高俊偉

摘 要：合理進行交通規(guī)劃是緩解交通擁堵的有效途徑，合理的交通規(guī)劃離不開準確的交通預(yù)測作為支撐，同時也是道路設(shè)計的有力決策依據(jù)。準確的交通預(yù)測模型能夠更好的分析路網(wǎng)交通狀況，對于交通網(wǎng)絡(luò)的規(guī)劃、交通網(wǎng)絡(luò)的控制有著積極的作用。本文近幾年的交通預(yù)測模型進行搜索、整理、篩選、歸納。整理出交通預(yù)測模型的改進方法，為交通規(guī)劃做出指導(dǎo)。

關(guān)鍵詞：交通擁堵;短時交通量;預(yù)測模型

0 引言

智能交通系統(tǒng)的前身是智能車輛道路系統(tǒng)。智能交通系統(tǒng)將先進的信息技術(shù)、數(shù)據(jù)通信技術(shù)、傳感器技術(shù)、電子控制技術(shù)以及計算機技術(shù)等有效地綜合運用于整個交通運輸管理體系，從而建立起一種大范圍內(nèi)、全方位發(fā)揮作用的，實時、準確、高效的綜合運輸和管理系統(tǒng)。

1 四階段法簡介

所謂“四階段”預(yù)測方法，是將城市交通規(guī)劃中的交通需求預(yù)測任務(wù)分成四個子任務(wù)來依次完成：即依次進行交通生成量預(yù)測、出行分布預(yù)測、交通方式分擔(dān)率預(yù)測以及交通量分配預(yù)測，由于分為四個相互關(guān)聯(lián)的階段進行預(yù)測，因此又簡稱“四步法”。

階段預(yù)測方法理論成熟，建模層次分明，便于理解，但是其模型結(jié)構(gòu)復(fù)雜，步驟繁多，采用人工方式進行計算工作量非常巨大，必須借助于計算機和軟件才能實施。

2 研究現(xiàn)狀

交通流量預(yù)測的概念是通過運用調(diào)用數(shù)據(jù)庫的已測數(shù)據(jù)去估測未來時間段的交通流量。城市道路交通預(yù)測方法可根據(jù)預(yù)測時長，分為長期預(yù)測，中長期預(yù)測，短期預(yù)測和短時預(yù)測。由于交通流與交通參與者的交通行為息息相關(guān)，隨機因素影響對短時交通流影響巨大，交通流具有很強的不確定性、非線性、非平穩(wěn)性。

3 短時交通流量預(yù)測改進

3.1 支持向量機回歸模型

支持向量機回歸（SVMR）是支持向量機在回歸估計問題中的擴展。支持向量機回歸要解決的問題實際上就是讓所有樣本點逼近超平面，使得樣本點離超平面的距離的總和達到最小。本文所提及的短時交通流預(yù)測屬于非線性回歸問題，但是可以通過引進核函數(shù)，把短時交通流預(yù)測問題轉(zhuǎn)化為高維空間中的線性回歸問題。

3.2 支持向量機回歸模型建立流程

假設(shè)是影響交通預(yù)測的因素，是交通量的預(yù)測值。而基于SVMR的交通流預(yù)測模型就是尋求與之間的關(guān)系。

采用當(dāng)前t和前n個時段的交通流作為輸入值，對未來 t +1時段的交通流進行預(yù)測。

具體操作步驟如下：

（1）先做預(yù)處理，包括選擇樣本數(shù)據(jù)、歸一化等。假設(shè)當(dāng)前時段的流量為，則對應(yīng)將下一時段的訓(xùn)練樣本集為。

（2）分析己知數(shù)據(jù)，選擇核函數(shù)，以及選擇合適的參數(shù)。

（3）利用樣本建立目標(biāo)函數(shù)，通過求解二次規(guī)劃問題來尋找最優(yōu)超平面，進而求出最優(yōu)解，再由求得的最優(yōu)解構(gòu)建決策函數(shù)。

（4）最后利用測試樣本集來計算未來時刻的預(yù)測值。

3.3 基于貝葉斯分類的改進

采用貝葉斯分類對非參數(shù)回歸進行改進的目的是為了為歷史數(shù)據(jù)進行分類，而搜索臨近狀點時，僅搜索同種類別的歷史數(shù)據(jù)，以此降低臨近狀態(tài)的搜索時間。

將道路v在t時刻的流量記為v（t），假設(shè)與道路v相關(guān)聯(lián)的上游道路有i個（即道路車輛能夠直接到達道路 v，中途不會經(jīng)過其他道路），分別記為。在時刻 t，關(guān)聯(lián)道路i流量為：。如此設(shè)定的歷史數(shù)據(jù)中包含的 v（ t），。

接下來，即是要從這 8640 個距離值中，選取距離值最小的 K=4 個歷史數(shù)據(jù)，以其來進行預(yù)測。

（1）N*K次掃描。該算法的基本思路為，每次從所有N個距離值中選取最小的那個，進行K次遍歷，以此來選擇最小的 K 個距離值。易得，該算法的時間復(fù)雜度為（NK）。

（2）排序后取最小K個值。該算法的基本思路為對 N 個數(shù)進行排序，選取最小的 K 個即為所需。根據(jù)排序方式不同，該算法的時間復(fù)雜度也不盡相同。一般來說，可以考慮選用快速排序等時間復(fù)雜度較低的排序方式。如若采用快速排序，則該算法的時間復(fù)雜度為。

綜合比較上面所述的二種預(yù)測方法，在 N=8640，K=4 的情況下。第一種方法的時間復(fù)雜度為（NK）中 NK=34560;第二種方法的時間復(fù)雜度為中，。

使用分類對非參數(shù)回歸的交通流量預(yù)測算法進行改進后。將交通流量按時間分為五類之后。分別分析各類情況下對搜索和計算時間的影響。將分類引入非參數(shù)回歸的交通流量預(yù)測，可以有效的降低算法運算時間。在不影響預(yù)測實效性的情況下，甚至可以考慮提高歷史數(shù)據(jù)的采集密度，從而做到更短時間的交通流量預(yù)測。

4 結(jié)語

對于短時交通量的預(yù)測，需要結(jié)合城市短時交通流量的變化特點，考慮國家民族的文化特色，在大數(shù)據(jù)環(huán)境下，提出一種基于共性交通態(tài)勢尋覓的預(yù)測算法，以解決傳統(tǒng)交通系統(tǒng)預(yù)測中存在的隨機性影響大、模型泛化能力差、非平穩(wěn)時間序列預(yù)測及實時預(yù)測效果差的問題。

參考文獻：

[1]Ahmed M S，Cook AR.Analysis of freeway traffic time-series data by using box-Jenkins techniques[J].Trans-portation Research Record，1979，722：1-9.

[2]Vythoulkas P C.Alternative approaches to short term traffic forecasting for use in driver information systems[M].Berkeley：Elsevier Science Publishers，1993.

[3]李香靜，劉向龍，劉好德，楊新征.我國城市交通規(guī)劃模型研究應(yīng)用現(xiàn)狀及發(fā)展趨勢[J].交通運輸研究，2016，2（04）：29-37.

[4]傅貴.城市智能交通動態(tài)預(yù)測模型[D].廣州：華南理工，2014.

[5]劉樹義.城市道路交通預(yù)測系統(tǒng)研究與應(yīng)用[D].武漢：武漢理工大學(xué)，2005.