基于移動數據的擁堵信息預測算法

張川　胡雪松　楊冀源

摘 要

本文基于對大規模出租車GPS數據進行分析，結合交通量OD分布概率模型計算熱點小區的交通量，給出擁堵預測模型，幫助城市管理者更好地管理城市交通管理問題。

【關鍵詞】城市交通擁堵 GPS終端定位 OD分布概率

1 研究背景

出租車是城市客運交通的重要組成部分，是常規公共交通的重要補充。隨著出租車數量的不斷增長，出租車交通量已成為城市道路交通總量中的重要組成部分，成為影響城市道路交通分布及分配預測準確性的重要因素之一。由于出租車運行的隨機性，沒有固定的起訖點和運行線路，給定量分析帶來一定的困難。

各大城市越來越多的出租車的安裝了GPS終端，這些終端能夠每隔1分鐘向出租車管理中心發送本車的位置、速度和方向等信息，是車輛GPS實時數據。原始數據主要保存出租車上裝配的GPS終端所采集的數據，這些數據包括序號，車牌號碼，GPS時間，經度，緯度，車輛狀態（空車、重車），車輛速度，車輛方向（8個方向）等信息。這些GPS數據為我們研究出租車交通情況題共了參考和依據。

2 傳統交通分析模型存在的問題

現階段在交通擁堵方面主要集中在研究某個路口的情況，并且用緩沖區方法，而沒有對整個區域有個整體的描述，而對于整個區域的研究則是基于交通需求建立模型，數據采集的精度不高。

目前公共交通設施是最常見的移動軌跡數據采集途徑。從已有的研究工作看，針對移動軌跡數據的分析碰到的問題可能有：

2.1 數據存儲

大規模軌跡數據的存儲一般都采用基于R-tree索引（或在R-tree基礎上改良的索引，如Quad-tree）的數據庫，這類索引的好處是給定查詢點以后，可以從查詢點所在索引結點出發，沿著樹型索引依次訪問到離查詢點距離越來越遠的被索引的點；最近，有很多研究者提出了針對路網距離的索引，使得路網距離下也可以類似的由近及遠的訪問被索引的點。基于以上這類索引結構，kNNT問題可以轉化為信息檢索領域中的聚合Top-k查詢問題。

2.2 地圖匹配問題

地圖匹配算法可以按照其考慮的軌跡范圍分成全局算法和局部算法。局部算法又稱遞增式算法，該類方法采用貪心的策略依次將每個軌跡點匹配到相應的路段上。這類算法通常基于距離和角度的相似性，對于每個軌跡點找到局部最優的路段進行匹配。

2.3 移動數據的收集與處理問題

現階段針對交通擁堵的研究主要集中在交通路口，對數據的收集主要為車輛的行駛速度與方向信息，其中不包含車輛的具體信息如車牌、車輛具體位置等，這樣不能夠做到對行駛車輛的實時監測和數據的精確處理。

2.4 缺少居民出行信息

在研究擁堵問題時必須要考慮到對周邊居民的影響，之前的算法中不包含此類信息，諸如周邊小區居民出行的高峰時段與高峰時間，不能做到將這些信息及時的反饋。

3 基于移動數據的擁堵預測算法

3.1 算法的詳細過程

本算法主要通過大規模出租車GPS數據進行分析，結合路網信息，首先獲取熱點區域和熱點小區；其次結合交通量OD分布概率模型計算熱點小區的交通量，然后計算各個小區的總體出行情況，從而獲取各小區的交通出行量，同時結合時間信息查找各時段擁堵路段和擁堵路口，最后依據上述信息得到具體的算法過程：

（1）首先，由安裝在各個出租車上的GPS裝置得到實時的出租車載客信息，包含著各個時刻出租車的位置信息。我們可以利用馬克威分析系統中關于快速聚類的方法來對各小區進行劃分，得到每個小區的具體坐標和熱點小區的具體位置信息。

（2）其次，通過建立的交通量OD分布概率模型，利用Bayes方法對該模型進行參數估計與效果檢驗，由馬克威分析系統得到各小區的交通量信息，求解出交通量的OD分布。

（3）再次，通過得到的小區交通量的OD分布，來繪制各熱點小區交通量的分布模型。

（4）然后，通過采集周邊各小區的居民出行數據，得到各小區居民出行的高峰時段與出行的熱點小區區域，并且將得到的熱點出行區域信息與上面步驟中得到的出租車出行的熱點小區區域進行匹配，得到交叉地帶。

（5）最后，通過收集出租車的GPS數據，篩選出有用的數據，由上述算法，便可以查找到車輛比較擁堵的路段與時段信息。將該信息與上面采集到的居民出行的高峰時段與熱點小區區域進行比較匹配，即可得到居民出行的擁堵路段與時段信息。

3.2 算法的創新之處

針對大規模軌跡數據的分析問題，現有的解決思路往往都是通過構造地圖來進行熱點掃描和偏好軌跡掃描。針對大規模軌跡數據，之前已經完成了離線預處理、頻繁軌跡圖模型、以及在線打車推薦部分算法。本算法的關鍵特色是從大規模GPS數據快速抽取熱點和熱點小區，然后繪制頻繁小區地圖，結合交通量分析計算熱點小區出行量，再根據各個小區的總體出行情況，獲取各個小區的交通出行量，從而查找各時段擁堵路段和擁堵路口，根據上述參數獲取擁堵預測模型。具體說來，本算法的創新之處有：

（1）由安裝在出租車上的GPS得到出租車每個時段的行駛信息，可以得到實時的運行信息。

（2）設計與實現了熱點和熱點小區的識別算法。

（3）建立交通量OD分布概率模型，求解出交通量的OD分布。

（4）由采集到的GPS數據動態構造各個時段擁堵路段和路口的計算模型。得到擁堵路段與時段模型。

（5）增加了居民的出行信息，通過采集到的小區居民出行高峰時段與路段信息與出租車擁堵路線進行匹配，可以得出居民出行的擁堵區域與時段信息，更加方便小區居民進行出行選擇，同時提高了該算法的應用性。

4 結論

當前是一個信息爆炸的年代，由于物聯網技術的發展，我們已經進入了大數據時代。

本文基于GPS終端的海量數據，計算隨時間變化的車流狀態，結合交通量分布OD分布概率模型來計算熱點小區的交通量，最終得到擁堵的預測模型，可有效地幫助城市管理者管理城市交通和小區居民選擇更加合適的出行方式與時間，在北京、上海等大中城市具有很高的應用前景。

參考文獻

[1]黃鳳忖.電信運營業發展的影響因素分析[D].首都經貿大學碩士學位論文，2005（03）.

[2]李勇平.遺傳神經網絡在電信業務收入預測中的應用研究[J].商場現代化，2008（11）.

[3]胡德敏，曹桓.四網協同無線網絡規劃策略與綜合評價研究[J].通信管理與技術，2012（12）.

作者單位

大連理工大學軟件學院 遼寧省大連市 116001endprint