畢云蕊 劉 娣 劉 坤

南京工程學(xué)院自動(dòng)化學(xué)院 江蘇 南京 211167

1 引言

據(jù)《中國(guó)主要城市交通分析報(bào)告》，全國(guó)26%的城市通勤處于擁堵狀態(tài)，55%的城市高峰時(shí)處于緩行狀態(tài)，這嚴(yán)重增加了出行者的行程時(shí)間，帶來(lái)了油耗提高，環(huán)境污染，交通事故等一系列問(wèn)題。在實(shí)際的交通控制中，交通信息采集和處理過(guò)程往往存在一定的滯后性，直接影響了控制策略的有效性。然而，交通系統(tǒng)具有嚴(yán)密的時(shí)空邏輯關(guān)系，可以通過(guò)交通流歷史數(shù)據(jù)進(jìn)行先前預(yù)測(cè)，進(jìn)而提高交通系統(tǒng)的管理效率。本文針對(duì)交通流預(yù)測(cè)，對(duì)國(guó)內(nèi)外研究現(xiàn)狀及存在的問(wèn)題進(jìn)行討論與分析。

2 交通流預(yù)測(cè)現(xiàn)狀及分析

按時(shí)間跨度可以將交通流預(yù)測(cè)分為長(zhǎng)期預(yù)測(cè)、中期預(yù)測(cè)和短時(shí)預(yù)測(cè)三類。三種預(yù)測(cè)方式的目的、側(cè)重點(diǎn)和精度都有所不同。長(zhǎng)期交通流預(yù)測(cè)主要用于交通規(guī)劃，預(yù)測(cè)被規(guī)劃路網(wǎng)的交通流量及其變化情況，這種預(yù)測(cè)一般以年為單位，精度要求不高，易于實(shí)現(xiàn)。中期預(yù)測(cè)主要以交通管理為目的，需要在一段時(shí)間內(nèi)以月、日、小時(shí)為單位對(duì)交通流量分布進(jìn)行估計(jì)，這種預(yù)測(cè)的實(shí)現(xiàn)也不困難。短時(shí)交通流預(yù)測(cè)主要是以實(shí)時(shí)的交通控制為目的，一般都不超過(guò)15min，并且對(duì)預(yù)測(cè)的精度要求較高，預(yù)測(cè)難度大。這是因?yàn)殡S著預(yù)測(cè)周期的縮短，交通流變化的規(guī)律性越來(lái)越不明顯，各種干擾所造成的影響就越來(lái)越大，使得短時(shí)交通流的變化顯示出更明顯的不確定性。

總體上，短時(shí)交通流預(yù)測(cè)方法可歸納為傳統(tǒng)統(tǒng)計(jì)理論方法、非線性理論預(yù)測(cè)方法和智能預(yù)測(cè)方法。傳統(tǒng)統(tǒng)計(jì)理論方法是用數(shù)理統(tǒng)計(jì)的方法對(duì)原始數(shù)據(jù)進(jìn)行處理，利用歷史數(shù)據(jù)實(shí)現(xiàn)短時(shí)交通流預(yù)測(cè)，主要方法有：回歸分析預(yù)測(cè)方法[1]、時(shí)間序列模型[2]、卡爾曼濾波方法[3]、極大似然估計(jì)方法[4]等。傳統(tǒng)統(tǒng)計(jì)方法理論簡(jiǎn)單、容易理解，但是由于大部分模型都是線性的，隨著交通流量變化的隨機(jī)性和非線性不斷加強(qiáng)，預(yù)測(cè)性能也隨之變差。

近些年隨著非線性理論快速發(fā)展，基于非線性理論的預(yù)測(cè)方法被廣泛地用于短時(shí)交通流預(yù)測(cè)中。主要方法有：混沌理論[5]、馬爾科夫理論[6]、小波分析[7]、K最近鄰算法[8]等，徐建閩等[8]針對(duì)城市孤立交叉口交通流量未飽和的情形,提出了一種基于K近鄰短時(shí)交通流預(yù)測(cè)的單交叉口自適應(yīng)控制策略，使單交叉口控制方案適應(yīng)于動(dòng)態(tài)變化的交通流，仿真結(jié)果表明該方法有效提高了交叉口的車輛通行效率。非線性預(yù)測(cè)方法很好地解決了短時(shí)預(yù)測(cè)過(guò)程中的非線性和隨機(jī)性因素，提升了預(yù)測(cè)的有效性，但這類方法均包含較多的系統(tǒng)模型參數(shù)，當(dāng)參數(shù)值不準(zhǔn)確(甚至不可測(cè))時(shí)或外部干擾因素增多時(shí)，將對(duì)預(yù)測(cè)的性能造成不同程度的影響。

智能預(yù)測(cè)方法主要以數(shù)據(jù)為基礎(chǔ)并融入人類經(jīng)驗(yàn)改善預(yù)測(cè)性能，主要包括神經(jīng)網(wǎng)絡(luò)[9,10]、支持向量機(jī)[11]、大數(shù)據(jù)技術(shù)[12,13]等。Sun等[10]提出了一種模糊神經(jīng)網(wǎng)絡(luò)模型，并針對(duì)模型的復(fù)雜參數(shù)提出了一種改進(jìn)差分進(jìn)化算法，通過(guò)將該算法與BP結(jié)合實(shí)現(xiàn)了模型復(fù)雜參數(shù)辨識(shí)，有效的改進(jìn)了交通流預(yù)測(cè)性能。智能預(yù)測(cè)方法有效地規(guī)避了未知參數(shù)問(wèn)題所帶來(lái)的設(shè)計(jì)難題，并展現(xiàn)了良好的容錯(cuò)性和魯棒性控制性能，但這類方法在參數(shù)設(shè)置、多重不確定因素、突發(fā)事件等方面有待于深入探索與研究。

3 總結(jié)與展望

上述給出了交通流預(yù)測(cè)國(guó)內(nèi)外的研究現(xiàn)狀并分析了各種方法的優(yōu)缺點(diǎn)。雖然各種方法都具有自己的特定應(yīng)用范圍，但在某些方面仍然能極大的提高交通系統(tǒng)的運(yùn)行效率。隨著人工智能方法的不斷發(fā)展，交通流預(yù)測(cè)等技術(shù)會(huì)不斷精進(jìn)，必然會(huì)形成各種物聯(lián)網(wǎng)、車聯(lián)網(wǎng)，由此將會(huì)推動(dòng)交通控制領(lǐng)域技術(shù)的大范圍變革，科技改變生活，讓我們拭目以待。

聲明

本文受江蘇省高校自然科學(xué)基金（No.18KJB510016），南京工程學(xué)院校級(jí)基金（No.YKJ201718, No.JCYJ201819），南京工程學(xué)院高等教育研究課題（No.2018ZC01）資助。