據(jù)高速公路車流量數(shù)據(jù)，提出一種改進時間序列模型，克服了傳統(tǒng)時間序列模型的不足;黃何列等針對常用聚類算法效果不理想的情況，提出一種新的交通流相似性度量準則——最大偏差相似性準則，并通過實驗證明該算法明顯優(yōu)于常用聚類算法;傅貴等利用支持向量機回歸理論對廣州市交通流監(jiān)測系統(tǒng)進行實驗，實驗結(jié)果的預測誤差小于基于卡爾曼濾波的預測方法;王珂等提出一種基于灰色遺傳支持向量機的短時交通流預測模型，首先運用灰色模型對交通流時間序列進行加工處理，以弱化噪聲影響，之后通過支持向量機進行預測;康軍等提出一種在線短時交通流預測方法，通過線性運算完成Lagrange乘子的更新，將在線LS-SVM模型的更新時間減少了約62.64%。以上研究證明了SVM模型在交通流預測方面的優(yōu)良性能。

綜上，大部分學者利用車流速度以及當前道路車流量研究道路擁堵情況，并取得了一定成果。但是交通流數(shù)據(jù)具有數(shù)量大、密度高且非平穩(wěn)的特征，僅用傳統(tǒng)時間序列理論進行計算，時間復雜度較高，而基于機器學習的擁堵情況預測研究，雖然改善了時間復雜度，但大都基于交通流這一基本面預測交通擁堵情況。在實際情況中，交通擁堵問題不僅取決于交通流大小，也與道路容納力、車流速度以及每個時間段的潛在到達車流量有著密不可分的關(guān)系。因此，本文綜合考慮區(qū)域內(nèi)車流量與實時車流速度構(gòu)建模型預測道路擁堵情況，結(jié)合該區(qū)域互聯(lián)網(wǎng)道路評測情況，根據(jù)實時車流速度、車流量構(gòu)建指標，充分考慮未來時間段有可能出現(xiàn)在道路中的潛在車流量，建立MM-SVR模型，并對所構(gòu)建的擁堵指標進行模型訓練，對下一時段的擁堵系數(shù)進行擬合預測，最后根據(jù)廣州市某區(qū)域卡口與電警的真實數(shù)據(jù)驗證模型的有效性。

1模型構(gòu)建

1.1道路擁堵評價系數(shù)構(gòu)建

鑒于道路擁堵程度不僅受通過該道路路段的實時交通流影響，而且還與該道路車流實際速度有關(guān)，比如不同道路等級的公路，在相同車流量的情況下，道路狀況好的公路未出現(xiàn)擁堵，而道路狀況較差的公路可能已處于擁堵狀態(tài)。為了直觀描述道路擁堵程度，本文融合速度與交通流量，對王妍穎等的研究進行改進。在王妍穎等的研究中，擁堵系數(shù)指標包含速度指標與車流量指標，其速度指標為：

首先構(gòu)建H中的速度指標。本文數(shù)據(jù)包括深圳市局部地區(qū)道路的交通卡口監(jiān)測數(shù)據(jù)、道路實時通行速度數(shù)據(jù)以及互聯(lián)網(wǎng)導航平臺數(shù)據(jù)。在道路路況表中，將該道路對應(yīng)時段的行駛速度數(shù)據(jù)作為道路通行速度，對于某些時段數(shù)據(jù)的缺失，則用缺失時段前后5個滑口數(shù)據(jù)的平均數(shù)作為替代值。

依據(jù)上述數(shù)據(jù)構(gòu)建道路路段速度指標，本文使用路段當日最大通行速度減去當時實際通行速度，再除以最大通行速度作為速度指標，具體如下：

其中，s表示該道路路段速度指標，Vmax表示在監(jiān)測器上記錄的通過該路段的最大通行速度，Vt表示監(jiān)測器監(jiān)測的該路段當前車流通行速度。

然后，構(gòu)建路段的交通流量指標。利用統(tǒng)計的一天內(nèi)某區(qū)域卡口的交通流量數(shù)據(jù)構(gòu)建交通流量指標，以每2分鐘為時間段對區(qū)域段交通流量進行統(tǒng)計。根據(jù)對區(qū)域交通流量的統(tǒng)計結(jié)果，以區(qū)域?qū)嶋H交通流量與區(qū)域最大交通流量之比作為流量指標，以反映潛在交通流量，具體指標如下：

1.2MM-SVR預測模型

由于道路擁堵狀況變化過程為狀態(tài)連續(xù)、參數(shù)離散的馬爾科夫過程，因此本文基于歷史數(shù)據(jù)構(gòu)建馬爾科夫鏈預測模型。然而，在連續(xù)狀態(tài)的馬爾科夫過程中一步轉(zhuǎn)移概率難以獲得，因此本文引入支持向量回歸機方法對連續(xù)狀態(tài)進行預測，并構(gòu)建具有馬氏鏈預測狀態(tài)的MM-SVR模型。

1.2.1道路擁堵馬氏描述

此時回歸問題轉(zhuǎn)化為線性二分類問題，因此本文將道路周一～周四的擁堵系數(shù)作為訓練集，按照時間順序，以n個狀態(tài)作為一組輸入變量，將下一狀態(tài)的真實值作為預測標簽，進行滾動訓練。

在訓練過程中，考慮到數(shù)據(jù)在樣本空間內(nèi)線性不可分，因此引入核函數(shù)與懲罰因子，并使用網(wǎng)格尋優(yōu)法尋找最優(yōu)參數(shù)，其基本原理如下：當構(gòu)造的兩類樣本D⁺、D^-線性不可分時，通過對硬間隔的軟化以及引入罰參數(shù)，同樣可以考慮在高維空間構(gòu)造超曲面，以達到回歸目的。

在上述模型基礎(chǔ)上，根據(jù)所給道路的當前交通流狀態(tài)，對新增車輛進行通行擁堵預測，即測算當通行車輛數(shù)量增加時，各路段擁堵程度所受影響。

1.2.3模型檢驗

均方誤差（Mean Squared Error，MSE）是衡量“平均誤差”一種較方便的方法，可以評價數(shù)據(jù)變化程度，越趨向于0說明預測精度越好。平方相關(guān)系數(shù)（squared CorrelationCoefficient，SCC）是用于反映變量之間相關(guān)關(guān)系密切程度的統(tǒng)計指標。兩種指標計算公式如下：

2實證分析

本文數(shù)據(jù)包含深圳市局部地區(qū)道路的交通卡口監(jiān)測數(shù)據(jù)與互聯(lián)網(wǎng)導航平臺數(shù)據(jù)，具體如下：

（1）該區(qū)域內(nèi)10個卡口所在位置信息（包括檢測點名稱、方向、所屬道路），以及2018年3月25日～31日卡口的過車記錄數(shù)據(jù)。數(shù)據(jù)包括通過該卡口的車輛車牌號碼（車牌號已作脫敏處理）、車牌顏色、時間、車道ID。

（2）浮動車軌跡數(shù)據(jù)。采集2018年3月25日～31日（7天）途經(jīng)研究片區(qū)內(nèi)的所有深圳市出租車、公交、“兩客一?！避囕v、泥頭車、重型半掛車、教練車的車輛GPS軌跡數(shù)據(jù)。該數(shù)據(jù)包含定位時間、車牌（已作脫敏處理，與卡口數(shù)據(jù)不關(guān)聯(lián)）、經(jīng)度、緯度、行駛記錄速度、衛(wèi)星速度。

（3）道路ID屬性表。提供了道路ID、道路等級與道路形狀坐標。

為驗證該預測模型的有效性，對福龍路橫龍山路段數(shù)據(jù)進行整理。以2分鐘作為時間間隔，統(tǒng)計整理該路段2018年3月25日～31日內(nèi)道路交通流的車流量和速度，并根據(jù)上文提出的道路指標計算方法對相關(guān)數(shù)據(jù)進行處理，選取工作日（3月27日）與周日（3月25日）進行道路擁堵系數(shù)預測如圖1、圖2所示。

從圖中可以看出，3月27日從8：00開始擁堵指數(shù)上升，直到2l：00左右才開始下降，且在9：00～10：00，18：00～19：30達到日內(nèi)峰值，而3月27日的擁堵指數(shù)則在白天全天都保持很高的值，這與工作日的早晚高峰以及周末的出游高峰相對應(yīng)，表明本文構(gòu)建指標能夠很好地反映道路實際擁堵狀況。

將獲得的道路狀態(tài)變量作為基于SVR的預測模型訓練樣本集，并使用訓練所得模型預測當天接下來的道路狀態(tài)及其趨勢。訓練集分別使用3月26日～3月29日共2716個狀態(tài)指標，測試集時間段為3月30日。

從表1中可以發(fā)現(xiàn)，在以上兩個檢驗指標中，選擇四階MM-SVR模型時，其MSE與R方系數(shù)均為最佳，因此選用四階MM-SVR模型。

圖3為3月30日全天的預測數(shù)據(jù)與真實數(shù)據(jù)圖，通過圖像對比發(fā)現(xiàn)，文中模型的預測結(jié)果與實際數(shù)據(jù)吻合良好，能夠準確預測道路狀態(tài)趨勢。

預測的交通流絕對誤差如圖4所示，絕對誤差量為真實數(shù)據(jù)與預測數(shù)據(jù)之差。從圖4中可知預測的整體誤差較小，93%的誤差都在[-0.05，0.05]之間，只出現(xiàn)了某些相對較大的誤差，使用Adaboosting、SVR模型對相同數(shù)據(jù)進行預測，預測精度比較如表2所示。

由表2可以看出，無論是在擬合系數(shù)還是預測誤差上，本文模型均優(yōu)于單獨使用的其它機器學習模型。

3結(jié)語

本文使用馬爾科夫鏈與支持向量機相結(jié)合的MM-SVR模型，構(gòu)建一個針對道路擁堵情況評價的預測模型，即通過構(gòu)建交通擁堵系數(shù)指標，根據(jù)已有歷史數(shù)據(jù)，對某段時間的交通擁堵情況進行預測。實驗證明該模型可以實時反映出當前道路的交通擁堵情況，并可根據(jù)預計新增車輛數(shù)量給出較為精準的擁堵情況預測，從而為交通部門實時監(jiān)控交通狀況，并實施及時的交通管制措施提供參考。

本文在實例驗證中使用其它機器學習算法進行對比實驗，實驗結(jié)果證明，本文模型在無論在擬合程度還是預測誤差上，均優(yōu)于其它單獨使用的機器學習算法。當然，本文也有許多不足，例如本文假設(shè)車牌類型相同的車輛車型也相同，而在實際生活中，不同車型也會對道路擁堵情況造成影響，這些有待今后進一步研究。