智能交通控制網絡的短時交通流預測研究

高明坤

摘 要：隨著交通壓力的逐步增加，對交通流實現短時的預測可以大大提高交通控制的工作效率。本文針對交通控制短時交通流預測的問題，以多維標度法進行短時交通流數據的采集和處理，詳細闡述了根據此方法進行短時交通流預測體系的建立和使用。此種預測方法的實現，改變了傳統交通流預測方法存在的弊端，提高了智能交通控制網絡的短時交通流預測的功能，減輕了交通控制部門的壓力，提高交通控制的工作效率。

關鍵詞：智能交通 交通流預測 多維標度 數據相關度

中圖分類號：U491.112 文獻標識碼：A 文章編號：1672-3791（2013）03（a）-0017-01

伴隨各地間經濟交流的繁榮發展，車輛的增多致使交通壓力大大增加。雖然國家加大了公路拓寬等交通基礎設施的建設，但是依然沒有使交通壓力得到有效的緩解。針對此種問題，智能交通控制技術被應用于處理和解決交通問題。智能交通控制網絡應用之后，是交通事故的發生率明顯得到降低，交通流的網絡智能化預測，使車輛行駛得到了有效的控制和指揮，使交通壓力和交通事故得到明顯的降低。本文對智能交通控制網絡的短時交通流預測進行較為系統的研究分析。

1 短時交通流預測的基本流程和方法分析

1.1 短時交通流預測的流程

交通管理的智能化控制網絡的實現主要是通過將無線傳感器安裝于道路的交叉路口或者分支路口，路面情況的數據和信息通過安裝于各個地點的傳感器進行數據傳送并實現信息共享。對短時交通流進行科學有效的預測，能夠更加準確的掌握道路車輛交通流的實時信息，然后采取有效的措施控制交通車輛的運行。在智能交通控制網絡中，對于交流的預測，是以網絡信息中各個地點的傳感器采集到的交通信息為數據基礎，再根據交通數據中的相關性因素進行數據的分析和處理，以得到下一時段的交通流的預測信息，使交通控制系統能夠有效的指揮交通，保證交通的安全和順暢。

短時交通流預測的流程首先就是信息的采集。利用各個地點的傳感器對道路上的車輛信息，進行實時的數據采集和傳送。包括車速、密度等各個因素。然后根據傳感器得到的交通流信息計算交通流數據的相關性。如車速和車流密度的相關度及交通量和車流密度的相關度。根據計算相關度的結果進行交通流預測模型的建立，得出短時交通流預測的數據。

1.2實現短時交通流預測的方法分析

從實際的短時交通流預測的計算和分析發現，交通流數據間的相關性準確度越高，交通流預測的準確度越高，二者間有著直接的關系。在進行交通流預測的實際操作過程中發現，如果要達到對車流量進行及時有效的指揮控制，發揮智能化交通控制網絡的有效功能，提高交通控制效率，就要求最大限度的縮短傳感器對數據采集的時間。但是，短時間內采集的交通流數據信息畢竟有限，對于相關度的顯示不夠明顯，準確度也很難保證。此種問題的存在，使交通流短時預測的結果準確度不夠高。針對此種弊端，本文提出在智能化交通流控制系統中采取多維標度法的方法，進行短時交通流的預測。將采集得到的短時交通流信息數據采用多維標度法進行分析處理得到潛在的相關性來建立交通流預測模型，經過預測計算實現短時交通流的預測，提高預測的準確度。

2 智能交通控制網絡的短時交通流預測具體實現

2.1 采用多維標度法進行交通流數據相關度的提取

要對交通流進行科學準確的預測，就必須考慮交通流各數據參數的相互關系，將這些數據的相關度進行科學準確的提取是有效進行交通流預測的關鍵所在。通常在進行交通流預測的實際操作中，為保證工作效率，常以傳感器中的短時交通流數據作為主要參考參數。但是因為其數據間的相關度不夠明顯使預測的準確度也受到了直接的影響。以多維標度法進行短時交通流數據間相關度的運算，有效的改變了此種弊端的影響，是數據間的相關度更加直觀的表現了出來，實現了數據相關度的有效提取。

2.2 短時交通流數據相關度的提取步驟

以多維標度法計算交通流數據相關度的步驟如下。

（1）將由傳感器采集到的多個短時交通流數據信息，可運用統計學的計算方法對數據間的相關系數進行計算，得到數據間的相關性距離的個數進行相關性距離的矩陣，相關性距離進行由小及大的排列。

（2）在一個設定的e維空間中進行各個數據點的相關度距離的計算。以A1……An來表示。Ai的坐標可設定為Ai=（A……A），根據下面公式：

t=（1）

計算出數據相關度距離t，并在此結果基礎上進一步計算得出短時交通數據的相關度的值S和實際數據偏差度的值S。

（3）根據S和S的值，將e維空間中的多個數據的結構位置進行調整，將原來存在的數據相關性結果不明顯的進行改進，在此基礎上進行交通流數據的相關性距離的重新計算。通過這樣的反復改進，反復計算，最終得到更加科學準確的短時交通數據相關性的結果。

（4）將短時交通流數據運用多維標度的方法進行計算分析處理，將相關性不明顯的弊端進行克服，最終得到更加準確的短時交通流數據的相關度結果。

這種多維標度計算相關度的方法，用相關度距離的變換和維度空間的調整使交通流數據間潛在的關系得以找出，將不明顯的相關性進行處理，得到準確度更高的交通流數據相關性，為實現準確的短時交通流預測打下了良好的基礎。

2.3 短時交通流的預測

以多維標度法提取出更加準確的交通流數據相關度，以此為基礎進行交通流預測模型的構建。在預測模型中根據數據相關度進入到預測模型的預測模塊中運用預測公司進行最終預測結果Y的計算。預測公式為：

Y= （2）

在智能交通控制網絡體系中可根據此預測模型得出的短時交通流的預測結果采取具體的措施對交通流進行控制，以減少交通事故和維護道路的暢通，大大提高了交通流控制的工作效率。

3 結語

本文利潤多維標度法進行短時交通流預測模型的建立，彌補了傳統方法交通流數據相關性不明顯的弊端，得到了更加準確的數據相關性，以此為基礎建立的交通流預測模型實現了短時交通流更加準確的預測。根據預測結果提前采取有效的交通控制和指揮措施，大大提高了智能交通控制網絡的工作性能和工作效率。

參考文獻

[1] C H Wu， J M Ho， D T Lee. Travel time prediction with support vector regression[J]. IEEE Transaction on Intelligent Transportation Systems， 2010，5（4）：276-281.

[2] 王進，史其信.基于非線性理論的短期交通流預測研究[J].西安建筑科技大學學報（自然科學版），2011，38（2）：184-188.

[3] 崔艷，程躍華.小波支持向量機在交通流量預測中的應用[J].計算機仿真，2011，28（7）：353-356.