城市交通流預測方法闡述與分析

畢云蕊 劉 娣 劉 坤

南京工程學院自動化學院 江蘇 南京 211167

1 引言

據《中國主要城市交通分析報告》，全國26%的城市通勤處于擁堵狀態，55%的城市高峰時處于緩行狀態，這嚴重增加了出行者的行程時間，帶來了油耗提高，環境污染，交通事故等一系列問題。在實際的交通控制中，交通信息采集和處理過程往往存在一定的滯后性，直接影響了控制策略的有效性。然而，交通系統具有嚴密的時空邏輯關系，可以通過交通流歷史數據進行先前預測，進而提高交通系統的管理效率。本文針對交通流預測，對國內外研究現狀及存在的問題進行討論與分析。

2 交通流預測現狀及分析

按時間跨度可以將交通流預測分為長期預測、中期預測和短時預測三類。三種預測方式的目的、側重點和精度都有所不同。長期交通流預測主要用于交通規劃，預測被規劃路網的交通流量及其變化情況，這種預測一般以年為單位，精度要求不高，易于實現。中期預測主要以交通管理為目的，需要在一段時間內以月、日、小時為單位對交通流量分布進行估計，這種預測的實現也不困難。短時交通流預測主要是以實時的交通控制為目的，一般都不超過15min，并且對預測的精度要求較高，預測難度大。這是因為隨著預測周期的縮短，交通流變化的規律性越來越不明顯，各種干擾所造成的影響就越來越大，使得短時交通流的變化顯示出更明顯的不確定性。

總體上，短時交通流預測方法可歸納為傳統統計理論方法、非線性理論預測方法和智能預測方法。傳統統計理論方法是用數理統計的方法對原始數據進行處理，利用歷史數據實現短時交通流預測，主要方法有：回歸分析預測方法[1]、時間序列模型[2]、卡爾曼濾波方法[3]、極大似然估計方法[4]等。傳統統計方法理論簡單、容易理解，但是由于大部分模型都是線性的，隨著交通流量變化的隨機性和非線性不斷加強，預測性能也隨之變差。

近些年隨著非線性理論快速發展，基于非線性理論的預測方法被廣泛地用于短時交通流預測中。主要方法有：混沌理論[5]、馬爾科夫理論[6]、小波分析[7]、K最近鄰算法[8]等，徐建閩等[8]針對城市孤立交叉口交通流量未飽和的情形,提出了一種基于K近鄰短時交通流預測的單交叉口自適應控制策略，使單交叉口控制方案適應于動態變化的交通流，仿真結果表明該方法有效提高了交叉口的車輛通行效率。非線性預測方法很好地解決了短時預測過程中的非線性和隨機性因素，提升了預測的有效性，但這類方法均包含較多的系統模型參數，當參數值不準確(甚至不可測)時或外部干擾因素增多時，將對預測的性能造成不同程度的影響。

智能預測方法主要以數據為基礎并融入人類經驗改善預測性能，主要包括神經網絡[9,10]、支持向量機[11]、大數據技術[12,13]等。Sun等[10]提出了一種模糊神經網絡模型，并針對模型的復雜參數提出了一種改進差分進化算法，通過將該算法與BP結合實現了模型復雜參數辨識，有效的改進了交通流預測性能。智能預測方法有效地規避了未知參數問題所帶來的設計難題，并展現了良好的容錯性和魯棒性控制性能，但這類方法在參數設置、多重不確定因素、突發事件等方面有待于深入探索與研究。

3 總結與展望

上述給出了交通流預測國內外的研究現狀并分析了各種方法的優缺點。雖然各種方法都具有自己的特定應用范圍，但在某些方面仍然能極大的提高交通系統的運行效率。隨著人工智能方法的不斷發展，交通流預測等技術會不斷精進，必然會形成各種物聯網、車聯網，由此將會推動交通控制領域技術的大范圍變革，科技改變生活，讓我們拭目以待。

聲明

本文受江蘇省高校自然科學基金（No.18KJB510016），南京工程學院校級基金（No.YKJ201718, No.JCYJ201819），南京工程學院高等教育研究課題（No.2018ZC01）資助。