短时路段行程时间分布预测方法研究

刘 妍

( 长春师范大学 计算机科学与技术学院，吉林 长春 130032)



短时路段行程时间分布预测方法研究

刘 妍

( 长春师范大学 计算机科学与技术学院，吉林 长春 130032)

为有效利用历史路段行程时间数据，提高短时路段行程时间分布估计精度，提出了一种自适应数据融合方法。通过分析历史行程时间数据与实时行程时间数据间的关系，构建了二者间的映射模型，有效地将非精确对应下的数据区间映射为精确对应状态，并根据所建非线性模型得到预测数据分布，极大地提高了行程时间分布的预测精度。考虑时间延迟等因素，采用DYNASMART仿真软件对所提出的方法进行了模拟验证。结果表明：随着采集步长的增加，应用自适应数据融合方法得到的短时行程时间预测分布与随时间变化的实际行程时间分布状态保持一致，这有效保障了数据预测的质量，为智能交通管控策略的制定提供可靠的依据。

交通工程；路段行程时间；分布；预测方法；自适应

由于土地资源的限制，传统的静态交通管理手段已不能有效缓解城市道路拥挤与拥堵[1-2]。掌握实时的动态交通信息，分析并采取相应的交通管理策略业已成为近些年交通领域的发展方向。

路段行程时间[2]是动态反映道路运行状态的重要指标，也是智能交通系统的基础参数。目前，对于短时路段行程时间分布预测的研究刚刚起步，相关研究多集中在短时行程时间预测技术方面[3-4],I.Kaparias，等[5]在行程时间可靠性方面也提出了具有实际意义的预测模型。然而这些方法如人工神经网络模型和K-近邻算法等[6]仅能得到路段行程时间预测的离散值，而不是离散分布，无法保障行程时间预测的数据质量，可靠性得不到满足，且具有一定的局限性。笔者针对上述不足，以信息融合方法论为基础，提出一种自适应数据融合模型，该模型将当前离散分布的路段行程时间信息以及历史路段行程时间进行一体化处理，并将已有路段行程时间信息构成的长期历史路段行程时间分布作为初始分布，从而预测短时路段行程时间的分布值，为路网运行时间的可靠性分析提供了数据依据，并为动态交通管理策略的制定，如动态交通诱导、拥挤收费等提供重大帮助。

1 符号定义

交通网络由有向路段和节点组成，且具有时空动态特性[7-9]。因此，交通路网可看作是一个有向时变的随机网络。设G(N,A)表示一个交通网络，其中：N表示节点集，A表示路段集，相关符号说明如下：

2 模型构建

2.1 行程时间分布

(1)

针对不同的行程时间状态，假设路段行程时间服从连续均匀分布。所以路段行程时间的长期历史平均值和变异值可由式(2)～式(4)估计得到，并且根据需要，长期历史行程时间分布可以定期更新，更新周期可依据需要进行调整，如每天或每周不等：

(2)

(3)

(4)

2.2 信息融合方法论

根据实时行程时间与已有行程时间的包含关系可知，其二者之间可对应成以下6种情况，如图1。图1中：(a)、(b)和(c)表示实时行程时间完全包含在已有行程时间的分布状态集中；(d)、(e)和(f)表示部分或所有实时行程时间未包含在已有行程时间状态集中。

图1 已有行程时间状态与实时行程时间区间关系Fig.1 Relationship between existing interval of travel-time state and real-time interval

从图1可以看出，图1(a)情况下实时行程时间区间正好与历史时段的时间分布区间一致，这种情况下的数据预测是较易处理的，其预测值也更加可靠。所以如何将其余5种情况映射为图1(a)情形是亟待解决的问题(见2.3节)。图1(a)中所示情况建模如式(5)：

(5)

为满足当其他情况映射至式(5)中时满足其阈值条件，笔者从数学角度，基于信息融合方法论对模型进行了修订。信息融合方法论可用式(6)～式(8)表示：

(6)

(7)

(8)

(9)

2.3 自适应数据融合模型

(10)

(11)

(12)

(13)

(14)

(15)

(16)

(17)

(18)

以图1(b)情况为例，将实时行程时间区间分成若干个子区间，因此实时行程时间信息可由式(19)所示的函数分布来表示。

(19)

(20)

(21)

(22)

(23)

3 模拟验证

图2 单路段行程时间分布预测对比分析Fig.2 Compared distribution results of one path travel-time prediction

4 结 论

1)笔者提出了一种自适应数据融合方法，并从数学的角度构建了实时行程时间分布与历史行程时间分布之间的映射方法。该方法可以有效提高短时行程时间分布预测的准确性，简化复杂情况下的模型生成，准确预测短时时间间隔内道路路网的交通运行态势，这为智能交通管理策略的制定提供了更加可靠的信息依据，为未来短时交通参数的分布预测开辟了一条有效途径。

2)通过与实时路段行程时间数据的对比可知，除不同步长对预测精度的影响外，其时间延迟Δt的影响也不可忽略，笔者仅考虑了Δt～(1,3)时的情况，Δt与预测精度的关系以及初始数据精度对短时预测分布的影响等都是今后需要继续研究的内容。

[1] Xiang Fei,Lu Changcheng,Liu Ke.A Bayesian dynamic linear model approach for real-time short-term freeway travel time prediction[J].Transportation Research:Part C,2011,19 (6):1306-1318.

[2] 杨兆升,高学英,林赐云,等.基于路段下游检测线圈的路段行程时间估计[J].北京工业大学学报,2010,36(6):790-795. Yang Zhaosheng,Gao Xueying,Lin Ciyun,et al.Estimation of travel time based on downstream loop detector of road section[J].Journal of Beijing University of Technology,2010,36(6):790-795.

[3] Hollander Y,Liu R.Estimation of the distribution of travel times by repeated simulation[J].Transportation Research:Part C,2008,16 (2):212-231.

[4] Van Lint,J W C,Van Zuylen,et al.Travel time unreliability on freeways:Why measures based on variance tell only half the story[J].Transportation Research Part A:Policy and Practice,2008,42 (1):258-277.

[5] Kaparias I,Bell M G H,Belzener H.A new measure of travel time reliability for in-vehicle navigation systems[J].Journal of Intelligent Transportation Systems,2008,12 (4):202-211.

[6] 杨兆升,高学英.基于影响因素分类的路段行程时间融合研究[J].公路交通科技,2010,27(4):116-121. Yang Zhaosheng,Gao Xueying.Research on travel time fusion based on influencing factors classification[J].Journal of Highway and Transportation Research and Development,2010,27(4):116-121.

[7] 张和生,张毅,胡东成.路段平均行程时间估计方法[J].交通运输工程学报,2008,8(1) :89- 96. Zhang Hesheng,Zhang Yi,Hu Dongcheng.Estimation method of average travel time for road sections[J].Journal of Traffic and Transportation Engineering,2008,8 (1):89- 96.

[8] Tam M L,Lam W H K.Real-time travel time estimation using automatic vehicle identification data in Hong Kong[J].Lecture Notes in Computer Science,2007,44(13):352-361.

[9] Emst J M,Krogmeier,James V,et al.Comparison framework for the evaluation of travel time distribution estimates[C].Anchorage,AK,USA:IEEE Conference on Intelligent Transportation Systems,ITSC,2012:564-569.

[10] Dailey D J.Travel-time estimation using cross-correlation techniques [J].Transportation Research Part B,1993,27(2):97-107.

[11] Taylor M A P,Somenahalli S.Travel time reliability and the bimodal travel time distribution for an arterial road[J].Road and Transport Research,2010,19(4):37-50.

Prediction Research on Travel-Time Distribution of Short-Term Path

Liu Yan

(School of Computer Science & Technology, Changchun Normal University, Changchun 130032, Jilin, China)

In order to effectively use historical travel-time data and improve the travel-time distribution estimation precision of short-term road section, an adaptive data fusion method was proposed. By analyzing the relationship between historical travel-time data and real-time travel time data, a mapping mode of the two ways was constructed. The mode can effectively make the data interval of inaccurate corresponding state map to accurate corresponding state and greatly improve the prediction precision of the travel-time distribution. With consideration of factors such as time delay, DYNASMART simulation software was used to analyze the proposed method in the experiment. The results show that with acquisition step length increasing, the short-term travel-time prediction distribution obtained from the adaptive data fusion model is consistent with the actual travel-time distribution, which effectively ensures the quality of prediction data and provides a reliable basis for the establishment of intelligent traffic control strategy for the future.

traffic engineering; path travel-time; distribution; prediction method; self-adaption

10.3969/j.issn.1674-0696.2015.02.23

2013-12-15；

2014-01-08

吉林省教育厅"十二五"科学技术研究(吉教科合字[2013]第261号)；长春师范大学自然科学基金项目(长师大自科合字[2014]第004号)

刘 妍(1978—)，女，吉林长春人，讲师，博士，主要从事智能交通与计算机应用方面的研究。E-mail:liuy78@126.com。

U 491

A

1674-0696(2015)02-108-04