不確定交通流實(shí)時(shí)可視化及短時(shí)預(yù)測(cè)方法研究

賈朝龍，郝曉楠，王雪純，曾友渝

?

不確定交通流實(shí)時(shí)可視化及短時(shí)預(yù)測(cè)方法研究

賈朝龍1,2,3，郝曉楠1,3，王雪純1,3，曾友渝1,3

（1. 重慶郵電大學(xué)軟件工程學(xué)院，重慶 400065；2. 田納西大學(xué)諾克斯維爾校區(qū)，諾克斯維爾，田納西州，美國(guó) 37996； 3. 重慶市軟件質(zhì)量保證與測(cè)評(píng)工程技術(shù)研究中心，重慶 400065）

構(gòu)建可配置、易擴(kuò)展、高開放性的交通流可視化平臺(tái)的框架并實(shí)現(xiàn)基于可視化的決策分析，通過大數(shù)據(jù)平臺(tái)處理、存儲(chǔ)海量、高頻率的交通數(shù)據(jù)支持下實(shí)現(xiàn)交通流信息實(shí)時(shí)可視化，為交通數(shù)據(jù)智能分析提供直觀展示。在此基礎(chǔ)上，提出針對(duì)短時(shí)交通流預(yù)測(cè)的思路和方法。

智能交通；不確定交通流；可視化；大數(shù)據(jù)

0 引言

隨著各大城市智慧城市戰(zhàn)略的不斷提出，作為人類生活中一個(gè)重要的組成部分的交通系統(tǒng)經(jīng)歷了一個(gè)快速發(fā)展的過程。現(xiàn)代社會(huì)中大城市集中爆發(fā)的交通擁堵嚴(yán)重、空氣污染、交通事故頻發(fā)的通病，使得人們亟需一種更加高效、直觀的解決問題的手段。隨著經(jīng)過二十年以來交通系統(tǒng)積累的大量數(shù)據(jù)以及大數(shù)據(jù)及其可視化技術(shù)的興起，提供了一種可能，使得人們可以更加直觀地觀察、理解交通演變，并對(duì)演化趨勢(shì)進(jìn)行分析預(yù)測(cè)，為高效管理交通系統(tǒng)提供了工具和手段。

1 不確定交通流

不確定交通流起源于多種因素。在宏觀層面，出行分布的不均衡及其引發(fā)的交通流不均衡，出現(xiàn)短時(shí)性道路擁擠、路口堵塞，以及存在諸惡劣如天氣、突發(fā)事故、交通管制等不確定性因素，同時(shí)每個(gè)司機(jī)個(gè)體具有的不同的行為模式，不可避免會(huì)產(chǎn)生行為沖突，這些都使得短時(shí)車流量變化具有不確定性和非線性特點(diǎn)。在數(shù)據(jù)層面上，不確定性也反映在數(shù)據(jù)的錯(cuò)誤（如傳感器檢測(cè)產(chǎn)生原始數(shù)據(jù)錯(cuò)誤）、模糊數(shù)據(jù)（如敏感、隱私信息造成數(shù)據(jù)不確定）、缺失數(shù)據(jù)（如傳感器檢測(cè)數(shù)據(jù)丟失以及匯總產(chǎn)生的不確定）。不確定交通流數(shù)據(jù)具有復(fù)雜性、隨機(jī)性、周期性特征。

不確定交通流分類及特征如表1所示。

2 不確定交通流可視化

2.1 可視化技術(shù)

可視分析是大數(shù)據(jù)分析的重要方法[1]。隨著可視化技術(shù)的發(fā)展，任何數(shù)據(jù)信息都可采用合適的可視化技術(shù)以盡可能傳達(dá)最大可能理解性[2]。

交通流數(shù)據(jù)可視化的本質(zhì)是將交通流數(shù)據(jù)映射到圖形，同時(shí)增加一些輔助信息，讓用戶讀懂?dāng)?shù)據(jù)。在交通流數(shù)據(jù)可視化研究領(lǐng)域，國(guó)內(nèi)外學(xué)者做了大量研究[3-6]。通常的可視化技術(shù)包含三種：統(tǒng)計(jì)、時(shí)空軌跡和多維編碼。可視化可以為交通流預(yù)測(cè)[7-9]等實(shí)際應(yīng)用提供直觀手段。

廣義的統(tǒng)計(jì)指對(duì)交通流數(shù)據(jù)采用數(shù)理統(tǒng)計(jì)以及數(shù)據(jù)挖掘（如分類、聚類）的方法，通過對(duì)海量數(shù)據(jù)分析整理，發(fā)現(xiàn)交通流時(shí)間空間分布變化特征，以圖形手段表現(xiàn)出來。

車輛運(yùn)行包含了豐富的時(shí)間和空間數(shù)據(jù)，針對(duì)每一個(gè)具體個(gè)體，如每一輛車，從時(shí)間和空間角度對(duì)車輛運(yùn)行數(shù)據(jù)進(jìn)行可視化，其中時(shí)間可以劃分為線性時(shí)間和周期性時(shí)間。線性時(shí)間包括了明確的起始時(shí)間點(diǎn)，周期時(shí)間則指周而復(fù)始是閉合時(shí)間，如周、月、年等，每一周每一月以及每一年都視作一個(gè)周期。

表1 不確定交通流分類及特征

Tab.1 Classification and characteristics of uncertain traffic flow

2.2 快速PCA

不確定交通流可視化包括三個(gè)方向：車輛軌跡、監(jiān)控?cái)?shù)據(jù)、路網(wǎng)狀況。其中，車輛軌跡的可視化指各種車輛運(yùn)行軌跡在地圖上呈現(xiàn)，包括小客車、大客車、公交車、工程車、特種車等車輛的軌跡信息。監(jiān)控?cái)?shù)據(jù)的可視化指各種監(jiān)控?cái)z像頭記錄的信息的可視化呈現(xiàn)，如感應(yīng)線圈、測(cè)速雷達(dá)、交通攝像頭、電子警察、便攜執(zhí)法記錄儀、移動(dòng)車載視頻監(jiān)控設(shè)備等記錄的信息。路網(wǎng)路況的可視化指的是通過路網(wǎng)可視化呈現(xiàn)出實(shí)時(shí)交通狀況，如擁堵、暢通等信息。

2.3 不確定交通流可視化框架

不確定交通流可視化系統(tǒng)總體框架由數(shù)據(jù)預(yù)處理加工、圖形映射、輔助信息和圖形展示四個(gè)層次構(gòu)成。

底層數(shù)據(jù)來源包括GIS基礎(chǔ)平臺(tái)數(shù)據(jù)、視頻監(jiān)控與巡邏數(shù)據(jù)、卡口抓拍與車輛布控?cái)?shù)據(jù)、RFID數(shù)據(jù)、高速公路出入口數(shù)據(jù)、電子警察與非現(xiàn)場(chǎng)執(zhí)法數(shù)據(jù)、交通信號(hào)控制數(shù)據(jù)、交通違章事故數(shù)據(jù)、交通事件檢測(cè)數(shù)據(jù)、交通流信息采集數(shù)據(jù)、警員勤務(wù)管理數(shù)據(jù)、GPS北斗數(shù)據(jù)。采集到的數(shù)據(jù)通過數(shù)學(xué)模型實(shí)現(xiàn)圖形映射，首先將數(shù)據(jù)映射到數(shù)學(xué)空間[0-1]，然后從數(shù)學(xué)空間映射到畫布空間，實(shí)現(xiàn)如位置、顏色、大小、形狀等。輔助信息用于標(biāo)示數(shù)據(jù)在各種圖形屬性上的映射，使得用戶更容易的理解數(shù)據(jù)。圖形展示是通過可視化工具生成畫布、圖表展示可視化結(jié)果。最后通過應(yīng)用部署，不確定交通流可視化實(shí)現(xiàn)了對(duì)交通設(shè)備、視頻、卡口、違法、布控等管理功能，改變了傳統(tǒng)靜態(tài)管理和單點(diǎn)管理的模式，實(shí)現(xiàn)了數(shù)據(jù)共享、實(shí)時(shí)、動(dòng)態(tài)聯(lián)動(dòng)管理的模式，最大程度對(duì)采集到的數(shù)據(jù)進(jìn)行分析和管理，提高城市交通信息化管理水平。

不確定交通流可視化框架如圖1所示。

2.4 交通流可視化管理決策分析

平臺(tái)具有開放體系結(jié)構(gòu)，集成運(yùn)營(yíng)業(yè)務(wù)管理、應(yīng)急指揮調(diào)度、監(jiān)測(cè)預(yù)警、分析研判于一身，支持從交通態(tài)勢(shì)監(jiān)控、視頻監(jiān)控、智能卡口分析、交通態(tài)勢(shì)評(píng)估研判等多個(gè)維度進(jìn)行日常路網(wǎng)運(yùn)行監(jiān)測(cè)與協(xié)調(diào)管理；支持突發(fā)事件下的值班接警、信息處理發(fā)布、應(yīng)急指揮調(diào)度管理，以滿足常態(tài)下監(jiān)測(cè)監(jiān)管、應(yīng)急態(tài)下協(xié)同處置指揮調(diào)度的需要，滿足交通行業(yè)平急結(jié)合的應(yīng)用需求。

智能交通綜合管理系統(tǒng)以信息采集為基礎(chǔ)，以智能控制為核心，以信息服務(wù)導(dǎo)向，打破系統(tǒng)間信息壁壘和管理界限，形成“信息共享、智能管控、縱橫協(xié)同、全面服務(wù)”的科學(xué)管理格局。

交通流可視化管理決策分析平臺(tái)如圖2所示。

3 不確定交通流短時(shí)預(yù)測(cè)

3.1 特征分析

交通流變化具有非線性、非平穩(wěn)性和高度不確定性特點(diǎn)，針對(duì)短時(shí)交通流數(shù)的隨機(jī)性和不確定性強(qiáng)的特點(diǎn)，可將數(shù)據(jù)序列加以分解，提取出線性特征和非線性特征并采用混合模型手段進(jìn)行預(yù)測(cè)分析。通常，交通流預(yù)測(cè)可采用的預(yù)測(cè)模型包括GM模型、粗集理論、小波理論、自回歸模型（AR），滑動(dòng)平均模型（MA）、歷史平均模型（HA）和自回歸滑動(dòng)平均模型（ARIMA）、小波分解與重構(gòu)、神經(jīng)網(wǎng)絡(luò)模型等。上述模型針對(duì)單一特征時(shí)間數(shù)據(jù)序列預(yù)測(cè)具有較好的精度，但是交通流時(shí)間序列數(shù)據(jù)具有多種線性和非線性特征，單一手段無法進(jìn)行準(zhǔn)確預(yù)測(cè)。

圖1 不確定交通流可視化框架

圖2 可視化管理決策分析平臺(tái)

3.2 預(yù)測(cè)方法

各預(yù)測(cè)模型都具有某方面預(yù)測(cè)的優(yōu)勢(shì)也同時(shí)在其他預(yù)測(cè)方面具有不足，因此需要綜合分析。可以采取基于取各模型之所長(zhǎng)，補(bǔ)各模型之所短的理念，采取混合模型的手段來實(shí)現(xiàn)。

以重慶市南濱路41號(hào)電子牌采集數(shù)據(jù)為例，2015年5月1日及2015年5月2日車流量變化如圖3所示。

通過分析可以發(fā)現(xiàn)交通流在一天之內(nèi)變化呈現(xiàn)較大的不確定，整體分析有一定困難。針對(duì)這種情況可以采取趨勢(shì)分解、狀態(tài)重構(gòu)的方法來解決，如根據(jù)趨勢(shì)將圖3分解成圖4所示的三個(gè)階段。

圖3 南濱路41號(hào)電子牌2015年5月1日及2015年5月2日車流量變化

從圖4可知，每個(gè)階段交通流量變化具有明顯的趨勢(shì)性。針對(duì)這種趨勢(shì)性特征，將每個(gè)階段數(shù)據(jù)再次分解成線性部分和非線性部分，然后分別對(duì)各部分采用諸如線性回歸、自回歸滑動(dòng)平均（ARIMA）、小波分解與重構(gòu)、神經(jīng)網(wǎng)絡(luò)等模型進(jìn)行預(yù)測(cè)，形成混合模型，接下來將線性和非線性部分預(yù)測(cè)數(shù)據(jù)相疊加得到各階段最終預(yù)測(cè)結(jié)果。整合各階段預(yù)測(cè)數(shù)據(jù)，最后得到全時(shí)段預(yù)測(cè)結(jié)果，最后檢驗(yàn)是否達(dá)到滿意精度指標(biāo)。

4 結(jié)論

通過構(gòu)建交通流可視化平臺(tái)，采用可視化處理技術(shù)，不僅提高交通數(shù)據(jù)分析處理的直觀性，也提了準(zhǔn)確性。針對(duì)短時(shí)不確定交通流預(yù)測(cè)，在傳統(tǒng)算法基礎(chǔ)上，在可視化分析的方法下，提出基于趨勢(shì)變化分解重構(gòu)的混合模型思路,為短時(shí)交通流預(yù)測(cè)提供新思路。

[1] 作磊, 杜一, 馬帥. 大數(shù)據(jù)分析綜述[J]. 軟件學(xué)報(bào), 2014, 25(9): 1909-1930.

[2] Khan M, Khan S S. Data and information visualization methods, and interactive mechanisms: A survey[J]. International Journal of Computer Applications, 2011, 34(1): 1-14.

[3] R. Scheepens, C. Hurter, H. Van De Wetering and J. J. Van Wijk, “Visualization, Selection, and Analysis of Traffic Flows” IEEE Transactions on Visualization and Computer Graphics, 2016, 22(1): 379-388.

[4] M. Brehmer and T. Munzner, “A Multi-Level Typology of Abstract Visualization Tasks,” IEEE Transactions on Visualization and Computer Graphics, 2013, 19(12): 2376-2385.

[5] 邢雪, 于德新, 田秀娟, 等. 結(jié)合可視圖的多狀態(tài)交通流時(shí)間序列特性分析[J]. 物理學(xué)報(bào), 2017, 66(23): 230501- 230501.

[6] 劉彩虹, 張磊, 黃華. 交通路口監(jiān)控視頻跨視域多目標(biāo)跟蹤的可視化[J]. 計(jì)算機(jī)學(xué)報(bào), 2018, 41(1): 221-235.

[7] 張金飛, 黎英, 高偉, 等. 城市交通路口短時(shí)流量預(yù)測(cè)[J]. 軟件, 2018, 39(1): 126-131.

[8] 高偉, 黎英, 張金飛, 等. 城市交通高頻路段預(yù)測(cè)模型研究[J]. 軟件, 2018, 39(2): 81-87.

[9] 李紅輝, 劉冬冬, 楊芳南. 基于WebGL的3D可視化告警系統(tǒng)關(guān)鍵技術(shù)研究與應(yīng)用[J]. 軟件, 2018, 39(3): 22-26.

[10] 肖旭, 完顏笑如, 莊達(dá)民. 顯示界面多維視覺編碼綜合評(píng)價(jià)模型[J]. 北京航空航天大學(xué)學(xué)報(bào), 2015, 41(6): 1012-1018.

Uncertain Traffic Flow Real-time Visualization and Short-term Prediction

JIA Chaolong1,2,3, HAO Xiaonan1,3, WANG Xuechun1,3, ZENG Youyu1,3

(1. School of Software Engineering, Chongqing University of Posts and Telecommunications,Chongqing 400065, China;2. The University of Tennessee at Knoxville, Knoxville, Tennessee, 37996, USA; 3. Chongqing Engineering Research Center of Software Quality Assurance, Testing and Assessment, Chongqing 400065, China)

Build a framework of configurable, easy-to-expand and high-open traffic flow visualization platform and a decision analysis platform visualization-based to realize real-time visualization of traffic flow information, Supported by large data platform processing, storage of mass and high-Frequency traffic data. Data intelligence analysis provides intuitive display. Based on this, the ideas and methods for short-term traffic flow prediction are proposed.

Intelligent transportation; Uncertain traffic flow; Visualization; Big data

TP391.9

A

10.3969/j.issn.1003-6970.2018.08.001

重慶市前沿與應(yīng)用基礎(chǔ)研究計(jì)劃一般項(xiàng)目(批準(zhǔn)號(hào)：cstc2015jcyjA30001)、重慶市教委科學(xué)技術(shù)研究項(xiàng)目(批準(zhǔn)號(hào)：KJ1500421)、重慶郵電大學(xué)青年科學(xué)研究項(xiàng)目(批準(zhǔn)號(hào)：A2014-97)

賈朝龍(1979-)，男，副教授. 主要研究方向：大數(shù)據(jù)及可視化；王雪純(1996-)，女，本科，主要研究方向：軟件開發(fā)；曾友渝(1996-)，女，本科，主要研究方向：人工智能；郝曉楠(1995-)，男，本科，主要研究方向：軟件開發(fā)。

本文著錄格式：賈朝龍，王雪純，曾友渝，等. 不確定交通流實(shí)時(shí)可視化及短時(shí)預(yù)測(cè)方法研究[J]. 軟件，2018，39（8）：01-04