基于速度短時預測的路徑優化研究

趙琨++李啟明++史曉霞

摘 要：根據現有的交通擁擠度辨別方法以及公路的等級，設計不同交通狀況下的速度標準；建立相應的路徑優化方法，建立時間序列模型，對采集到的道路行車速度進行速度的預測，并設計以最快路徑為最優路徑的路徑優化方法，將交通流量中的速度預測應用到其中，之后根據相應的方法應用到實際案例中，證明方法的可行性。

關鍵詞：交通流量；預測；路徑網絡；最優路徑

中圖分類號：TB 文獻標識碼：A doi：10.19311/j.cnki.16723198.2018.05.091

1 引言

在某一時間t到下一決策時間t+1乃至以后若干時刻的交通流做出實時預測叫作交通流預測。短時交通流預測是t到t+1之間的預測時間跨度不超過15min（乃至小于5min）的交通流預測。交通流預測既是智能交通系統實現的理論基礎，又是實時控制與誘導交通的前提。

Nicholson H.等（1974）提出用譜分析模型預測交通流量。hmed S.A.和Cock A.R.（1974）探討了時間序列技術在交通量預測中的應用，提出了時間序列預測交通流量的觀點。同年Cock A.R嘗試利用Box-Jenkins技術對高速公路的交通流量進行預測。Nihan N.L.和Holmesland K.O.（1980）在已知某路段4年的交通量數據的條件下再次應用Box.Jenkins技術進行預測，獲得了比較好的預測效果。Davis G.A（1990）使用可調預測系統預測高速公路的交通量進行了研究，它被用來確定是否是純粹的交通擁堵，它被應用到實時預測和數據收集的城市交通網絡。另外，P.C.Vythockas（1993）也建立了基于卡爾曼濾波技術的交通流預測模型，預測效果較好。TheieryDochy（1994）等人在建立了結果令人滿意的神經網絡預測模型，預測的時間間隔為1小時。Maschavan Der Voort （1996）將神經網絡與ARIMA時間序列模型結合，使ARIMA模型更具有實用性，之后，提出用用模擬的數據驗證該算法可行性，通過建立神經網絡單個路段的交通流量的模型，并結合整個路徑網絡的交通流量預測模型，對交通流量數據進行了具體的驗證。

H.Kirby，M.Dougherty，S.Watson（1997）通過動態時間序列的方法研究交通流的變化規律，建立神經網絡模型研究高速公路短時交通流量預測。同年，王明梭（1997）提出城市主干道交通流的卡爾曼濾波動態預測方法研究。英國學者H.Chen，S.Clark等（1998）發現運用Hermite多項式和隨機噪聲理論能較好的描述交通流狀態，神經網絡模型用于交通流預測擁有很好的前景得到了進一步驗證。賀國光（2000）提出一種改進的自適應權重模型，此方法是一種將有模型算法和無模型算法結合起來的新思路，為設計出能適應預測步長小于5 分鐘的高精度預測模型提供了一個新的解決方案。

2 交通流預測模型

2.1 交通流預測的應用方法

第一，根據路徑網絡通過鄰接矩陣的調用，求得最短的三條路徑。

第二，采集交通擁擠度的參數或是車輛行駛速度，得出相應的道路平均運行速度。

第三，根據時間序列模型進行速度的預測，得出相應路徑的預測的速度。

第四，根據時間公式計算出通過每條路徑的基本路徑。

2.2 時間序列模型的建立

建立時間序列模型，構建出的適合于交通流預測的模型，應用指數平滑、自回歸法等時間序列方法預測交通流數據。首先，將得到的道路數據導入到時間序列模型中，之后，對模型進行參數的設置，設置適應的時間序列變化類型，要設置要輸出的參數、預測的起始時間、終止時間以及預測未來的年限，最后，運行模型，并記錄好預測到的數據。

由于采集的數據是以時間變化的時間序列模型，是連續3天每隔15分鐘采集的一次數據，因此，在模型中設置的時間周期為“15min”，開始時間為數據的第一條信息，并預測未來的十個時間段的數據，最后，采用時間序列中的指數平滑模型，進行預測。

3 交通流預測的應用

3.1 案例描述

某物流企業想要從石景山路出發進行配送作業，將貨物配送到達首都機場2號航站樓，兩個節點之間有相應的20個物流節點，多條路徑，為了能夠在距離較短以及時間最短的情況下，進行交通數據的預測，分析如何選取合適的路徑進行行駛，從而對路徑進行優化處理。

3.2 路徑的選擇

由于出行的路徑十分復雜，而且其中擁有若干個節點，人工計算最短路徑十分困難，因此，將存在路徑轉化為路徑圖的形式，將路徑網絡中的相應路段轉化為相應的20個節點，在MATLAB中調用路徑網絡的鄰接矩陣，之后在MATLAB中運用相應的最短路徑算法minRoute得出最后的最短路徑，輸出最短路徑，然后，根據輸出的結果補充兩條較短路路徑，以便最后路徑優化。

首先將路徑問題簡化為數學問題，通過動態規劃的方法來進行路徑的計算，將配送網絡示意圖轉化為路徑規劃中的路徑圖，將圖中經過的物流節點用阿拉伯數字表示，其中起點為1，終點為20，各個節點之中的距離，構成如下20*20鄰接矩陣w，其對角線元素均等于零，除了以下標明的元素具體值以外，剩下其余元素均為無窮大，表示該兩個結點之間沒有道路相通。然后對得出的20×20的鄰接矩陣進行路徑的計算通過i=1；[s，d]=minroute（i，20，ww）；求出最短路徑，輸出的結果見表1、表2。

對應的結果為最短路徑為1-2-6-9-10-12-15-18-20，總長度為70350。根據得出的矩陣以及對應的動態規劃圖可知，路徑的路徑圖可以看出，次優路徑應為1-2-6-7-8-13-16-19，19經過18以及20到達目的地，總長度為75540。

同理可以看出路徑再優路徑為1-2-5-11-14-17-18-20，總長度為77050。endprint

3.3 路徑中車輛平均速度的預測

之后，通過交通流數據的預測，得出各個路段車輛預計的行駛速度，同時，根據之已經得出的各個路段的距離，根據時間=路程/速度，估算出車輛通過各個路段所用的時間，得出的最終的部分結果見表3。

根據以上的預測結果可以求出從這三條路徑進行配送所需要的大概的時間，這四條路徑所需的時間分別為，最短路徑69.2分鐘，次短路徑84.8分鐘，再短路徑89.4分鐘。因此，在配送過程中，選擇最短路徑進行配送，也就是案例的最短路徑。將最優路徑還原到實際問題中，最優路徑為從石景山路出發，經過復興路，進入三環路，在北三環東路與京承高速的交界處進入京承高速，之后進入京平高速，最后進入首都機場高速，最終到達首都機場2號航站樓。

3.4 路徑的二次優化

由于交通具有很大的不確定性，交通事故、天氣變化等都會影響到道路的暢通程度，因此，對道路進行實時的監控進行數據的采集，從而進行路徑的優化，保證在駕駛過程中，一直在最優路徑上行駛。

在最優路徑行駛大約50分鐘后，汽車即將進入京承高速，通過對道路交通數據的采集和路徑的監控發現，京承高速發生了交通事故，產生了一定程度上的擁堵，因此，要對未經過的路徑進行重新進行預測，從而做出正確的判斷，達到優化路徑的目的。方法類似，此處不贅述。

根據新的預測結果可以求出從這三條路徑進行配送所需要的大概的時間，這四條路徑所需的時間分別為，最短路徑17.6分鐘，次短路徑18.26分鐘，再短路徑23.4分鐘。由此可以看出在路徑變化后可以選用最短路徑，用時17.6分鐘，具體的路徑是由京承高速出發，經由東四環進入首都機場速，最后到達首都機場2號航站樓。

通過對采取的信息的兩次預測，經過一次路徑的變換，共用時67.6分鐘，減少了車輛在運行過程中遇到交通擁堵的麻煩，減少了所用的時間。

4 結論

通過對短時交通流的簡要研究，分析交通流短時預測的理論以及方法，在原有的基礎上，建立了新的交通擁擠度的標準，將交通擁擠度問題轉化為路徑的時間問題，同時應用已有的數據和方法，用一種新的思路對交通流進行分析，通過道路擁擠度和路徑長短兩個交通中的參數，對網絡配送路徑進行分析，得出較優的路徑，對交通提供提前的預測，對優化交通、緩解交通擁堵起到很大的幫助作用，同時，由于是提前5-15min的短時預測，因此，在道路上的車輛可以不斷地進行預測，通過實時的預測信息，對自己的前進路徑進行合理的選擇，盡可能減少以至避免交通變化的突然性造成的不便，另外，通過對路徑的短時預測，不斷的提供推薦的路徑信息，可以靈活的變換路徑，最終，達到車輛行駛的暢通無阻，達到選擇最快的路徑的目的。

參考文獻

[1]Nicholson H.和Swann C.D.The prediction of traffic flow volumes based on spectral analysis[J].Transportation Research， 1974， 8（6）：pp533538.

[2]Ahmed S.A 和Cock A.R. Analysis of highway traffic flow based on time series[J]. Logistics Research： 201105， Volume 3， Issue 2-3 ， pp 121132.

[3]Nihan N.L.和Holmesland K.O. Use of the Box and Jenkins time series technique in traffic forecasting[J]，Transportation，1980，9（2）：125143.

[4]Davis G.A， Comparison of parametric and nonparametric modles for traffic flow forecasting[J].Transportation research： Emerging technologies，1990，21（1），pp 2327.

[5]P.C.Vythockas， Short term forecasting of traffic conditions： a working paper on methodology[J]. Traffic flow，1993， pp5360.

[6]TheieryDochy， Short term traffic forecasting by neural networks[J].Transports - Securite （French）， 1994， pp 235246.

[7]Maschavan Der Voort， Dougherly M & Watson， S.C.CombiningKohonen maps with ARIMA time series： models to forecast traffic flow[J].Transportation Research，1996，4（5）：pp 307310.

[8]H.Kirby，M.Dougherty，S.Watson，Should we use neural networks or statistical models for short-term motorway traffic forecasting[J].International Journal of Forecasting， 1997， 13（96）：pp 4350.

[9]王明梭.城市主干道交通流的卡爾曼濾波動態預測方法研究[D].長沙：長沙理工大學，1997.

[10]H.Chen，S.Clark，M.S.Dougehrty， S.M.Grant.Muller，Traffic flow prediction based on Calman filter and neural network model[J].Traffic flow， 76， Issue 5-8， pp 91110.

[11]賀國光，李宇，馬壽峰.基于數學模型的短時交通流及其管控研究[J].系統工程理論與實踐，2000.endprint