【文章內容簡介】 交通流參數及預測方法 交通流 基本參數 通過對交通流量的實時誘導和控制是智能交通系統(tǒng)研究 的根本目的，正確、及時地分配交通流量，從而緩解道路擁堵的情況，使交通網絡暢通，高效。因此，如何對交通流量做出正確準確及時的預測，是控制和分配交通流量的前提。 交通流具有時間和空間的變化特性，這種時空特性是某空間位置 交通流運行狀態(tài)的定性，定量特征。交通流量的預測實際就是對交通流 基本參數的預測，交通流 基本參數包括宏觀參數和微觀參數。宏觀參數是指通過整體的道路運行狀態(tài)特性表現(xiàn)出來，主要包括流量、速度、密度、道路占有率、排隊長度等；微觀參數是指道路中前后相關車輛間的運行狀態(tài)特性，其中有車頭間距與車頭時距。一般情況下 ，主要選擇流量、速度和密度來反映交通流量的運行狀態(tài)。 流量，是指在單位時間內通過某一斷面的實際車輛數，是描述交通流 特征的三大參數之一。流量是隨時間和空間變化而變化的，要在道路系統(tǒng)一系列的位置上，搜集流量在時間和空間上數據和變化，為交通量的誘導和控制提供數據參考。 速度，是指車輛在單位時間內通過的距離，是描述交通流特性的三個基本參數之一。速度有幾種，其中包括地點速度、行程速度、行駛速度、臨界速度和設計速度。 密度，是指在單位長度道路上，某一瞬時所存的車輛數量。密度是瞬時值，隨著時間和空間的變化而發(fā)生變化。密度 也是描述交通流特性的參數之一，應用在劃分道路服務水平等方面。 交通流量數據的采集和特性 交通流量是無時無刻都在變化的，因此 如何獲取準確的實時交通流量信息對下一時段或周期的交通流量預測十分 重要。當前交通流量數據是預測的依據，所以交通流量數據的采集是交通流量預測的第一步。隨著交通科技水平的發(fā)展，各種交通信息數據采集設備和技術應運而生。動態(tài)交通流量數據采集技術分為固定型采集技術以及移動型采集技術等。固定型采集技術主要是指運用安裝在固定地點的交通檢測設備對來往的車輛進行采集交通流量信息的方法，這些設 備安裝在快速路的主干道或者次干道的交叉路口。這種技術以線圈檢測為代表，其具有技術成熟，精度高的優(yōu)點，但是因為只能檢測安裝設備路段的交通流量信息，所以信息的完備性較差。移動型采集技術是指用安裝有檢測設備的移動車輛在道路上采集交通流量信息的方法，這種技術以浮動車檢測技術為代表，因為能檢測到整個路段，所以采集到的交通信息的完備性好，但也存在精度不高的情況。 運用交通流檢測系統(tǒng)和路段檢測器，可獲得車輛通行數據資料，在交叉口路五邑大學本科畢業(yè)設計 11 口前后分車型交通流信息，然后按照標準車型換算表換算成當前交通流量。由獲得的交通流信息可以看出 ，交通流具有以下特性： 交通流的時間、空間特性：交通流量在不同的時間或者不同的空間有不同的情況出現(xiàn)，而且同一地點不同時間的交通流也有很大的不同。 交通流的不確定特性：交通流變化過程是非線性，高維度，非平穩(wěn)的隨機過程，容易受各種因素的影響。例如：本路段過去幾個時段或者周期的交通流量，路段上下游的交通流量，天氣變化，交通道路通行狀況等。此外，旅客會根據實際交通路況來調整行程和路線，交通擁堵的路段也就會隨之發(fā)生變化。 交通流的自組織特性：將由系統(tǒng)內部決定，系統(tǒng)有序的結構形成與完善叫做自組織。構成交通流 的行人和車輛會已實際交通狀況來確定他們的行動方式，導致原能最有效的疏導交通的時間增長，而這種集體行為從產生到消失的時間很短暫。所以宏觀上交通流量的演化過程存在自組織現(xiàn)象。 綜合上面的交通流特性可知，交通流是一個巨大而且復雜的網絡，每一個因素都會影響著交通流的產生和發(fā)展變化。但每一次的變化絕非偶然，而是其內部因素相互影響的必然結果，決定著下一時刻的短時交通流的變化。交通流的時空性，隨機時變不確定性等特性，呈現(xiàn)出一個錯中復雜的交通網絡，為交通流預測帶來巨大的障礙和困難。因此，交通流的預測方法是世界研究的重要課題 之一。 交通流預測的方法 交通狀態(tài)預測概述 預測是對客觀事物的未來發(fā)展狀態(tài)和變化趨勢進行的分析推測，為后來的制定計劃和決策提供依據。人們根據事物間的相互聯(lián)系，應用科學知識和手段從已經掌握的歷史資料數據中進行推斷。如今，預測已經運用到各種領域，如：經濟預測、社會預測、技術預測等領域。 按照預測的性質，可以分為定性預測和定量預測： 定性預測是以主觀認識經驗和邏輯判斷為主，對事物未來的發(fā)展趨勢和發(fā)展狀況進行推測判斷。定性預測一般應用于缺乏歷史資料的事件，更多的是根據專家經驗進行預測。 定量預測是指根據準確、及時、全面的調查統(tǒng)計資料，運用統(tǒng)計方法和數學模型，對事物發(fā)展前景的水平、規(guī)模做出預測。定量預測和統(tǒng)計的數據資料，資料有密切關系，所以也稱為統(tǒng)計預測。 常用方法有回歸法、時間序列法等。 交通流量預測屬于社會預測 的范疇 ，對社會的發(fā)展產生重要的作用。交通管理部門根據城市道路狀態(tài)進行實時動態(tài)管理和控制，為市民交通出行信息服務。準確的道路交通信息預測，對進行科學合理的交通誘導和控制，提高快速路的通行效率，緩解交通擁堵情況，減少環(huán)境污染資源浪費有著重要的社會意義。 然而，道路交通是一個無時無刻都在變 化的復雜巨系統(tǒng)，道路狀態(tài)預測難度五邑大學本科畢業(yè)設計 12 很大。要發(fā)揮智能交通誘導與控制的作用，就必須做好交通流量的預測工作。交通流量預測是基于動態(tài)獲取的交通流量數據的時間序列來預測未來時段交通流量數據。常用流量，速度和占有率等作為反映 交通流量狀態(tài)的參數，因此，交通流量預測實質上是對這些交通流量 的參數進行預測。 典型的交通流量狀態(tài)預測以統(tǒng)計分析的方法為基礎，比如有歷史趨勢法、時間序列法等。歷史趨勢法模型比較簡單，但精度較差，無法實時反應交通流量的時間變化特性，在沒有準確實時的要求下，可以取得較好的效果。時間序列法相比前者計算簡便，易 于實時進行更新，便于應用。隨著道路交通流量的隨機性和非線性更強，后來就出現(xiàn)了支持向量機、神經網絡、模糊理論、混沌理論和元胞自動機等非線性系統(tǒng)理論為基礎的非線性預測模型。 交通流量預測要解決的是從具有隨機性和不確定性的交通流量變化中，對采集來的交通流量參數數據進行數據研究分析，找出內在規(guī)律并建立預測模型和方法， 以此 來預測未來時段或周期的交通流量變化，其基本流程如圖 31 所示： 圖 31 小時交通流量預測流程 根據上述交通流量預 測的概念，建立的預測模型應該符合如下的要求： 實時性和準確性。預測模型要具備快速計算能力，且交通流量預測結果滿足相對誤差要求要求。 動態(tài)反饋性。交通流量一旦發(fā)生特殊 情況，能及時反饋到計算模型中進行調整。 可靠性。交通流量預測受到的影響因素多種多樣，例如天氣的變化，道路施工，交通事故等，因此模型應具有很好的抗干擾能力以及可以通過改變參數來適應時間和空間的變化。 交通量短時預測方法 交通優(yōu)化和交通管理和控制的基礎不能缺少交通流的預測研究，預測的信息是依據小時、日、月、季 度、年為單位進行統(tǒng)計數據，也可能根據當前時段或者周期來預測下一個周期或時段的交通流狀態(tài)。因此，做好交通流量短時預測非常重要，關系到交通誘導和控制的正常進行。迄今為止，已有很多理論和方法應用于短時短時交通流量預測領域，有基于線性系統(tǒng)理論的預測方法、基于知識發(fā)現(xiàn)的智能模型的預測方法、基于非線性系統(tǒng)理論的預測方法、基于組合模型的預測方法、基于交通模擬的預測方法等。 上述的交通流預測的模型和方法，各有 缺點?；诰€性系統(tǒng)理論的預測方法車輛檢測器采集的數據 交通流量數 據 預測模型和方法 交通流量狀態(tài)預 測 五邑大學本科畢業(yè)設計 13 計算復雜性低，操作簡單，但對于路況復雜的交通系統(tǒng)則不能滿足預測結果的精確性和動態(tài)反饋 性?；诜蔷€性的系統(tǒng)理論的預測方法體現(xiàn)了交通狀態(tài)非線性的特征，精確性較高，但計算復雜，理論有待深入?；谥R發(fā)現(xiàn)的智能模型有很強的數據處理能力，預測結果令人滿意，但計算復雜性高，參數選擇困難?；诮M合模型的預測方法能結合各種模型的優(yōu)點，如組合方法不當，預測效果可能反而變差。 從目前情況來看，每一種方法都有自己的適用范圍和條件。對于某種特定的情形，預測結果能獲得令人滿意的結果，而在其他環(huán)境下，預測的結果卻差強人意。所以，對于各種環(huán)境下的交通流預測，應該是多種方法，相互協(xié)調補充的過程。 短時交通流預測與其他的預 測應用不同，提出了更高的要求，短時交通流預測是在線、實時完成的。一方面，短時交通量預測是為交通誘導和控制提供依據，所以預測模型必須在短時間內完成復雜的計算，保證及時對下一時段的交通量進行估計，否則預測結果也是無用的。另一方面，交通流數 據的檢測、傳輸也是實時完成的，要從預測系統(tǒng)中獲取大量的數據中作出準確性評價，作出 科學準確的預測。 本章小結 本章對交通流的基本參數 —— 流量、速度、密度，進行了簡要的敘述，了解到交通流具有時空特性，隨機性，不確定性，不可預知性等特性，充分說明交通網絡是一個復雜且時變的網絡 。接著對交通預測的概念進行了說明，對眾多的交通 流量 預測方法進行分類，提出了交通預測模型應具備的要求。 最后提出了交通狀態(tài)短時預測的方法，交通短時 預測方法具有實時性、準確性、可靠性等特性，對交通管理和控制有指導的 效果，是智能交通的關鍵技術之一。 五邑大學本科畢業(yè)設計 14 第 4 章 基于支持向量機的小時交通流預測 概述 第 2 章所提及的機器學習在交通流預測中主要是回歸預測問題，就是從采集到的交通流量數據中找到規(guī)律，利用規(guī)律對未來交通流量數據進行預測，然后掌握交通流量的變化規(guī)律，根據規(guī)律采取相應的措施，實行交通誘導和控 制。 支持向量機和神經網絡是眾多新算法研究中的熱點，都屬于機器學習方法的范疇。神經網絡具有逼近任意非線性函數，容錯和自學習的優(yōu)勢，具有強大的并行處理能力，學習能力和自適應能力。 但是，神經網絡的學習過程過分依賴 經驗風險最小化原則，在小樣本數據的學習過程中容易出現(xiàn)過學習現(xiàn)象，以致于泛化能力低下。此外，神經網絡算法容易受到網絡結構復雜性和樣本復雜性的影響，容易陷入局部極小點和出現(xiàn)“維數災害”問題。 基于支持向量機預測交通信息的思想在于，首先選擇非線性映射把樣本向量從原空間向量映射到高維特征向量，然后在高維特征空間 構造最優(yōu)的決策函數。采用結構最小化原則，引入決策函數，利用原空間的核函數取代高維特征空間的點積運算。根據算法的不同，用于預測交通量的有 ? 支持向量機、 ? 支持向量機和最小二乘支持向量機（ LSSVM）等。 支持向量機回歸的交通信息預測 基于支持向量機的預測方法，核心在于利用支持向量機回歸的思路。小時 交通流量的支持向量機回歸預測方法，是支持向量機回歸理論在短時交通流預測中的一種應用，在交通狀態(tài)隨機的變化過程中，根據交通流量狀態(tài)基本參數，結合其他因素，利用歷史數據訓練支持向量機，尋找出輸入與輸出之間的規(guī)律，建立支持向量機回歸預測模型，以預測下一個時段或者周期的交通流量。應用支持向量機預測交通流，先用歷史數據來訓練支持向量機，從而得到輸入與輸出之間的相互依賴關系，那么預測時就能給定相應的輸入就能得到交通流預測結果。 假設給定訓練數據樣本 {(x1, y1), … , (xl, yl)}?RnR。 用非線性映射TN xxx ))(,),(()( 1 ??? ?? 把輸入的數據樣本從原空間映射到高維特征空間，在高維空間構造最優(yōu)決策函數，同時引入損失函數，用原空間的核函數取代高維特征空間的點積運算，實現(xiàn)線性回歸，即特征空間中構造分類超平面： ?? ??Nn nn bxwxf 1 )()( ? （ ） 在高維空間的線性回歸對應著低維空間非線性回歸，定義不敏感損失函數： })(,0m a x {),( ?? ??? iiii xfyfyxL （ ） 五邑大學本科畢業(yè)設計 15 支持向量回歸 （ SVR）問 題就找到適當的逼近函數 )(?f 使 )(wE 最小 ： ?????li ii fyxLCE 1 ),()(21)( ? （ ） 式中 ： TNw ),( 21 ??? ?? 為 線性權值向量； ni Rx? 是第 i 個輸入 , Ryi? 是對應的期望輸出 。C 是復雜度和樣本擬合精度的折 衷 ，其值越大則擬合精度越高；不敏感損失函數 ? 即回歸允許的最大誤差， 當它的 值越 大時 ，支持向量 數量 越少。 這樣式子 ??? ?? 139。 )(i iii xw ??就變成： ?? ??li iii xw 139。 )()( ??? （ ） 相應的對偶形式為： ? ? ?? ? ? ????????? lji li li iiiiijijji yxxw 1, 1 1 39。39。39。39。39。 )()())()()()((21),( ????????????? （ ） 核函數 ),( ji xxK 滿足 Mercer 條件，代替 ))(),(( ji xx ?? ， ))(),((),( jiji xxyxK ??? ，把內積式轉化成核函數式： ????????????????????