賀億洋，殷鋒，袁平

（1.四川大學(xué)計算機學(xué)院，成都610065；2.西南民族大學(xué)計算機科學(xué)與技術(shù)學(xué)院，成都610041；3.重慶第二師范學(xué)院數(shù)學(xué)與信息工程學(xué)院，重慶400067）

0 引言

近年來，隨著社會經(jīng)濟的不斷發(fā)展和城市化進(jìn)程的快速推進(jìn)，城市交通問題變得日益嚴(yán)重。汽車數(shù)量的快速增長與有限的城市道路基礎(chǔ)設(shè)施之間的矛盾不斷凸顯，伴隨而來的是交通擁堵、空氣污染、交通事故頻發(fā)等各種問題，降低了城市運轉(zhuǎn)效率，影響了人們的日常生產(chǎn)生活。于是，智能交通系統(tǒng)（Intelligent Transportation System，ITS）應(yīng)運而生。

智能交通系統(tǒng)自20 世紀(jì)70 年代初開始發(fā)展。它將包括電子傳感器技術(shù)、數(shù)據(jù)傳輸技術(shù)和智能控制技術(shù)等先進(jìn)技術(shù)整合到交通系統(tǒng)中，目的是為交通系統(tǒng)中的司機和乘客提供更好的服務(wù)[1]。智能交通系統(tǒng)由先進(jìn)的公共運輸系統(tǒng)（Advanced Public Transport System，APTS）、先進(jìn)的出行者信息系統(tǒng)（Advanced Traveler Information System，ATIS）、先進(jìn)的交通管理系統(tǒng)（Advanced Traffic Management System，ATMS）和先進(jìn)的車輛控制系統(tǒng)（Advanced Vehicle Control System，AVCS）組成[2]。而作為智能交通系統(tǒng)中的一項關(guān)鍵技術(shù)，交通流預(yù)測可以讓交通管理部門實時掌握道路網(wǎng)絡(luò)狀態(tài)，提前實施交通疏導(dǎo)，從而提升道路運行效率，有效減少交通擁堵。因此，準(zhǔn)確、實時的交通流預(yù)測對智能交通系統(tǒng)的實現(xiàn)至關(guān)重要。

1 相關(guān)理論基礎(chǔ)

交通流預(yù)測的問題可簡單表述為：在某一時刻t，對下一時刻t+Δt 的交通參數(shù)值做出預(yù)測。其中Δt 稱之為預(yù)測時間間隔，一般認(rèn)為當(dāng)Δt 不超過15min 的預(yù)測為短時交通流預(yù)測（Short-Term Traffic Flow prediction）。預(yù)測的對象為流量，出行時間，車速，或道路占有率等交通流參數(shù)。作為一個由人，車，信號控制標(biāo)志等多元素組成的復(fù)雜時變系統(tǒng)，交通系統(tǒng)具有顯著的非線性和隨機性。因此要實現(xiàn)對交通系統(tǒng)狀態(tài)的精準(zhǔn)實時預(yù)測，短時交通流預(yù)測模型應(yīng)具備如下三個特性：

（1）實時性：要進(jìn)行預(yù)測時間間隔在15min 內(nèi)的短時交通流預(yù)測，模型應(yīng)具備快速計算的能力，能夠?qū)崟r地分析預(yù)測下一時刻的交通狀態(tài)，這樣才能為出行者提供有效的幫助。

（2）準(zhǔn)確性：模型預(yù)測結(jié)果用于對出行者的路徑進(jìn)行動態(tài)誘導(dǎo)，不準(zhǔn)確的預(yù)測結(jié)果會誤導(dǎo)出行者的行駛路線，所以模型應(yīng)具備較高的準(zhǔn)確度。

（3）可靠性：考慮到交通系統(tǒng)的時變性和不確定性，模型需要具備良好的可靠性，能夠應(yīng)對道路施工、交通事故、惡劣天氣等隨機事件對預(yù)測造成的影響。

2 主要模型論述與分析

多年來，國內(nèi)外研究者立足自身學(xué)科領(lǐng)域，提出了多種模型用于短時交通流預(yù)測。這些預(yù)測模型主要有歷史平均模型、時間序列模型、卡爾曼濾波模型、基于小波理論的預(yù)測模型、基于混沌理論的預(yù)測模型、非參數(shù)回歸模型、神經(jīng)網(wǎng)絡(luò)模型等。總體來說大致可分為三類：基于統(tǒng)計分析的預(yù)測模型，基于數(shù)據(jù)驅(qū)動的預(yù)測模型和組合預(yù)測模型。下面對各類模型進(jìn)行分析與評價。

2.1 基于統(tǒng)計分析的預(yù)測模型

假定未來的數(shù)據(jù)與之前的數(shù)據(jù)具有相同的特性是統(tǒng)計分析預(yù)測模型應(yīng)用的前提，它使用統(tǒng)計學(xué)方法來處理歷史數(shù)據(jù)。該類模型主要包括歷史平均法、時間序列分析法、卡爾曼濾波分析法等。

歷史平均法是短時交通流預(yù)測領(lǐng)域較早使用的方法。早期的道路交通管理系統(tǒng)使用歷史平均法進(jìn)行交通流量預(yù)測。Stephanedes 于1981 年將該模型用于城市交通控制系統(tǒng)（Urban Traffic Control System，UTCS）中；1987 年Jeffrey 開發(fā)出AUTOGUIDE 系統(tǒng)用于動態(tài)路徑誘導(dǎo)。歷史平均法將所有數(shù)據(jù)進(jìn)行全局平均，以其均值作為預(yù)測結(jié)果。該算法簡單快速，但預(yù)測準(zhǔn)確度較低，而且不能處理突發(fā)事件，不能應(yīng)對復(fù)雜的交通狀況，所以適用于對預(yù)測準(zhǔn)確度要求不高的場景[3]。

基于時間序列分析法進(jìn)行預(yù)測的前提是時序數(shù)據(jù)之間存在相關(guān)關(guān)系。通過這種相關(guān)關(guān)系，我們可以根據(jù)當(dāng)前和歷史的數(shù)據(jù)來預(yù)測變量未來的變化行為。該方法主要有自回歸模型（Autoregressive，AR）、移動平均模型（Moving Average process，MA）、自回歸綜合移動平均模型（Autoregressive Integrated Moving Average，ARIMA）等等。Ahmed[4]于1979 年首次將時間序列分析法用于短時交通流預(yù)測領(lǐng)域，使用ARIMA 模型對高速公路的交通流量做了預(yù)測。隨著對時間序列模型研究的逐步深入，出現(xiàn)了很多改進(jìn)ARIMA 的預(yù)測模型。Voort等人[5]提出了Kohonen ARIMA（KARIMA）模型，該模型利用Kohonen 自組織映射技術(shù)將輸入數(shù)據(jù)分類為一組簇，然后為每個集群建立單獨調(diào)優(yōu)的ARIMA 模型。Williams 等人[6]開發(fā)了一個季節(jié)性ARIMA 模型（SARIMA），該模型試圖識別交通中的季節(jié)性模式，以捕獲交通系統(tǒng)狀態(tài)的周期性變化和季節(jié)性變化特性。實驗表明其方法在預(yù)測準(zhǔn)確度上優(yōu)于歷史平均模型。

卡爾曼濾波理論在1960 年被Kalman 提出，是一種被廣泛使用的現(xiàn)代控制理論。該方法使用線性狀態(tài)方程來對系統(tǒng)狀態(tài)進(jìn)行評估。在短時交通流預(yù)測場景下，卡爾曼濾波方程的輸入是當(dāng)前時段或歷史時段內(nèi)的交通流數(shù)據(jù)（如交通流量、平均車速、道路占有率），輸出則是未來時間段相應(yīng)的預(yù)測值。Okutani 等人[7]于1984 年首次將卡爾曼濾波模型應(yīng)用于交通流預(yù)測領(lǐng)域，對比歷史平均模型，其實驗結(jié)果擁有更好的預(yù)測效果。張春輝等人[8]基于卡爾曼濾波建立了公交站點的短時客流預(yù)測模型，與人工神經(jīng)網(wǎng)絡(luò)做對比，其實驗結(jié)果具有更小的預(yù)測誤差?？柭鼮V波模型適用性較廣，可以實現(xiàn)數(shù)據(jù)的在線預(yù)測。但該模型同樣不能處理突發(fā)情況，且每次對方程計算時都要重新調(diào)整權(quán)值，因此計算量較大，輸出存在延遲。

模型簡單、數(shù)據(jù)分析較快是基于統(tǒng)計分析的預(yù)測模型的優(yōu)勢所在。但其缺點也比較明顯，不能處理偶發(fā)交通事件，且預(yù)測精度一般，所以基于統(tǒng)計分析的預(yù)測模型適用于交通狀況穩(wěn)定且對預(yù)測準(zhǔn)確度要求不高的場景。

2.2 數(shù)據(jù)驅(qū)動的預(yù)測模型

信息科技的迅猛發(fā)展使得交通路網(wǎng)中的數(shù)據(jù)呈海量式增長。因此，基于數(shù)據(jù)驅(qū)動的預(yù)測模型在短時交通流預(yù)測領(lǐng)域中被大量使用。它無需直接對交通系統(tǒng)進(jìn)行物理建模，直接使用給定的數(shù)據(jù)來預(yù)測未來某時刻的交通狀態(tài)。數(shù)據(jù)驅(qū)動模型能處理交通流數(shù)據(jù)中的非線性成分，可產(chǎn)生良好的預(yù)測效果。其中，k 近鄰和神經(jīng)網(wǎng)絡(luò)是兩個具有代表性的數(shù)據(jù)驅(qū)動預(yù)測模型。

k 近鄰是一種無需先驗知識，無需建立復(fù)雜數(shù)學(xué)模型的數(shù)據(jù)驅(qū)動方法，具有很好的移植性，因此在交通流預(yù)測領(lǐng)域應(yīng)用廣泛。Davis 和Nihan[9]于1991 年首先將這一技術(shù)應(yīng)用到該領(lǐng)域。他們針對高速公路場景做了實證研究，對k 近鄰的預(yù)測效果進(jìn)行了檢驗，并與單變量時間序列預(yù)測法進(jìn)行了比較。Zheng[10]提出了一種具有多步預(yù)測能力的兩步法，通過約束線性主成分算法來增強k 近鄰方法，改進(jìn)后算法的預(yù)測準(zhǔn)確度得到了提升。夏大文等人[11]提出了一種以MapReduce 為實施框架的分布式k 近鄰優(yōu)化模型（STW-KNN），STWKNN 同時考慮了交通流時間相關(guān)性和空間相關(guān)性，通過優(yōu)化狀態(tài)向量、距離度量、預(yù)測函數(shù)和k 值選擇，既提高了k 近鄰方法的預(yù)測準(zhǔn)確性，又增加了預(yù)測的可靠性和可拓展性。

作為一種新興的建模方法，神經(jīng)網(wǎng)絡(luò)模型以其強大的學(xué)習(xí)能力和自適應(yīng)能力，較強的容錯性和魯棒性等優(yōu)勢，被廣泛應(yīng)用于短時交通流預(yù)測領(lǐng)域。Smith 等人[12]首次將神經(jīng)網(wǎng)絡(luò)模型應(yīng)用在短時交通流的預(yù)測研究中，通過實驗驗證了其性能的優(yōu)越。程山英[13]提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測法，首先以提取到的特征向量為依據(jù)對數(shù)據(jù)進(jìn)行聚類，然后采用高斯過程回歸構(gòu)建交通流預(yù)測模型，對時序數(shù)據(jù)做平穩(wěn)化處理后進(jìn)行模型訓(xùn)練。結(jié)果證明其方法能有效預(yù)測交通運輸系統(tǒng)的實時狀態(tài)。但神經(jīng)網(wǎng)絡(luò)也有其自身的局限：由于其“黑箱”式的學(xué)習(xí)方式，使用者不能獲得直觀的輸入輸出關(guān)系，訓(xùn)練過程需要大量的數(shù)據(jù)支撐，并且訓(xùn)練結(jié)果只適用于當(dāng)前研究路段，當(dāng)交通系統(tǒng)狀態(tài)變化時訓(xùn)練的結(jié)果將不再適用，故其推廣能力較差。

2.3 組合預(yù)測模型

上述各種預(yù)測模型都有其各自的適用條件和優(yōu)缺點，以某種單一模型進(jìn)行短時交通流預(yù)測，效果往往不盡如人意。因此，針對不同的交通狀況，構(gòu)建一種綜合模型，將不同的預(yù)測方法進(jìn)行組合，綜合利用各模型的優(yōu)點來進(jìn)行預(yù)測是一種很好的思路。金玉婷等人[14]提出了一種小波變換和BP 神經(jīng)網(wǎng)絡(luò)結(jié)合的短時交通流預(yù)測模型，通過實證研究，得出了該組合模型的預(yù)測準(zhǔn)確度大于傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)的結(jié)論。Xu 等人[15]提出了一種自回歸綜合移動平均模型和卡爾曼濾波組合的實時道路狀態(tài)預(yù)測模型，通過對歷史道路交通數(shù)據(jù)的訓(xùn)練過程確定了模型的最優(yōu)參數(shù)，解決了單一模型對復(fù)雜交通流數(shù)據(jù)的預(yù)測困難，提高了預(yù)測準(zhǔn)確度。Liu 等人[16]提出了一種改進(jìn)的LSTM 網(wǎng)絡(luò)和自回歸綜合移動平均模型（SDLSTM-ARIMA），并將其應(yīng)用在了一個嵌入式系統(tǒng)，實現(xiàn)了實時分布式交通流預(yù)測計算，取得了很好的效果。

3 研究趨勢展望

針對以上對各類短時交通流預(yù)測模型的分析和討論，發(fā)現(xiàn)當(dāng)前的模型各有優(yōu)缺點，尚不存在一個最優(yōu)的預(yù)測模型能適用于所有的交通場景。單一預(yù)測模型有其自身局限性，所以用組合預(yù)測模型進(jìn)行交通流預(yù)測仍是該領(lǐng)域未來的一個發(fā)展趨勢。此外，現(xiàn)有的短時交通流預(yù)測往往使用的是來自環(huán)形檢測傳感器，視頻檢測器，超聲波等采集的數(shù)據(jù)，采集周期時間長，采集量有限，不能很好地支持一些預(yù)測模型對數(shù)據(jù)的需求，這也影響了短時交通流預(yù)測領(lǐng)域的發(fā)展。而當(dāng)今社會已經(jīng)進(jìn)入到了大數(shù)據(jù)時代，可以將車輛數(shù)據(jù)，行人移動軌跡數(shù)據(jù)等納入到交通流預(yù)測中，形成一種多元數(shù)據(jù)融合的預(yù)測方法，這也會是將來一個新的發(fā)展方向。

4 結(jié)語

本文在闡述短時交通流預(yù)測相關(guān)理論基礎(chǔ)上，對當(dāng)前各類短時交通流預(yù)測模型做了分析與總結(jié)。我們發(fā)現(xiàn)，交通系統(tǒng)實際是一個復(fù)雜而龐大的系統(tǒng)，實現(xiàn)對短時交通流的精準(zhǔn)實時預(yù)測仍然充滿了挑戰(zhàn)。但我們有理由相信，伴隨著科技的發(fā)展和研究者的不懈努力，該領(lǐng)域的研究和應(yīng)用會不斷向前發(fā)展，短時交通流預(yù)測將更好地為人類社會提供服務(wù)。