文献检索课程结课论文

《文献检索和数据库利用》结课论文题目：短时行程时间预测综述姓名：学院：专业：学号：联系方式：指导教师：摘要日益增多的机动车数和严峻的交通拥堵促使智能交通的发展，智能交通系统中的重要的一项基本功能是交通参数的预测，如行程时间的预测。行程时间预测的准确性直接关系到出行者的路径选择，进而影响选择路段的交通运行状况。行程时间的预测是实现先进的交通管理系统（ATMS）、先进的交通信息系统（ATIS）的前提，对智能交通（ITS）的发展起着重要的作用。本文主要工作是阐述和总结近几十年来人们在行程时间预测方法上的研究结果，对研究结果进行纵向时间顺序和横向研究方法的比较，在此基础上总结研究趋势，针对现有研究方法的不足和行程时间本身的多模式特性，提出自己有关行程时间预测方法的观点，并提出基于动态张量填充的行程时间预测框架。第一章前言随着经济的发展，人们生活水平的提高，机动车使用量也日益增加，这加剧了交通拥堵，交通拥堵在导致出行者时间和金钱花费增加的同时，还加剧了环境污染，影响了整个城市交通的正常运行。拥堵收费等政策性措施已经不能从根源上解决交通拥堵问题。基于拥堵等交通问题重重出现，集先进的信息技术、通讯技术、传感技术、控制技术以及计算机技术为一体，旨在缓解交通阻塞、提高路网通过能力、减轻环境污染、减少交通事故、降低能源消耗的高效的智能运输系统得到大家的关注。行程时间预测是智能交通不可分割的部分，起着至关重要的作用。行程时间预测的重要性在许多有关交通运输的文章里都有被提及；随着交通发展中“以人为本”的思想逐渐盛行，一套不仅可用于交通管理和控制优化，还可为出行者提供准确交通信息的智能交通系统（ITS）亟需完善[[]李树广,[]李树广,刘允才.智能交通的发展与研究[J].微型电脑应用,2005,06:1-6.正是由于智能交通的发展和交通设备技术条件的完善，越来越多的研究着眼于行程时间等交通参数数据的恢复和预测。顾名思义，行程时间预测是指利用现有的信息对未知时间、空间段的行驶时间进行预测的过程。行程时间预测包括高速公路行程时间预测、城市道路网预测等；从预测所利用到的数据来看，可以分为长时（long-term）行程时间预测和短时（short-term）行程时间预测。由于行程时间是动态随机变量，不仅与历史行程时间存在一定的相关性，与现时的行程时间之间也有较强的关系；预测时间点与测量时间点间隔太大，意味着与预测多点时间与现时行程时间的相关性越弱；因此，在感兴趣范围内，近期行程时间预测比远期行程时间预测更有意义，更具时效性。因此大多数行程时间预测集中在短时行程时间预测[[][]LiliDu,SrinivasPeeta,YongHoonKim.Anadaptiveinformationfusionmodeltopredicttheshort-termlinktraveltimedistributionindynamictrafficnetworks[J].TransportationResearchPartB,2012,46(1):235-252.人们尝试利用将不同领域的预测或者数据特征提取方法应用行程时间预测。最初人们考虑到行程时间是随时间变化而变化的变量，利用统计学方法进行预测；随着研究的深入，基于时空状态的神经网络模型开始应用于行程时间预测；而后，基于时空的多变量行程时间预测方法也相继诞生。尽管目前的行程时间预测方法和模型已经被证实得到比较好的预测结果，但是，这些方法大多只考虑到单个影响变量，或者考虑到多变量，引入矩阵进行预测；而行程时间不仅与时间空间有关，还因为人们“日出而作，日落而息”的生活以及工作日的分布存在着很强的周期特性，有着天周期，周周期，路径相关等特性；这些特性仅仅用线性或者非线性回归都不能提取；本文将在对以前的方法做综述总结的基础上，对未来的行程时间预测方法提出建议。旨在提出更加精确的、稳定的行程时间预测方法，为智能化交通管理和提供智能化的实时信息做准备。第二章行程时间预测方法概述自十九世纪八十年代以来，行程时间预测就作为智能交通系统不可分割的部分，备受人们关注。追溯至今，短时行程时间预测已有35左右年的历史。人们不断尝试将新的方法应用于行程时间预测。2.1时间轴纵向发展首先从纵向发展角度来看，最初投入应用的是经典统计学方法，而后是数据驱动的交通流参数模型化方法，这两种方法一般都是在假设交通条件比较稳定的情况下进行预测，如回归整数移动平均模型(ARIMA)[[]YangJ.AStudyofTravelTimeModelingviaTimeSeriesAnalysis[C]//ProceedingsofIEEEConferenceonControlApplications.Canada:Toronto,2005,August28-31:855-860.]-[[]M.S.Ahrmed.,CookA.R..Analysisoffreewaytraffictime-seriesdatabyusingBox-Jenkinstechniques[J].TransportationResearchRecord722,1979,1–9.]；接着，智能化计算方法和机器学习法被应用，如神经网络模型[[]LEEY.FreewayTravelTimeForecastUsingArtificalNeuralNetworksWithClusterMethod[C]//12thInternationalConferenceonInformationFusionUSA:Seattle,WA,2009,July6-9:1331-1338.]-[]Park,D.,Rilett,L.,andHan,G.Spectralbasisneuralnetworksforreal-timetraveltimeforecasting[J].J.Transp.Eng,1999,125(6):515–523[[]InnamaaS.Short-TermPredictionofTravelTimeusingNeuralNetworksonanInterurbanHighway[J].Transportation,2005,32(6):49-669.]，支持向量回归模型（supportvectorregression，简称SVR）[[]Vanajakshi,L,MadrasI,etal.SupportVectorMachineTechniquefortheShortTermPredictionofTravelTime[C].In[]YangJ.AStudyofTravelTimeModelingviaTimeSeriesAnalysis[C]//ProceedingsofIEEEConferenceonControlApplications.Canada:Toronto,2005,August28-31:855-860.[]M.S.Ahrmed.,CookA.R..Analysisoffreewaytraffictime-seriesdatabyusingBox-Jenkinstechniques[J].TransportationResearchRecord722,1979,1–9.[]LEEY.FreewayTravelTimeForecastUsingArtificalNeuralNetworksWithClusterMethod[C]//12thInternationalConferenceonInformationFusionUSA:Seattle,WA,2009,July6-9:1331-1338.[]Park,D.,Rilett,L.,andHan,G.Spectralbasisneuralnetworksforreal-timetraveltimeforecasting[J].J.Transp.Eng,1999,125(6):515–523[]InnamaaS.Short-TermPredictionofTravelTimeusingNeuralNetworksonanInterurbanHighway[J].Transportation,2005,32(6):49-669.[]Vanajakshi,L,MadrasI,etal.SupportVectorMachineTechniquefortheShortTermPredictionofTravelTime[C].IntelligentVehiclesSymposium.Istanbul.Turkey:IEEEpress,2007:600-605.[]Chun-HsinWu,Jan-MingHo,D.T.Lee.Travel-TimePredictionWithSupportVectorRegression[J].IEEEtransactiononintelligenttransportation,2004,5(4):276-281.[]Vlahogianni,E.I.,GoliasJ.C.,Karlaftis,M.G..Short-termtrafficforecasting:overviewofobjectivesandmethods[J].TransportationReviews,2004,24(5):533–557.[]Adeli,H.Neuralnetworksincivilengineering:1989–2000[J].Computer-AidedCivilandInfrastructureEngineering,2001,16:126–142.[]E.I.Vlahogianni,M.G.Karlaftis,andJ.C.Golias.Short-termtrafficforecasting:Whereweareandwhereweregoing[J].TransportationResearchPartC:EmergingTechnologies,2014.由纵向比较的结果可以得出现阶段人们集中研究的趋势的变化。但是最本质的思想一直没变，就是提高数据的质量、预测结果的精度和智能化程度。无论是传统的统计学方法还是数据驱动模型等，都是以提供高精度和高稳定性的预测结果为目的的。尽管如此，不同方法之间还是有差异的，考虑的因素越周全，预测的结果自然也会更接近真实值。因此，我们对行程时间预测方法做一个横向发展概述。2.2横向预测方法比较横向比较主要从人们考虑因素的方面和多少以及所用方法上的差异，及收获的效果展开。由于考虑的重点不同，几乎每一篇文章中都提到不同的横向方法都不一样。如Ta-YinHuetc.(2012)[[]HuTY,TongC,LiaoTY,etal.Simulation-assignment-basedtraveltimepredictionmodelfortrafficcorridors[J].IEEETransactionsonIntelligentTransportationSystems,2012,13(3):1277-1286.]应该根据预测模型的不同将行程时间预测方法分为：（1）统计学方法；（2）交通流预测模型；（3）神经网络模型；（4）卡尔曼滤波模型；（5）基于交通仿真的预测模型五大类。也有人根据预测时引入参数的形式和数量不同，将行程时间预测分为：参数化回归模型、非参数化回归模型、仿真混合模型等。由于考虑到不同的方面，形形色色的分类相继出现。实际上，以前的分类大多大同小异，大多是从预测模型上作比较。但是，很少有人考虑到根据行程时间本身的特性以及预测数据的之间相关性分类的方法。下面我的横向比较将从如何更多地获取交通行程时间数据之间的相关性并结合行程时间本身的特性展开。[]HuTY,TongC,LiaoTY,etal.Simulation-assignment-basedtraveltimepredictionmodelfortrafficcorridors[J].IEEETransactionsonIntelligentTransportationSystems,2012,13(3):1277-1286.最初的行程时间预测中，人们仅仅考虑到行程时间随时间变化而变化的规律，即单纯的时间序列法（timeseries），这些方法有自回归移动平均模型、卡尔曼滤波算法[[]朱中,杨兆升.基于卡尔曼滤波理论的实时行程时间预测模型[J].系统工程理论与实践,1999,19(9):74-78.]和非参数回归预测模型[[]LIZP,YUH,LIUYC,etal.Animprovedadaptiveexponentialsmoothingmodelforshort-termtraveltimeforecastingofurbanarterialstreet[J].Actaautomaticasinica,2008,34(11):1404-1409.]等；以自回归移动平均模型为例，该方法先用历史行程时间进行自回归得：Xt=ϕ1Xt-1+ϕ2Xt-2+…+ϕpXt-p+Zt，其中，ϕ=ϕ1,ϕ2,ϕ3,…ϕp是模型的参数，即自回归系数；然后利用移动平均再求预测时间：Xt=θ1Zt-1+θ2Zt-2+…+ϕqZt-q+Zt。其中，θ=θ1,θ2,θ3,…θq是模型的参数，即移动平均次数；z(t)是观测时间的干扰，服从高斯分布。然后将两个模型结合得：1-BdϕBXt=θ(B)Z[]朱中,杨兆升.基于卡尔曼滤波理论的实时行程时间预测模型[J].系统工程理论与实践,1999,19(9):74-78.[]LIZP,YUH,LIUYC,etal.Animprovedadaptiveexponentialsmoothingmodelforshort-termtraveltimeforecastingofurbanarterialstreet[J].Actaautomaticasinica,2008,34(11):1404-1409.[]KhosraviA,MazloumiE,NahavandiS,etal.Ageneticalgorithm-basedmethodforimprovingqualityoftraveltimepredictionintervals[J].TransportationResearchPartC:EmergingTechnologies,2011,19(6):1364-1376.[]FeiX,LuCC,LiuK.Abayesiandynamiclinearmodelapproachforreal-timeshort-termfreewaytraveltimeprediction[J].TransportationResearchPartC:EmergingTechnologies,2011,19(6):1306-1318.[]干宏程,汪晴,范炳全.基于宏观交通流模型的行程时间预测[J].上海理工大学学报,2008,30(5):409-413.[]ZhangX,RiceJA.Short-termtraveltimeprediction[J].TransportationResearchPartC:EmergingTechnologies,2003,11(3):187-210.与时间序列法类似，支持向量回归（SVR）和神经网络（ANNS）预测也是考虑输入历史数据和预测数据之间的关系，不对行程时间本身的特征做量化分析，其结果大多是间向量序列。其中，神经网络模型利用神经网络模型里用智能计算机算法找出输入数据与输出数据之间的映射关系，进而进行预测，与传统的时间序列法相比较，神经网络模型不需要利用统计学方法对数据进行统计分析，计算比较快，但是由于神经网络模型类似于“黑匣子”，我们不知道模型确切的对应关系，它只是一种基于机器学习过程的结果，因此不能排除神经网络模型本身的缺点，即需要对原始数据进行大量培训，以得到映射关系。为了使输入神经网络的数据需要的培训时间减少，提高运算的速度，有人在利用神经网络模型之前，先用其他的数学方法构建数学结构，如YunlongZhang&HanchengGe(2012)[[]YuW,LiX.Fuzzyidentificationusingfuzzyneuralnetworkswithstablelearningalgorithms[J].FuzzySystems,IEEETransactions,2004,12(3):411-420.]提出TSKFNN，先将数据输入模糊系统进行处理，形成簇团，然后输入到神经网络系统，进行行程时间预测。J.W.C.vanLint[[]VanLintJWC.Onlinelearningsolutionsforfreewaytraveltimeprediction[J].IntelligentTransportationSystems,IEEETransactions,2008,9(1):38-47.]提出实时在线的卡尔曼滤波模型，先通过卡尔曼模型对数据进性分析处理，再将处理结果作为神经网络模型的输入数据，意在神经网络模型冗长的培训时间。这些工作的目的在于克服神经网络模型冗长培训时间的缺点，目的在于提高预测的经度和效率。但是，无论是经过处理的混合神经网络模型还是未经过的原始神经网络模型，都是利用输入数据数列预测时间序列向量。支持向量回归模型在预测过程中，考虑到行程时间因为受交通因为特征的影响，呈现明显的周模式、天模式现象。支持向量回归先通过内积定义的线性变换将输入的数据变换到一个高位空间，然后找到广义最优分类面，将数据分离，输出结果为所有结果的线性组合。既支持向量回归等效于神经网络模型和统计学方法的结合，它利用机器学习找到行程时间的周模式、天模式特性，再做线性组合，但是没有考虑各个模式之间的相关性提取及其对预测结果的影响。K最近邻(k-NearestNeighbour，KNN)分类算法[[]GongX,WangF.Threeimprovementsonknn-nprfortrafficflowforecasting[[]YuW,LiX.Fuzzyidentificationusingfuzzyneuralnetworkswithstablelearningalgorithms[J].FuzzySystems,IEEETransactions,2004,12(3):411-420.[]VanLintJWC.Onlinelearningsolutionsforfreewaytraveltimeprediction[J].IntelligentTransportationSystems,IEEETransactions,2008,9(1):38-47.[]GongX,WangF.Threeimprovementsonknn-nprfortrafficflowforecasting[A].In:TheIEEE5thInternationalConferenceonIntelligentTransportationSystems[C].2002,736-740.MehmetYildirimoglu（2013）[[]YildirimogluM,GeroliminisN.Experiencedtraveltimepredictionforcongestedfreeways[J].TransportationResearchPartB:Methodological,2013,53:45-63.]在经验时间预测中利用到了交通数据预测中的各种方法，包括瓶颈识别、聚类划分、估计随机拥堵等。其中，聚类划分中用到主成分分析，提取多变量的主要成分及相关性。北京交通的邵春福等人[[]邵春福,张魁麟.基于实时数据的网状城市快速路行驶时间预测方法研究[J].土木工程学报,2003,36(1):16-20.]提出基于时间空间的实时数据的网状城市快速路行驶时间预测方法研究；LiliDu（2010）[[]DuL,PeetaS,KimYH.Anadaptiveinformationfusionmodeltopredicttheshort-termlinktraveltimedistributionindynamictrafficnetworks[J].TransportationResearchPartB:Methodological,2012,46(1):235-252.]利用自适应信息混合模型进行行程时间预测，预测中考虑行程时间随时间变化的同时，还考虑到不同路段（link）的行程时间分布以及各路段行程时间分布之间的相互关联性，即从时空状态上预测行程时间。这些方法的输入和输出量中不仅包括行程时间的时间特征还包括它的空间特征。TsuyoshiId´e等人[[]IdéT,KatoS.Travel-TimePredictionUsingGaussianProcessRegression:ATrajectory-BasedApproach[C]//SDM.Philadelphia:SIAM,2009:1183-1194.][]YildirimogluM,GeroliminisN.Experiencedtraveltimepredictionforcongestedfreeways[J].TransportationResearchPartB:Methodological,2013,53:45-63.[]邵春福,张魁麟.基于实时数据的网状城市快速路行驶时间预测方法研究[J].土木工程学报,2003,36(1):16-20.[]DuL,PeetaS,KimYH.Anadaptiveinformationfusionmodeltopredicttheshort-termlinktraveltimedistributionindynamictrafficnetworks[J].TransportationResearchPartB:Methodological,2012,46(1):235-252.[]IdéT,KatoS.Travel-TimePredictionUsingGaussianProcessRegression:ATrajectory-BasedApproach[C]//SDM.Philadelphia:SIAM,2009:1183-1194.[]ChangJ,ChowdhuryNK,LeeH.Newtraveltimepredictionalgorithmsforintelligenttransportationsystems[J].Journalofintelligentandfuzzysystems,2010,21(1):5-7.第三章总结及建议通过时间纵向比较，我们可以清楚看到行程时间的发展历史脉络，通过横向方法的比较，我们很容易发现，考虑到交通行为本身的特征，行程时间预测方法上仍然存在不足和需要改善的地方。从第2节中预测方法概述可开看出，预测方法可以分为：基于时间序列，即仅仅考虑时间变动特性的预测、考虑到行程时间周期性的预测方法、以及考虑时空双重因素影响的行程时间预测。根据第2节中提到的历史行程时间预测方法，以及各种方法之间的相互比较，可以明显地看出预测方法的发展趋势，同时，也会发现其中的一些不足之处，本节内容主要是对前文中提到的预测方法作总结，并提出相应的建议，为后续提出更新颖、效果更好的方法最准备。3.1基于时间序列，即仅仅考虑时间变动特性的预测由于行程时间随时间变化而变化的特征十分明显，因此，和预测其他交通数据一样，早期的行程预测方法一般将时间数据构建成简单的时间序列，再利用一些统计模型，智能方法挖掘行程时间的时间模式变化特征来预测未来的行程时间，如第2节中提到的自回归移动平均模型。这类预测方法的模型可以用下列等式来表示：[T(t),T(t+1),……T(t+h)]=f([T(t在这类方法中，仅仅考虑到时间的影响，输入数据为历史时间数据流向量，只是时间维度上的一个向量。其中，h表示预测区间的长度，而W表示所需历史行程时间数据的宽度，f()表示预测的行程时间和历史行程时间之间的对应关系。对于诸如自回归移动平均等参数化或者非参数化回归模型，利用统计学方法得到f()的映射关系，而对神经网络，则利用机器智能学习法得到期间的映射关系。这类方法在第二章节中均有介绍。3.2基于行程时间时空数据的行程时间预测相邻路段时间行程时间以及同一路段上下游交通流行驶时间之间都存在一定的关系。比如，一个路口分行的两条相邻路段，当一个路段因交通拥而造成行程时间非常大时，道路使用者会倾向于选择相邻路段或者路径行驶，导致交通使用者选择相邻路段，而使得相邻路段的行程时间增加。智能交通是一个大的运输网络，应该提供广泛的行程时间预测[[]WunderlichKE,KaufmanDE,SmithRL.Linktraveltimepredictionfordecentralizedrouteguidancearchitectures[J].IntelligentTransportationSystems,IEEETransactions,2000,1(1):4-14.]。第2节中，我们提到支持向量回归、自适应混合信息模型以及北京交通的邵春福等人提出基于时间空间的实时数据的网状城市快速路行驶时间预测方法研究，这些方法都是根据行程数据和交通行为本身的特征，在时间因素的基础上，行考虑程时间空间特性的影响。这类方法可以用以下数学模式来表示：[]WunderlichKE,KaufmanDE,SmithRL.Linktraveltimepredictionfordecentralizedrouteguidancearchitectures[J].IntelligentTransportationSystems,IEEETransactions,2000,1(1):4-14.Tl1,t⋯T与3.1中数学模型对应的参数意义类似，只是，在这里，行程时间预测是基于二维矩阵进行，即。其中，表示需要预测的路网空间的集合；w和h同样对应于所需历史行程时间的长度和预测区间的宽度。3.3结合行程时间的多周期性进行预测行程时间是交通数据的一种，和其他交通数据类似，行程时间具有多周期特性[[]KwonJ,CoifmanB,BickelP.Day-to-daytravel-timetrendsandtravel-timepredictionfromloop-detectordata[J].TransportationResearchRecord:JournaloftheTransportationResearchBoard,2000,1717(1):120-129.]-[[]JiangX,AdeliH.WaveletPacket‐AutocorrelationFunctionMethodforTrafficFlowPatternAnalysis[J].Computer-AidedCivilandInfrastructureEngineering,2004,19(5):324-337.]，因此在进行行程时间预测时，可以充分利用其多周期特性以获取更多的信息。考虑到这一因素，人们在原有的预测方法中加入周期性约束。AngshumanGuin[[]Guin,A.TravelTimePredictionUsingaSeasonalAutoregressiveIntegratedMovingAverageTimeSeriesMode[]KwonJ,CoifmanB,BickelP.Day-to-daytravel-timetrendsandtravel-timepredictionfromloop-detectordata[J].TransportationResearchRecord:JournaloftheTransportationResearchBoard,2000,1717(1):120-129.[]JiangX,AdeliH.WaveletPacket‐AutocorrelationFunctionMethodforTrafficFlowPatternAnalysis[J].Computer-AidedCivilandInfrastructureEngineering,2004,19(5):324-337.[]Guin,A.TravelTimePredictionUsingaSeasonalAutoregressiveIntegratedMovingAverageTimeSeriesMode[C]//ProceedingsoftheIEEEIntelligentTransportationSystemsConference,Toronto:IEEE,2006,17-20September:493-498.3.4总结现有方法并提出建议行程时间预测最重要的是提取未来行程时间与历史数据之间的相关性以及行程时间本身的特性。CheolOh和SeriPark[[]OhC,ParkS.Investigatingtheeffectsofdailytraveltimepatternsonshort-termprediction[J].KSCEJournalofCivilEngineering,2011,15(7):1263-1272.]提出行程时间模式提取的重要性。MengdanGao等人也提到了行程时间模式提取的重要性，