智能交通控制网络的短时交通流预测研究

高明坤

摘 要：随着交通压力的逐步增加，对交通流实现短时的预测可以大大提高交通控制的工作效率。本文针对交通控制短时交通流预测的问题，以多维标度法进行短时交通流数据的采集和处理，详细阐述了根据此方法进行短时交通流预测体系的建立和使用。此种预测方法的实现，改变了传统交通流预测方法存在的弊端，提高了智能交通控制网络的短时交通流预测的功能，减轻了交通控制部门的压力，提高交通控制的工作效率。

关键词：智能交通 交通流预测 多维标度 数据相关度

中图分类号：U491.112 文献标识码：A 文章编号：1672-3791（2013）03（a）-0017-01

伴随各地间经济交流的繁荣发展，车辆的增多致使交通压力大大增加。虽然国家加大了公路拓宽等交通基础设施的建设，但是依然没有使交通压力得到有效的缓解。针对此种问题，智能交通控制技术被应用于处理和解决交通问题。智能交通控制网络应用之后，是交通事故的发生率明显得到降低，交通流的网络智能化预测，使车辆行驶得到了有效的控制和指挥，使交通压力和交通事故得到明显的降低。本文对智能交通控制网络的短时交通流预测进行较为系统的研究分析。

1 短时交通流预测的基本流程和方法分析

1.1 短时交通流预测的流程

交通管理的智能化控制网络的实现主要是通过将无线传感器安装于道路的交叉路口或者分支路口，路面情况的数据和信息通过安装于各个地点的传感器进行数据传送并实现信息共享。对短时交通流进行科学有效的预测，能够更加准确的掌握道路车辆交通流的实时信息，然后采取有效的措施控制交通车辆的运行。在智能交通控制网络中，对于交流的预测，是以网络信息中各个地点的传感器采集到的交通信息为数据基础，再根据交通数据中的相关性因素进行数据的分析和处理，以得到下一时段的交通流的预测信息，使交通控制系统能够有效的指挥交通，保证交通的安全和顺畅。

短时交通流预测的流程首先就是信息的采集。利用各个地点的传感器对道路上的车辆信息，进行实时的数据采集和传送。包括车速、密度等各个因素。然后根据传感器得到的交通流信息计算交通流数据的相关性。如车速和车流密度的相关度及交通量和车流密度的相关度。根据计算相关度的结果进行交通流预测模型的建立，得出短时交通流预测的数据。

1.2实现短时交通流预测的方法分析

从实际的短时交通流预测的计算和分析发现，交通流数据间的相关性准确度越高，交通流预测的准确度越高，二者间有着直接的关系。在进行交通流预测的实际操作过程中发现，如果要达到对车流量进行及时有效的指挥控制，发挥智能化交通控制网络的有效功能，提高交通控制效率，就要求最大限度的缩短传感器对数据采集的时间。但是，短时间内采集的交通流数据信息毕竟有限，对于相关度的显示不够明显，准确度也很难保证。此种问题的存在，使交通流短时预测的结果准确度不够高。针对此种弊端，本文提出在智能化交通流控制系统中采取多维标度法的方法，进行短时交通流的预测。将采集得到的短时交通流信息数据采用多维标度法进行分析处理得到潜在的相关性来建立交通流预测模型，经过预测计算实现短时交通流的预测，提高预测的准确度。

2 智能交通控制网络的短时交通流预测具体实现

2.1 采用多维标度法进行交通流数据相关度的提取

要对交通流进行科学准确的预测，就必须考虑交通流各数据参数的相互关系，将这些数据的相关度进行科学准确的提取是有效进行交通流预测的关键所在。通常在进行交通流预测的实际操作中，为保证工作效率，常以传感器中的短时交通流数据作为主要参考参数。但是因为其数据间的相关度不够明显使预测的准确度也受到了直接的影响。以多维标度法进行短时交通流数据间相关度的运算，有效的改变了此种弊端的影响，是数据间的相关度更加直观的表现了出来，实现了数据相关度的有效提取。

2.2 短时交通流数据相关度的提取步骤

以多维标度法计算交通流数据相关度的步骤如下。

（1）将由传感器采集到的多个短时交通流数据信息，可运用统计学的计算方法对数据间的相关系数进行计算，得到数据间的相关性距离的个数进行相关性距离的矩阵，相关性距离进行由小及大的排列。

（2）在一个设定的e维空间中进行各个数据点的相关度距离的计算。以A1……An来表示。Ai的坐标可设定为Ai=（A……A），根据下面公式：

t=（1）

计算出数据相关度距离t，并在此结果基础上进一步计算得出短时交通数据的相关度的值S和实际数据偏差度的值S。

（3）根据S和S的值，将e维空间中的多个数据的结构位置进行调整，将原来存在的数据相关性结果不明显的进行改進，在此基础上进行交通流数据的相关性距离的重新计算。通过这样的反复改进，反复计算，最终得到更加科学准确的短时交通数据相关性的结果。

（4）将短时交通流数据运用多维标度的方法进行计算分析处理，将相关性不明显的弊端进行克服，最终得到更加准确的短时交通流数据的相关度结果。

这种多维标度计算相关度的方法，用相关度距离的变换和维度空间的调整使交通流数据间潜在的关系得以找出，将不明显的相关性进行处理，得到准确度更高的交通流数据相关性，为实现准确的短时交通流预测打下了良好的基础。

2.3 短时交通流的预测

以多维标度法提取出更加准确的交通流数据相关度，以此为基础进行交通流预测模型的构建。在预测模型中根据数据相关度进入到预测模型的预测模块中运用预测公司进行最终预测结果Y的计算。预测公式为：

Y= （2）

在智能交通控制网络体系中可根据此预测模型得出的短时交通流的预测结果采取具体的措施对交通流进行控制，以减少交通事故和维护道路的畅通，大大提高了交通流控制的工作效率。

3 结语

本文利润多维标度法进行短时交通流预测模型的建立，弥补了传统方法交通流数据相关性不明显的弊端，得到了更加准确的数据相关性，以此为基础建立的交通流预测模型实现了短时交通流更加准确的预测。根据预测结果提前采取有效的交通控制和指挥措施，大大提高了智能交通控制网络的工作性能和工作效率。

参考文献

[1] C H Wu， J M Ho， D T Lee. Travel time prediction with support vector regression[J]. IEEE Transaction on Intelligent Transportation Systems， 2010，5（4）：276-281.

[2] 王进，史其信.基于非线性理论的短期交通流预测研究[J].西安建筑科技大学学报（自然科学版），2011，38（2）：184-188.

[3] 崔艳，程跃华.小波支持向量机在交通流量预测中的应用[J].计算机仿真，2011，28（7）：353-356.