基于算法確定交叉路口交通特征參數(shù)

詹啟亮 王 亮

（中機中聯(lián)工程有限公司，重慶 400039）

關鍵字：交通預測；交通流；交通量；數(shù)學模型

近年來，應用數(shù)學算法研究不斷地創(chuàng)新發(fā)展，可解決因車輛大幅度增長帶來的交通問題，為道路的使用者和交通管理部門提供重要信息，以便更好的做出決策，還有助于改善交通網(wǎng)絡規(guī)劃[2]。

1 數(shù)據(jù)來源

為實現(xiàn)對交叉路口交通預測的準確性，必須使用多個數(shù)據(jù)源協(xié)同完成。從交通量數(shù)據(jù)源提取時間、日期、交通量、白天或黑夜、高峰與非高峰等，從交通事故數(shù)據(jù)源提取事故編碼，位置坐標、道路編碼、時間、事故類型、路面狀況、天氣情況等，從道路施工維護數(shù)據(jù)源提取位置坐標、工作類型等[4]。

2 確定特征

列出以下主控參數(shù)：

日期：交通流在不同日期表現(xiàn)不同

時間：不同時間段有不同的表征

是否工作日：周末周內(nèi)交通模式不同

是否交通峰值：決定交通流變化

晝夜：交通流量顯著變化點

事件距離：事件距離交叉路口的影響

3 算法介紹

包括三種算法：梯度提升回歸、隨機森林、極值梯度樹算法，以下為三種算法介紹：

3.1 梯度提升回歸算法

F（x) 用來估計等式計算的平均誤差，對于每一個回歸樹，將輸入空間劃分為M個區(qū)域m1，m2，…mm，并對每一個區(qū)域，預測一個恒定值pm。

其中I=1，如果x?mi，則I=0，pikI是區(qū)域m1，m2，…mm，的預測值，通過應用更新數(shù)據(jù)，回歸迭代每一次得到的數(shù)據(jù)，以下等式描述了更新后的似然函數(shù)和回歸步長：

修改模型參數(shù)，將mi，pik忽略，使得到的yik為每一個區(qū)域內(nèi)的最佳值：

該算法用分階段來構建模型，在數(shù)據(jù)每次更改時，通過最小化損失函數(shù)來更新模型，使用回歸手段來避免過度的擬合，使每一個模型使用0-1 的值控制結果輸出。

當ν 值很小時，獲得最佳收縮，可以減少每次迭代時的函數(shù)損失。

數(shù)學算法模型 日期 時間 是否工作日 是否峰值 是否晝夜 事件距離梯度提升回歸 0.3636 0.1340 0.1130 0.0137 0.0903 0.2854隨機森林 0.1310 0.0263 0.0412 0.0004 0.6272 0.1743極值梯度樹 0.3592 0.2078 0.1690 0.0227 0.0276 0.2137

3.2 隨機森林算法

該方法的程序為輸入n維向量(x)，通過計算輸出n預測(y) 重新采樣以后，選擇隨機的數(shù)據(jù)點替換原有的數(shù)據(jù)信息，并標記未選擇的備用，利用所選擇的數(shù)據(jù)集構建成完全成長的樹系統(tǒng)而不進行修剪，在每一個節(jié)點拆分時，選擇隨機特征值中的最佳特征值進行拆分，直到不再有拆分為止。不斷進行重復，直到得到每個樹的輸出值，通過取平均值得到最終的輸出(y)，

其中x是輸出樣本集，hj(x)是第j個樹的輸出值。

3.3 極值梯度樹算法

此算法是種可擴展的機器學習系統(tǒng)，算法的運行速度比普通機器學習算法的速度快很多，可有效的并行處理數(shù)十億個數(shù)據(jù)。實際問題中常常出現(xiàn)數(shù)據(jù)的丟失，此算法對于丟失的數(shù)據(jù)，算法將默認方向并添加到樹的每一個節(jié)點中，計算所處理數(shù)據(jù)集的最佳值。第二個功能是使用列快進行并行學習計算，以稱為塊的內(nèi)存單元進行壓縮列格式存儲數(shù)據(jù)。每列都根據(jù)特征值進行排序計算[3]。

4 研究結果

從表中可以看出，事件距離占模型一總特征的28.54%，模型二占17.43%。模型三占21.37%，因模型二隨機性較大，所以參考價值較低。從表格中也可以發(fā)現(xiàn)模型中最不重要的特征參數(shù)是時間是否在高峰時段，模型一，模型二和模型三的結果分別為1.37%，0.004%和2.27%。與以往數(shù)據(jù)模型相比較，添加事件距離此特征參數(shù)可以提高在交叉路口附近交通量預測的準確性。

5 結語

本文基于交通事故和道路工程在交叉路口影響交通模式的事實，提出了增加不同特征參數(shù)來預測交叉口交通量的新方法。結果表明提出增加事故發(fā)生地點距交叉路口的距離，能有效減少預測誤差。