對交通流預測模型的理論分析,深化社區警務

摘要：交通流預測在智能交通系統中發揮著越來越重要的作用，包括交通信號的實時控制、路徑分配及疏導、自動導航、檢測交通事故等。本文分析了交通流短期預測模型應具備的特性，討論了基于統計方法的模型、交通仿真模型、基于動態交通分配的模型、非參數回歸模型和神經網絡模型五種主要模型的結果和精確度。

關鍵詞：交通流預測 模型 應用

交通量是依照道路規劃設計和交通管理為依據的，是指單位時間內通過某一個地方或斷面的機動車輛數。常以平均交通量、小時交通量和設計小時交通量為代表。對于交通量的預測主要采用個別推算法，分為直接法和間接法。直接法和間接法的區別就是研究對象的不同，前者以路段交通量為對象，后者以作為對象再轉換為前者的研究對象。目前，我國公路建設項目交通量預測還不夠成熟，交通量分析預測方法用于高速公路建設項目時，一般采取四段預測，是指交通量的生成、交通分布、方式選擇和分配四階段，以機動車出行起訖點調查為基礎，在每個階段以所建項目區域為對象，分析區域經濟變化對交通量的需求，用模型進行模擬，預測四個階段。很多科學家開發了很多不同的交通量預測模型，按不同學科分為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。這些模型的優缺點分析如下：

一、基于統計方法的模型

基于統計方法的模型很簡單，是基于線性的基礎，是用數理統計對交通的各參數進行預測，即交通量、平均速度和運行時間。線性模型用于交通流預測，所需檢測設備數量小且簡單，價格低廉。

基于統計方法的模型分為歷史平均模型法和線性回歸模型方法。歷史平均模型法一般對于歷史數據進行延用進行預測，對于未來數據的特性沒有改變進行預測。雖然使用歷史數據在一定范圍對不同時段里的交通量變化問題有所解決，但該歷史平均模型精度差，靜態預測不夠準確，適用性不強、實時性差，不能解決諸如突發事件的交通狀況，對于非常規交通事故不能處理。線性回歸模型方法是依據預先確定的回歸方程，對影響交通流的因素進行預測，局限于一定的流量范圍。當實際情況和參數標定時的交通狀態相差大時，預測不能及時修正誤差，會使其加大，主要影響因素在量化過程中存在著一些不確定性，而在線標定多元線性回歸的參數又比較困難。

總之，歷史平均模型方法和線性回歸模型方法，可采用參數最小二乘法估計，便于計算，但大部分模型都是基于線性的，不能反映交通流的非線性與不確定性，對于交通流變化大時，預測效果低，也避免不了隨機干擾因素的影響。

二、交通仿真模型

交通仿真是用計算機模擬道路的實際情況，具體是把車輛當成實體進行仿真，通過交通信息預測交通狀況。其實，交通仿真模型需要輸入實時的交通數據量，提供一種估計動態旅行時間的方法。嚴格地說，需要輸入用于預測的交通流數據，通過仿真預測道路信息算不上交通預測。交通仿真模型只是模擬實際的一個交通流、占有量和旅行時間之間關系的計算方法，一旦交通流量數據能夠通過其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，并不能實現實時性。

三、基于動態交通分配的模型

動態交通分配是為了提高路網運行效率和降低交通擁擠程度的方法，是按照一定的規則將動態交通按需分配到路網上，從而得到道路實時交通量的方法。傳統的仿真模型，都是要事先確定出行者的出行線路，使用動態交通分配可以得到該結果。傳統的靜態的交通分配是實時變化的動態交通流問題，并且不是對任何網絡通用。DTA模型是根據交通流數據和出行者的線路估算出實時的網絡狀態。它通常非為三種：：以仿真為基礎、以數學為基礎、以變分方程為基礎或者以主觀控制理論為基礎的啟發式模型。

動態交通分配的方法目的明確、研究方向清楚，但也有很多不足之處：①某些模型的原理簡單，但優化時間長，求解難度大或無法求解；②條件設定的比較苛刻，在實際路網中取得信息的代價太麻煩，甚至無法獲得相應信息；③由于過分要求用戶最優分配結果或最優的精確系統，模型求解難度比較大，不適合應用到大規模路網。

四、非參數回歸模型

單條路段分析是只需足夠的歷史數據，不需要先驗知識，利用歷史數據中與當前點相似的那些點預測下一個階段的交通量的方法，它基于本路段及相鄰路段的交通流量信息對該路段進行交通流量預測。非參數回歸模型一種多條路段分析方法，也叫做多元回歸模型，即對單條路段分析的擴展。非參數建模算法是從歷史數據信息中建立一個近似模型，它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，非參數建模沒有將歷史數據作平滑處理，適合在非常規事件或者交通事故發生時使用。

五、神經網絡模型

神經網絡可以識別復雜非線性系統，是一種新興的數學建模方法。交通領域中運用神經網絡，是因為交通系統比較龐大復雜，運用神經網絡可以很好預測交通量。神經網絡采用典型的“黑箱”式學習模式，即不需要了解預測問題的內部機理，不需要任何經驗公式，只要輸入、輸出大量樣本，通過神經網絡“黑箱”內部自動調整后，就可以建立對應的輸入、輸出映射關系，即神經網絡模型。由于神經網絡具有“黑箱”式學習模式，對于數據處理進行自學習和深度綜合、分類和關聯，而且有獨特的并行結構、聯想記憶、較強的容錯性和魯棒性、自適應自組織等特點，可以實時更新網絡信息，預測交通量的保證，它可以被大量地用在交通預測中。與Kalman filtering不同，神經網絡能離線訓練，減少了在線預測的計算量。神經網絡研究路段它不但能利用歷史數據，還可考慮相關路段以及各種影響交通系統的因素，如道路施工、事故、道路條件、天氣等。

但神經網絡的 “黑箱”式學習模式，在訓練過程中需要大量的原始數據，數據不足不會有良好的預測效果，不能獲得容易被人接受的輸入/輸出關系；它的算法理論上存在問題，采用ERM最小化原理，但是不能期望風險最小；同時，推廣比較不明顯，因為訓練完成的網絡只適合當前所研究路段，當各種參數改變時，訓練完成的網絡很難適用，也不能用于其他路段。

綜上，交通系統是一個復雜巨系統，這種有自組織特性的動態系統、“組織”與"“自組織”交互作用貫穿始終，內部過程不可逆，而且存在著非線性的相互作用。基于統計方法的模型、交通仿真模型、基于動態交通分配的模型、非參數回歸模型和神經網絡模型 用于交通流預測，各有其優點和缺陷。單個模型具有局限性，基于非線性系統理論的綜合模型將會應用于各種交通流預測中。

參考文獻：

[1]"劉靜，關偉."交通流預測方法綜述"[J]."公路交通科技，2004(3)：82-85

[2]"楊兆升."城市交通流誘導系統理論與模型"[B]."人民交通出版社，2000