基于算法確定交叉路口交通特征參數

詹啟亮 王 亮

（中機中聯工程有限公司，重慶 400039）

關鍵字：交通預測；交通流；交通量；數學模型

近年來，應用數學算法研究不斷地創新發展，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絡規劃[2]。

1 數據來源

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

2 確定特征

列出以下主控參數：

日期：交通流在不同日期表現不同

時間：不同時間段有不同的表征

是否工作日：周末周內交通模式不同

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個區域m1，m2，…mm，并對每一個區域，預測一個恒定值pm。

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

修改模型參數，將mi，pik忽略，使得到的yik為每一個區域內的最佳值：

該算法用分階段來構建模型，在數據每次更改時，通過最小化損失函數來更新模型，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損失。

數學算法模型 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，選擇隨機的數據點替換原有的數據信息，并標記未選擇的備用，利用所選擇的數據集構建成完全成長的樹系統而不進行修剪，在每一個節點拆分時，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，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十億個數據。實際問題中常常出現數據的丟失，此算法對于丟失的數據，算法將默認方向并添加到樹的每一個節點中，計算所處理數據集的最佳值。第二個功能是使用列快進行并行學習計算，以稱為塊的內存單元進行壓縮列格式存儲數據。每列都根據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。從表格中也可以發現模型中最不重要的特征參數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%。與以往數據模型相比較，添加事件距離此特征參數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來預測交叉口交通量的新方法。結果表明提出增加事故發生地點距交叉路口的距離，能有效減少預測誤差。