突发拥堵状况下动态交通流信息预测研究

摘 要：【目的】建立能够在突发拥堵状况下准确预测交通流的模型，以便更好应对突发交通拥堵情况。【方法】采用混沌理论推导交通流的最小预测周期，并基于此，提出了CDNN预测模型。以APE、MAPE及RMSE为评价指标，结合公路案例对比分析了CDNN、FCM、DLA及NN模型的预测稳定性和精确度，归纳各类预测模型特性及机理。【结果】动态交通流预测周期应不小于80 s；CDNN模型预测性能在突发事件发生时刻最好，无突发事件时次之，突发事件持续时期相对较差；CDNN模型预测性能相较于FCM、DLA及NN模型更优。【结论】CDNN预测模型为突发拥堵状况下的交通流预测提供了新的理论和实践途径，具有更佳的预测性能，凸显了其在应对突发交通情况中的潜在应用价值，对未来的交通管理和规划具有重要的指导意义。

关键词：突发拥堵状况；交通流；动态预测

中图分类号：U491 " " 文献标志码：A " " "文章编号：1003-5168（2024）12-0019-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.12.004

Research on Dynamic Traffic Flow Information Prediction Under Sudden Congestion

SONG Jingjing

（Henan Communications Planning amp; Design Institute Co.， Ltd.， Zhengzhou 450000，China）

Abstract：[Purposes] This paper aims to establish a model that can accurately predict traffic flow under sudden congestion conditions， so as to better cope with sudden traffic congestion.[Methods] The minimum prediction period of traffic flow is derived from chaos theory， and based on that， the CDNN prediction model is proposed. Taking APE， MAPE and RMSE as the evaluation indexes， the prediction stability and accuracy of the CDNN， FCM， DLA and NN models are analyzed in comparison with the highway cases， and the characteristics and mechanisms of the various types of prediction models are summarized.[Findings] Dynamic traffic flow prediction period should be not less than 80s; CDNN model prediction performance is the best at the moment of emergencies， followed by no emergencies， and the duration of emergencies is relatively poor; CDNN model prediction performance is better than that of FCM， DLA and NN model. [Conclusions] The CDNN prediction model provides a new theoretical and practical way for traffic flow prediction under unexpected congestion conditions with better prediction performance， highlighting its potential application value in coping with unexpected traffic situations， which is of great significance for future traffic management and planning.

Keywords： sudden congestion; traffic flow; dynamic prediction

0 引言

城市交通流是预测区域交通状态的重要依据，能够为优化路网运载能力提供指导。但在突发拥堵等紧急情况下，短时交通流预测受随机因素的影响显著，其有效预测跨度一般小于15 min，疏散工作大都依赖于经验积累，管理的自动化、智能化水平有限，且存在滞后［1］。本研究基于预训练模型、分类模型及微调模型建立深度学习模型，提出精度更高的动态交通流预测方法。

1 最小预测周期分析

短时交通流参数具有随机性、非线性特点。当观测周期过短时，各短时交通流参数趋于不确定，交通流可视为完全随机状态。本研究通过概率论表征交通流状态。

采用混沌理论评价交通流参数可预测性。建立原交通流系统[s]的[l]维拓扑共轭动力学系统[s]，其状态向量见式（1）。

将时间序列[x1，x2，…，xi，…]拆分为[Nl]组，各组数据[yi]即为在[l]维中对应矢量或点。所有[l]维中的数据即构成该维度下的子集[Jl]。

判别标准见式（2）。

[al，i=yil+1-ykl，il+1yil-ykl，il] " " （2）

式中：[yil+1]、[yil]分别为式（1）定义[l]维及[l+1]维空间下第[i]个位移点（[i=1，2，…，N-lτ]）；[⋅]为欧氏空间下的距离；[ykl，il]为[i]维重构空间下距第[i]个点最近的编码。

若对于某[l]维空间，存在[i]（[1≤i≤N-l+1]），满足[al，i＞δ]（[δ]为判断阈值），则认为[l]维空间中存在伪邻点，空间最小嵌入维数应不小于[l]。通过计算可知，观测时间周期越短，则交通流预测受各类随机因素影响越困难，需要引入更多变量提升预测精度。

为确定交通流预测的最小有效周期，基于原交通流系统[s]及其[l]维拓扑共轭动力学系统[s]的分形维数关系建立逼近函数。按照拓扑共轭性质，[s]及[s]的分形维数相等，因此，可通过计算[s]的分形维数间接确定[s]的分形维数。为简化处理，取[τ]=1。

令[xi]、[yj]为观测交通流参数，各参数点间距离见式（3）。

[ri，j=dyi，yj=h=0l-1xi+h+xj+h2] " " （3）

固定i取值，分别计算[j=1，2，…，Nl]时对应[ri，j]，可视作球心为[yj]、半径为[ri，j]的球体。随后，调整i取值重复计算[ri，j]，即改变球心位置得到一系列小球。以半径为[r]为尺度筛分以上球体，半径小于[r]的球体即被筛漏。定义筛漏球体数量与球体总数之比[Cr] 为关联积分函数见式（4）。

[Cr=2NlNl-1i，j=1NlHr-ri，j] " " " （4）

关联函数趋向见式（5）。

[lnC1r=lnC-Dllnr] " " " "（5）

式中：[Dl]为[Jl]的关联维数。

由式（5）推得[Rl]子集[Jl]的关联维数见式（6）。

[Dl=-limr→0∂lnC1（r）∂lnr] " " " " （6）

空间维数[l]升高时，[Dl]不随之发生改变，则认为[D2=limr→∞Dl]为该系统的关联维数。通过这一方法可求得在80～120 s采样间隔下会出现明显分形特征，为交通流预测提供了参考范围，即预测周期应不小于80 s。

2 构建深度学习结构

2.1 输入数据结构

目标预测路段交通流受到上游、下游路段交通状况的直接影响，可简化为以过去交通状况为变量的时变序列，并定义目标路段为[m]，预测时刻为t。路段[m]在t时刻下的平均车辆速度表示为[Vmt]，由前期速度[Vmt-1]、[Vmt-2]…[Vmt-n]和同时刻上下游路段速度共同预测。交通流预测框架如图1所示。

基于图1交通流预测框架，进一步推广得到全路段交通流参数。令路网输入参数矩阵为X，各行向量为交通流时变序列，各列向量为上游、下游路段交通流数据［2］，具体表示见式（7）。

[X=vm-1t-1vmt-1vm+1t-1vm-1t-2...vmt-2...vm+1t-2....vm-1t-Nvmt-Nvm+1t-N] " （7）

式（7）矩阵维度为N×3，共包含N个时间采样点。

2.2 参数时空相关性

常规交通下和突发事件下各路段交通流速观测值如图2和图3所示。

由图2可知，常规交通下各路段交通流速变化趋势相对一致，其间差别在小范围内波动，目标路段与上下游路段间Moran's指数大于0。由图3可知，突发事件下各路段交通流速变化存在显著差异，发生交通事故后目标路段交通流速快速下降，上游路段按相同规律缓慢下降，而下游路段交通流速先增后减；事故路段、上游路段间Moran's指数大于0，事故路段、下游路段间Moran's指数先小于0后大于0。综上所述，采用常规数据处理方法无法对突发拥堵事件做出准确识别，也会影响突发事件模型训练精度、效率，因此，预测模型应当具备区分交通状态功能。

3 动态交通流信息预测案例分析

3.1 工程概况

以河南省三条公路段为案例进行动态交通流信息预测。以研究路段30 d内平均车辆速度为输入数据，设定采样率为30 s。各路段数据集共包含86 400数据组，以前20 d数据作为训练数据、后10 d数据作为测试数据，从而得到原始数据矩阵维度。

3.2 定义评估要素

以绝对百分比误差APE、平均绝对误差百分比MAPE及均方根误差RMSE作为指标评价模型误差，分别见式（8）、式（9）、式（10）。

[APE％=zi-zizi×100] " " " " （8）

[MAPE％=1ni=1nzi-zizi×100] " " " " （9）

[RMSE=1ni=1nzi-zi212] " " " " （10）

式中：[zi]为第i时刻的预测交通流数据；[zi]为第i时刻的实际交通流数据。

以平均准确率[MA]评价算法预测性能，其定义见式（11）。

[MA=1-1nzi-zizi] " " " " （11）

3.3 设置参数

通过训练集进行大量试验，优化模型网络参数。试验设定各层待定节点数为40、80、160、320、640、1 280及2 560，待定层数为1～6。待定迭代次数为10～100，间隔为10。共对各组参数组合进行10次测试，确定参数设置方案：层数为4、节点数为160、迭代次数为40。

3.4 模型对比分析

为论证预测模型可行性及有效性，对比分析本研究所提出CDNN模型、神经模糊C均值（FCM）模型［3］、深度学习架构（DLA）模型［4］及神经网络（NN）模型［5］。基于相同数据集训练模型，随机选取试验路段1在某一时段下的交通流，实地观测结果如图4所示。

由图4可知，交通事故发生于15点50分，所产生拥堵持续至16点30分，在该时间区间内交通流速显著下降。交通拥堵发生期间CDNN模型预测结果与实际观测具有较好一致性。不同交通条件下试验路段1模型预测MAPE值见表1。“整体情况”为13：00～17：00时间周期内的平均预测结果，表征CDNN模型的总体预测性能；“无突发事件”为13：00～15：50及16：30至17：00时间周期内的平均预测结果；“突发事件持续”为15：50～16：30时间周期内的平均预测结果，表征CDNN模型对突发事件快速反馈的能力。

突发事件发生初期CDNN模型预测APE值陡增，随后快速下落。突发事件发生时刻的平均预测值能够表征突发事件下CDNN模型恢复预测精度的能力。由表1可知，CDNN模型对全周期性交通流的预测性能与无突发事件时接近，但对突发事件持续阶段的预测更差。突发事件发生时刻，模型预测性能较无突发事件时更好，对应MAPE均值为5.93%。

不同交通条件下试验路段2模型预测MAPE值见表2。CDNN模型预测性能最好。除突发事件持续阶段外，各模型整体预测结果无显著统计学差异。无突发事件下CDNN模型与DLA模型预测APE值均较低，突发事件下CDNN模型预测APE值低于其他三种模型。其原因在于FCM、DLA及NN模型均将突发事件下的交通流视作与无突发事件时等同分析，对外部变化无法做出及时反馈。

由表2可知，CDNN模型的预测性能较FCM、DLA及NN模型更优，其整体情况、无突发事件及突发事件持续阶段的MAPE值分别为6.89%、6.27%及9.06%。在突发事件持续阶段下，CDNN模型预测MAPE值远低于其他模型，其原因在于这CDNN模型能够有效区分突发事件与常规情况，在突发事件持续期间也可发现前后时间段交通流的时空相关性。在无突发事件时，DLA模型预测MAPE值约为6.51%，与CDNN模型接近，其原因在于这两类模型均具有深度学习特征，但DLA模型缺乏预处理。FCM模型将交通分割为若干集群，因此，FCM模型在各时间段下的预测性能较DLA、NN模型更稳定，但由于缺乏预训练灵敏度，所以较差于CDNN模型。NN模型结构简单，其整体情况、无突发事件及突发事件持续阶段的MAPE值分别为13.43%、10.85%及22.77%，预测性能为四种模型中最差。

不同交通条件下试验路段3、路段4及路段5模型预测MAPE平均值及RMSE平均值见表3。由表3可知，CDNN模型预测性能优于其他三种预测模型。CDNN模型预测MAPE平均值约为6.5%，低于其他模型6.5%～11.52%的水平；CDNN模型预测RMSE平均值处于3.48～3.99范围内，模型误差最小。因此，CDNN模型预测稳定性较FCM、DLA及NN模型更优。

4 结语

本研究依托具体工程实例，主要提出了基于突发拥堵状况的交通流预测模型，并对比了本研究所提出的CDNN模型与已有的FCM、DLA和NN模型的预测性能。研究结果表明：①80～120 s采样间隔下预测模型会出现明显分形特征，应控制预测周期不小于80 s。②突发事件发生时刻CDNN模型预测性能相对较好，无突发事件时次之，突发事件持续时期相对较差。③CDNN模型预测性能较FCM、DLA及NN模型更优。④无突发事件下CDNN模型与DLA模型预测APE值均较低，突发事件下CDNN模型预测APE值低于FCM、DLA及NN模型。

参考文献：

［1］白静.基于动态交通流信息的城市交通突发拥堵控制与诱导研究［D］.秦皇岛：燕山大学，2018.

［2］于彬彬.突发交通事件下基于MFD的主动控制区域划分［D］.徐州：中国矿业大学，2022.

［3］徐建闽，廖冬梅，马莹莹.高速公路事故瓶颈区域可变限速控制方法［J］.重庆交通大学学报（自然科学版），2022，41（11）：25-33.

［4］陈浩，韩印，王嘉文，等.突发事件下相邻交叉口信号控制优化方法［J］.智能计算机与应用，2022，12（12）：75-81.

［5］史慧敏.城市路网实时动态交通信息预测方法的研究［D］.大连：大连理工大学，2009.