城市道路短时交通流预测方法研究

杨慧慧

摘 要：随着社会经济和交通事业的飞速发展，道路交通问题逐渐受到社会的关注，人们的出行安全及出行效率会受到道路交通问题的影响。通过组建智能交通系统（ITS）来缓解交通压力是众多专家学者多年来所研究的主要问题。本文首先分析短时交通流预测方法研究的必要性，然后探讨城市道路短时交通流预测方法。

关键词：城市道路;短时交通流;预测方法

中图分类号：U491.14;TP18文献标识码：A 文章编号：1003-5168（2018）26-0120-02

随着经济的飞速发展和城市化进程的加快，我国道路交通量及机动车保有量急剧增加，交通基础设施由于交通需求量的不断增长而产生了巨大压力。此外，机动车增长的速度过快，导致交通设施建设很难跟上其增长的步伐，这就造成各大城市道路交通拥堵的问题越来越严重，对环境和社会经济的发展都造成了极大影响。为此，本文就城市道路短时交通流的预测方法进行研究，通过组建智能交通系统（ITS）以缓解城市交通拥堵问题。

1 短时交通流预测方法研究的必要性

交通智能系统是将各种技术有效集中在一起，比如，先进的信息技术、计算机技术、控制技术及数据通信技术等。在地面交通管理系统中，智能交通系统发挥着重要作用。实时、准确及高效是智能交通系统的特点，其是一个综合性的交通运输管理系统。交通设施可以利用交通智能系统来提高交通效率和安全性，最终使交通运输管理及服务都变得更加智能化，并实现交通运输的集约式发展。

1.1 ATMS是短时交通流预测理论高效运行的基础和依据

ATMS是智能交通系统中最基础的一个组成部分，其通过计算机处理、电子控制和信息采集等各种先进的技术，把在交通网络中采集到的相关有效信息传输到交通指挥中心。交通指挥中心对接收到的信息进行处理和分析，并利用交通控制方案进行优化。交通服务信息和综合交通管理方案等内容经过处理、分析及优化后，通过数据通信传输设备分别传输到各种交通控制设备及交通系统的各类用户，以实现对城市交通的全方位优化管理与控制，为各类用户提供全面的交通信息服务。将交通管理和车辆运行两者有效结合起来，极力避免发生交通事故及交通拥堵的情况，解决人们出行时间延误的问题，有效提高道路交通的运行效率和安全性。

1.2 先进的ATIS是短时交通流预测理论高效运行的基础和依据

先进的旅行者信息系统（ATIS）作为智能运输系统（ITS）的核心部分，通过向出行者及时地提供出行信息，包括终点选择、方式分担和路径选择信息，诱导出行者选择效用最大的终点、方式和路径出行，以充分利用现有的道路网络资源，有效缓解交通拥堵。

此外，ATIS还能通过实时有效的交通流预测来实现交通诱导。交通流诱导系统是通过实时地采集和发送交通信息，适时地引导交通流量合理分布，从而达到高效率利用道路网络的一种主动交通控制方式。通过交通流诱导，道路管理者能及时了解相关决策依据，同时出行者也能通过网络了解需要的交通信息，选择良好的出行路线，避免遇上交通拥堵的状况。

2 城市道路短时交通流预测方法

2.1 时间序列预测方法

时间序列模型是描述时间序列统计特性的一种常用方法，其是参数化模型处理动态随机数据的一种实用方法。其主要分为两种，一是非线性平稳模型，二是线性平稳模型。其中，非线性平稳模型主要包括IMA模型和自回归求和滑动平均模型（ARIMA）;线性平稳模型主要包括滑动平均模型（MA）、自回归滑动平均混合模型（ARMA）和自回归模型（AR）。

在估计参数的过程中，自回归求和滑动平均模型必须依赖大量的不间断的时间序列，但数据遗漏是模型在实际的情况中不可避免的。根据检测的实际情况来看，15min一次是自回归求和滑动平均模型的预测时间间隔，只比历史平均法（HA）稍微好一点，预测效果如果小于15min是否会更好，这需要我们进一步进行探究。此外，自回归求和滑动平均模型特别适用于稳定的交通流，但在预测不稳定的交通流时会由于数据量的变大而暴露出不足。

2.2 卡尔曼滤波模型

卡尔曼滤波法是现代控制理论中的一种重要方法。1984年，Okutani和Stephanedes提出了用于交通流预测的卡尔曼滤波模型[1]。卡尔曼滤波法是针对线性回归分析模型的一种矩阵迭代式的参数估计方法，具有预测因子选择灵活、实时性较强、精度较高的优点，因此，便于在计算机上实现在线分析。但是，这种方法是线性模型，随着预测时间的缩短，交通流的不确定性及非线性也会随之加强，这样预测出来的结果往往会不尽如人意。但是，交通流也并非全是不稳定的、非线性的，因此，卡尔曼滤波法的使用还是有必要的，在交通流状态平稳时是非常值得参考借鉴的方法。

2.3 神经网络模型

近20年来，人工神经网络受到了广泛关注，其是计算智能和机器学习研究中最活跃的一个分支。基于神经网络模型的预测原理为：用一部分数据训练模型，即确定网络结构，网络结构确定以后，用剩余部分数据进行预测[2]。

识别复杂的非线性系统是神经网络所具备的特性，交通流的预测较为适用于这种方法。当环境发生极大变化或者是受到干扰时，神经网络都能很好地应对。此外，其可以隨时根据实时信息进行改变，保证预测的实时性。同时，其还能考虑天气情况、过街行人的干扰程度等影响交通流的因素，也可以充分利用相关路段的历史数据和研究路段的历史数据进行预测。

神经网络在短期交通流的预测中也存在着一些不足和局限性。“黑箱式”是神经网络的主要学习模式，正是由于这个模式导致其训练过程中需要大量的原始数据。神经网络的学习算法采用经验风险最小化原理，仅仅试图使经验风险最小化，并没有使期望风险最小化，与传统的最小二乘法相比，在原理上缺乏实质性的突破，同时也缺乏理论依据。神经网络模型的训练过程只能通过调整神经元的权值进行数据处理，即只有神经元外部的处理能力，这种不足导致这类网络存在局部极小、收敛速度慢、推广能力差等缺陷[3]。

3 结语

城市道路短时交通流预测对缓解城市交通拥堵问题发挥着至关重要的作用。短时交通流预测的实时性和准确性确保了我国城市道路通畅，为有效解决城市交通问题提供了技术支持，从而促进我国交通事业平稳发展。

参考文献：

[1]陈明猜，於东军，戚湧.基于FOA-RBF网络的城市道路短时交通流预测[J].南京邮电大学学报（自然科学版），2018（2）：103-110.

[2]雷斌，温乐，耿浩，等.基于加权组合模型的短时交通流预测研究[J].测控技术，2018（5）：37-41.

[3]梅朵，郑黎黎，刘春晓，等.基于混合算法优化SVM的短时交通流预测[J].计算机技术与发展，2017（11）：92-95.