短時路段行程時間分布預測方法研究

劉 妍

( 長春師范大學 計算機科學與技術學院，吉林 長春 130032)

?

短時路段行程時間分布預測方法研究

劉 妍

( 長春師范大學 計算機科學與技術學院，吉林 長春 130032)

為有效利用歷史路段行程時間數據，提高短時路段行程時間分布估計精度，提出了一種自適應數據融合方法。通過分析歷史行程時間數據與實時行程時間數據間的關系，構建了二者間的映射模型，有效地將非精確對應下的數據區間映射為精確對應狀態，并根據所建非線性模型得到預測數據分布，極大地提高了行程時間分布的預測精度。考慮時間延遲等因素，采用DYNASMART仿真軟件對所提出的方法進行了模擬驗證。結果表明：隨著采集步長的增加，應用自適應數據融合方法得到的短時行程時間預測分布與隨時間變化的實際行程時間分布狀態保持一致，這有效保障了數據預測的質量，為智能交通管控策略的制定提供可靠的依據。

交通工程；路段行程時間；分布；預測方法；自適應

由于土地資源的限制，傳統的靜態交通管理手段已不能有效緩解城市道路擁擠與擁堵[1-2]。掌握實時的動態交通信息，分析并采取相應的交通管理策略業已成為近些年交通領域的發展方向。

路段行程時間[2]是動態反映道路運行狀態的重要指標，也是智能交通系統的基礎參數。目前，對于短時路段行程時間分布預測的研究剛剛起步，相關研究多集中在短時行程時間預測技術方面[3-4],I.Kaparias，等[5]在行程時間可靠性方面也提出了具有實際意義的預測模型。然而這些方法如人工神經網絡模型和K-近鄰算法等[6]僅能得到路段行程時間預測的離散值，而不是離散分布，無法保障行程時間預測的數據質量，可靠性得不到滿足，且具有一定的局限性。筆者針對上述不足，以信息融合方法論為基礎，提出一種自適應數據融合模型，該模型將當前離散分布的路段行程時間信息以及歷史路段行程時間進行一體化處理，并將已有路段行程時間信息構成的長期歷史路段行程時間分布作為初始分布，從而預測短時路段行程時間的分布值，為路網運行時間的可靠性分析提供了數據依據，并為動態交通管理策略的制定，如動態交通誘導、擁擠收費等提供重大幫助。

1 符號定義

交通網絡由有向路段和節點組成，且具有時空動態特性[7-9]。因此，交通路網可看作是一個有向時變的隨機網絡。設G(N,A)表示一個交通網絡，其中：N表示節點集，A表示路段集，相關符號說明如下：

2 模型構建

2.1 行程時間分布

(1)

針對不同的行程時間狀態，假設路段行程時間服從連續均勻分布。所以路段行程時間的長期歷史平均值和變異值可由式(2)～式(4)估計得到，并且根據需要，長期歷史行程時間分布可以定期更新，更新周期可依據需要進行調整，如每天或每周不等：

(2)

(3)

(4)

2.2 信息融合方法論

根據實時行程時間與已有行程時間的包含關系可知，其二者之間可對應成以下6種情況，如圖1。圖1中：(a)、(b)和(c)表示實時行程時間完全包含在已有行程時間的分布狀態集中；(d)、(e)和(f)表示部分或所有實時行程時間未包含在已有行程時間狀態集中。

圖1 已有行程時間狀態與實時行程時間區間關系Fig.1 Relationship between existing interval of travel-time state and real-time interval

從圖1可以看出，圖1(a)情況下實時行程時間區間正好與歷史時段的時間分布區間一致，這種情況下的數據預測是較易處理的，其預測值也更加可靠。所以如何將其余5種情況映射為圖1(a)情形是亟待解決的問題(見2.3節)。圖1(a)中所示情況建模如式(5)：

(5)

為滿足當其他情況映射至式(5)中時滿足其閾值條件，筆者從數學角度，基于信息融合方法論對模型進行了修訂。信息融合方法論可用式(6)～式(8)表示：

(6)

(7)

(8)

(9)

2.3 自適應數據融合模型

(10)

(11)

(12)

(13)

(14)

(15)

(16)

(17)

(18)

以圖1(b)情況為例，將實時行程時間區間分成若干個子區間，因此實時行程時間信息可由式(19)所示的函數分布來表示。

(19)

(20)

(21)

(22)

(23)

3 模擬驗證

圖2 單路段行程時間分布預測對比分析Fig.2 Compared distribution results of one path travel-time prediction

4 結 論

1)筆者提出了一種自適應數據融合方法，并從數學的角度構建了實時行程時間分布與歷史行程時間分布之間的映射方法。該方法可以有效提高短時行程時間分布預測的準確性，簡化復雜情況下的模型生成，準確預測短時時間間隔內道路路網的交通運行態勢，這為智能交通管理策略的制定提供了更加可靠的信息依據，為未來短時交通參數的分布預測開辟了一條有效途徑。

2)通過與實時路段行程時間數據的對比可知，除不同步長對預測精度的影響外，其時間延遲Δt的影響也不可忽略，筆者僅考慮了Δt～(1,3)時的情況，Δt與預測精度的關系以及初始數據精度對短時預測分布的影響等都是今后需要繼續研究的內容。

[1] Xiang Fei,Lu Changcheng,Liu Ke.A Bayesian dynamic linear model approach for real-time short-term freeway travel time prediction[J].Transportation Research:Part C,2011,19 (6):1306-1318.

[2] 楊兆升,高學英,林賜云,等.基于路段下游檢測線圈的路段行程時間估計[J].北京工業大學學報,2010,36(6):790-795. Yang Zhaosheng,Gao Xueying,Lin Ciyun,et al.Estimation of travel time based on downstream loop detector of road section[J].Journal of Beijing University of Technology,2010,36(6):790-795.

[3] Hollander Y,Liu R.Estimation of the distribution of travel times by repeated simulation[J].Transportation Research:Part C,2008,16 (2):212-231.

[4] Van Lint,J W C,Van Zuylen,et al.Travel time unreliability on freeways:Why measures based on variance tell only half the story[J].Transportation Research Part A:Policy and Practice,2008,42 (1):258-277.

[5] Kaparias I,Bell M G H,Belzener H.A new measure of travel time reliability for in-vehicle navigation systems[J].Journal of Intelligent Transportation Systems,2008,12 (4):202-211.

[6] 楊兆升,高學英.基于影響因素分類的路段行程時間融合研究[J].公路交通科技,2010,27(4):116-121. Yang Zhaosheng,Gao Xueying.Research on travel time fusion based on influencing factors classification[J].Journal of Highway and Transportation Research and Development,2010,27(4):116-121.

[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) :89- 96. 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):89- 96.

[8] Tam M L,Lam W H K.Real-time travel time estimation using automatic vehicle identification data in Hong Kong[J].Lecture Notes in Computer Science,2007,44(13):352-361.

[9] Emst J M,Krogmeier,James V,et al.Comparison framework for the evaluation of travel time distribution estimates[C].Anchorage,AK,USA:IEEE Conference on Intelligent Transportation Systems,ITSC,2012:564-569.

[10] Dailey D J.Travel-time estimation using cross-correlation techniques [J].Transportation Research Part B,1993,27(2):97-107.

[11] Taylor M A P,Somenahalli S.Travel time reliability and the bimodal travel time distribution for an arterial road[J].Road and Transport Research,2010,19(4):37-50.

Prediction Research on Travel-Time Distribution of Short-Term Path

Liu Yan

(School of Computer Science & Technology, Changchun Normal University, Changchun 130032, Jilin, China)

In order to effectively use historical travel-time data and improve the travel-time distribution estimation precision of short-term road section, an adaptive data fusion method was proposed. By analyzing the relationship between historical travel-time data and real-time travel time data, a mapping mode of the two ways was constructed. The mode can effectively make the data interval of inaccurate corresponding state map to accurate corresponding state and greatly improve the prediction precision of the travel-time distribution. With consideration of factors such as time delay, DYNASMART simulation software was used to analyze the proposed method in the experiment. The results show that with acquisition step length increasing, the short-term travel-time prediction distribution obtained from the adaptive data fusion model is consistent with the actual travel-time distribution, which effectively ensures the quality of prediction data and provides a reliable basis for the establishment of intelligent traffic control strategy for the future.

traffic engineering; path travel-time; distribution; prediction method; self-adaption

10.3969/j.issn.1674-0696.2015.02.23

2013-12-15；

2014-01-08

吉林省教育廳"十二五"科學技術研究(吉教科合字[2013]第261號)；長春師范大學自然科學基金項目(長師大自科合字[2014]第004號)

劉 妍(1978—)，女，吉林長春人，講師，博士，主要從事智能交通與計算機應用方面的研究。E-mail:liuy78@126.com。

U 491

A

1674-0696(2015)02-108-04