城市交通流量预测模型研究

方绪健　王洁　李嘉威　僧德文

项目基金：浙江省教育厅资助项目，“基于大数据的人流量预测模型的研究及其在公共自行车调度中的应用”（项目编号：Y201430884）。

摘要：对城市交通流量预测的线性模型、非线性模型、人工智能模型以及组合模型进行了研究和分析，研究不同模型的特点和优势。通过城市交通流量的预测和研究，为交通运营、调度及线路规划提供基础数据，从而能够提前预知交通客流量及其变化趋势，让交通管理部门更科学地进行规划和调度。

关键词：交通流量预测;线性模型;人工智能模型

中图分类号：U491.54 文献标识码：A 文章编号：1672-9129（2020）06-0033-01

Abstract：Thelinearmodel，nonlinearmodel，artificialintelligencemodelandcombinationmodelofurbantrafficflowpredictionwerestudiedandanalyzedtostudythecharacteristicsandadvantagesofdifferentmodels.Throughthepredictionandresearchofurbantrafficflow，itcanprovidebasicdatafortrafficoperation，dispatchingandrouteplanning，soastopredictthepassengerflowanditsvariationtrendinadvance，andenablethetrafficmanagementdepartmenttoplananddispatchmorescientifically.

Keywords：trafficflowprediction;Linearmodel;Artificialintelligencemodel

1引言

交通是城市发展的命脉，交通数据和交通流中参数的预测是实现交通智能化管理的基础，能够为智能交通系统提供数据支撑。因此准确把握交通流的规律和对相关交通数据的预测有着非常重要的意义。在现实环境中，交通流的预测效果往往不是很理想。这是由于交通流变化存在复杂性和时效性，短时间内的交通流波动也可能非常巨大，仅仅基于历史数据的预测模型无法准确及时的预测短时的交通流变化。

随着智能交通系统的不断发展，智能交通领域引起了越来越多的研究者关注。这些研究者对该领域进行了大量的探索与研究。其中，短时交通流预测作为智能交通系统中的关键技术，得到了国内外学术研究人员的广泛关注和研究，所提出的交通流预测方法早已突破上百种。目前常用的预测方法主要是基于统计学模型的预测方法，基于非线性系统理论的预测方法，基于人工智能的预测方法。这些方法凭借各自的特点和优势，在应对不同情况下的交通数据预测中发挥着重要的作用。然而，各种预测模型往往由于自身的局限性，在遇到复杂的交通流数据时也难于实现精确的拟合预测，通常只能在局部数据上有较好的预测效果。因此，如何进一步完善和提升交通流预测算法的整体预测效果，进一步提升算法的时效性和高效性，都是当前需要解决的难题。

2基于统计学的预测模型

基于统计学的预测模型主要是运用统计学的方法从历史数据中找出数据之间的规律，从而预测未来的数据。比较著名的统计预测模型有历史平均模型、指数平滑模型、灰度模型、卡尔曼滤波模型、自回归积分滑动平均模型以及马尔科夫模型等。这些型的主要特点是结构简单，预测因子较为单一，难以捕捉数据中的非线性关系，在复杂随机数据上预测效果并不理想。例如，历史平均模型通过将历史时期的统计数值作为观察值，求出算术平均数作为下期预测值，适用于数据变化不大的趋势预测。指数平滑模型是通过对指数平滑值的计算结合时间序列模型预测未来的数据值，优点是只需要较少的数据，就可以预测出来所需要的结果，缺点是过分依赖近期的数据，只适合用于短期数据预测。

3非线性系统模型

基于非线性系统理论的预测主要有混沌理论、小波分析理论及突变理论等方法。目前在非线性理论的预测领域也有很快的发展，例如基于相空间重构理论对多点交通参数进行重建，建立基于多元混沌时间序列的多点交通参数预测模型;基于小波分析理论的交通流量预测方法;基于燕尾突变理论进行交通流预测等。基于非线性模型的主要特点是结构复杂，能够较好捕捉数据中的非线性关系，但是可能会陷入过拟合、鲁棒性较低等问题。

4人工智能模型

基于人工智能方法的预测主要是运用神经网络模型进行预测，主要是通过神经网络的训练，学习到历史数据样本中的非线性关系，并以此预测未来的数据，比较著名的预测模型有人工神经网络，循环神经网络和长短期记忆网络（LSTM）等。神经网络模型的原型来自于人脑中的神经元，并用建模的方式模拟人脑中神经元的连接与传递过程，用权重控制每个神经元对输出结果的影响。神经网络的预测通常需要大量的历史数据输入，并且每个神经元的权重由学习算法确定。整个网络的学习过程不需要任何经验公式，仅依靠对数据本身的解释来建模。这些模型通常具有很强的自适应学习能力和良好的鲁棒性，但它们也会遇到收敛速度慢，陷入局部最优解等问题。随着深度学习的发展，越来越多的研究人员使用基于深度学习的交通流预测方法，并取得了更好的预测效果。

5结论

典型的预测模型各有利弊，没有一个模型可以达到完全理想化的预测结果。如果模型简单例如历史平均模型，易于实现就通常会造成预测精度低;神经网络模型和小波分析模型等有较好的预测精度，但是要求大量的样本做支撑，收敛速度也不理想。卡尔曼滤波模型不需要大量的样本做支撑，可以进行实时预测并对预测结果进行修正，但是对数据有较高的要求。各种预测模型有各自的优势和不足，组合预测模型能够综合运用各种预测模型，以提高模型的鲁棒性和精确度。组合模型的优势在于能够结合不同模型的特性，从而发挥不同模型的优势，扬长避短，从而规避单一预测模型的缺陷。

参考文献：

[1]陆文琦，芮一康，冉斌，谷远利.智能网联环境下基于混合深度学习的交通流预测模型[J].交通运输系统工程与信息，2020，20（03）：47-53.

[2]曹堉，王成，王鑫，高悦尔.基于时空节点选择和深度学习的城市道路短时交通流预测[J].计算机应用，2020，40（05）：1488-1493.

[3]马秋芳.改进PSO优化的BP神经网络短时交通流预测[J].计算机仿真，2019，36（04）：94-98+323.

[4]杨正理，陈海霞，王长鹏，徐智.大数据背景下城市短时交通流预测[J].公路交通科技，2019，36（02）：136-143.

[5]徐钦帅，何庆，魏康园.改进引力搜索最小二乘支持向量机交通流预测[J].计算机应用研究，2019，36（12）：3718-3724.

[6]王晓全，邵春福，尹超英，计寻，管岭.基于ARIMA-GARCH-M模型的短时交通流预测方法[J].北京交通大學学报，2018，42（04）：79-84.

作者简介：方绪健（1978-），男，汉族，浙江温州，讲师，研究生，研究方向：大数据技术及智能交通系统。