北京市典型道路交通运行状态分析及预测研究

王明哲,郭 敏

(1.中国劳动关系学院,北京100048;2.北京交通科学研究所,北京100037)

北京市典型道路交通运行状态分析及预测研究

王明哲*1,郭 敏2

(1.中国劳动关系学院,北京100048;2.北京交通科学研究所,北京100037)

对城市的道路交通运行状况进行全面分析评估并实时监控、预测,可以有效地消除交通隐患,增强城市交通管理部门对城市交通的管控能力.本文基于北京市典型道路交通流特性分析及已有的道路交通流预测模型,提出道路交通运行状态组合预测模型,确定了非参数回归模型作为预测模型的核心,组合使用傅立叶历史估算模型、非参数自回归模型和非参数邻域回归模型对北京市典型道路的交通运行状态进行预测.针对北京市道路交通流信息采集系统实际情况及未来预测信息图形化发布的需要,提出了道路交通流预测系统的异构数据融合方法及道路编码模型及方法.

城市交通;交通运行状态预测;非参数回归;预测模型;交通特性

1 引 言

国外交通流预测研究始于20世纪70年代,主要是将其他领域的预测模型应用于道路交通领域并有针对性地加以开发应用.随着该领域研究和应用的发展,从数据来源看,目前道路交通流预测模型分为两大类型,一是基于动态 OD(Origination Destination)分配矩阵进行离线预测,二是基于历史观测数据进行离线或在线预测.前者属于宏观层次上的预测,预测计算需要大规模的OD数据和道路网络基础设施数据.后者既可以进行宏观层次的预测又可以进行微观层次的预测,预测计算数据来源于路面固定检测设备环形线圈,路侧固定检测设备微波检测器、超声波检测器、视频检测器,也可以来源于移动检测设备浮动车.具体方法和模型有历史平均法、时间序列方法、线性回归模型、非参数回归模型、交通仿真和动态交通分配模型等[1,2].

基于统计方法的模型如历史平均模型可以解决不同时间、不同时段里的交通流变化问题,但不能解决非常规和突发的交通状况预测.线性回归模型方法比较成熟,计算复杂性相对低,操作简单,但适用性差、实时性不强,只适用于特定路段的特定流量范围,且不能及时修正误差.基于非线性系统理论的预测方法体现了交通系统非线性的特征,精确性较高,但理论基础尚不成熟,且计算复杂性较高.基于交通仿真理论的预测方法中理论分析比较充分,能够考虑交通系统的一些复杂影响因素,但计算复杂性高,难以适应大规模的交通系统.道路交通系统具有历史规律性、时变性与空间非线性相关性,单一模型和方法均有各自的优点及不足,不能完整准确反映交通流的本质特征,难以全面准确反映道路交通运行状况,因此研究开发组合交通流预测模型是可行的解决办法[1-5].

2 北京市典型道路交通流特性分析

2.1 数据采集及原始数据说明

全部数据来自系统检测器的实时监测,本文实例中数据来源于北京市快速路联络线花园北路至学院桥路段,检测器为安装在路侧的微波检测器,检测参数为流量、速度,检测周期为2 min,其上游监测器、下游检测器位于同侧,检测器间距500 m.数据总量为2012年12月3日0:00～2012年12月9日24:00共30 240组数据.

2.2 北京典型道路交通运行特性分析

北京市快速路联络线典型路段交通流具有显著的分布特征,一日之内的交通量呈现周期性的变化规律.根据24 h观测数据,车流从夜间行驶的自由流阶段,逐渐进入正常行驶的稳定流阶段,继而进入拥挤流状态,直至达到饱和排队阶段.在这一过程中,在自由流阶段,速度随流量增加而逐渐降低,进入正常行驶的稳定流阶段后,速度由于某种因素的影响而上下波动,既而开始随流量增加而减小,进入拥挤状态后,速度下降趋势加快.当速度降到一定程度后,拥挤开始消散,车速迅速攀升到正常的稳定流状态.但有时也可能发生极端的情况,即堵车现象,此时,车速降为零,流量也是零.塞车现象解除后,车速和流量又回升到正常稳定流.

图1为北京市快速路联络线花园北路至学院桥路段工作日24 h速度、流量变化情况.具体数据为2012年12月3日(周一)～2012年12月7日(周五)的数据.图2为北京市快速路联络线花园北路至学院桥路段休息日24 h速度、流量变化情况.具体数据为2012年12月8日(周六)、2012年12月9日(周日)的数据.

在工作日,快速路联络线机动车交通量具有比较明显的特性,白天16 h(7:00-22:00)交通量占了全天交通量的83.91%左右.一般来说,周一早高峰交通量在一周的早高峰中最大,周五晚高峰交通量在一周晚高峰最大.早高峰出现的比较快,且比较明显,一般为7:30-10:00;而晚高峰出现的比较缓慢,下降的也比较慢,一般为14:00-18:00.中午出现了一个低谷,但不是很明显;总的变化趋势呈M型或称马鞍型.

在休息日,交通量在晚间和白天有明显的变化,白天高峰时间分布广泛,从8:00-22:00,这一时段快速路联络线交通量占全天的87.85%.

图1 北京市快速路联络线工作日24 h速度流量变化情况Fig.1 The velocity and flow status of expressway and its connecting line on working day in 24 h in Beijing

图2 北京市快速路联络线休息日24 h速度流量变化情况Fig.2 The velocity and flow status of expressway and its connecting line on rest day in 24 h in Beijing

3 预测模型及方法

3.1 预测模型

交通流过程的复杂性和不确定性,决定了准确的交通流预测不是单一模型或方法所能完成.经过历史数据分析发现道路断面未来时刻的交通参数值与3个因素相关:

①该断面的历史估算值;

②该断面当前一段时间内的参数序列;

③与该断面空间上邻近的多个断面在当前时间内的参数序列[4,5].

在本次研究中,基于对北京市道路交通流特性的分析及对已有多种方法的对比分析,确定非参数回归模型作为预测模型的核心,针对上述三个因素采用组合模型进行道路交通状态预测,组合使用傅立叶历史估算模型、非参数自回归模型和非参数邻域回归模型.

道路交通运行状态预测模型的基本形式为

x△——典型的P阶自回归模型;

(k+1)

x*——基于空间拓扑关系根据邻近断面

(k+1)参数进行计算的预测模型;

α、β、γ——子模型的权重系数.

JP+1立叶变换子模型的输出结果,表示预测断面在k+1时刻的历史平均值。对历史数据进行的分析表明,交通流的变化形态是以一个星期为周期的,一个周期内每天的交通运行特征均各有特点,一天内不同时刻交通运行特征各有特点.因此本项研究中傅立叶变换子模型假设交通流的变化形态以一个星期为周期,模型为每一个道路断面的每一个交通参数(本文为两个参数:速度、流量)每个特征日保存一个数据序列,表示该断面相应参数在该类特征日的历史平均趋势.特征日是指具有相同属性的一类日期,即模型共划分7类特征日,表示从周一至周日的不同特征.模型进行预测时,就是从该历史平均数据序列中选择对应时段的数值作为预测值.每获得新一天的数据,与原历史平均序列加权平均后,就对新序列进行傅立叶变换,据此更新用于预测的傅立叶系数,再通过逆变换得到该断面该参数的该特征日的历史平均序列.

非参数回归预测短时交通参数,预测假设是在短时间内交通状态是时不变.即在这段时间内,输入、输出变量之间存在一定的静态函数关系,即上游路段的车流模式经过一段时间的演化,必然会在下游路段产生相对应的车流模式.非参数回归方法进行短时流量预测的具体操作:

(1)利用当前流量模式在样本数据库中匹配,找到n个匹配的模式;

(2)利用短时间区间内时不变特性,在已找到的这n个匹配模式中,寻找最佳匹配点;

(3)利用最佳匹配点及其近邻点进行预测.

非参数回归的四要素是:历史数据的准备、状态向量的选取、相似向量的选取、相似机制的选取或近邻机制的选取和预测函数的选取.为了提高非参数模型搜索“近邻”点的速度,满足实际系统应用的需要,本项研究采取基于密度集K的变搜索算法,基于动态聚类和散列函数的历史数据组织方式,试验表明可以真正达到实时交通流预测的需求[4-6].

非参数回归预测流程如图3所示.

图3 非参数回归预测流程Fig.3 The process of nonparametric regression prediction

P阶自回归模型

式中 X△t——影响变量矩阵,本项研究中为该断面当前一段时间内的变量参数序列;

εt——协方差矩阵;

t——样本数。

P阶自回归模型满足下面三个约束条件:

(1)βp≠0

(2)E(εt)=0,var(εt)=σ2,E(εsεt)=0,s≠t

(3)E(xsεt)=0,∀＜t

有关被预测路段与空间上邻近的多个断面的状态参数的关系如图4所示.

图4 被预测路段与空间上邻近断面的状态参数的关系Fig.4 The relationship between the section predicted and adjoining

设b为被预测路段,其下一个时刻的交通状态可以描述为

式中 Vb(k+1)——b路段当前时刻k的下一个时刻k+1时刻的交通状态;

Va1,…,Va6——相关路段的状态参数,同样也是离散时间k的函数.

3.2 异构数据融合技术与方法

数据融合系统首先对采集系统传送到数据中心的原始数据进行检查,主要为剔除错误数据,修复缺失数据,在此基础上进行数据的融合,并且将原始数据区分节假日和非节假日,对其分别建库.

(1)错误数据的识别.

当数值不在(0,Xmax)范围内的数据系统判断为错误数据,需要对其进行修复处理.交通流参数不同,其Xmax的取值不同.交通流参数为速度时,Xmax的取值为检测器所在路段的道路的限制速度,不同道路等级的限制速度不同.交通流参数为流量时,Xmax的取值为检测器所在路段的道路的通行能力.交通流参数为占有率时,Xmax的取值为检测器所在路段的对应于道路通行能力的时间占有率.

(2)重复数据、缺失数据的处理.

按照检测器时间确定数据是否重复和缺失.对于重复数据,只保留第一组数据;对于缺失数据,如果缺失量较小(一组或者两组),则采用拷贝前一时刻或者后一时刻的数据.如果数据缺失量较大(三组以上),则采用前一个月同样特征日的几个数据的平均值进行修复.如果历史数据同样缺失,则采用相邻上游检测器和下游检测器检测数据取平均值作为缺失数据的补充.

(3)数据整合.

由于现有采集系统数据的采样间隔为2 min,如果系统预测周期为t min,则需要对原始数据进行整合处理.数据整合原则为在预测周期内对流量累加,速度和占有率分别加权求平均值.

3.3 道路编码模型及方法

为了使道路交通运行状态能够以图形方式显示,需要对道路进行数字化管理,同时将道路交通运行状态参数(速度、流量、占有率等)目前的状态値和未来某一时刻的预测值分别与相对应的路段进行标定.图5为现实空间的点、线、面与数字化世界的对应算法.图6为本文采用的点线面空间实体坐标序列编码表示算法.

图5 现实世界与数字世界的对应算法Fig.5 The homologous algorithm between real word and digit word

图6 点线面空间实体坐标序列编码表示算法Fig.6 The code algorithm of dot line and surface

4 实例计算与误差分析

通过历史数据分析组合模型3个权重系数设置为(0.3,0.4,0.3).

选择平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和最大绝对误差(MaxAE)三个指标对模型的预测精度进行评价,其中,平均绝对百分比误差反映了预测的精准度,平均绝对误差反映了预测的精密度,最大绝对误差反映了绝对误差的最大偏离程度,其计算公式分别为:

式中

yt——t时刻的实际速度值; ˜

n——样本数.

图7为2012年12月6日花园北路至学院桥路段速度预测结果,表1为其速度误差分析,图8为同日同地点流量预测结果,表2为其流量误差分析.

图7 花园北路至学院桥路10 min、30 min速度预测误差Fig.7 The prediction error of velocity in coming 10 minutes and 30 minutes

表1 速度误差分析Table 1 The speed error analysis

图8 花园北路至学院桥路10 min、30 min流量预测误差Fig.8 The prediction error of flow in coming 10 minutes and 30 minutes

表2 流量误差分析Table 2 The flow error analysis

5 研究结论

本文根据交通流预测的要求,基于对北京市道路交通流特性的分析及对已有多种预测方法的分析,确定非参数回归模型作为预测模型的核心,将傅立叶历史估算模型、非参数自回归模型和非参数邻域回归模型组合,建立了一种新的交通流预测组合模型.该模型预测结果能有效反应交通流的时变性与非线性特点,同时能体现交通流变化的周期稳定性.

[1]James Howard Conklin,William T Scherer.Data imputation strategies for transportation management systems[R]. Center for Transportation Studies University of Virginia,2003.

[2]Jiang G Y,Gang L H,Zhang X D,et al.Malfunction identifying and modifying of dynamic traffic data[J].JournalofTraffic and Transportation Engineering, 2004,4(1):7-10.

[3]Javad Abdi,Behzad Moshiri,Baher Abdulhai,et al. Forecasting of short-term traffic-flow based on improved neurofuzzy models via emotional temporal difference learning algorithm[J].Engineering Applications of Artificial Intelligence,2012(25):1022-1042.

[4]Ming-Wei Li a,Wei-Chiang Hong,Hai-Gui Kang. Urban traffic flow forecasting using Gauss-SVR with cat mapping[J]. Cloud Model and PSO Hybrid Algorithm,Neurocomputing 2013(99):230-240

[5]李雁,陆海亭,张宁.短时交通流预测建模因素和建模策略[J].公路,2010(4):130-133.[LI Y,LU H T,ZHANG N. Short-term trafficflow forecasting modeling elements and modeling strategy of[J]. Highway,2010(4):130-133.]

[6]樊娜,赵祥模,戴明,等.短时交通流预测模型[J].交通运输工程学报,2012,12(4):115-119.[FAN N, ZHAO X M,DAI M,et al.Short-term traffic flow forecasting model[J] Journal of Traffic and Transportation Engineering,2012,12(4):115-119.]

Traffic State Forecasting of Typical Roads in Beijing

WANG Ming-zhe1,GUO Min2
(1.China Institute of Industrial Relations,Beijing 100048,China; 2.Beijing Research Institute for Traffic Engineering,Beijing 100037,China)

The comprehensive analysis of traffic states are effective ways to eliminate some traffic problems and enhance the supervising ability of the traffic management departments,which includes real-time monitoring,evaluation and prediction the states of the entire city.With analyzing the traffic flow characteristic on several typical roads in Beijing and summarizing the existing traffic prediction models,this paper proposes a combination forecasting model.It is mainly based on the nonparametric regression model. The combination ofFourier's history estimated model, nonparametric autoregressive modeland nonparametric neighborhood regression model are used to predict the traffic state of typical Roads. Considering the reality of the traffic flow information collection system of Beijing and the needs of predicting information released by graphical way in the future,the paper also presents the heterogeneous data fusion methods and road traffic code model.

urban traffic; traffic state foresting;non-parametric regression;prediction model; traffic characteristics

U268.6

A

U268.6

A

1009-6744(2013)02-0191-08

2013-01-24

2013-03-15录用日期:2013-03-22

北京市科技计划项目(D0702061400704);北京市自然科学基金(4102038).

王明哲(1966-),男,北京人,副教授,博士.

*通讯作者:Wangmingzhe@ciir.edu.cn