城市道路交通流預測與交通狀態識別方法研究

劉少華

摘 ? 要：打造智能交通系統是信息時代背景下我國交通事業發展的重點目標，而城市道路交通流預測與交通狀態識別是實時了解城市道路交通狀況的基礎，對于實現智能化交通出行有著重要意義。為此，文章以克拉瑪依地區為例，針對當前技術條件下的城市道路交通流預測方法以及交通狀態識別方法展開具體論述，以便為各地區分析與探索交通流預測方法以及交通狀態識別方法提供參考與借鑒。

關鍵詞：城市道路;交通流;預測;交通狀態;識別

隨著社會發展水平的提升，城市汽車保有量不斷增加，公共交通、私家車、軌道交通的出行方式體系十分發達，但車輛出行總量的增加導致交通事故發生概率大大提升，目前已成為影響城市運行效率的重要因素之一，而且還會對民眾的生命財產安全構成威脅。因此，在智能交通理念下，針對城市汽車保有量持續上升的發展趨勢，提出了利用交通流的實時預測以及交通狀態的實時識別，實時跟蹤城市道路交通情況，展開評估與預警，對于緩解城市交通擁堵、道路安全、環境污染等問題有著重要的意義。

1 ? ?城市道路交通流預測方法分析

交通流是指在城市道路上因機動車行駛而匯聚的車流，長期預測交通流可以了解一個城市的交通出行規律、車輛分布情況，能夠為城市施工、城市規劃等工作的開展提供可靠的依據。目前，克拉瑪依在城市道路交通流預測上主要采取短時交通流預測方法，是一種可以全面實時評估道路交通情況、預警道路擁堵情況、為城市車輛行駛規劃路徑的方法。其通過匯總歷史交通流數據信息，對交通流的未來展開預測，之所以被稱為短時交通流預測方法，主要是因其預測周期時間短，僅為15 min，可以及時更新預測情況，保障預測的現勢性。短時交通流預測方法有兩項內容。

1.1 ?以BP神經網絡為核心的短時交通流預測方法

BP神經網絡是現階段智能發展領域中應用最為廣泛的一種神經網絡模型，通過對人腦神經元的抽象化構建神經單元數學模型，并根據邏輯展開連接、構成網絡，再通過BP算法實現網絡訓練。以BP神經網絡為核心的短時交通流預測方法具有隨機性、動態性、時變性的特點與優勢。

在實際應用過程中，BP神經網絡具有極精準的預測度、良好的邏輯分析能力以及適應能力，其應用有以下步驟：第一步為訓練數據預處理;第二步為使用已經完成建構的網絡拓撲模型對訓練樣本以及網絡的權值、參數進行更新與優化;第三步為使用已完成訓練的模型展開預測。在預處理環節，需要對數據內容進行甄別與處理，避免失真數據對最終訓練模型的干擾，常常通過統一數值取值空間、不全空值等方式進行處理，預處理后的訓練數據不能直接作為訓練樣本，還需要通過神經網絡拓撲結構進行數據交換，對其結構進行改造[1]。以BP神經網絡為核心的短時交通流預測方法應用基本流程如圖1所示。

1.2 ?以小波神經網絡為核心的短時交通流預測方法

BP神經網絡應用廣泛，目前在人工智能、圖像處理等領域的應用都相對成熟，人們也開始從簡單應用向更深層次展開探究，導致BP神經網絡的局部極小點、收斂速度慢等缺陷被暴露出來，針對BP神經網絡存在的不足，展開深入探究，提出了小波神經網絡。該神經網絡以小波理論為基礎，對現有的神經網絡進行優化與改進，其在人工神經網絡中的應用，具備利用單個神經元有限非線性處理激活函數的功能，有序組織眾多有限處理單元形成網絡，更適合應用到復雜問題的處理中[2]。從本質上來講，小波神經網絡可以根據要求構建具有針對性的數學模型，但構建過程中構建模式則要以小波神經網絡模式為主，要求有輸入/出以及隱含邏輯處理層，與BP神經網絡相比小波基函數作為激活函數成為可能。

在實際應用過程中，可以根據短時交流數據的周期性以及隨機性特征數據對小波網絡拓撲結構設計提出要求，小波神經網絡在選用激活函數時會自動選擇具有高分辨率的Motlet小波基函數。應用的具體流程為：第一步對數據展開統一化處理，轉換樣本格式;第二步根據訓練需求設定網絡參數，如網絡各層級神經元的權重、小波基函數伸縮改變量等;第三步對數據集進行分類，利用現有輸入樣本集合劃分成期望輸出模式以及訓練模式兩個向量集合;第四步在網絡中輸入訓練樣本，獲得對應的輸出值，并對比預測與期望輸出兩者差值，精準計算預測誤差;第五步動態調節網絡內部參數因子;第六步對網絡訓練結束標識進行判斷，如果出現訓練次數達到上限以及誤差小于閾值的情況，可以展開下一步的操作，如果為其他標識則需要繼續重復第四步驟;第七步為預測已經完成訓練的小波網絡，反歸一化預測結果，獲得最終預測結果。

2 ? ?城市道路交通狀態識別方法分析

關于交通狀態的內涵，在學術界并無準確定義，但從現有研究成果得出，交通狀態是指利用交通流定量分析識別交通運行的一種客觀狀態，其識別的基礎為采用廣泛接受的參數。從狹義角度來理解，交通狀態是形容機動車駕駛員與乘客內心狀態的一種說法，但從廣義角度上來看，交通狀態并非某種客觀狀態，具有極強的主觀性。目前，克拉瑪依城市道路交通狀態識別的研究中主要以模糊聚類算法為主。

聚類分析是通過分析數據之間的內在聯系，將具有極高相似性的數據化歸到相同簇中，再以簇為單位分析彼此之間的差異，模糊聚類算法是聚類分析的一種方法，能夠實現數據的模糊處理，更適用于圖像處理，能夠基于初始圖像展開深入分析。但是這種算法忽視了圖像上下文中的空間信息，導致分析過程極易受到噪聲的影響。而在模糊聚類算法中有一種方法被稱為模糊C均值聚類算法，是在原有硬C均值聚類方法上改進獲得的，是一種柔性的模糊劃分方法，引入了模糊集合概念[3]，通過模糊隸屬度矩陣的方式對分析對象展開描述、捋順關系，更適用于現實世界。

在智能交通系統中要求實時識別交通狀態，因此，需要運用先驗知識狀態分類節約識別方法運算時間，以便快速獲得最終結果。基于此，模糊聚類算法應用的基本流程為：第一步選擇合適、合理，能夠對交通運行展開客觀描述的參數，需要保障參數并未遭受過污染，最好從歷史交通運行數據中提取。交通運行的最小周期通常以24 h為準，那么選擇參數過程中時間跨度應以小于最小交通運行周期為準。第二步為基于模糊聚類算法展開數據分類，分類后可以獲得聚類中心，其用每簇數據情況反饋交通運行狀態，從而獲得了以聚類中心為核心與代表的狀態識別先驗知識;第三步為實施采集交通數據，形成數據元組，通過隸屬度函數計算出不同聚類中心的隸屬度，計算不同交通狀態的隸屬度，其最大狀態能反映出當前的實時交通狀態情況。第四步為結果展示。

克拉瑪依將模糊聚類技術作為挖掘數據的主要手段，并給予模式識別思想展開交通狀態隸屬度計算。計算過程如下：第一步假設先驗知識聚類中心，如F=（F1，F2，...，FC），假定聚類中心內的參數個數為n，μ=（X1，X2，...，Xn），以歐式距離作為數據距離，設定在模糊聚類算法中有m=2參數，如果任意樣本為x，可以獲得隸屬度計算式為：μ（x）=1/{（||Xk-Fik||2/||Xk-Fjk||2）}，1≤i≤c;通過隸屬度的計算，最大隸屬度表示交通狀態，可以獲得聚類中心表達式：u（x）=max（μi（x）），1≤i≤c。其中X表示聚類目、c表示聚類目對象類別、μi代表i聚類簇、m代表模糊指數。基于此，完成了x樣本所述聚類簇的劃分以及隸屬度分析，可以反饋出當前的交通狀態。

3 ? ?結語

綜上所述，城市道路交通運行十分復雜，想要條理清晰地反饋出運行狀態以及交通流信息，有一定難度。但我國也在不斷展開探索，目前在城市道路交通流預測以及交通狀態識別上已取得了突出的成績，BP神經網絡、小波神經網絡、模糊聚類算法都被運用于實踐，文章以克拉瑪依為例，對BP神經網絡以及小波神經網絡在交通流預測上的應用以及模糊聚類算法在交通狀態識別上的運用進行了分析，希望可以為全國各地提供有益啟示，完善交通流預測以及交通狀態識別方法，以便推動我國智能交通系統的建設進程。

[參考文獻]

[1]王金龍，馬濤.基于RFID的城市道路交通流預測方法研究[J].中國新通信，2019（13）：123-124.

[2]陳明猜，於東軍，戚湧.基于FOA-RBF網絡的城市道路短時交通流預測[J].南京郵電大學學報（自然科學版），2018（2）：103-110.

[3]張曉陽，徐韜，張宜華，等.基于QPSO-RBF神經網絡的混合交通流車速預測模型[J].公路，2019（1）：147-152.

Abstract：To build an intelligent transportation system is the key goal of Chinas transportation development under the background of the information age， and urban road traffic flow prediction and traffic state identification are the basis for real-time understanding of urban road traffic conditions， which is of great significance for the realization of intelligent transportation travel. For this reason， this paper takes Karamay area as an example， aiming at the current technical conditions of urban road traffic flow prediction methods and traffic state recognition methods， in order to provide reference for each area to analyze and explore traffic flow prediction methods and traffic state recognition methods.

Key words：urban road; traffic flow; prediction; traffic status; identification