（交通运输规划与管理专业论文）基于非参数回归的路网短时交通状态预测.pdf

中文摘要 摘要：短时交通状态预测对于动态交通诱导，先进的交通管理、交通控制与安全 等，均具有重要的意义。短时交通状态预测研究在国际上一直很活跃。在过去的 几十年里，交通学者在这一研究领域做了大量的工作，取得了显著的研究成果。 本文主要对交通流短时预测作了进一步的研究： ( 1 ) 阐述了短时交通状态预测在智能交通系统中重要作用和地位，由此说明了 短时交通状态预测研究的重要性和必要性。 ( 2 ) 介绍了几种广泛使用的短时交通预测方法，分析了各种预澳4 方法的特点。 之后，按照单断面和多断面分别介绍了短时交通流预测的研究现状。 ( 3 ) 介绍了交通状态三个基本参数的定义。针对城市路网交通的时间空间分 布，分析了交通流的主要特点。然后介绍了交通流数据的修复方法。 ( 4 ) 通过回顾非参数回归在短时交通状态中的应用，介绍了非参数回归在该领 域内各个阶段的发展情况。在此基础上，通过状态向量的选择和相似机制 的设计，充分考虑上下游断面的影响，提出路网条件下的多断面短时交通 状态预测的非参数回归模型。 ( 5 ) 使用北京市的实际交通数据验证改进的模型。通过比较不同k 值和不同预 测函数输入条件下的预测效果，得出当k _ 1 0 和使用最相似交通状态作为 预测函数输入时预测效果最好的结论，并分析此时各个断面的平均绝对误 差和相对平均误差。然后分析了预测值和实际值的相关性。 最后总结了论文的工作，阐述了非参数回归模型的优点和不足，并展望非参 数回归在短时交通状态预测领域的发展方向和需要进一步研究的问题。 关键词：智能交通系统；短时交通流预测；交通状态；模式识别；非参数回归 分类号：u 4 9 1 a bs t r a c t a b s t r a c t ：t h es h o r t t e r mt r a f f i cs t a t ef o r e c a s t i n go f t e nu s e di nt h ed y n a m i ct r a f f i c g u i d a n c e , t h em v a n c e dt r a f f i cm a n a g e m e n ta n dt h et r a f f i cc o n t r o la n ds a f e t y , p l a y sa n i m p o r t a n tr o l ei nt h er e s e a r c ha r e ao ft r a f f i ce n g i n e e r i n g s os t u d yo ns h o r tt e r mt r a f f i c s t a t ef o r e c a s t i n gi sv e r yp o p u l a ri nt h ew o r l dd u r i n gt h ep a s tf e wy e a r s t r a f f i c e n g i n e e r sh a v ed o n em u c hw o r ki nt h i sa r e a , a n dg e tl o t so fr e m a r k a b l ef r u i t s f u r t h e r s t u d yi sd o n ei nt h i st h e s i s ： ( 1 ) w ee x p o u n dt h ei m p o r t a n tr o l ea n ds t a t u so fs h o r t t e r mt r a f f i cs t a t ef o r e c a s t i n g i ni 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 ，w h i c hr e s u l ti nt h en e c e s s a r ya n di m p o r t a n c eo f s h o r t - t e r mt r a f f i cs t a t ef o r e c a s t i n gr e s e a r c h ( 2 ) t h es t r e n g t ha n dw e a k n e s so fs o m ep o p u l a rm e t h o d sa r ei n t r o d u c e d t h e n ，t h i s t h e s i sp r o v i d e sa no v e r v i e wo ft h er e s e a r c hi ns h o r t - t e r mt r a f f i cs t a t ef o r e c a s t i n g , w h i c h c l a s s i f i e di n t os i n g l es e c t i o np r e d i c t i o na n dm u l t i - s e c t i o np r e d i c t i o n ( 3 ) t h et h r e eb a s i cp a r a m e t r i co ft r a f f i cf l o wa r ei n t r o d u c e da n db a s e do nt r a f f i c s t a t et i m ea n ds p a c ed i s t r i b u t i o no nu r b a nt r a f f i cn e t w o r k ，m a i nc h a r a c t e r i s t i c so ft r a f f i c a r ei n t r o d u c e da n da n a l y z e d t h e nt h i st h e s i si n t r o d u c e st h em e t h o dt or e p a i rt r a f f i cd a t a a c q u i r e df r o md e t e c t o r ( 4 ) a f t e rr e v i e w i n gt h ea p p l i c a t i o no fn o n p a r a m e t r i cr e g r e s s i o ni ns h o r t t e r m t r a f f i cs t a t ef o r e c a s t i n g ，t h i st h e s i si n t r o d u c et h ea c h i e v e m e n to fn o n p a r a m e t r i c r e g r e s s i o ni nt h i sa r e a a n dt h e n , t h i st h e s i sp r e s e n tan e wn o n p a r a m e t r i cw h i c hc a nb e u s e df o rs h o r t - t e r mt r a f f i cs t a t ef o r e c a s t i n gi nr o a dn e t w o r k ( 5 ) t h ep r e s e n t e dm o d e li se x a m i n e db yt h et r a f f i cd a t ao fb e i j i n g b yc o m p a r i n g t h er e s u l t so fd i f f e r e n tka n di n p u t ，w eg e tb e s tp r e d i c t i o nw i t hk = ioa n dt h em o s t s i m i l a rs t a t ea si n p u to fp r e d i c t i o nf u n c t i o n ，f o l l o w i n gb yt h ea n a l y s i so nr e s u l to ft h e b e s tp r e d i c t i o n a tl a s t ，t h es t r e n g t ha n dw e a k n e s so ft h i sn e wm o d e la n dt h ed e v e l o p m e n ta n d p r o b l e m so fn o n p a r a m e t r i ci ns h o r t - t e r mt r a f f i cs t a t ef o r e c a s t i n gi nf u t u r ea r el i s t e d k e y w o r d s ：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 h o r tt i m et r a f f i cf l o wf o r e c a s t i n g ； t r a f f i cs t a t e ；p a t t e r nr e c o g n i t i o n ；n o n p a r a m e t r i cr e g r e s s i o n c l a s s n 0 ：u 4 9 1 图目录 图1 - 1a t m s 的信息链3 图1 - 2a t i s 系统构成3 图卜3 研究技术路线6 图2 一l 短时交通状态预测流程图一8 图3 - 1 实际交通流参数三维图1 8 图3 - 2 周一交通流情况2 0 图3 - 3 周二交通流情况2 0 图3 - 4 周三交通流情况2 0 图3 - 5 周四交通流情况2 1 图3 - 6 周五交通流情况2l 图3 - 7 周六交通流情况2 1 图3 8 周日交通流情况2 2 图4 - 1 基于散列函数的历史数据库组织3 3 图4 2 使用最相似状态下一时段的状态作为预测函数的输入3 6 图4 - 3 预测算法流程图。3 7 图5 - 1 修复前的交通流量4 1 图5 2 修复后的交通流量4 l 图5 39 月15 日交通流量图4 2 图5 49 月16 日交通流量图4 2 图5 59 月17 日交通流量图4 2 图5 - 69 月18 日交通流量图4 3 图5 79 月19 日交通流量图4 3 图5 - 89 月2 0 日交通流量图4 3 图5 - 99 月2 1 日交通流量图4 4 图5 1 0k = 5 时两种输入预测的流量绝对平均误差4 7 图5 - 1 1k = 7 时两种预测函数的流量绝对平均误差4 7 图5 - 1 2k = 1 0 时两种预测函数的流量绝对平均误差4 8 图5 1 3k = 1 3 时两种预测函数的流量绝对平均误差4 8 图5 - 1 4t ，k = 5 时的流量绝对平均误差4 9 图5 - 15t ，k = 7 时的流量绝对平均误差一4 9 图5 1 6t ，k = 1 0 时的流量绝对平均误差4 9 图5 - 1 7t ，k = 1 3 时的流量绝对平均误差5 0 图5 1 8t ，k = i o 和t + 1 ，k = 5 的预测结果对比5 l 图5 一1 9 各个断面的流量相对平均误差5 l 图5 2 0 预测流量和实际流量的相关图5 2 图5 2 l 预测速度和实际速度的相关图5 2 图5 2 2 预测占有率和实际占有率的相关图5 3 表目录 表4 _ 1 四种方法的优缺点3 0 表5 - 1 原始数据库格式3 9 表5 - 2 目标数据库格式3 9 表5 - 3 合并后内环数据记录4 0 表5 - 4 合并后外环数据记录4 0 表5 - 5 提供数据的断面4 4 表5 - 6 二三环断面上下游关系4 5 学位论文版权使用授权书 本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特 授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索， 并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国 家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名： 妹 新妣很鸫 签字日期：弘貉厶月e l 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研 究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或 撰写过的研究成果，也不包含为获得北京交通大学或其他教育机构的学位或证书 而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作 了明确的说明并表示了谢意。 学位论文作者签名 签字日期：、州8 年舀月j 日 6 2 致谢 随着毕业论文的完成，我的研究生学业即将结束，回首两年的硕士研究生生 活，有进步也有不足，但总体来讲，收获远远超过了期望。 首先，我要感谢我的导师邵春福教授，他在学业和生活上都给予了我莫大的 指导和帮助，他渊博的学识、敏锐的思维、开阔的视野和丰富的学术研究经验一 直深深地影响着我。从他身上，我学到的不仅仅是专业知识和科研方法，更学到 了正确乐观的做人态度和积极严谨的工作作风，这一切都将使我受益终身。我为 能有这样的导师而感到万分荣幸和自豪，对老师的感激之情无以言表，只有铭记 在心，并送上一生的祝福。同时感谢魏丽英副教授和何世伟教授对我的关心和支 持。他们在我最需要的时候帮助我，我会永远记住老师的恩德。 最后，我还要感谢邵春福教授课题组的所有成员。这个大集体不仅为我提供 了诸多学习和锻炼的机会，更给予了我很多温暖。师兄弟们团结和睦，在学业上 互相探讨，有合作有分工，齐心合力完成了一个个科研课题；在生活中大家互相 关爱，一起锻炼身体一起休闲娱乐。我感激这样一个团队，感谢聂伟、姚智胜、 赵熠、李霞、陈晓明、李娟、岳吴、董春娇、高永亮、孙志超、贾森、尹相君、 徐丽丽、李婧、李妲、段琳琳、吴学高、张荣光等同门和王小华、孙杰、冯伟、 王学勇、黎浩东、陈超、隋小波、白煜超、蔡龙军、王健全、乔国会、李明华等 同学在学习和生活中的互相帮助；也要感谢张辉、张娟、余碧莹、高耀文等师弟 师妹们的支持。实验室里朝夕相处、同舟共济的这段美好时光将永远留在我的记 忆深处。 最后，要感谢我的父母，他们的理解和支持是我学习和生活的基础，也是我 不断进步的动力。 路漫漫其修远兮，在未来的人生路上我将继续努力! 1 引言 1 1 研究背景 近年来，随着经济的发展，交通需求日益增加，城市道路交通拥堵、交通事 故频发、交通环境恶化等问题已经成为我国大城市的普遍性问题，也在世界范围 受到关注。自上世纪8 0 年代以来，发达国家开始投入大量人力、物力开发道路交 通管理与控制技术，运用各种高新技术系统地解决道路交通问题【l 】。智能交通系统 i t s ( i n t e l l i g e n tt r a n s p o r ts y s t e m ) 是将先进的信息技术、计算机技术、数据通 信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等有效 的综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之 间的联系，从而形成一种定时、准确、高效的综合运输系统。智能交通系统以缓 和道路拥堵和减少交通事故，提高交通的方便性、舒适性为目的，是利用交通信 息系统、通讯网络、定位系统和智能化分析与路径诱导的总称。它通过传播实时 服务交通信息使出行者实时把握行驶前方道路的交通环境，并据此做出正确选择； 通过消除道路拥堵等交通隐患，建设良好的交通管制系统，减轻对环境的污染； 通过对智能交叉口和自动驾驶技术的开发，提高行车安全，减少行驶时间。从具 体功能上讲，i t s 将汽车、驾驶者、道路以及相关的服务部门相互连接起来，并使 道路与汽车的运行功能智能化，从而使公众能够高效地使用公路交通设施和能源。 其具体的运作方式是：该系统采集到的各种道路交通及服务信息，经过交通指挥 中心集中处理后，传送到道路交通系统的各个用户，出行者可以进行实时的交通 方式和交通路线的选择；交通管理部门可以自动进行交通疏导、控制和进行交通 事故检测；运输部门可以随时掌握所属车辆的动态情况，进行运力合理调度。这 样，路网上的交通经常处于最佳状态，能够缓解交通拥堵，最大限度地提高路网 的通行能力、机动性及安全性。 随着交通科技水平的不断提高和智能交通系统的应用，我国的大城市快速路 和主干道交叉口处逐渐设置了交通流参数自动获取装置。例如，环形线圈( 道路 信号交叉口) 、远程交通微波传感器r t m s ( 北京等城市的快速路断面) 和车辆拍照 获取装置a v i ( 主要交叉口的电子警车和部分线路的起终点) 等。交通信息采集、 传输和发布设备的性能价格比日趋合理，为获取实时数据奠定了重要的物质基础， 为从事基于数据分析的交通信息预测研究提供了基础数据保障。及时获得路网上 的实时数据，并从海量的动态交通数据中，经过抽样和过滤等管理技术，提取出 直观、准确、实时的交通运行状态信息，如交通流量、速度、占有率、形成时间 和拥堵程度等已经成为可能，为从事交通流分析和预测研究提供了基础数据保障。 利用交通流参数自动获取装置硬件和软件平台、充分发挥其作用，利用科学理论 进行可靠的分析和预测，提供给用户，诱导用户进行最适合自己的路径选择，避 开拥堵区段，减少不必要的行驶损失，提高行驶效率和交通安全、减轻交通环境 负荷，最大限度的利用道路资源，对于提升我国城市交通的基础理论及其应用水 平均具有重要意义，也是非常重要且亟待解决的问题【2 j 。 1 2 研究目的和意义 短时交通状态预测( s h o r t - t e r mt r a f f i cs t a t ef o r e c a s t i n g ) 是智能交通 系统建设中的核心问题之一，它是先进的交通管理系统( a t m s ) 中制定主动型交 通控制策略和交通出行信息系统( a t i s ) 中实时路径诱导的基础条件。两者必须 基于动态变化的交通流状态，是针对未来时段的预期交通流状况采取的相应措施 【3 1 。短时交通流预测为先进的交通管理系统和交通出行信息系统的实现提供基础理 论支持和数据支持。 1 、短时交通流预测理论是先进的交通管理系统实现的基础和依据 先进的交通管理系统是i t s 最基本的组成部分，它是通过先进的交通信息采 集技术、数据通信传输技术、电子控制技术和计算机处理技术等，把采集到的各 种道路交通信息和各种道路交通相关的服务传输到交通指挥中心，交通指挥中心 对来自交通采集系统的实时交通信息进行分析、处理，并利用交通控制和交通组 织优化模型进行交通控制方案等的优化，经过分析、处理和优化后的综合交通管 理方案和交通服务信息等内容，通过数据通信传输设备分别传输到各种交通控制 设备和交通系统的各类用户，以实现对交通流实时监控、智能控制和主动管理， 将车辆运行与交通管理的完美结合，保证道路网始终处于最佳的运行状态【4 j 。 a t m s 的主要目标是实现对城市道路与公路的一体化监视、监控与管理【5 j 。a t m s 通过对道路交通网络中的各种交通信息进行实时采集、传输和分析处理，及时发 现交通运行过程中存在的各种故障，为道路交通的管理者和参与者提供决策支持， 最大限度的减少由交通拥挤和交通事故引起的出行时间延误，提高道路交通的安 全性和运行效率。a t m s 的信息链如图i - i 所示。 作为a t m s 核心内容的交通管理控制子系统，其主要任务是监测所有子系统各 种设施的工作状态和交通流的运行，并据此制定和实施交通管理与控制策略。其 中，交通流运行状态监测的目的是通过对实时动态交通流数据的快速融合与挖掘， 结合所获得的人工信息，及时、准确地获得交通运行故障信息和交通控制系统所 2 需要的信息1 6 1 。交通流运行状态监测的核心是动态交通分析模型，包括数据预处理 的模型、交通流预测模型和交通状态自动判别模型等。发达国家的实践表明这些 动态交通模型的精度和可靠度，特别是交通流预测模型的精度可靠性决定了a t m s 的效率和效果，因此一直是i t s 领域研究的重要内容之一。 图卜1a t m s 的信息链 f i g u r e1 - 1i n f o r m a t i o nc h a i no f a t m s 2 、短时交通流预测理论是先进的交通信息服务系统实现的基础和依据 先进的交通信息服务系统是i t s 的重要组成部分之一。交通信息服务能够通 过有线通信和无线通信等手段以语言、图形和文字等形式实时向出行者提供相关 信息，使出行者( 包括司机和乘客) 从出发前、出行过程中直至到达目的地的整 个过程中随时能够获得有关道路交通状况、所需时间、最佳换乘方式、所需费用 以及目的地各种相关细节等，从而指导出行者选择合适的交通方式和路径，以最 高的效率和最佳的方式完成出行。交通信息服务系统使人的交通行为更具有科学 性、计划性和合理性，是实现智能交通的重要标志。 先进的交通信息服务系统主要由交通信息中心、通信网络和用户信息终端三 大功能单元组成，系统的构成如图1 - 2 所示1 7 】。 道路变通信息 i-， l 无线通信调频|l 公众信息显示|j 个人信息显考 i 广播终端 终端 il 终端 图卜2a t i s 系统构成 f i g u r e1 - 2c o m p o n e n t so f a t i s 3 蓄一 由图卜2 可知，交通信息中心是指为整个系统控制的实现提供数据处理、显 示和接口功能，包括对道路交通运输数据和社会公众信息的采集、分类、加工和 发布。短时交通流预测作为交通信息中心的一个重要环节，其预测信息的质量不 仅会影响a t i s 的效益，还会影响使用者对系统的信心。因此，实时、准确、可靠 的交通流预测信息对于a t i s 的实现起到基础数据支撑的作用。 按照信息系统所提供的信息内容的不同，a t i s 可以分为以下几类：路径诱导 系统、交通诱导系统、停车场诱导系统和个性化信息服务系统。其中，交通流诱 导系统通过实时地采集和发送交通信息，实时的引导交通流合理分布，从而达到 高效率利用道路网络的主动交通控制方式。交通流诱导以交通流预测为基础，应 用现代通信技术、电子技术和计算机技术等为路网上的出行者提供必要的交通信 息，为其当前出行决策和线路选择提供信息参考，从而避免盲目出行造成的交通 堵塞，达到路网畅通和高效运行的目的。 因此，研究有效的短时交通流分析和预测理论与方法，从所获得的信息中准 确快速的预测和判别出道路交通流状态，是当前智能交通系统发展的当务之急， 也是研究的重点和难点问题。 我国大城市中的快速路以及一些主干道和交叉口逐渐设置了交通流参数自动 获取装置，能够及时获得路网上的实时交通流数据。采用有效的道路交通流动态 分析技术对前段采集的历史数据及当前交通流数据进行快速分析和实时、准确的 预测与判别，可以提高控制与诱导的效果，为道路交通系统的交通信息服务、交 通诱导、交通管制以及交通拥堵问题的缓解提供强有力的技术支持。因此，本选 题在交通实践中具有重要的现实意义。 将道路交通流的流量、车速和占有率等信息，通过信息采集、处理与发布， 使得交通管理者和使用者都可以获得交通信息，通过信息的充分利用和共享可提 高道路网通行能力。但由于尚未建立道路交通流实时动态信息系统，所提供的交 通信息只能是静态的、非实时地、定性描述路面状况的交通信息。而以短时交通 预测为基础的道路交通实时动态信息，从过去仅向使用者提供路面交通现状的实 时静态信息，转变到将交通信息进行深层次加工，实现交通流状况动态分布的预 测，能极大提高交通参与者获得交通信息的能力，提供给交通管理人员进行管理 决策以及对交通参与者实施交通出行诱导。交通参与者由传统的凭经验、随机出 行逐渐转变为在已知路网运行状态条件下理性的自主选择，从而帮助他们更好地 进行路径选择，以缩减出行时间，减少交通拥堵，提高路网的通行能力，为交通 的有序化奠定基础。 本论文的研究目标是研究基于实时观测数据的交通状态预测基础理论与方 法，为交通管理系统和出行者信息系统提供决策和信息支持。 4 1 3 研究内容 国内外对于短时交通预测提出了多种方法，包括构建以传统数学与物理方法 为基础的预测模型和以现代科学技术与方法( 如仿真技术、人工智能和控制理论等) 为基础的预测。有的预测方法考虑了各个观测断面之间的相互影响关系。但是对 于路网的交通状态预测的关注比较少，缺乏对网络环境下的观测断面问时空关系 的考虑。而在智能交通系统中，尤其在先进的交通管理系统和先进的交通信息系 统两个子系统中，作为辅助决策的重要基础信息，对道路网条件下的交通状态预 测是必要的。 本论文主要研究网络环境下道路及其交通状态参数实时、动态预测的理论与 方法。采用道路中各观测断面交通状态参数的时间序列观测值、路网的空间结构 数据，设计路网条件下基于非参数回归的短时交通状态预测模型，并拟合求解预 测值。在此基础上，利用北京市二环和三环的实际观测数据进行理论模型的校核 与验证，研究如何组织历史数据库，相似机制选取和不同k 值的选取对于预测精 度的影响。 1 4 研究的技术路线 对于路网的交通状态预测，要求使用的预测方法对于不同位置的观测断面具有 同样的有效性，即预测的效果不会因为观测断面的不同而发生改变，预测方法具 有高度的空间移植性。非参数回归是一种适合不确定、非线性的动态系统的建模 方法。它对于路网中不同的观测断面具有相同的有效性。这种方法便于操作实施， 能够应用于复杂环境，可在不同的路段上方便地进行预测【l 】。非参数回归具有较好 的预测精度，但是预测过程需要较长时间。常用的方法有k 近邻状态回归和核近 邻状态回归。其中，k 近邻回归是从历史数据库中寻找规定个数的与预测状态相近 的历史样本状态进行预测。这样就不必建立严格的数学模型和进行参数的标定， 可以避免复杂的参数拟合过程和对每个探测点都进行参数拟合，适应路网交通状 态预测的需要。 考虑上述问题，本论文制定的研究技术路线如图卜3 所示。 5 f _ 虻) 亟匠 i 呸亟口 1 5 论文结构 恒垂堕玉垂画巫塑圆 ( 受巫匿垂亟匹塑垂圃 ( 巫妇 ( 二亟妇 ( 重亘亟 1 利用北京市的交通j 1数据进行验证 图1 - 3 研究技术路线 f i g u r e1 3t e c h n i c a l f l o w c h a r to fr e s e a r c h 本论文主要分为六章，主要内容如下： 第一章引言，主要介绍交通流短时预测研究的意义，论文的技术路线。 第二章首先介绍了现有的短时交通流预测方法。然后按照单断面和多断面预 测，分别介绍国内外短时交通流预测研究状况。 第三章交通状态参数的定义，特点和交通数据的预处理方法。首先介绍了交 通状态三个参数的定义。然后根据交通流量的时空分布特点及人们出行的规律性 和随机性，介绍交通流的动态性、周期性和相关性。最后介绍交通数据的预处理 方法：错误数据的识别和处理，丢失数据的处理。 第四章预测方法研究。首先介绍非参数回归的基本原理和特点。然后具体介 绍了非参数回归在短时交通流预测方面的应用发展过程。最后提出改进的非参数 回归方法。 第五章实例验证。通过北京市的交通数据，验证了改进非参数回归方法 第六章总结。总结本论文的主要工作，并展望今后的研究问题。 6 2 实时动态交通状态预测综述 2 1 短时交通状态预测的基本流程、特点和要求 交通流预测就是基于动态获取的若干时间序列道路交通流状态数据推测未来 时段的交通流状态数据。通常以交通量、平均速度和占有率作为反映交通流状态 的参数，定义为交通流基本参数。交通流预测实质上是对这些交通流基本参数的 预测，分为长时预测和短时预测两种。前者指时间序列数据的间隔和预测周期较 长的情况，例如1 小时，一天甚至更长；后者则指时间序列数据的间隔和预测期 较短的情况，例如5 分钟，一般在1 5 分钟以内。在实际道路交通网络中，交通流 状态随着时间的推移而变化。针对这种变化，短时交通流状态预测是研究如何根 据过去时段的交通流状态预测未来时段的实际交通流状态，使得预测状态逼近实 际的交通流状态。 道路交通流状态取决于交通参与者的交通行为，带有随机性和不确定性，基 于实时数据分析的交通流预测考虑到交通流时间空间的随机性，根据过去若干个 时段交通流数据的时间、空间变化情况，结合其他影响因素，预测未来若干个时 段内的交通流估计值。 由于交通流是一个实时、非线性、高维、非平稳的随机过程，随着统计时段 的缩短，交通流变化的随机性和不确定性越来越强。交通流短时变化不仅与本路 段过去几个时段的交通流有关，还受上下游的交通流及天气变化、交通事故和交 通环境等因素的影响。交通流基本参数，如交通流量、平均速度、密度和占有率 等，可以通过各种交通流信息采集设备获得。这些数据中，反应交通流时间变化 的数据主要有本观测断面过去几个时段的交通流参数；反应交通流空间变化主要 有本观测断面上下游当前及过去几个时段的交通流参数等。交通流预测要解决的 问题就是如何从带有随机性和不确定性的交通流变化中，根据来自各种交通流信 息采集设备的交通流参数数据，结合其他影响因素，进行数据的系统分析，找出 其中的规律性，建立相应的预测方法和模型，以预测未来的交通流变化。其基本 流程如图2 - 1 所示。 对于基于实时数据分析的短时交通流预测，其建立的模型方法的要求和特点 主要有：( 1 ) 精确性。交通流的预测结果要满足精度要求，才能获得应用，不准 确的交通流信息毫无意义。( 2 ) 实时性。计算复杂性要满足要求，要能够在规定 的时间内求出计算结果，才能及时获得交通流信息，才有应用价值。( 3 ) 动态反 7 馈性。交通流一旦发生异常情况，要能够根据实际情况，动态反馈到计算模型中 进行调整。( 4 ) 可移植性。建立的模型能够通过参数调整而具有时间和空间的可 移植性【2 】。 一一数据 拟台 图2 - i 短时交通状态预测流程图 f i g u r e2 一lf l o wc h a r to fs h o r t - t e r mt r a f f i cs t a t ep r e d i c t i o n 2 2 短时交通状态预测方法 短时交通状态预测的方法包括两类：构建以传统数学与物理方法为基础的预 测模型和以现代科学技术与方法( 如仿真技术、人工智能、控制理论) 为基础的预 测。前者包括历史均值法，时间序列模型中的a r i m a ( a u t o r e g r e s s i v ei n t e g r a t e d m o v i n ga v e r a g em o d e l ) ，是应用最广泛的一种时间序列模型、卡尔曼滤波模型 ( k a l m a nf ii t e r i n gm o d e l ) 、参数回归模型( p a r a m e t r i cr e g r e s s i v em o d e l ) 、指 数平滑模型( e x p o n e n t i a ls m o o t h i n gm o d e l ) 以及由这些模型构成的各种组合预测 模型等；后者包括非参数回归模型( n o n p a r a m e t r i cr e g r e s s i v em o d e l ) 、 k a r i m a 算法、自适应权重模型、谱分析法( s p e c t r a lb a s i sa n a l y s i s ) 、状态空间重构模 型、小波网络( w a v e l e tn e t w o r k ) 、基于多维分形的方法、基于小波分解与重构的 方法和多种与神经网络( n e u r a ln e t w o r k ) 相关的复合预测模型等【l j 。 2 2 1 历史均值法 历史均值法的前提是：一个断面的交通流量是遵循一定规律的，以一天为周 期重复再现的。它是通过简单的平均历史上时段t 的流量作为当前时段t 的流量 预测值，属于一种静态的方法，它认为交通流量和行程时间具有严格的周期性。 该方法的优点是计算简单，但是由于其静态性的本质，未能反映交通流过程的不 确定性和非线性性，无法克服随机干扰因素对交通流的影响，因此若有突发事件 8 发生，该预测方法则不能做出正确的预测【引。 2 2 2 求和自回归移动平均模型 a r i m a 模型是由b o x 和j e n k i n s1 9 7 7 年提出的一种时间序列模型【9 】。模型的基 本思想是对于任何一个从等时间间隔取出的平稳时间序列x 。，假设其均值为u ，都 可以用以下线性模型表示： 妒，( 曰) ( 1 一b ) 4 ( 石，一) = 0 。( 口) 口， ( 2 - 1 ) b x 。= x ( 2 - 2 ) ，( b ) = 1 一口l b 一一口，b p ( 2 - 3 ) o 。( 曰) = 1 + 屈b + + 成b ( 2 - 4 ) 式中：b 为后移位算子；p ，d ，q 为非负整数参数；砟【b ) 为p 阶自回归算子； a 。( i = l ，p ) 为参数； 。为q 阶移动平均算子；8j ( j = 1 ，p ) 为参数；a ，为服从独 立正态分布n ( o ，02 ) 的白噪声序列【1 0 1 。 式( 2 1 ) 表达的模型通常被称为a r i m a ( p ，d ，q ) 。该模型在估计参数时，必须 依赖大量的时间序列观测值。而在实际情况下，经常由于多种原因造成数据遗漏， 导致模型精度降低。该模型是从纯时间序列的角度预测，没有考虑上下游路段之 间的流量关系，即仅仅考虑单个观测断面流量从时间序列角度上的内部关系，而 忽略了流量与其它交通变量之间的关系，因此没有完整的描述系统的状态；另外， 模型特别适用于稳定的交通流，交通状况变化急剧时，由于计算量过大，该模型 将在预测延迟方面暴露出明显的不足，其在线参数调整速度太慢，不能适应交通 流的快速变化，引起预测的滞后性【引。 2 2 3 指数平滑模型 指数平滑模型主要是在预测过程中不断考虑最新观测值对预测的纠正，从而 综合前面预测的误差，加入到下一次的预测中，经反复迭代，最终形成的预测结 果为一个对所有前面观测值的线性组合。其权重是不断衰减的指数权值，而且相 对来说观测值越近，其在预测偏差的纠正上所占的权重值越大，这也正是指数平 滑的得名由来。目前主要有2 种做法：单次指数平滑( s i n g l ee x p o n e n t i a l s m o o t h i n g ) 和二次指数平滑( d o u b l ee x p o n e n t i a ls m o o t h i n g ) 。 指数平滑模型采用递归式计算，对数据的存储要求较低，只需存储前一个估 计值和过滤参数；计算比较简单，不需要训练，因此早期应用较多o 】。 9 2 2 4 卡尔曼滤波理论 卡尔曼滤波理论包含一组方程，一旦得到新的观测值后，预测模型就可以更 新。预测过程分为2 步：根据现有数据形成对下一个观测值的最佳预测模型；然后 再将最新的观测值用更新方程加入预测向量中。假设x 。代表t 时段的交通流量，是 一个m 维的向量，引入模型预测k 个时间段之后的交通流量x 。幢。 k l = h o ( t ) x t + 月l o ) 誓- l + + h r o ) - ，+ 心 ( 2 5 ) 式中：j f 为x 。咄预测值；h j ( t ) 为m x n 维参数矩阵( j = o ，1 ，r ) ；x t - j 为用 于预测苁。所需的1 1 维交通参数向量，根据以前观测或工程经验确定w 。维噪声向量。 卡尔曼滤波算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，精度较高的优点，且模型的预测精度不依赖预测时 间间隔。但是，由于模型的基础是线性估计模型，所以当预测间隔小于5 分钟，交 通流量变化的随机性和非线性较强时，模型的性能便随之下降。此外，由于在每 次计算时都要调整权值，需要作大量的矩阵和向量运算，导致算法较为复杂，难 以用于实时在线预测，预测输出值有时要延迟数个时间段【1 1 1 。另外有偶发事件发 生时，交通流状态发生突变，模型为了适应变化的交通流必须进行实时参数调整， 而这个参数调整过程往往需要几个预测间隔，所以其预测不可避免具有一定的滞 后性8 1 。 2 2 5 神经网络模型 神经网络模型自2 0 世纪9 0 年代以来在交通工程领域被逐渐应用，其中一个 重要方面是短时交通流预测。神经网络模型也被证实适合用于描述交通流系统的 非线性特征。神经网络模型是由一系列简单但相互连接的处理单元构成的一个计 算系统。在一个神经网络模型中，除去输入、输出变量外，核心变量是各层之间 的连接权重。连接权重的确定与回归模型中回归参数的确定十分类似，使得模型 能够拟合给定的历史数据，通过大量历史数据确定连接权重。当一个神经网络模 型通过“学习”得到输入和输出变量的关系之后，即可用于对给定输入的预i 贝0 。 迄今已有多种不同的神经网络模型被应用于短时交通流预测，例如反向传播( b a c k p r o p a g a t i o n ，简称b p ) 神经网络、径向基函数( r a d i a lb a s i sf u n c t i o n ，简称 r b f ) 神经网络、时间迟滞神经网络( t i m ed e l a yn e u r a ln e t w o r k ，简称t d n n ) 与时间迟滞性循环神经网络( t l r n ) 等。混合神经网络或模糊神经网络模型的主 要特征是首先借助神经网络模型对交通流的模式进行分类，然后针对每一类交通 模式分别采用单个合适的模型进行描述和预测。由于交通流本身是由多因素引起 1 0 的复杂过程，各种因素对交通流的模式都有一定的影响，因而采用这样一种混合 模型综合描述和预测各因素对交通流的影响时，效果比较单个的神经网络好。 神经网络模型具有描述非线性系统的良好特性，虽然各种模型都倾向于采用 “黑盒子 方式描述输入输出间的关系，使模型结构被掩盖，但是作为描述交通 流模型的有力工具，神经网络考虑了交通流在时空上的关系特性，借用对大量历 史数据的学习代替模型结构中大量参数的估计过程。 2 2 6 自适应权重模型 自适应模型的基本思想是：给交通流状况的各个影响因素分配权重。定义可 以实时检测到的路况指标，比如预测间隔时间、突发事件、与天气有关的因素、 道路占有率、平均路网行驶时间等，作为权重选择的依据。此方法由于以线性回 归模型为基础，所以相对来说计算简单，易于实现，从而便于大规模应用；且采 集路况指标用以改变权重也简单易行，实时性好。指标选择灵活是该预测模型特 点之一，使它的应用比较方便，但同时也不可避免地加大了主观性。自适应权重 模型的关键是要根据实时采集的反映当前路况信息的指标来动态地改变各个预测 因子在回归模型中所占的比重，从而加强模型的自适应能力，以克服普通线性回 归模型不能反映出交通流的非线性变化和不确定性的缺点。但是，这种方法在权 重的选择策略上还存在着不足。一般来说只是从理论上分析或凭经验推测路况指 标对各权重的影响，缺乏更为科学的选择机制。针对该问题，提出采用神经网络 产生权重分配方案的改进方法，在实际应用中可用较为简单的b p 网络以实时采集 的路况指标作为输入，以权重分配向量作为输出，用预测值和实际值之间的误差 训练网络，这将进一步增强模型的自适应能力。 2 3 单一断面交通流预测研究现状 a h m a e ds a 和c o o ka r ( 1 9 7 9 ) 利用b o x - j e n k i n s 技术预测高速公路的交通 流量。预测结果表明，此方法精度不够理想。n a n c yl n i h a n 和k j e l l 0 h o l m e s l a n d ( 1 9 8 0 ) 应用b o x - j e n k i n s 技术预测某路段四年的交通流量资料，预 测精度较高。此方法的缺点是要求的历史数据较多，且对建模者的知识水平和建 模技巧要求较高。n i c h o l s o n 和s w a n n ( 1 9 7 4 ) 利用谱分析预测交通流量，结果较为 满意，但不能预测不可预见的交通事故对交通流量的影响。n i c h o l s o n 和 s w a n n ( 1 9 7 9 ) 利用t 谱分析模型( s p e c t r u mm o d e l ) 预测交通流量。a h m e d 和 c o c k ( 1 9 7 9 ) 将