基于k—NN和SCATS交通數據的路段行程時間估計方法

摘要： 為了改善利用SCATS交通數據估計路段行程時間的效果，通過分析SCATS實際交通數據獲取時間間隔不一致的特征，構建了SCATS交通數據虛擬時間序列，將利用因子分析法提取的累計貢獻率在85%以上的主因子作為交通模式特征向量的構成要素，用歐氏距離作為當前交通模式特征向量和歷史交通模式特征向量相似性的測度指標，以路段行程時間估計誤差最小為目標選取當前交通模式的近鄰數，對交通模式之間距離的倒數進行歸一化處理，確定了相似交通模式的行程時間權重，設計了基于SCATS交通數據的路段行程時間估計方法.實例結果表明：與多元線性回歸方法相比，本文方法估計的路段行程時間平均絕對誤差、平均絕對百分比誤差和均方根誤差分別平均減少了9.68 s、8.07%和4.5 s.

關鍵詞： 悉尼自適應交通控制系統；路段行程時間估計；k近鄰算法；因子分析

中圖分類號： U491文獻標志碼： ATravel Time Estimation Method Using SCATS

路段行程時間是反映道路交通狀態最為直觀有效的交通參數，是進行交通擁擠管理和動態路徑誘導的重要基礎，在智能交通系統中有著廣泛的應用.感應線圈是目前應用最為廣泛的交通數據采集手段，以此為基礎的路段行程時間估計方法一直是國際交通工程領域的重要研究課題之一[1].

目前，在基于感應線圈數據的路段行程時間估計方法中，針對高速公路等連續流交通設施的研究成果較多[24]，由于受交通信號控制、復雜車輛組成及道路環境等因素的影響，針對間斷流交通設施的相關研究成果較少，而且多沿襲針對連續流交通設施的研究思路[57]，以布設在距離停車線較遠位置的線圈獲得的固定采樣間隔的流量、速度、道路占有率等數據為基礎，建立延誤估計模型，間接估計路段行程時間，或者直接建立路段行程時間的估計模型.

悉尼自適應交通控制系統（Sydney coordinated adaptive traffic system， SCATS）是世界范圍內應用最廣泛的交通信號控制系統之一，利用其交通數據對行程時間進行估計，對于低成本改善交通控制、交通誘導和交通指揮的協調性具有重要的現實意義.由于SCATS中線圈布設位置及獲取的交通數據種類均具有特殊性，目前相關研究成果還較少，且均假設SCATS線圈能夠按照某種固定的采樣間隔提供交通數據，甚至以目前尚無法提供的某些數據為前提.例如，假設SCATS線圈經過調西南交通大學學報第48卷第2期姜桂艷等：基于kNN和SCATS交通數據的路段行程時間估計方法整后可輸出2 s內的流量數據[8]；假設SCATS線圈可提供5 min采樣間隔的地點速度和時間占有率數據[9]等.這些假設均不符合SCATS系統的實際情況，在短期內難以通過工程手段加以實現.

k近鄰（knearest neighbor， kNN）算法是一種以最相似樣本和模式識別為基礎的非參數回歸方法，在分類和估計等領域得到了廣泛應用.其中，特征向量的選取是影響kNN算法效果的關鍵因素之一.現有成果基本都是采用人工方法確定特征向量的組成，不僅主觀性強、勞動強度大，而且極易存在信息冗余.

針對上述問題，本文將首先對SCATS實際交通數據的特征進行深入分析，在提出并構建虛擬時間序列的基礎上，將kNN算法與因子分析算法相結合，設計了一種路段行程時間估計方法，并采用某特大城市SCATS實際交通數據進行了驗證和對比分析.1SCATS交通數據的分析與處理1.1 SCATS交通數據的特征SCATS采用設置在車道下游靠近停車線的感應線圈獲取流量及平均車頭時距等交通流運行參數數據，以路口為單位記錄周期、綠燈時長及飽和度等交通信號控制參數數據. SCATS以綠燈信號相位為時間單位獲取交通數據，而相位時長是動態變化的，因此，各個采樣間隔內的交通數據不具有嚴格的時間可比性.

路段行程時間估計的時間尺度通常為5、10或15 min等固定時間間隔[1113]，但在SCATS中獲取交通數據的時間間隔卻不嚴格一致，這增加了設計有效路段行程時間估計方法的難度.1.2 SCATS交通數據虛擬時間序列的構建1.2.1虛擬時間序列

為了能夠得到固定采樣間隔的SCATS交通數據時間序列，本文提出了虛擬時間序列概念，其基本原理是將每個信號周期T內的到達車輛及其速度由隨機分布虛擬成均勻（勻速）分布.設置長度為τ（5、10 min等）的虛擬采樣間隔，并將其插入SCATS交通數據的時間軸，如圖1所示.此時，SCATS實際采樣間隔仍是其綠燈信號相位，而虛擬采樣間隔則為設定的時間長度τ.可以通過對實際采樣間隔內的相應數據進行轉換，獲得每個虛擬采樣間隔內的交通數據.

3.3.2對比分析

雖然文獻[89]分別提出了一種基于SCATS交通數據的路段行程時間估計方法，但由于二者采用的數據形式與SCATS實際交通數據不同，無法將其作為本文的對比方法.

考慮到多元線性回歸（multiple linear regression， MLR）是目前城市道路路段行程時間估計中應用最廣泛的方法之一[5]，因此，將其選為對比方法，對本文方法的有效性進行驗證.以前述約定的標定集合和測試集合數據為基礎，采用本文方法和MLR方法，對組合路段AC和CA進行路段行程時間估計，相應的誤差指標如表1所示.

從表1中可以看出，在分別以標定數據集合和測試數據集合為基礎估計路段行程時間時，本文方法針對兩個實驗路段的3種誤差指標均明顯優于MLR方法.在測試數據集合中，與多元線性回歸方法相比，本文方法路段行程時間估計結果的MAE、MAPE、RMSE平均值（組合路段AC與CA的平均值）減少了9.68 s、8.07%、4.5 s.

方法標定集合19.3515.4725.04測試集合20.0916.9226.18MLR的本質是利用一簇相似交通模式建立多元線性回歸方程，但對與回歸方程相似程度較低的交通模式而言，其路段行程時間的估計效果會較差.而kNN方法以與當前交通模式最為相似的k個歷史模式作為估計的基礎，在一定程度上克服了MLR存在的問題，因此，能夠改善路段行程時間的估計效果.4 結束語路段行程時間是體現交通流運行狀態的最重要的交通參數.現有的基于SCATS交通數據的路段行程時間估計方法采用的數據形式與SCATS實際交通數據不同，且均假設可以按照固定周期獲得交通數據.而SCATS是自適應感應控制系統，其采樣時間間隔并不是固定的.

本文針對SCATS實際交通數據的獨特性，設計了一種新的路段行程時間估計方法，并根據我國某特大城市的實際數據進行了驗證和對比分析.結果表明，本文設計的新方法能夠改善路段行程時間的估計效果.

需要說明的是，受目前工程條件的限制，本文未能對自然路段行程時間的估計效果進行分析，本文方法在其他道路上的應用效果也有待進一步驗證.參考文獻：[1]SMITH B L， HOLT R B， PARK B B. Travel time estimation for urban freeway performance measurement： understanding and improving upon the extrapolation method[C]∥Transportation Research Board 83rd Annual Meeting. Washington D C： National Research Council， 2004： 120.

[2]TURNER S M， EISELE W L， BENZ R J， et al. Travel time data collection handbook， VA 22161 USA[R]. Springfield： National Technical Information Service， 1998.

[3]PALACHARLA P V， NELSON P C. Application of fuzzy logic and neural networks for dynamic travel time estimation[J]. International Transactions in Operational Research， 1999（6）： 145160.

[4]NAM D H， DREW D R. Traffic dynamics： methods for estimating freeway travel times in realtime from flow measurements[J]. Journal of Transportation Engineering， ASCE， 1996， 122（3）： 185191.

[5]VAN A B， VAN J M， MUSTE M R， et al. Travel time estimation in the GERDIEN project[J]. International Journal of Forecasting， 1997（13）： 7385.

[6]XIE C， CHEU R L， LEE D H. Calibrationfree arterial link speed estimation model using loop data[J]. Journal of Transportation Engineering， ASCE， 2001， 127（6）： 507514.

[7]張和生，張毅，胡東成. 路段平均行程時間估計方法[J]. 交通運輸工程學報，2008，8（1）： 8996.

ZHANG Hesheng， ZHANG Yi， HU Dongcheng. Estimation method of average travel time for road sections[J]. Journal of Traffic and Transportation Engineering， 2008， 8（1）： 8996.

[8]CHEU R L， LIU Q， LEE D. Arterial travel time estimation using SCATS detectors[C]∥Proceedings of the 7th International Applications of Advanced Technologies in Transportation Engineering. Cambridge： American Society of Civil Engineers， 2002： 3239.

[9]姜桂艷，李繼偉，張春勤. 城市主干路擁擠路段基于地點交通參數的行程速度估計[J]. 吉林大學學報：工學版，2010，40（5）： 12031208.

JIANG Guiyan， LI Jiwei， ZHANG Chunqin. Travel speed estimation for congested arterial road segment based on spot traffic parameters[J]. Journal of Jilin University： Engineering and Technology Edition， 2010， 40（5）： 12031208.

[10]MACK Y P. Local properties of kNN regression estimates[J]. SIAM， Journal Algebraic and Discrete Methods， 1981， 2（3）： 311323.

[11]姜桂艷，李繼偉，張春勤. 城市主干路路段行程時間估計的BPR修正模型[J]. 西南交通大學學報，2010，45（1）： 124129.

JIANG Guiyan， LI Jiwei， ZHANG Chunqin. Modified BPR functions for travel time estimation of urban arterial road segment[J]. Journal of Southwest Jiaotong University， 2010， 45（1）： 124129.

[12]CHANG W A， RAMAKRISHNA R S. A genetic algorithm for shortest path routing problem and the sizing of populations[J]. IEEE Transactions on Evolutionary Computation， 2002， 6（6）： 566 579.

[13]張赫，楊兆升，王煒. 基于實時交通流信息的中心式動態路徑誘導系統行車路線優化技術研究[J]. 公路交通科技，2004，21（9）： 9194.

ZHANG He， YANG Zhaosheng， WANG Wei. Research on vehicle route optimization of centrally dynamic route guidance systems based on real time traffic flow information[J]. Journal of Highway and Transportation Research and Development， 2004， 21（9）： 9194.

[14]薛薇. SPSS統計分析方法及應用[M]. 北京：電子工業出版社，2004： 132156.

（中文編輯：秦萍玲英文編輯：蘭俊思）