不確定交通流實時可視化及短時預測方法研究

賈朝龍，郝曉楠，王雪純，曾友渝

?

不確定交通流實時可視化及短時預測方法研究

賈朝龍1,2,3，郝曉楠1,3，王雪純1,3，曾友渝1,3

（1. 重慶郵電大學軟件工程學院，重慶 400065；2. 田納西大學諾克斯維爾校區，諾克斯維爾，田納西州，美國 37996； 3. 重慶市軟件質量保證與測評工程技術研究中心，重慶 400065）

構建可配置、易擴展、高開放性的交通流可視化平臺的框架并實現基于可視化的決策分析，通過大數據平臺處理、存儲海量、高頻率的交通數據支持下實現交通流信息實時可視化，為交通數據智能分析提供直觀展示。在此基礎上，提出針對短時交通流預測的思路和方法。

智能交通；不確定交通流；可視化；大數據

0 引言

隨著各大城市智慧城市戰略的不斷提出，作為人類生活中一個重要的組成部分的交通系統經歷了一個快速發展的過程。現代社會中大城市集中爆發的交通擁堵嚴重、空氣污染、交通事故頻發的通病，使得人們亟需一種更加高效、直觀的解決問題的手段。隨著經過二十年以來交通系統積累的大量數據以及大數據及其可視化技術的興起，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，并對演化趨勢進行分析預測，為高效管理交通系統提供了工具和手段。

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的交通流不均衡，出現短時性道路擁擠、路口堵塞，以及存在諸惡劣如天氣、突發事故、交通管制等不確定性因素，同時每個司機個體具有的不同的行為模式，不可避免會產生行為沖突，這些都使得短時車流量變化具有不確定性和非線性特點。在數據層面上，不確定性也反映在數據的錯誤（如傳感器檢測產生原始數據錯誤）、模糊數據（如敏感、隱私信息造成數據不確定）、缺失數據（如傳感器檢測數據丟失以及匯總產生的不確定）。不確定交通流數據具有復雜性、隨機性、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

可視分析是大數據分析的重要方法[1]。隨著可視化技術的發展，任何數據信息都可采用合適的可視化技術以盡可能傳達最大可能理解性[2]。

交通流數據可視化的本質是將交通流數據映射到圖形，同時增加一些輔助信息，讓用戶讀懂數據。在交通流數據可視化研究領域，國內外學者做了大量研究[3-6]。通常的可視化技術包含三種：統計、時空軌跡和多維編碼。可視化可以為交通流預測[7-9]等實際應用提供直觀手段。

廣義的統計指對交通流數據采用數理統計以及數據挖掘（如分類、聚類）的方法，通過對海量數據分析整理，發現交通流時間空間分布變化特征，以圖形手段表現出來。

車輛運行包含了豐富的時間和空間數據，針對每一個具體個體，如每一輛車，從時間和空間角度對車輛運行數據進行可視化，其中時間可以劃分為線性時間和周期性時間。線性時間包括了明確的起始時間點，周期時間則指周而復始是閉合時間，如周、月、年等，每一周每一月以及每一年都視作一個周期。

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方向：車輛軌跡、監控數據、路網狀況。其中，車輛軌跡的可視化指各種車輛運行軌跡在地圖上呈現，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。監控數據的可視化指各種監控攝像頭記錄的信息的可視化呈現，如感應線圈、測速雷達、交通攝像頭、電子警察、便攜執法記錄儀、移動車載視頻監控設備等記錄的信息。路網路況的可視化指的是通過路網可視化呈現出實時交通狀況，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總體框架由數據預處理加工、圖形映射、輔助信息和圖形展示四個層次構成。

底層數據來源包括GIS基礎平臺數據、視頻監控與巡邏數據、卡口抓拍與車輛布控數據、RFID數據、高速公路出入口數據、電子警察與非現場執法數據、交通信號控制數據、交通違章事故數據、交通事件檢測數據、交通流信息采集數據、警員勤務管理數據、GPS北斗數據。采集到的數據通過數學模型實現圖形映射，首先將數據映射到數學空間[0-1]，然后從數學空間映射到畫布空間，實現如位置、顏色、大小、形狀等。輔助信息用于標示數據在各種圖形屬性上的映射，使得用戶更容易的理解數據。圖形展示是通過可視化工具生成畫布、圖表展示可視化結果。最后通過應用部署，不確定交通流可視化實現了對交通設備、視頻、卡口、違法、布控等管理功能，改變了傳統靜態管理和單點管理的模式，實現了數據共享、實時、動態聯動管理的模式，最大程度對采集到的數據進行分析和管理，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

平臺具有開放體系結構，集成運營業務管理、應急指揮調度、監測預警、分析研判于一身，支持從交通態勢監控、視頻監控、智能卡口分析、交通態勢評估研判等多個維度進行日常路網運行監測與協調管理；支持突發事件下的值班接警、信息處理發布、應急指揮調度管理，以滿足常態下監測監管、應急態下協同處置指揮調度的需要，滿足交通行業平急結合的應用需求。

智能交通綜合管理系統以信息采集為基礎，以智能控制為核心，以信息服務導向，打破系統間信息壁壘和管理界限，形成“信息共享、智能管控、縱橫協同、全面服務”的科學管理格局。

交通流可視化管理決策分析平臺如圖2所示。

3 不確定交通流短時預測

3.1 特征分析

交通流變化具有非線性、非平穩性和高度不確定性特點，針對短時交通流數的隨機性和不確定性強的特點，可將數據序列加以分解，提取出線性特征和非線性特征并采用混合模型手段進行預測分析。通常，交通流預測可采用的預測模型包括GM模型、粗集理論、小波理論、自回歸模型（AR），滑動平均模型（MA）、歷史平均模型（HA）和自回歸滑動平均模型（ARIMA）、小波分解與重構、神經網絡模型等。上述模型針對單一特征時間數據序列預測具有較好的精度，但是交通流時間序列數據具有多種線性和非線性特征，單一手段無法進行準確預測。

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

3.2 預測方法

各預測模型都具有某方面預測的優勢也同時在其他預測方面具有不足，因此需要綜合分析。可以采取基于取各模型之所長，補各模型之所短的理念，采取混合模型的手段來實現。

以重慶市南濱路41號電子牌采集數據為例，2015年5月1日及2015年5月2日車流量變化如圖3所示。

通過分析可以發現交通流在一天之內變化呈現較大的不確定，整體分析有一定困難。針對這種情況可以采取趨勢分解、狀態重構的方法來解決，如根據趨勢將圖3分解成圖4所示的三個階段。

圖3 南濱路41號電子牌2015年5月1日及2015年5月2日車流量變化

從圖4可知，每個階段交通流量變化具有明顯的趨勢性。針對這種趨勢性特征，將每個階段數據再次分解成線性部分和非線性部分，然后分別對各部分采用諸如線性回歸、自回歸滑動平均（ARIMA）、小波分解與重構、神經網絡等模型進行預測，形成混合模型，接下來將線性和非線性部分預測數據相疊加得到各階段最終預測結果。整合各階段預測數據，最后得到全時段預測結果，最后檢驗是否達到滿意精度指標。

4 結論

通過構建交通流可視化平臺，采用可視化處理技術，不僅提高交通數據分析處理的直觀性，也提了準確性。針對短時不確定交通流預測，在傳統算法基礎上，在可視化分析的方法下，提出基于趨勢變化分解重構的混合模型思路,為短時交通流預測提供新思路。

[1] 作磊, 杜一, 馬帥. 大數據分析綜述[J]. 軟件學報, 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. 結合可視圖的多狀態交通流時間序列特性分析[J]. 物理學報, 2017, 66(23): 230501- 230501.

[6] 劉彩虹, 張磊, 黃華. 交通路口監控視頻跨視域多目標跟蹤的可視化[J]. 計算機學報, 2018, 41(1): 221-235.

[7] 張金飛, 黎英, 高偉, 等. 城市交通路口短時流量預測[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測模型研究[J]. 軟件, 2018, 39(2): 81-87.

[9] 李紅輝, 劉冬冬, 楊芳南. 基于WebGL的3D可視化告警系統關鍵技術研究與應用[J]. 軟件, 2018, 39(3): 22-26.

[10] 肖旭, 完顏笑如, 莊達民. 顯示界面多維視覺編碼綜合評價模型[J]. 北京航空航天大學學報, 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

重慶市前沿與應用基礎研究計劃一般項目(批準號：cstc2015jcyjA30001)、重慶市教委科學技術研究項目(批準號：KJ1500421)、重慶郵電大學青年科學研究項目(批準號：A2014-97)

賈朝龍(1979-)，男，副教授. 主要研究方向：大數據及可視化；王雪純(1996-)，女，本科，主要研究方向：軟件開發；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。

本文著錄格式：賈朝龍，王雪純，曾友渝，等. 不確定交通流實時可視化及短時預測方法研究[J]. 軟件，2018，39（8）：01-04