沈玲宏 趙 顗 王祉祈

（1.蘇州建設交通高等職業(yè)技術學校軌道交通工程系 蘇州 215009）

（2.南京林業(yè)大學汽車與交通工程學院 南京 210037）

1 引言

隨著智能化的推進，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。其中智能交通應用最為廣泛，其要求能夠準確預測實時的交通流，這對交通控制和交通誘導有重要促進作用，幫助管控人員提前了解道路交通變化狀況，及時給出主動管理方案［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］。

短時交通預測模型在近幾十年的研究進展中，根據(jù)模型理論基礎和引入平臺不同可將其分為基于統(tǒng)計分析的預測模型、基于非線性理論的預測模型、基于仿真的預測模型、基于知識發(fā)現(xiàn)的智能預測模型、基于混合理論的組合預測模型五大類［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性，提高短時交通流預測的精度。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預測模型。Zhang［7］將人工神經(jīng)網(wǎng)絡模型應用于短時交通流預測中。Zhang［8］引入頻譜分析技術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測性能。Shang Qiang［9］提出奇異頻譜分析（SSA）和核極限學習機（KELM）的混合預測模型，使用SSA 對交通流數(shù)據(jù)降噪，再用消噪后的數(shù)據(jù)訓練KELM 模型，該組合預測模型性能優(yōu)于著名的單個預測模型。

城市道路網(wǎng)的短時交通流受到路網(wǎng)結(jié)構(gòu)、信號控制等多方面的影響，導致城市道路網(wǎng)短時交通的波動性較強，短時預測精度較低［10～11］。其中，交通小區(qū)的短時生成交通量是引發(fā)城市道路路網(wǎng)短時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)生成交通量進行短時生成預測，結(jié)合動態(tài)交通分配實現(xiàn)路網(wǎng)短時交通預測。

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，以15min 為周期統(tǒng)計連續(xù)八天每個交叉口的發(fā)生和吸引交通量。將每個交通小區(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)計每個卡口采集到的交通量數(shù)據(jù)，經(jīng)預處理后得到研究范圍內(nèi)的每個交通小區(qū)的時間序列交通量，任選兩個交通小區(qū)采集到的交通量進行分析，如圖1、圖2所示。

圖1 號交通小區(qū)發(fā)生和吸引交通量時間分布圖

圖2 號交通小區(qū)發(fā)生和吸引交通量時間分布圖

通過對連續(xù)8 天的交通量統(tǒng)計分析，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，高峰時間持續(xù)較長與周邊教育用地錯峰放學相一致。

3 組合預測模型構(gòu)建

3.1 基礎理論介紹

3.1.1 小波變換理論

小波變換以傅里葉變換為基礎，對函數(shù)或信號進行平移、縮放等操作，以獲得更好的信號特征信息［12］。現(xiàn)今小波分析被廣泛地應用于信號分解處理、圖像處理、語音識別等領域。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，頻帶的劃分效果越好，但是會使時域緊支撐性減弱，同時計算量大大增加，實時性變差。

3.1.2 神經(jīng)網(wǎng)絡理論

神經(jīng)網(wǎng)絡通過模擬人腦學習過程，進行分布式并行信息處理的抽象算法數(shù)學模型［13］。神經(jīng)網(wǎng)絡種類主要包括BP 神經(jīng)網(wǎng)絡、徑向基（RBF）神經(jīng)網(wǎng)絡、感知器神經(jīng)網(wǎng)絡等［14］。其中，BP 神經(jīng)網(wǎng)絡又稱誤差反向傳播網(wǎng)絡，具有自學習、自適應的特點，能以任意精度逼近非線性關系，在神經(jīng)網(wǎng)絡中應用廣泛，且BP 神經(jīng)網(wǎng)絡是智能預測模型中較為成熟的預測方法［15］。因此，本文選用BP 神經(jīng)網(wǎng)絡構(gòu)建預測模型。

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上，用來描述和預測城市路網(wǎng)上的時變交通流的模型，不僅能描述OD需求矩陣隨時間變化的特征，還能更真實、準確地描述城市路網(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，預測出行時間和出行費用最少的交通狀態(tài)［17～18］。

3.2 組合預測模型

根據(jù)組合方式的不同可將小波神經(jīng)網(wǎng)絡分為順序式小波神經(jīng)網(wǎng)絡和嵌入式小波神經(jīng)網(wǎng)絡兩大類。其中順序式小波神經(jīng)網(wǎng)絡通過設置不同的N值對交通小區(qū)的生成交通量進行分析，當N取值為4 時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)絡對交通小區(qū)生成交通量進行短時預測，預測結(jié)果顯示嵌入式小波神經(jīng)網(wǎng)絡的預測結(jié)果明顯優(yōu)于順序式小波神經(jīng)網(wǎng)絡的預測結(jié)果，且嵌入式小波神經(jīng)網(wǎng)絡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)絡組合預測模型對交通小區(qū)生成交通量進行預測，得到每個交通小區(qū)未來時間段生成交通量，并對小區(qū)預測的生成交通量進行均衡。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)短時動態(tài)交通預測實驗

4.1 評價指標選擇

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

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

4.2 實驗參數(shù)設置

4.2.1 組合預測模型

為驗證在城市路網(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)道路的實際情況進行城市路網(wǎng)建模，對路網(wǎng)中各路段屬性進行標定。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行編號。

對選擇的路網(wǎng)區(qū)域進行交通小區(qū)劃分，將區(qū)域劃分為11 個交通小區(qū)，每個交通小區(qū)包含的節(jié)點號及早晚高峰時間段原始生成交通量如表1 所示。將11 個交通小區(qū)的生成交通量采用嵌入式小波神經(jīng)網(wǎng)絡組合預測模型進行短時交通預測，均衡預測的小區(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 個交通小區(qū)的OD交通量進行交通分配。

表1 交通小區(qū)節(jié)點及高峰時段原始生成交通量表

4.2.2 BP神經(jīng)網(wǎng)絡

BP 神經(jīng)網(wǎng)絡模型的結(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)絡預測城市路網(wǎng)短時交通流，主要設置的參數(shù)如下：

1）時間相關性設置：使用時間序列交通流預測方法，將預測時間段的前4 個時間段統(tǒng)計的交通流數(shù)據(jù)作為輸入數(shù)據(jù)。

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

3）學習函數(shù)設置：對比篩選設置隱含層和輸出層傳輸函數(shù)為tansig，訓練函數(shù)為traingdx，權(quán)重學習函數(shù)為learngdm。

4）學習質(zhì)量控制參數(shù)設置：訓練次數(shù)為1000，學習率為0.001，訓練目標誤差為1e-7。

4.3 實驗結(jié)果分析

4.3.1 組合預測模型預測結(jié)果分析

采用嵌入式小波神經(jīng)網(wǎng)絡對11 個交通小區(qū)生成交通量進行短時預測，預測結(jié)果如表1 中預測發(fā)生和吸引交通量所示。將預測生成交通量進行交通分配，分別對城市路網(wǎng)中42 個主次干道路段的交通量進行統(tǒng)計，基于交通小區(qū)預測生成交通量分配結(jié)果統(tǒng)計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主次干道路段預測交通量

表3 17：00主次干道路段預測交通量

表4 交通小區(qū)原始/預測生成交通量分配預測結(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交通量進行對比，提取路網(wǎng)交通量的預測精度。在早高峰時間段預測均方誤差為253.36，其精度可達90%；晚高峰時間段預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)絡預測結(jié)果分析

根據(jù)BP 神經(jīng)網(wǎng)絡預測模型參數(shù)的設置，對路網(wǎng)中各路段數(shù)據(jù)進行建模分析。本文控制隱含層節(jié)點個數(shù)分別對路網(wǎng)中各路段的交通量進行訓練和預測，選擇預測精度最高的預測結(jié)果進行分析。路網(wǎng)中各路段在早晚高峰時間段預測結(jié)果如表2和表3中BP預測交通量所示。

4.3.3 預測結(jié)果對比分析

用兩種不同預測模型對城市路網(wǎng)進行短時動態(tài)交通預測。第一組預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)絡組合模型進行短時預測，再將預測的交通小區(qū)生成交通量使用動態(tài)交通分配模型進行分配，以此實現(xiàn)路網(wǎng)的短時動態(tài)交通預測；第二組預測模型是構(gòu)建BP 神經(jīng)網(wǎng)絡短時交通預測模型，將前七天的數(shù)據(jù)用來訓練模型，第八天的數(shù)據(jù)用于測試模型。采用兩種不同預測模型對路網(wǎng)交通量進行預測，早晚高峰時間段預測結(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)短時交通預測對比圖

5 結(jié)語

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

1）將交通小區(qū)生成交通量先進行短時預測，再將預測的小區(qū)生成交通量進行動態(tài)交通分配得到的預測結(jié)果比單獨依靠歷史數(shù)據(jù)使用BP神經(jīng)網(wǎng)絡進行預測的精度要高。

2）以MSE 為評價指標，基于交通小區(qū)預測生成交通量的分配預測結(jié)果明顯高于BP神經(jīng)網(wǎng)絡預測結(jié)果，最大提升幅度達到84%。

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