高速公路旅行時間的預測方法

樊博

摘 要：高速公路所具有的快速性、暢通行、便捷性等，使其成為公眾出行首選交通方式之一。安全，是一切出行的前提。因此，預測出準確的高速公路的旅行時間對管理組和公眾都具有重大意義。本文介紹了國內外相關學者在高速公路旅行時間預測上所使用的方法，并對其進行分類，分別是基于參數模型、基于非參數模型、基于人工智能、組合模型。

關鍵詞：高速公路;旅行時間;預測

0 引言

高速公路中，基于準確的交通信息，一方面可以為管理人員提供更有針對性的交通管理決策的依據，另一方面，可以為出行者提供更合適的出行選擇。做好高速旅行時間的預測意義重大且受益頗多。然而，由于受到人、車、路、環境（天氣、地形等）、偶發事件（交通事故等）、規律事件（節假日等）、交通流（各車型比例等）等多種因素的影響，旅行時間具有非平穩性非線性的特點。

1 旅行時間的定義及其預測方法

1.1 旅行時間的定義

高速公路旅行時間是指在相同的時間段內，從某一收費站A駛入高速公路，再從另一收費站B駛出的所有車輛的路段平均行駛時間，其中計算數據一般來源于聯網收費數據。

1.2 旅行時間預測方法的分類

根據現有的對高速公路旅行時間的研究成果，按照預測原理的不同，短期旅行時間（提前不到30分鐘）的預測主要分為：基于參數模型的預測方法、基于非參數模型的預測方法、基于交通仿真（交通流理論）的預測方法、基于人工智能的預測方法等，除此之外，很多學者還將上述方法根據需要組合在一起，用組合模型的方法進行預測。各種類型的代表方法具體見下。

（1）基于參數模型：卡爾曼濾波、時間序列法、統計回歸等。

（2）基于非參數模型：非參數回歸、模式匹配、決策樹等。

（3）基于人工智能：神經網絡、支持向量機、極限學習機等。

2 基于參數、非參數模型的預測方法

2.1 參數與非參數模型

參數模型是通過對已有樣本數據進行統計分析，提出對樣本產生影響的因素，建立起數學模型，然后再把待測值放入該模型中，得到由模型產生的預測值。

非參數模型不需要在歷史數據的基礎上建立數學模型，而是直接通過在歷史數據庫中針對待測值進行模式識別和匹配，找到與待測值相似的樣本來描述待測值進而預測。

2.2 基于參數模型的研究

王浩[1]基于京港澳高速公路收費數據，基于最小二乘法構建實時卡爾曼濾波模型。Ladino等人[2]通過把預測日期聚類分成幾個集群作為輸入，基于卡爾曼濾波設計了預測模型。郭宇潔[3]集成收費與氣象監測數據，提出時空匹配法，增設車流量序列作為回歸變量來建立ARMAX預測模型。

2.3 基于非參數模型的研究

Chen[4]等人將當前時空交通狀態演變與歷史數據相匹配實現動態預測旅行時間。Qiao[5]用實時藍牙數據基于歷史平均值，ARIMA，卡爾曼濾波和KNN的組合模型，提出了一種改進KNN-T模型。

3 基于人工智能的預測方法

3.1 人工智能

高速公路旅行時間預測使用到的人工智能算法以支持向量機、神經網絡為主?；谏窠浘W絡為預測模型的研究原理是通過“訓練”海量的多源數據，獲得輸入、輸出間的映射關系。在建立起自變量和因變量之間的映射關系后，利用這種映射關系來對需要預測的數據作為模型輸入獲取輸出。

3.2 基于人工智能的研究

趙建東[6]等融合多源數據利用遺傳神經網絡對高速公路站間旅行時間進行了研究。劉偉銘[7]等利用小波神經網絡對旅行時間進行了預測仿真研究。丁宏飛[8]等通過車牌識別數據利用BP神經網絡和支持向量機組合模型預測了旅行時間。

4 結束語

高速公路是一個復雜的系統，除了受到傳統人、車、路、環境的影響外，還受眾多因素的影響，比如天氣、節假日、交通事故等等，因此影響旅行時間的因素也比較多。未來對旅行時間的預測會考慮更加多的影響因素，這樣才能預測出更加準確的旅行時間。

參考文獻：

[1]王浩.基于收費數據的高速公路旅行時間自適應插值卡爾曼濾波預測研究[D].北京交通大學，2014.

[2]Ladino A，Kibangou A，et al.Travel time forecasting from clustered time series via optimal fusion strategy[C]. Control Conference.IEEE，2017.

[3]郭宇潔.基于多維數據的行程時間預測與可靠性研究[D].北京交通大學，2017.

[4]Chen H，Rakha H A，et al.Dynamic travel time prediction using pattern recognition[C].20th World Congress on Intelligent Transportation Systems.2013.

[5]Qiao W，Haghani A，et al.A Nonparametric Model for Short-Term Travel Time Prediction Using Bluetooth Data[J].Journal of Intelligent Transportation Systems，2013，17（02）：165-175.

[6]趙建東，徐菲菲，張琨，白繼根.融合多源數據預測高速公路站間旅行時間[J].交通運輸系統工程與信息，2016，16（01）：52-57.

[7]劉偉銘，李松松.大數據中高速公路旅行時間預測仿真研究[J].計算機仿真，2017，34（03）：395-399.

[8]丁宏飛，李演洪，劉博，秦政.基于BP神經網絡與SVM的快速路行程時間組合預測研究[J].計算機應用研究，2016，33（10）：2929-2932+2936.