基于交通小区短时交通生成预测的城市道路网短时动态交通预测研究∗

沈玲宏 赵 顗 王祉祈

（1.苏州建设交通高等职业技术学校轨道交通工程系 苏州 215009）

（2.南京林业大学汽车与交通工程学院 南京 210037）

1 引言

随着智能化的推进，各国在针对缓解城市交通拥堵这一问题上提出不同解决方案。其中智能交通应用最为广泛，其要求能够准确预测实时的交通流，这对交通控制和交通诱导有重要促进作用，帮助管控人员提前了解道路交通变化状况，及时给出主动管理方案［1］，在提前发布路网状态信息、识别交通拥堵瓶颈及调整信号控制方案等方面起到了重要作用［2］。

短时交通预测模型在近几十年的研究进展中，根据模型理论基础和引入平台不同可将其分为基于统计分析的预测模型、基于非线性理论的预测模型、基于仿真的预测模型、基于知识发现的智能预测模型、基于混合理论的组合预测模型五大类［3～4］。杨高飞［5］提出ARIMA 和卡尔曼滤波组合模型，考虑两模型具有一定的互补性，提高短时交通流预测的精度。王晓全［6］基于线性递归的ARIMA 模型和非线性递归的广义回归条件异方差-均值模型，提出了一种组合式短时预测模型。Zhang［7］将人工神经网络模型应用于短时交通流预测中。Zhang［8］引入频谱分析技术分析交通流周期性趋势，使用ARIMA 模型与GJR-GARCH 模型混合的模型提高预测性能。Shang Qiang［9］提出奇异频谱分析（SSA）和核极限学习机（KELM）的混合预测模型，使用SSA 对交通流数据降噪，再用消噪后的数据训练KELM 模型，该组合预测模型性能优于著名的单个预测模型。

城市道路网的短时交通流受到路网结构、信号控制等多方面的影响，导致城市道路网短时交通的波动性较强，短时预测精度较低［10～11］。其中，交通小区的短时生成交通量是引发城市道路路网短时交通总量变化和波动性的根本原因。因此，本文对城市路网进行交通小区划分，采集各交通小区的生成交通量，并对各交通小区生成交通量进行短时生成预测，结合动态交通分配实现路网短时交通预测。

2 数据采集及基本特征分析

根据高清卡口检测设备采集到的卡口过车信息，获取车辆的完整出行路径和出行起终点，以15min 为周期统计连续八天每个交叉口的发生和吸引交通量。将每个交通小区内所有交叉口采集的数据汇总，得到每个交通小区连续八天每15min发生和吸引的交通量。

统计每个卡口采集到的交通量数据，经预处理后得到研究范围内的每个交通小区的时间序列交通量，任选两个交通小区采集到的交通量进行分析，如图1、图2所示。

图1 号交通小区发生和吸引交通量时间分布图

图2 号交通小区发生和吸引交通量时间分布图

通过对连续8 天的交通量统计分析，可以发现交通量变化呈现明显的周期性。1 号交通小区，发生交通量在7：30～8：30 出现早高峰，吸引交通量在17：00～18：00 出现晚高峰，与居民上班和下班时间相一致。2 号交通小区周围为居住和教育用地，发生交通量在7：30～8：30 出现早高峰，15：30～17：00出现晚高峰；吸引交通量在7：00～8：30 出现早高峰，15：30～17：30 出现晚高峰，早高峰吸引交通量为发生交通量的1.7 倍，高峰时间持续较长与周边教育用地错峰放学相一致。

3 组合预测模型构建

3.1 基础理论介绍

3.1.1 小波变换理论

小波变换以傅里叶变换为基础，对函数或信号进行平移、缩放等操作，以获得更好的信号特征信息［12］。现今小波分析被广泛地应用于信号分解处理、图像处理、语音识别等领域。常见的小波函数有Haar 小波、Daubechies 小波、Gaus 小波等。通过对比分析确定本研究采用Daubechies 小波，简称dbN。该小波具有较好的正则性，其特点是随阶次N 的增大消失矩阶数越大，其中消失矩越高光滑性就越好，频域的局部化能力就越强，频带的划分效果越好，但是会使时域紧支撑性减弱，同时计算量大大增加，实时性变差。

3.1.2 神经网络理论

神经网络通过模拟人脑学习过程，进行分布式并行信息处理的抽象算法数学模型［13］。神经网络种类主要包括BP 神经网络、径向基（RBF）神经网络、感知器神经网络等［14］。其中，BP 神经网络又称误差反向传播网络，具有自学习、自适应的特点，能以任意精度逼近非线性关系，在神经网络中应用广泛，且BP 神经网络是智能预测模型中较为成熟的预测方法［15］。因此，本文选用BP 神经网络构建预测模型。

3.1.3 动态交通分配

动态交通分配模型是建立在已知城市交通需求状态、出行行为和交通流理论的基础上，用来描述和预测城市路网上的时变交通流的模型，不仅能描述OD需求矩阵随时间变化的特征，还能更真实、准确地描述城市路网中各种交通流现象［16］。根据wardrop 原理，动态交通分配模型可分为动态系统最优模型和动态用户最优模型。两种模型分别从管理者和出行者的角度考虑，预测出行时间和出行费用最少的交通状态［17～18］。

3.2 组合预测模型

根据组合方式的不同可将小波神经网络分为顺序式小波神经网络和嵌入式小波神经网络两大类。其中顺序式小波神经网络通过设置不同的N值对交通小区的生成交通量进行分析，当N取值为4 时交通生成量可以获得较好分解效果［19］。本文分别采用两种不同组合方式的小波神经网络对交通小区生成交通量进行短时预测，预测结果显示嵌入式小波神经网络的预测结果明显优于顺序式小波神经网络的预测结果，且嵌入式小波神经网络能够适用于不同用地性质的交通小区，操作过程更为简单。

因此，本文中选用嵌入式小波神经网络组合预测模型对交通小区生成交通量进行预测，得到每个交通小区未来时间段生成交通量，并对小区预测的生成交通量进行均衡。将路网交通出行总量与动态交通分配模型相结合，利用Frank-Wolfe 算法求解动态交通分配模型。在求解过程中，外部循环为路段阻抗函数不断更新的过程，内部循环为算法重复迭代的过程。利用F-W 算法求解路网动态分配模型的流程如图3所示。

图3 F-W算法求解动态交通分配模型逻辑图

4 城市路网短时动态交通预测实验

4.1 评价指标选择

为更好地反映预测模型的准确性，本文将选用均方误差（MSE）和平均绝对百分比误差（MAPE）来计算真实值Yactual和预测值Ypredict之间的误差。MSE和MAPE的具体表达式如下：

式中，MSE为均方误差；MAPE为平均绝对百分误差；Yactual、Ypredict为真实值和预测值；n为预测次数。

4.2 实验参数设置

4.2.1 组合预测模型

为验证在城市路网中采用F-W 算法求解动态用户均衡模型的有效性，本文根据道路的实际情况进行城市路网建模，对路网中各路段属性进行标定。为了便于观察路网信息，对路网中交叉口和路段重新进行编号。

对选择的路网区域进行交通小区划分，将区域划分为11 个交通小区，每个交通小区包含的节点号及早晚高峰时间段原始生成交通量如表1 所示。将11 个交通小区的生成交通量采用嵌入式小波神经网络组合预测模型进行短时交通预测，均衡预测的小区生成交通量，采用F-W 算法求解动态用户均衡模型，对城市路网中划分的11 个交通小区的OD交通量进行交通分配。

表1 交通小区节点及高峰时段原始生成交通量表

4.2.2 BP神经网络

BP 神经网络模型的结构包括输入层、输出层和隐含层。本文使用BP神经网络预测城市路网短时交通流，主要设置的参数如下：

1）时间相关性设置：使用时间序列交通流预测方法，将预测时间段的前4 个时间段统计的交通流数据作为输入数据。

2）隐含层及神经元数量设置：设置为一个隐含层，隐含层神经元数量通过训练与测试确定最佳个数，设置神经元数量可变范围为[5 ，15] 。

3）学习函数设置：对比筛选设置隐含层和输出层传输函数为tansig，训练函数为traingdx，权重学习函数为learngdm。

4）学习质量控制参数设置：训练次数为1000，学习率为0.001，训练目标误差为1e-7。

4.3 实验结果分析

4.3.1 组合预测模型预测结果分析

采用嵌入式小波神经网络对11 个交通小区生成交通量进行短时预测，预测结果如表1 中预测发生和吸引交通量所示。将预测生成交通量进行交通分配，分别对城市路网中42 个主次干道路段的交通量进行统计，基于交通小区预测生成交通量分配结果统计的早晚高峰路段双向交通流总和如表2和表3中分配交通量所示。

表2 7：30主次干道路段预测交通量

表3 17：00主次干道路段预测交通量

表4 交通小区原始/预测生成交通量分配预测结果

将路网中各路段分配得到的交通量与路段采集的真实交通量进行对比，提取路网交通量的预测精度。在早高峰时间段预测均方误差为253.36，其精度可达90%；晚高峰时间段预测均方误差相对较大为863.54，其精度相对较低为86%。

4.3.2 BP神经网络预测结果分析

根据BP 神经网络预测模型参数的设置，对路网中各路段数据进行建模分析。本文控制隐含层节点个数分别对路网中各路段的交通量进行训练和预测，选择预测精度最高的预测结果进行分析。路网中各路段在早晚高峰时间段预测结果如表2和表3中BP预测交通量所示。

4.3.3 预测结果对比分析

用两种不同预测模型对城市路网进行短时动态交通预测。第一组预测模型是将交通小区的生成交通量采先用嵌入式小波神经网络组合模型进行短时预测，再将预测的交通小区生成交通量使用动态交通分配模型进行分配，以此实现路网的短时动态交通预测；第二组预测模型是构建BP 神经网络短时交通预测模型，将前七天的数据用来训练模型，第八天的数据用于测试模型。采用两种不同预测模型对路网交通量进行预测，早晚高峰时间段预测结果分别如图4所示。

图4 早高峰7：30与晚高峰17：00路网短时交通预测对比图

5 结语

针对两组不同的预测模型对城市路网进行了短时交通流预测，并结合早晚高峰时段路网短时交通预测结果，可以得出以下结论：

1）将交通小区生成交通量先进行短时预测，再将预测的小区生成交通量进行动态交通分配得到的预测结果比单独依靠历史数据使用BP神经网络进行预测的精度要高。

2）以MSE 为评价指标，基于交通小区预测生成交通量的分配预测结果明显高于BP神经网络预测结果，最大提升幅度达到84%。

3）以MAPE 为评价指标，两种分配预测精度均可达到80%以上，但基于小区预测生成交通量分配预测的精度较高。