1、短時交通流預測研究綜述摘要：道路交通流預測預報是智能交通系統關鍵技術之一,短時預測是交通控制、車輛導航的技術基礎。本文概述了道路交通流預測方法的發展歷程,分析比較了各預測模型的優點、缺點及適用情況,給出了道路交通預測的一般流程。對現存預測方法進行了分類分析:基于統計理論的方法、基于神經網絡的方法、基于非線性理論的方法以及基于檢測器優化選擇的短時交通流預測算法的預測方法。將人工神經網絡模型與其他領域的研究相結合的綜合預測模型要比單一神經網絡預測模型、常規預測模型的預測效果好;以預測的均方誤差最小為目標函數，通過遺傳算法優化選擇合適的檢測器，以小波神經網絡作為預測算法進行短時交通流預測具有很高的精

2、度和適用性。關鍵詞：交通工程；交通流理論；短時交通流；預測模型;神經網絡算法Research on Short-Time Traffic Flow Forecasting MethodsLIU Jia-tong(1. Department of Bridge Engineering, School of Highway, Changan Unversity)Abstract: Prediction of road traffic flow is one of the key technologies of intelligent transportation system. This pape

3、r summarizes the development of road traffic flow forecasting methods, analyzes and compares the advantages, disadvantages and application of each forecasting model. The existing prediction methods are classified based on the method of statistical analysis: Based on the theory and methods of nonline

4、ar theory and traffic detector based on the optimal selection of flow prediction algorithm based on prediction method and neural network method. The prediction effect of comprehensive prediction model of artificial neural network model and other fields combined than single neural network prediction

5、model and the conventional prediction; to minimize the mean squared error as the objective function, the genetic algorithm to choose the appropriate detector with the wavelet neural network as prediction algorithm of short term traffic flow forecasting high precision and applicability. Keywords: Tra

6、nsportation Engineering; Traffic Flow Theory; Short-term Traffic Flow; Prediction Model; Neural Network Algorithm1 引言2006年我國開始實施的“國家中長期科學與技術發展規劃綱要一”中的交通科學問題研究專題中,明確提出了“發展一個系統,解決三個熱點問題”的思路。其中,“一個系統”指的是綜合運輸系統,“三個熱點”指的是交通能源和環境、交通安全和大城市交通擁堵。智能交通系統被認為是緩解道路交通擁堵、減少汽車尾氣排放污染和交通事故等交通問題的有效方法之一。短時交通流預測是智能交通系統的核

7、心內容和交通信息服務、交通控制與誘導的重要基礎,能夠給出行者提供實時有效的信息,幫助他們更好地進行路徑選擇,實現路徑誘導,達到節約出行者旅行時間,緩解道路擁堵,減少污染、節省能源等目的。目前,道路交通數據采集設備的性價比越來越合理,道路上交通數據的采集設備不斷完善,使得短時交通流狀態的分析處理和預測成為可能。現有的研究成果多以基于實時數據的道路網短時交通流預測理論與方法研究為題,在交通流數據分析的基礎上1,對道路網中多個斷面交通流狀態之間的相關性進行分析,從而選擇預測的范圍和對象,對道路網中多個斷面的短時交通流預測理論和方法進行了深入探討和研究,并且根據實際數據驗證提出的預測模型。智能交通系統

8、(Intelligent Transport Systems,以下簡稱(ITS)作為一種能有效解決手段成為研究的熱點。交通系統是一個有人參與的、時變的、巨大而復雜的系統,時刻變化著的道路交通狀態怎樣能夠精準的預測,這是ITS的核心問題之一2。ITS的幾大子系統均是在對道路交通狀態進行合理、實時、準確預測的基礎上,及時調整交通管理控制方案、并為出行者發布出行信息,提供最優路徑選擇方案,確保交通系統高效、安全運轉。短時交通預測是交通控制、車輛導航等領域需要解決的重要問題之一。交通流量是判別道路交通狀態的一個關鍵因素。短時交通預測是微觀意義上的,與中觀和宏觀意義上的以小時、天、月甚至是年計算的基于交

9、通規劃的戰略預測有本質區別4。其主要內容為依據道路交通信息,采用適當的方法去滾動預測未來不超過15分鐘的交通狀況,為出行者提供最佳行駛路線,從而為均衡交通流、優化交通管理方案、改進交通控制等方面提供基礎依據,對于緩解道路交通堵塞、避免社會資源的浪費有著重要的意義和應用價值。2 交通流預測的理論研究交通流短時預測這一領域的研究在國際上一直很活躍,在過去的幾十年里,研究者們做了大量的工作,取得了顯著的研究成果。早期的交通流量預測主要為交通控制系統服務。第一代城市交通控制系統(Urban Traffic Control Systems,UTCS)采用歷史數據對交通流量進行離線預測;第二代UTCS應用

10、實測數據對歷史平均數據進行修正,進而對交通流量進行預測;第三代UTCS只利用實測數據預測交通流量。第二代和第三代UTCS預測算法都存在時滯問題5。與此同時,不少研究者也在積極地探討著交通流量預測的其他方法。Nicholson Swann (1974) 利用譜分析法預測交通流量,取得了令人比較滿意的結果,但這種方法無法預測突發交通事件對交通流狀態產生的影響。Ahmaed S.A.和 Cook A.R.(1979)利用 Box-Jerkins 技術對高速公路的交通流量進行預測,結果表明這種方法的精度有限。Nancy L.Nihan 和Kje 110.Holmesland (1980) 應用 Box

11、-Jerkins 技術和一路段 4 年的交通流量數據對該路段的交通流量進行預測,精度較高,但這種方法要求的歷史數據較多,對建模者的知識水平和建模技巧要求較高。Iwao Okutani (1984) 利用卡爾曼濾波理論建立了交通流量預測模型,預測的精度優于第二代 UTCS 預測方法。Gary A.Davis 和 Nancy L.Nihan(1991)應用非參數回歸模型預測交通流量,此模型在某些情況下比時間序列預測模型的預測精度要高。P.C. Vythotkas (1993) 提出了基于卡爾曼濾波理論的交通流量預測模型,計算結果比較令人滿意。Brian L.Smith 和Michael J.Dem

12、etsky(1993)利用神經網絡方法預測交通流量, 預測結果具有較高 的精度，并且沒有時滯現象。Maschavander Voort (1996)將神經網絡與ARIMA時間序列模型相結合預測交通流量,使ARIMA模型具有更廣泛的適應性和可移植性。Corinne Ledoux (1997) 建立了基于神經網絡的交通流量預測模型,首先利用神經網絡建立每個路段的交通流量預測模型,再建立整個路網的交通流量預測模型,并應用模擬的數據對模型進行了驗證6。對于交通流短時預測研究,國內的研究者們一直在追蹤國外的先進思想和方法,并在一定程度上對其進行了改進。3 現有交通流理論研究交通流理論是交通工程領域中的基

13、本理論,主要采用數學和物理定理來描述交通流特性,其中有概率統計模型、排隊論、車流波理論、跟馳理論等。車輛的到達在某種程度上具有隨機性,描述這種隨機性分布規律的方法有兩種一種是以概率論中描述可數事件統計特性的離散分布為工具,考察在一段固定長度的時間或距離內到達某場所的交通數量的波動性另一種是以連續型分布為工具,研究車輛間隔時間、車速、可穿越空檔等交通流參數的統計分布特性。離散型分布模型常用的有三種。泊松分布,適用于車流密度不大,車輛間相互影響微弱二項分布,適用于比較擁擠的車流負二項分布,適用波動性較大的車流。連續型分布模型常用的有四種。負指數分布,車輛到達符合泊松分布,則車頭時距就是負指數分布移

14、位負指數分布,該模型適用于不能超單車的單列車流的車頭時距分布和車流量低的車流的車頭時距分布韋布爾分布,韋布爾分布適用范圍較廣,交通流中的車頭時距分布、速度分布等一般都可用韋布爾分布來描述愛爾朗分布,該模型亦是較為通用的車頭時距、速度等交通特征的分布模型。排隊論也稱為隨機服務系統理論,是研究“服務”系統因“需求”擁擠而產生等待排隊的現象以及合理協調“需求”與“服務”關系的一種數學理論。它也是以概率論為基礎的。跟馳理論是運用動力學方法,研究在無法超車的單一車道上車輛列隊行駛時,后車跟隨前車的行駛狀態的一種理論。它用數學模式表達跟馳過程中發生的各種狀態。跟馳理論主要研究非自由運行狀態的交通流,這種狀

15、態下的交通流的主要特點是,交通流密度很大,車輛間距較小,車隊中任一輛車的車速都受前車速度的制約,駕駛員只能按前車提供的信息采用相應的車速,非自由狀態行駛的車隊有三個特性制約性,滯后性,傳遞性。跟馳理論有線性和非線性的模型,其中非線性模型不但考慮了相鄰的兩車之間的相對速度,而且也考慮了車輛之間的間距。車流波理論即流體力學模擬理論是一種宏觀的模型7。它假定在車流中各個車輛的行駛狀態與它前面的車輛完全一樣,該理論適用于“流”的狀態較為明顯的情況,如瓶頸路段的車輛擁擠問題。傳統交通流理論的明顯特點是交通流模型的限制條件比較苛刻,模型推導過程比較嚴謹,模型的物理意義明確,如交通流分布的統計特性模型、車輛

16、跟馳模型、交通流模型、車輛排隊模型等。現代交通流理論是指以現代科學技術和方法如模擬技術、神經網絡、模糊控制等為主要研究手段而形成的交通流理論,其特點是所采用的模型和方法不追求嚴格意義上的數學推導和明確的物理意義,而更重視模型或方法對真實交通流的擬合效果。這類模型主要用于對復雜交通流現象的模擬、解釋和預測,而使用傳統交通流理論要達到這些目的就顯得困難。傳統交通流理論在目前交通流理論體系中仍占主導地位8,雖然傳統的各種模型對在較大尺度下的交通流具有較好的擬合效果,但是當觀察的尺度縮小到比較小的情況下,擬合結果往往不夠十分理想,因此對于較小尺度的交通流率的時間變化曲線即短時交通流信號,本文將采用小波

17、分析、分形分析神經網絡等現代數學工具來探究短時交通流的內在規律。4 改進的短時交通流預測方法對于短時交通流的不確定性所給預測造成的困難,一般有兩個改進方法。具有混沌分形特性的交通流的不確定性主要是由于其系統本身的混沌特性,使用相空間重構一神經網絡預測方法基于相空間重構的方法對原短時交通流時間序列進行吸引子重構,然后使用徑相基神經網絡進行對相軌線演化的非線性逼近,從而進行預測。對于非混沌的短時交通流,使用小波分解重構一神經網絡預測方法首先用小波對原始交通流信號進行分解,對于分解后的各尺度上序列再進行單支重構由于較大尺度上的序列表現出更多的趨勢性,而較大尺度上的序列為低頻信號,從圖形的截尾性可以看

18、出低頻信號占有原信號的主要能量,對于大尺度序列的準確預測成為問題的關鍵。,然后根據單支重構后的序列的特性選擇合適的模型對之進行預測,最后對各預測結果求和就得到預測值。4.1相空間重構一神經網絡預測方法徑相基網絡具有良好的逼近任一非線性映射能力,并且比神經網絡有較快的學習收斂速度9,網絡對混沌模型具有較強的擬合能力和比較高的預測精度,所以本文采用了網絡對具有分形特征的短時交通流時間序列進行預測。網絡結構如圖所示：圖4-1 RBF網絡結構圖4.2小波分解重構一神經網絡預測方法首先把短時交通流時間序列進行小波分解,然后在各個尺度上,把主要趨勢部分和細節部分進行單支重構,對于各重構的單支時間序列選擇適

19、當預測模型,最后把所有單支重構信號的預測值求和,從而得到預測值。預測過程如圖。預測模型參數主要有小波分解深度,模型,的選取,參與預測的重構細節信號層數。圖4-2基于小波分解重構的預測結構圖4.3 BP神經網絡預測方法1985年Rumelhart, Mcclelland提出了多層前饋網絡(Multiplayer Fedforward Neural Networks, MFNN)的反向傳播(Back Propagation, BP)學習算法,簡稱BP算法,屬于有導師的學習,是梯度下降法在多層前饋網絡中的應用。BP網絡結構如下圖:圖4-3具有一個隱層的BP神經網絡5 現有理論比對幾十年來，世界各國的

20、專家和學者利用各學科領域的方法開發出了各種預測模型用于短時交通流預測，總結起來，大概可以分為六類模型：基于統計方法的模型、動態交通分配模型、交通仿真模型、非參數回歸模型、神經網絡模型、基于混沌理論的模型、綜合模型等。基于傳統數學方法(如數理統計和微積分等)而提出的模型具有其優點和局限性，而基于現代科學技術和方法(如神經網絡、模擬技術、混沌理論等)而提出的模型結合不同模型的適用范圍,針對不同的交通狀況自動進行選擇,從而達到最優的預測效果，這是實用的思路。短時交通流量預測的最大特點為具有高度的不確定性。要設計精度較高的預測方法,無模型算法是發展方向,各模型的互補聯合也將會得到更廣泛的研究與應用。隨

21、著智能交通控制與誘導系統及動態交通分配系統的發展,更多更有效的預測方法也將會應用到交通流量預測中來,不斷促進這一領域關鍵技術的發展。這些模型各有優缺點，下面分別進行分析與評價。一、基于統計方法的模型這類模型是用數理統計的方法處理交通歷史數據。一般來說統計模型使用歷史數據進行預測，它假設未來預測的數據與過去的數據有相同的特性。研究較早的歷史平均模型方法簡單，但精度較差，雖然可以在一定程度內解決不同時間、不同時段里的交通流變化問題，但靜態的預測有其先天性的不足，因為它不能解決非常規和突發的交通狀況。線性回歸模型方法比較成熟，用于交通流預測，所需的檢測設備比較簡單，數量較少，而且價格低廉，但缺點也很

22、明顯，主要是適用性差、實時性不強，單純依據預先確定的回歸方程，由測得的影響交通流的因素進行預測，只適用于特定路段的特定流量范圍，且不能及時修正誤差。當實際情況與參數標定時的交通狀態相差較遠時，預測誤差將會增大，而在線標定多元線性回歸的參數又比較困難。同時，在將主要影響因素量化的過程中還存在著一些不確定性。二、交通仿真模型一般來說，交通仿真模型把車輛當作實體，用計算機模擬實際道路交通情況，對道路的交通狀況進行仿真，得到道路預測的交通信息。因此，嚴格意義上說，交通仿真模型不能用于交通流預測的目的，因為它需要輸入用于預測的交通流數據。而且，交通仿真模型不能實現實時性。然而，一旦交通流量數據能夠通過其

23、他的方法預測得到后，仿真模型可以提供一種估計動態旅行時間的方法。換句話說，仿真模型提供了一個交通流、占有率和旅行時間之間關系的一個模擬實際的計算方法。三、基于動態交通分配的模型當使用傳統的仿真模型時， DTA模型通過采集到的交通流數據和出行者出行選擇的行為用于估計隨時間變化的網絡的狀態。DTA模型通常分為以下三種：以數學為基礎、以變分方程為基礎、以主觀控制理論為基礎或者以仿真為基礎的啟發式模型。所有這些方法的共同點是他們都是以傳統的靜態的交通分配的假設解決隨時間變化的動態交通流問題，并且對任何一個網絡沒有一個方法是通用的方法。動態交通分配是按照一定的準則將動態交通需求量合理地分配到路網上，從而

24、得到路段實時交通量的方法，實現降低交通擁擠程度和提高路網運行效率的目的。此類方法目標明確，理論清晰，但也存在以下不足之處：假設條件苛刻，在實際路網中無法得到相應信息或取得信息的代價昂貴；某些模型的解釋性雖然較好，但無法求解或求解難度大，優化時間長；過分強調精確的系統最優或用戶最優分配結果，加大了模型求解的難度，也不適合在大規模路網上實現應用。四、非參數回歸模型非參數回歸模型也叫做多元回歸模型，是一種多條路段分析方法，這是對單條路段分析的擴展。所謂單條路段分析是基于以前的本路段和幾條相鄰路段的交通流量信息對該路段進行交通流量預測。它所應用的場合是：不需要先驗知識，只需足夠的歷史數據。它尋找歷史數

25、據中與當前點相似的“近鄰”，并用那些“近鄰”預測下一個時段的流量。該算法認為系統所有的因素之間的內在聯系都蘊涵在歷史數據中，因此直接從歷史數據中得到信息而不是為歷史數據建立一個近似模型。也就是說非參數建模沒有將歷史數據作平滑處理，因此，在有特殊事件發生時，較適合。五、神經網絡模型神經網絡是一種新興的數學建模方法，它具有識別復雜非線性系統的特性，交通系統是復雜巨系統，因此神經網絡比較適合于交通領域應用。它采用典型的“黑箱”式學習模式，很適合交通流預測的應用，它不需要任何經驗公式，就能從已有數據中自動的歸納規則，獲得這些數據的內在規律，即使不清楚預測問題的內部機理，只要有大量的輸入、輸出樣本，經神

26、經網絡“黑箱”內部自動調整后，便可建立良好的輸入、輸出映射模型。但正是由于神經網絡的這種“黑箱”式學習模式，所以通過神經網絡不能獲得容易被人接受的輸入/輸出關系，而且在訓練過程中需要大量的原始數據，數據不足會導致不好的預測結果；訓練完成的網絡只適合于當前研究路段，當道路條件和交通狀況改變時，訓練完成的網絡將不再適用，也不能用于其他路段，故推廣能力差；同時，神經網絡的學習算法采用經驗風險最小化原理（ERM），不能使期望風險最小化，在理論上存在缺陷。六、基于混沌理論的模型混沌學是一門新興學科，混沌理論研究的是非線性動力學系統的混沌。混沌（Chaos）是指一種貌似無規則的運動，指在確定性非線性系統中

27、，不需附加任何隨機因素亦可出現類似隨機的行為（內在隨機性）。混沌的最大特點就在于系統的演化對初始條件十分敏感，也就是著名的“蝴蝶效應”。混沌理論研究的目的是揭示貌似隨機的現象背后可能隱藏的簡單規律，以求利用這些普遍遵循的共同規律來解決一大類復雜系統的問題。復雜系統所表現的非線性動力學性質，是混沌存在的根源。混沌現象是可以短期預測，而長期不能預測的。對于交通的預測，也表現出了這一點，交通流可以短期預測，但不可長期預測。理論上講，復雜系統中總是存在著混沌，交通流系統是人的群體參與的開放的復雜巨系統，因此交通中存在著混沌。6 結論通過上述對各種交通流預測模型的比較和分析，可看出任何一個模型都具有其優勢和缺點。沒有理論證明哪種模型用于哪種交通狀態最好，單個模型有局限性，所以用綜合模型進行預測將是交通流預測領域的發展趨勢。另外，交通系統本質上是人、車、路綜合作用的一個復雜巨系統，是一個開放、遠離平衡的系統、是一個具有自組織特性的、“組織”與 “自組織”交互作用貫穿全過程的動態系統；系統內部存在著非線性的相互作用、系統的內部過程具有不可逆性，所以基于非線性系統理論的綜合模型用于短期交通流預測將有很廣闊的應用前景。參考文獻：Refe