（交通信息工程及控制专业论文）基于交通流预测的高速公路交通状态判别方法研究.pdf

中山大学硕士学位论文 基于交通流预测的高速公路交通状态- n 另e j 方法研究 专业：交通信息工程及控制 硕士生：韦清波 指导教师：何兆成副教授 摘要 通过道路上的固定检测器( 如线圈、微波、视频检测器等) 获得准确实时的路段交 通状态，一直以来都是高速公路交通管理工作的重点所在。论文从实际应用角度出发， 针对基于单截面检测数据的高速公路交通状态判别方法进行研究。 论文首先回顾分析了国内外交通状态判别技术方面的研究成果，针对目前基于单截 面检测数据的高速公路交通状态判别算法存在判断阈值多、对拥挤样本依赖性强等特 点，提出了基于交通流预测的交通状态判别方法，并设计了一个由交通数据预处理、预 测目标参数选择、基于神经网络的交通参数预测以及交通状态判别等步骤组成的判别流 程： 通过对拥挤和顺畅状态下，交通量、时问占有率、平均速度等参数的变化特点进行 分析对比，选用能更有效反映交通状态变化的车辆平均占用时间作为预测的目标参数。 以神经网络作为预测模型，着重研究了通过计算输出变量与可能输入变量之间的相关系 数来确定神经网络输入层的方法。在预测的基础上，以实测值与预测值之间的差值作为 判别的依据，判别道路的交通状态。然后基于上述研究，利用面向对象的软件设计方法 设计并开发了一个交通状态判别系统。最后选择广深高速作为实验路网，以不同交通状 态下的实测交通流数据，对判别方法的有效性进行检验。实验结果表明，相对于占有率， 以车辆平均占用时间作为预测目标参数其预测精度更高，更适合本文所提出的交通状态 判别方法；相对于经典的m c m a s t e r 检测算法，本文所提出算 法不仅对拥挤样本依赖较少，而且在拥挤判别率和拥挤判别时间上都有了较大改 善。 关键词：交通状态；交通流预测；神经网络；平均占用时间 r e s e a r c ho ni d e n t i f i c a t i o nm e t h o do ff r e e w a yt r a f f i cs t a t eb a s e do n t r a f f i cf l o wf o r e c a s t i n g m a j o r ：t r a f f i ci n f o r m a t i o ne n g i n e e r i n ga n dc o n t r o l n a m e ：w e iq i n g b o s u p e r v i s o r ：h ez h a o c h e n g a s s o c i a t ep r o f e s s o r a b s t r a c t f o rf r e e w a ym a n a g e m e n t ，i th a sa l w a y sb e e ni m p o r t a n tt og e ta c c u r a t er e a l - t i m et r a f f i c s t a t et h r o u g hf i x e dt r a f f i cf l o wd e t e c t o r s ( e g i n d u c t i v el o o p s ，m i c r o w a v es e n s o r sa n dv i d e o e t c ) t h i sp a p e rf o c u s e so ni d e n t i f i c a t i o nm e t h o r d so ff r e e w a y 舰m cs t a t et h r o u g h s i n g l e - s e c t i o nd a t af r o mt r a f f i cf l o wd e t e c t o r l sf o rp r a t i c a la p p l i c a t i o n a sc u r r e n tm e t h o d so ff r e e w a yt r a f f i cs t a t ed e p e n do nt o om a n yt h r e s h o l d sa n d c o n g e s t i o ns a m p l e s t h i sp a p e rp r e s e n t s a ni d e n t i f i c a t i o nm e t h o db a s e do nt r a f f i cf l o w f o r e c a s t i n gt oe f f e c t i v e l yr e d u c et h ed e p e n d e n c eo nt h ec o n g e s t i o ns a m p l e s o nt h a tb a s i s ， d e s i g naf l o wc h a r tc o n s i s to fd a t ap r e p r o c e s s i n g ，f o r e c a s tt a r g e ts e l e c t i o n ，t r a f f i cf l o w f o r e c a s t i n ga n d t r a f f i cs t a t ei d e n t i f i c a t i o n t h r o u g ha n a l y z i n gt h ec h a r a c t e r so ft r a f f i cf l o wp a r a m e t e r s ( t r a f f i cv o l u m e ，o c c u p a n c y a n da v e r a g es p e e d ) i nd i f f e r e n tt r a f f i cs t a t e s ，t h i sp a p e rc h o o s e sa v e r a g eo c c u p y i n gt i m ea s f o r e c a s t i n gt a r g e t ，w h i c h c a t lm o r ee f f e c t i v e l yr e f l e c tc h a n g eo ft r a f f i cs t a t e b pn e u r a l n e t w o r ki su s e dt oc o n s t r u c tt h ef o r e c a s t i n gm o d e l ，w h o s ei n p u tl a y e r sa r ed e t e r m i n e db y c o r r e l a t i o nt o e m c i e n tb e t w e e no u p u tv a r i a b l ea n dp o t e n t i a li n p u tv a r i a b l e s b a s e do nt r a f f i c f l o wf o r e c a s t i n g ，t r a f f i cs t a t e sa r ei d e n t i f i e da c c o r d i n gt ot h ed i f f e r e n c eb e t w e e nm e a s u r i n g a n df o r e c a s t i n gr e s u l t s at r a f f i cs t a t ei d e n t i f i c a t i o ns y s t e mi sd e s i g n e da n dd e v e l o p e du s i n g a no b j e c t e d o r i e n t e dm e t h o d f i n a l l y ，t h ev a l i d i t yo ft h ep r e s e n t e dm e t h o di st e s t e di n d i f f e r e n tt r a f f i cs t a t e sb yf i e l dd a t af r o mg u a n g z h o u - s h e n z h e nf r e e w a y r e s e t ss h o wt h a tt h e a v e r a g eo c c u p y i n gt i m ei sb e t t e rt h a no c c u p a n c yf o rt h ea l g o r i t h mp r e s e n t e d c o m p a r i n gw i t h t h ec l a s s i c a la l g o r i t h mm c m a s t e r , t h ea l g o r i t h mi sm o r ee f f e c t i v e i tr e q u i r e sl e s ss a m p l ed a t a a n dp e r f o r m sh i g h e ra c c u r a c y k e yw o r d s ：t r a f f i cs t a t e ；t r a f f i cf l o wf o r e c a s t i n g ；n e u r a ln e t w o r k ；a v e r a g e o c c u p y i n g t i m e - u 论文原创性声明内容 本人郑重声明：所呈交的学位论文，是本人在导师的指导下， 独立进行研究工作所取得的成果。除文中已经注明引用的内容外， 本论文不包含任何其他个人或集体已经发表或撰写过的作品成 果。对本文的研究作出重要贡献的个人和集体，均已在文中以明 确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名：韦消波 日期：2 0l 夕年多月；日 学位论文使用授权声明 本人完全了解中山大学有关保留、使用学位论文的规定，即： 学校有权保留学位论文并向国家主管部门或其指定机构送交论文 的电子版和纸质版，有权将学位论文用于非赢利目的的少量复制 并允许论文进入学校图书馆、院系资料室被查阅，有权将学位论 文的内容编入有关数据库进行检索，可以采用复印、缩印或其他 方法保存学位论文。 学位论文作者签名：南痛；i 友导师 日期：力p 年占月岁日日期 日 中山人学硕士学位论文 第一章绪论 1 1 研究背景和意义 高速公路里程的快速增长，有效地改善了我国公路运输的结构与效率，但是随着汽 车普及率的大幅度提升，城市间的往来越来越密切，加之其它各方面的原因，交通拥挤 也逐渐成为了高速公路上的普遍现象。交通拥挤是指由于道路系统的某个局部在通行能 力的不足或突发事件情况下而导致的车流速度下降或停止运动。此时，拥挤路段车流密 度增加，交通流量、平均车速明显下降，随着车辆的不断增多，交通拥挤迅速延伸、扩 散，产生长时间大范围的车辆排队现象，并最终可能导致全路网瘫痪。此外，交通拥挤 还会引发交通事故增多、燃油消耗增大、汽车尾气排放增加、空气质量恶化等一系列问 题，这一切都严重影响了城市的可持续发展和人们的日常工作与生活，造成了巨大的经 济损失。据统计，2 0 0 3 年全国因为交通拥堵造成的经济损失高达2 5 0 0 亿元，相当于当 年g d p 的2 【i 】。交通拥挤已成为我国高速公路交通管理急需解决的最重要问题之一。 交通拥挤其根源在于交通需求与交通供给之间的矛盾，要解决这一矛盾，除了修建 必要的道路网络、配备完善的交通设施、制定合理的交通组织方案之外，还需要最大限 度地挖掘利用现有交通系统的资源，特别是要对历史的动态交通流信息进行深入分析， 吸取经验教训，而现代高新技术的进步与发展则为这一挖掘奠定了坚实的技术基础1 2 j 。 智能交通运输系统( i n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m s ，简称i t s ) 正是在此背景下产生 的。i t s 是指利用先进的信息技术、通信技术、传感技术、控制技术、系统工程技术和 人工智能技术等，对传统的交通运输系统进行改造，建立全方位、适时准确、高效安全 的交通运输系统。根据国家i t s 技术框架，交通信息系统被认为是i t s 的关键子系统， 是发展i t s 的基础，i t s 进程较快的国家和地区都无不将构筑和建立先进的交通信息系 统作为重中之重加以开发研究瞄j 。 交通状态判别是先进的交通信息系统的关键环节，是信息系统其它环节，如交通诱 导：交通管理等的数据来源和基础。通过使用先进的数据采集技术全面有效地获得道路 的实时动态交通信息，并根据这些信息快速、准确地判别道路交通状态，发现路网中的 交通拥挤，依此而制定合理有效的交通拥挤疏导策略，是解决交通拥挤的有效途径。可 以提高现有道路网的通行能力和运行效率，很大程度上减少由拥挤而造成的经济损失。 基于交通流预测的高速公路交通状态判别方法研究 因此，研究高速公路的交通状态判别算法及其在实际中的应用问题具有重要的现实意义 和理论价值。 1 2 研究目标与内容 高速公路交通状态判别是指获取高速公路某路段的拥堵、缓慢和顺畅等信息。通过 道路上的固定检测器获得准确实时的路段交通状态，一直以来都是高速公路管理工作的 重点以及难点所在。本课题正是通过研究固定检测器采集到的交通流参数，如：占有率 ( 在本文研究中占有率指的是时间占有率，下同) 、流量、速度等的变化，来判别检测 器所在路段的交通状态，并对算法在实际应用中遇到的一些重要问题进行研究。 本文在已有交通状态判别理论框架和方法基础上，着重对目前基于单截面检测数 据的高速公路交通状态判别算法存在着判断阈值多、对拥挤样本依赖性强而拥挤样本采 集困难等问题的解决方法进行研究。并提出了基于交通流预测的交通状态判别模型。首 先通过对交通流参数在不同交通状态下的变化特点进行分析，选择合适的交通预测目标 参数。接着通过对各种预测方法的对比分析选择合适的交通预测模型，并对模型输入参 数的确定方法进行研究，准确有效地确定模型的输入参数。在预测的基础上，以实测值 与预测值之间的差异作为判别的依据，判别道路的交通状态。最后使用广深高速公路实 测数据对整一个判别流程进行有效性检验。 1 3 论文结构大纲 论文共分为六章，具体的组织结构安排如下： 第一章是绪论，即本章。指出了交通状态判别的必要性及意义，并介绍文章的研究 目标和内容。 第二章介绍了国内外交通状态判别算法的研究现状，主要从国内和国外的应用研究 两个方面分别进行总结和分析，并在此基础上提出本文的研究思路，指出该思路的特点 所在。 第三章提出了基于交通流预测的交通状态判别原理，并根据判别原理构建了一个基 于交通流预测的交通状态判别流程，详细阐述了流程中各步骤的具体内容，重点讲解了 交通数据预处理、预测目标参数选择、交通参数预测、交通状态判别四个步骤的具体实 现方法。 第四章运用面向对象的程序设计方法设计了一个基于交通流参数预测的交通状态 判别系统，并对系统的功能设计、系统结构设计和系统实现进行了详细阐述。 中山大学硕士学位论文 第五章利用广深高速公路实测数据检验本文提出的整一个算法流程的有效性，分别 检验算法在不同判别时间间隔、不同检测地点的判别效果。 第六章是本文的终篇，归纳了论文的主要研究工作，并对交通状态判别研究的一步 研究工作及扩展研究方向进行了展望。 基于交通流预测的高速公路交通状态判别方法研究 第二章国内外研究现状 2 1 国外研究现状 研究利用固定检测器采集的数据来对交通状态进行判别，在国外开展得比较早，美 国早在1 9 6 8 年就开始了以该技术为核心的交通信息系统的研究，经过4 0 年的发展，约 有4 0 多个机构在研究开发和改进自动交通状态判别方法方面做了大量工作，并形成了 一系列算法。总的来说，国外基于固定检测器的交通流状态判别算法可以分为模式识别 算法、交通流模型算法、统计分析算法和人工智能算法等： ( 1 ) 模式识别算法 该类算法主要是依据拥挤发生时，拥堵地点上下游检测器检测到的交通参数( 交通 量、占有率、速度) 之差是否大于某个或某几个阈值来判定交通事故的发生。主要研究 者有：p a y n e ，m a s t e r s 。其代表算法有加州算法p 】和多目标检测算法( a p i d ) 【4 】。加州 算法是由美国加利福尼亚州运输部开发的，算法基于拥挤发生时上游检测器占有率增加 而下游检测器占有率下降这一交通流特性，当上下游占有率之差超过设定阈值时，就触 发报警。该算法已经在加州南部的高速公路中应用，是目前应用的比较好的算法之一。 在加州算法的基础上，又有1 0 个修正算法被研发，其中性能比较好的是加州撑7 和n 少h # 8 算法【5 】。而a p i d 算法亦属于加州算法的改进算法，它与加州算法的最大不同之处在于使 用了平滑占有率作为变量输入。据实地测试，该算法在繁重交通条件表现良好，在轻度 流量条件下表现较差。但是该类算法阈值标定困难，且需要用到上下游双截面的检测数 据，在检测器密度比较低的路段检测效果较差。 ( 2 ) 基于交通流模型的算法 该类算法综合分析交通顺畅和拥挤发生时的交通行为，采用实测参数阈值进行比 较以确定事件的发生。研究者主要有p e r s a u d ，f o r b e s ，其中应用得比较成熟的是m c m a s t e r 算法【6 7 。，m c m a s t e r 算法是由加拿大的m c m a s t e r 大学土木工程系基于突变理论的开发的， 该算法将获得的交通流量和占有率数据表示在二维空间上，并将流量一占有率二维图形 划分为四个区域，每个区域代表一种交通状态。 中山大学硕士学位论文 l 区域4 7 0 l 玄e i l 七田仕 i ，l u 皂l 圳7 l _ u h 区域2区域3 l 最大占有率 图2 1m c m a s t e r 算法的状态分类 f i g 2 - 1t r a f f i cs t a t ec l a s s i f i c a t i o no fm c m a s t e ra l g o r i t h m 其中区域1 、2 、3 、4 分别代表正常状态、偶发性交通拥挤、阻塞、常发性交通拥挤 阶段。该算法的优点是不仅仅可以检测出交通状态，而且可以对拥挤状态进行分类。但 是该算法的判断阈值包括占有率阈值、拥挤速度阈值、非拥挤流量阈值、拥挤流量阈值、 非拥挤速度阈值，达5 个之多，且判别率受外界因素影响大，需单独调试每一个检测点 的判断阈值，实用性受到了一定的限制。 ( 3 ) 基于统计分析的算法 该类算法运用统计技术和线圈数据来判别交通状态，统计分析算法基本上不考虑依 靠什么理论，而仅仅采用某种方法进行模式或异常数据的识别。主要研究者有d u d e k ， l e v i n ，代表算法是标准偏差算法【8 】、贝叶斯算法【9 】。 标准偏差法是有德克萨斯州交通协会开发的，它利用当前交通参数值减去前1 1 个采 样周期的交通参数的平均值，然后除以标准偏差。如果计算结果超过阈值，则认为交通 拥挤发生。标准偏差法是一种单截面判别算法，算法具有比较高的判别率，但也具有较 高的误判率。 贝叶斯算法使用的是统计学中的贝叶斯概率分类理论，是一种双截面算法，它以相 邻两个检测器之间的占有率之差作为基础，通过对历史数据的分析，用贝叶斯统计技术 计算出在占有率之差较大时交通拥挤发生的概率，而不是采用一个肯定或者否定的结 果，当计算出的概率超过预先设定的阈值时，就触发报警。贝叶斯算法需要事先建立拥 挤状态和非拥挤状态条件下给定参数的概率分布数学表达式，这统计分析不但比较复 杂，而且要花费很长时间。 基于交通流预测的高速公路交通状态判别方法研究 ( 4 ) 基于人工智能的算法。 该类算法将人工智能技术，如神经网络、模糊逻辑等引入交通状态判别算法中进 行研究【l o ，i l 】，研究者主要包括a b d u l h a i ，d i p t is f i n i v a s a n 。2 0 0 5 年d i p t is r i n i v a s a n 设计 了一个四层神网络判别算法，算法以交通状态作为神经网络的输出结果，以上下游断面 的检测交通参数作为输入，用拥挤样本和顺畅样本对神经网络进行训练，使得神经网络 “记住 交通拥挤发生时的交通参数变化模式，当有新的检测数据时，将其匹配到所学 到的模式里面。该算法在利用仿真数据以及美国实际采集的1 - 8 8 0 数据库数据进行测试 时，判别率分别达到了9 2 ，9 1 3 。但是用神经网络来直接判别交通状态也有如下不 足之处：首先是，神经网络的判别能力对历史数据的依赖性强，算法的可移植性较差， 当新地点的数据与训练数据存在较大的差异时，其判别率会明显下降。亦即意味着，对 于不同的地点都需要用采集到的拥挤样本来对神经网络进行训练，以使得其学习到新检 测点的拥挤特性。1 - 8 8 0 数据库的样本收集花费了巨大的人力和物力，其难点在于要准 确对应每一条记录所处的交通状态。 而模糊逻辑判别算法则是把不精确推理和不确定性引入了交通拥挤判别的逻辑中， 算法通过开发模糊边界对不精确数据或者资料不全的数据进行推理，从而得到拥挤发生 的概率。对于模糊算法而言，其关键在于确定模糊函数，且最终还是要通过模糊概率阈 值来判断交通拥挤的发生模糊的逻辑最终还是需要通过一个确定值来判断最终的 结果。 总体而言，国外的交通状态判别算法在理论研究方面己经取得了一定的成果，但是 由于交通状态判别技术对交通数据要求较高以及算法在实际应用中出现的误报率比较 高等问题，真正应用到实际道路中的交通状态判别算法的是少之又少。 2 2 国内研究现状 自从2 0 0 2 年4 月科技部正式批复的“十五”国家科技攻关“智能交通系统关键技术开 发和示范工程”重大项目正式实施以来，各地方也相继开展了交通管理系统的建设，在 一些高速公路建成了交通管理系统，比较有代表性的有辽宁省高速公路管理系统、重庆 高速公路管理系统、合宁高速公路交通管理系统和沪宁高速公路交通管理系统、广深高 速公路集成指挥调度系统等。这些系统一般都具有智能交通系统的某些基本功能，如交 通流信息采集、闭路电视监控、接处警自动化、交通信息跨平台发布等等。为交通状态 判别技术的研究提供了丰富的数据和广阔的应用前景。 相对国外而言，国内交通状态判别研究起步比较晚，但是经过多年的发展也取得了 比较大的进步，特别是在运用新出现的数学工具进行理论研究面，例如人工智能方法、 中山大学硕七学位论文 小波变换、模糊逻辑【l2 j 等等。2 0 0 0 年，姜紫峰、刘小坤采用了一个4 层的b p 神经网络 算法对美国1 - 8 8 0 数据库数据进行了检测【i3 1 ，算法的判别率为9 1 。2 0 0 2 年，周雪铭提 出了一种同时基于小波分析和神经网络的算法【1 4 】，其基本思想是通过小波变化对原始采 样信号进行奇异点检测，然后通过神经网络对小波变换的结果进行分类，最后给出交通 状态信息。利用仿真数据进行检验，判别率为9 4 。2 0 0 8 年，王炜采用偏最小二乘回 归分析法u5 。，并采用新加坡的a y e 仿真数据以及美国的1 - 8 8 0 数据库数据验证算法的准 确性，判别率为9 0 左右。 而交通状态判别算法在国内的应用方面，还处于起步阶段，目前，仅在沪宁高速江 苏段上使用了高占有率算法i l 引，但是具体效果还不得而知。 总的来说，国内在交通状态判别算法的研究方面虽然取得了一定的成果，但还是需 要在以下几个方面进一步研究： ( 1 ) 由于缺乏大量的实际采集的拥挤样本数据，国内所提出的各种事件检测算法大都 是基于国外道路的检测数据或通过仿真软件模拟产生分析数据，对于实际道路环 境中交通流参数的变化特点缺乏较深入的分析。 ( 2 ) 由于大多采用仿真数据进行研究，对实际环境中的数据质量问题考虑较少，而数 据质量的好坏却决定了事件检测算法的准确度。 ( 3 ) 算法的可移植性较差，不同状态之间的阈值标定比较困难。 2 3 本章小结 本章重点回顾了交通状态判别技术的产生及发展历程，介绍了该项技术的基本研究 方向及国内外的研究进展。总的来说，国内外在交通状态判别方面的理论研究取得了一 定的成果，但以双截面判别算法为主，分析单截面数据的算法不多，且大多数算法，是 以交通仿真数据集或者美国i 8 8 0 数据集的作为研究的数据源，应用到了本地实际中的算 法比较少。双截面算法要求上下游检测器之间路段封闭，且长度不超过一公里【1 7 】。但是 国内很多高速公路并没有如此高密集度的检测设备，因而基于单截面检测数据的算法具 有更大的实用性，本文研究的是一种利用单截面检测数据进行交通状态判别的方法。 此外，无论国内外学者提出的哪种算法，其最终都要回归到不同状态间阈值的标定 这一点上，只不过是阈值个数的不同以及阈值标定的难度不同而已。阈值标定的难点在 于拥挤样本集的采集对应样本集里面每一条记录所处于的交通状态，其中标定交通 状态变化阶段的样本更是一件困难的事情。是否存在着种方法一一种仅仅是依赖顺 畅记录就可以判别路段交通状态的算法? 为此，国内学者向红艳等提出了利用交通预测 来进行交通状态判别的思路【l 引，其核心思想是利用预测值与实测值之间的偏差作为判别 基于交通流预测的高速公路交通状态判别方法研究 依据，以正常交通状态下，样本序列中的8 5 位偏差d s s 和序列均值彻作为判别标准， 当偏差大于眈5 则认为偏差异常，此时再计算异常偏差与m d 的比值，当比值超过阈值k 时则认为交通拥堵产生。但向红艳等只在其文章中阐述了其思路的总体框架，对于采用 何种算法进行交通预测，预测哪个交通参数等核心问题并没有进行研究。本文将参考其 提出的以预测值和实测值之间的差异作为判别依据的思想，并重点对上述两个问题进行 研究。 中山大学硕士学位论文 第三章基于交通流预测的交通状态判别方法 作为一个交通状态判别方法，在判别精度达到应用需求之余，它还需满足以下两个 方面的要求：一方面是算法的易用性，即是算法无需标定过多的参数，且参数标定的数 据要较容易获取。只有这样算法才能够在实际路网环境中广泛应用。另外一方面，是需 要有效地避免非拥挤情况下的误报。由于交通流本身比较复杂，在没有交通拥挤的情况 下，交通流有时亦会产生近似于拥挤发生时的变化特征，因此交通状态判别算法还应该 具有鉴别这种非拥挤情况下交通流参数突变的能力，减少误报。根据以上原则设计本文 的判别方法。 3 1 基于交通流预测的交通状态判别原理 交通流预测是从交通参数的时间变化规律出发，通过对历史数据的拟合，把握交通 流未来发展的趋势。在此前的研究中，国内外的学者针对于交通预测已经提出了一系列 的算法，如较早期的：历史平均模型、指数平滑模型、时间序列模型、卡尔曼滤波模型 【1 9 】、参数回归模型等。随着随机过程、数理统计学、最优化理论等基础数学理论的发展， 又涌现出一系列新的预测方法。这些方法包括：非参数回归模型、k a r i m a 算法、基 于小波理论的方法、基于多维分形的方法、谱分析法、状态空间重构方法口、支持向量 机【2 1 1 、贝叶斯网络、以及多种与人工神经网络相关的复合预测模型【2 2 谢】等。而其中，针 对对单截面检测参数的交通预测技术已经发展到了一个比较成熟的阶段，从而为本文交 通状态判别方法的实现奠定了技术基础。 当前的绝大部分交通预测算法，在正常交通状态下，即交通流变化平稳时，其预测 值能准确地跟踪实际值的变化，预测精度较高。但是对于异常的交通状态如事故、拥堵 等，绝大多数预测算法将变得无能为力，所预测出来的交通流参数跟实测结果将会有比 较大的差异。本研究恰恰可以利用这种差异来判别交通拥堵的产生，而对于差异较小的 情况，可认为是处于顺畅交通状态。 利用时刻t 之前7 个采样周期的交通参数对交通参数在t 时刻的值进行预测，假设 预测结果为f ( t ) ，而此时该参数的实测值为m ( f ) ，则实测值与预测值之间的差会出现 以下几种情况： 基丁二交通流预测的高速公路交通状态判别方法研究 i m ( f ) 一f ( r ) k( 1 ) j o m ( ) - f ( t ) k (2(3-1) i k m ( f ) 一f o ) 0( 3 ) im ( ，) 一f ( f ) ：v o l u m e ， ( 3 - 6 ) z 一 ， j = o 仆l n 芝i 。n s p e e d j ( 3 - 7 ) 基于交通流预测的高速公路交通状态判别方法研究 其中n 是指一个统计周期内的包含的记录数， ( 3 3 ) 、( 3 - 4 ) 中由一条记录计算得到的断面参数。 3 4 预测目标参数选择 预测目标参数是指被用于交通预测并进行交通状态判别的交通流参数。目标参数不 应该仅仅具有可预测性，而且要服务于后面的交通状态判别算法。可预测性主要是指目 标参数应该是可以被检测得到的，即意味着预测结果是可以被检验的。 作为一个单截面检测算法，由于单截面检测器( 线圈、微波等) 只能提供一定时间 间隔内的交通量、平均地点车速和占有率，所以预测的对象只能是从三者里面选取或者 组合。而服务于交通状态判别是指目标参数在交通状态发生变化应该具有一定的变化规 律。根据这两个原则，下面对三个检测参数以及其组合分别进行讨论。 3 4 1 直接参数 目前大多数交通预测模型都是基于交通量的预测t 2 7 , 2 s ，但是交通量具有二义性，同 一个交通量可能对应两种不同的状态，例如一个低交通量可能代表着顺畅亦可能代表着 拥挤，而且在某些情况下交通量在交通拥挤发生时变化并不明显，如图3 - 6 a ( 数据来源 于广深高速公路实测数据，下同) ，因此交通量并不适合直接应用于交通状态判别。至 于平均地点车速，交通拥挤发生时它的确会发生较明显突变，如图3 6 b ，但是它在统计 时间间隔较小以及夜间车辆稀少情况下表现得并不稳定，随机性较大，预测难度高。占 有率是与密度直接相关的量，而密度又可以唯一地确认道路的交通状态，因而可选择占 有率作为预测的目标参数。 a ) 交通鼍时序图 a ) t r a f f i cv o l u m ed i a g r a m 中山大学硕 学位论文 b 1 速度时序幽 b ) s p e e dd i a g r a m c ) 【r 有牢时宁目 c ) o c c u p a n c y d i a g r a m 蚓3 4 5 拥埔情况f 0 7 ：0 0 - 1 9 ：0 0 ) 拥堵) 变通参数时序幽 f i g3 石d i a g r a m o f t r a f f i c p a r a m e t e r s i n c o n g e s t i o n f l 7 ：0 0 1 9 ：0 0 ) 3 4 2 间接参数车辆平均占用时间 分析占有率在顺畅状态下的时序图发现，它有时也会发生较剧烈的突变，如图3 7 a 的1 8 ：0 0 附近( 虚线框部分) 且其变化情况与拥挤发牛时相似，为了避免此时误榆的出 现，有必要消除这种“扰动”。山圈3 7 a 办可发现占静率突变的同时也伴随了交通鞋突 变的发生可以推断顺畅状态下占有率的突变很大一部分是由于交通量的突变造成，而 且两者约成正比关系，因而两者相除则可以很大程度上消除这种“扰动”。另一方面， 在交通拥挤发生时，如图3 7 b 的1 7 ：4 2 附近，占有率增加而交通量减少，两者变化方向 相反，此时占有率和交通量之比的变化比占有率更加明显，也更容易判别交通拥挤的发 牛。 a ) 顺畅交通状态( 2 0 0 9 年5 月2 9 日) a ) s m o o t ht r a f f i cs t a t e ( m a y2 9 ，2 0 0 9 ) b ) 非顺畅交通状态( 2 0 0 9 年5 月2 0 日) b ) a b n o r m a ls t a t e ( m a y2 0 ，2 0 0 9 ) 图3 7 不同交通状态下k 9 4 + 0 0 0 的占有率、流量时序图 f i g 3 - 7t r a f f i cv o l u m e a n do c c u p a n c yd i a g r a mo fk 9 4 + 0 0 0u n d e rd i f f e r e n tt r a f f i c ss t a t e 接下来讨论占有率与交通量之比的物理意义，因为时间占有率o 等于在一定观测时 间t 内，车辆通过检测器所占用的时间和丁的比值1 2 9 】： 0 ：业 ( 3 - 8 ) = l 一 、j u ， r 其中，厶是车长，d 是线圈长度，耽是车辆通过检测点的速度，假定车长一定，则占有率 可演变为： 中山大学硕士学位论文 口= 竽莩- ( ，嘲而n1 车百1 ( 3 - 9 ) 而区间平均车速1 ，。与地点车速v ；之间的关系为： =一d d 1 ( 3 1 0 ) 舻再2 鬻2 焉 其中，表示车辆数，d 表示区间长度。将式( 3 1 0 ) 代入式( 3 9 ) 得到占有率与区间 平均车速之间的关系： d ；f ，+ d ) n1 ： ( 3 - 1 1 ) lu 由上式可知，占有率与交通量之比再乘以一个固定的检测周期乃其结果约为车辆通过 检测点的平均时间，定义为车辆平均占用时间a v r t ，这也是本文交通预测的目标参数。 在实际应用中其单位为秒辆。 v r t ：旦7 ：尘旦(312avrl ) = 一i = f j 一7 n u 3 5 基于神经网络的交通参数预测 交通预测算法主要可以分为以传统数学和物理方法为基础的算法以及以人工智能 为基础的算法【3 0 , 3 1 1 ，前者多数是以线性模型为基础，抗干扰能力差，预测效率低下。而 人工智能中的神经网络具有高度非线性映射的能力，能够识别复杂非线性系统的特性， 交通系统是复杂巨系统，因此神经网络比较适合于交通领域的应用，目前已经有很多文 献【2 8 3 2 ，3 3 1 证明了使用神经网络技术进行交通预测的可行性，模拟和实测数据验证结果表 明其预测性能比传统算法都优越，因此本文选用神经网络作为预测模型，构建两个网络 对3 4 中确定的占有率和平均占用时间这两个目标参数分别进行预测。 3 5 1b p 神经网络概论 人工神经网络( a 】州，a r t i f i c i a ln e u r a ln e t w o r k ) 是2 0 世纪8 0 年代后期迅速发展 和获得广泛应用的非线性模拟技术，是在人类对大脑神经网络认识理解基础上，人工构 造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是基于模 仿大脑神经网络结构和功能而建立的一种信息处理系统。 它由大量的简单的非线性处理单元( 类似人脑的神经元) 高度并联、互联而成，具 有对人脑某些基本特性简单的数学模拟能力。特点是：采用典型的黑箱式学习模式，不 需要任何经验公式，就能从已有数据中自动归纳规则，获得这些数据的内在规律：具有 基丁二交通流预测的高速公路交通状态判别方法研究 高度并行处理能力；鲁棒性、容错性强，能够自动修正误差；自适应强，可以在使用过 程中不断学习完善自己的功能。 神经网络的类型是多种多样的，从功能特性和学习性能等可分为：感知器神经网络、 线性神经网络、b p ( b a c k p r o p a g a t i o n ，即误差反向传播神经网络) 神经网络、径向函 数神经网络、自组织网络和反馈网络等，其中b p 网络是人工神经网络模型中使用最广 泛的一类，其结构如图3 8 左图所示。 x f 输勘 入 输入层隐层输出层嚣 图3 - 8 神经网络结构图 f i 9 3 8s t r u c t u r eo f n e u r a ln e t w o r k 从结构上讲，b p 网络属于多层网络，包含输入层、隐层和输出层，各层之间实行 全连接，前层单元的输出不能反馈到更前层，同层单元之间也没有连接，如图3 8 所示。 前后两层之间的神经元通过权值和激活函数连接，用x 1 ，x 2 x n 表示输入信号， w ( 1 j ) ，w ( 2 ，j ) w ( n j ) 表示神经元j 之权值，f 为激活函数，y 为神经元j 的输出。则神经 元的作用可以用数学表示为： y j = ( x ，w ( i ，) ) ( 3 - 1 3 ) 激活函数，是为模型引进非线性特性的函数。若没有非线性特性，隐层神经元就无 法令神经网络如此强大【3 4 】。几乎所有的非线性函数都可以被使用，但是b p 神经网络的 学习算法，要求传递函数是可微的，而且有界的更好。而本研究主要采用应用得最为广 泛的s 状曲线s i g m o i d 函数： f ( x ) = 嘉 ( 3 1 4 ) b p 神经网络的工作原理是：当给定网络一个输入模式时，它由输入层单元传递到 隐层单元，经隐层单元逐层处理后再传递到输出层单元，由输出层单元处理后产生一个 中山大学硕士学位论文 输出模式。这是一个逐层状态更新过程，称为前向传播；如果输出响应与期望输出模式 有误差，不满足要求，则转入误差反向传播，将误差值沿连接通路逐层反向传送并修正 各层连接权值，当对于每个训练样本误差都满足要求时，训练结束。其流程如下图所示： 图3 - 9b p 神经网络的学习过程 f i g 3 9b pn e u r a ln e t w o r kl e a r n i n gp r o c e s s 3 5 2 神经网络建模 b p 网络结构的构建包括输入层和输出层神经元数目的确定、隐层数目、隐层神经 元数以及训练样本的确定等，其建模流程如图3 1 0 所示。 首先，确定输出层。因为要对占有率和平均占用时间进行预测，且这两个参数都已 是量化的指标，因此对于所构建的两个网络而言，直接利用占有率、平均占用时间作为 其输出层。 接着，确定输入层。这是神经网络建模的最关键步骤，因为输入层代表着影响输出 层的最主要因素，而输出层为占有率和平均占用时间，因而输入层的确定实质上是确定 影响占有率、平均占用时间这两个输出变量的主要因素。 接着，确定隐层神经元。在b p 伸进网络中，隐层只是起着过度和特征探测的作用， 不具有太多的物理意义，因而确定隐层实质上是确定隐层神经元的个数即可。 基丁交通流预测的高速公路交通状态判别方法研究 确定了输入层、输出层和隐层神经元数目，就确定了整个神经网络的结构，接下来 将采集到的交通流数据分解为训练样本集和测试样本集对神经网络进行训练和测试。由 于占有率和平均占用时间都可以从实际环境从采集到或者计算得出，因而可以通过制定 一定的指标方便地检验实测值与预测值之间的差异，通过预测结果的对比选用较优的网 络作为预测模型。 i 确定输出层 i 确定输入层 i 确定隐层神经元 i 训练神经网络 i 测试神经网络 ( 结束 ) 图3 1 0 神经网络建模流程图 f i g 3 - 10f l o wc h a r to f n e u m ln e t w o r km o d e l i n g 3 5 3 相关系数法确定输入层 在以往神经网络的建模中，输入层的确定方法主要有：经验法和试凑法【3 5 1 。前者主 要靠建模者对问题的理解，根据经验决定，主观性较强；而后者需要对所有的输入组合 都进行尝试，并且对所尝试的组合都有一个训练和测试检验的过程，在对所有的输入组 合进行测试之后，选择效果最好的作为最终的输入参数，这是最完备的确定输入层节点 的方法，但是需要太多的工作量，不适合在实际中推广应用。 在本文建模的过程中，采用了皮尔森相关系数法来确定神经网络的输入层。由于皮 尔森相关系数可以表征两个变量之间的线性相关程度，其计算公式如下所示【3 6 1 。 o ， ，一备五吖) ( 只一y ( 3 1 4 ) 。 ，= 1 = = 竺兰= = = 毫= = = = = = = = = = = = 、- 9 、( 薯一i ) 2 ( 乃- y - 3 2 t ，= l扛l 相关系数越大表明两个变量之间的联系越强，因而在前人的研究中，亦以相关系数 作为结果的成因分析，协助选择最主要的影响因素 3 7 , 3 9 。在本文的研究中，把由相关系 中山大学硕士学f 秒论文 数反映的这种“联系 表征为两个变量之间的因果关系。神经网络的输入层与输出层实 质上是由不同的变量组成，因此可以计算各种可能因素与输出结果之间的相关系数，从 中选取相关系数较大者作为输入层。 作为服务于单截面交通状态判别的交通流预测，本研究只分析单截面的检测数据， 因而神经网络的输入层只能从单截面的历史数据里进行选取。而在实际应用中，交通流 的各个参数往往表现为按一定统计周期( 假定统计周期为r 1 分钟) 的统计量，如当前l 1 分 钟的占有率( q 。) 或者平均占用时间( a v r t 。) ，因而输入层只能从历史数据中各个 统计周期的交通量、占有率、速度等进行选取，如0 2 川。( 表示前2 ，z 分钟到前1 ，z 分钟的 占有率统计量，余下类推) 、0 3 川。、圪川。( 表示前2 ，z 分钟到前1 甩分钟的速度统计量， 余下类推) 、巧州。、q 2 。( 表示前2 胛分钟到前1 ，z 分钟的交通量统计量，余下类推) 、 q 柚。 要利用神经网络对当前n 分钟的占有率( q 。) 和平均占用时间( 刚瓦。) 进行预 测，则是要分别计算q 。、a v r t 。与q 。、0 3 砣。、圪川。、圪础。、q 川。、q 帕。等的 相关系数，得出相关系数表，从表中选择与q o 、a w r 。相关系数较大的变量作为输入 层节点。 在利用皮尔森相关系数法确定神经网络输入层节点数的同时，亦应注意尽可能减 小系统的规模，以减小学习的时间和系统的复杂性。在保证了误差满足需求的同时， 优先考虑较少神经元的输入层。 3 5 3 隐层的确定 根据全局逼近理论【3 9 1 ，一个有足够神经元的单隐层神经网络，通过选择合适的连接 权值和传递函数，可以任意逼近一个光滑的、可测度的函数的输入输出矢量【4 0 1 。但是隐 层神经元越多，则产生越多的隐层神经元和输入输出层神经元的连接权值，这样就需要 越多的