城市交通流量預(yù)測模型研究

方緒健　王潔　李嘉威　僧德文

項(xiàng)目基金：浙江省教育廳資助項(xiàng)目，“基于大數(shù)據(jù)的人流量預(yù)測模型的研究及其在公共自行車調(diào)度中的應(yīng)用”（項(xiàng)目編號：Y201430884）。

摘要：對城市交通流量預(yù)測的線性模型、非線性模型、人工智能模型以及組合模型進(jìn)行了研究和分析，研究不同模型的特點(diǎn)和優(yōu)勢。通過城市交通流量的預(yù)測和研究，為交通運(yùn)營、調(diào)度及線路規(guī)劃提供基礎(chǔ)數(shù)據(jù)，從而能夠提前預(yù)知交通客流量及其變化趨勢，讓交通管理部門更科學(xué)地進(jìn)行規(guī)劃和調(diào)度。

關(guān)鍵詞：交通流量預(yù)測;線性模型;人工智能模型

中圖分類號：U491.54 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-9129（2020）06-0033-01

Abstract：Thelinearmodel，nonlinearmodel，artificialintelligencemodelandcombinationmodelofurbantrafficflowpredictionwerestudiedandanalyzedtostudythecharacteristicsandadvantagesofdifferentmodels.Throughthepredictionandresearchofurbantrafficflow，itcanprovidebasicdatafortrafficoperation，dispatchingandrouteplanning，soastopredictthepassengerflowanditsvariationtrendinadvance，andenablethetrafficmanagementdepartmenttoplananddispatchmorescientifically.

Keywords：trafficflowprediction;Linearmodel;Artificialintelligencemodel

1引言

交通是城市發(fā)展的命脈，交通數(shù)據(jù)和交通流中參數(shù)的預(yù)測是實(shí)現(xiàn)交通智能化管理的基礎(chǔ)，能夠?yàn)橹悄芙煌ㄏ到y(tǒng)提供數(shù)據(jù)支撐。因此準(zhǔn)確把握交通流的規(guī)律和對相關(guān)交通數(shù)據(jù)的預(yù)測有著非常重要的意義。在現(xiàn)實(shí)環(huán)境中，交通流的預(yù)測效果往往不是很理想。這是由于交通流變化存在復(fù)雜性和時(shí)效性，短時(shí)間內(nèi)的交通流波動(dòng)也可能非常巨大，僅僅基于歷史數(shù)據(jù)的預(yù)測模型無法準(zhǔn)確及時(shí)的預(yù)測短時(shí)的交通流變化。

隨著智能交通系統(tǒng)的不斷發(fā)展，智能交通領(lǐng)域引起了越來越多的研究者關(guān)注。這些研究者對該領(lǐng)域進(jìn)行了大量的探索與研究。其中，短時(shí)交通流預(yù)測作為智能交通系統(tǒng)中的關(guān)鍵技術(shù)，得到了國內(nèi)外學(xué)術(shù)研究人員的廣泛關(guān)注和研究，所提出的交通流預(yù)測方法早已突破上百種。目前常用的預(yù)測方法主要是基于統(tǒng)計(jì)學(xué)模型的預(yù)測方法，基于非線性系統(tǒng)理論的預(yù)測方法，基于人工智能的預(yù)測方法。這些方法憑借各自的特點(diǎn)和優(yōu)勢，在應(yīng)對不同情況下的交通數(shù)據(jù)預(yù)測中發(fā)揮著重要的作用。然而，各種預(yù)測模型往往由于自身的局限性，在遇到復(fù)雜的交通流數(shù)據(jù)時(shí)也難于實(shí)現(xiàn)精確的擬合預(yù)測，通常只能在局部數(shù)據(jù)上有較好的預(yù)測效果。因此，如何進(jìn)一步完善和提升交通流預(yù)測算法的整體預(yù)測效果，進(jìn)一步提升算法的時(shí)效性和高效性，都是當(dāng)前需要解決的難題。

2基于統(tǒng)計(jì)學(xué)的預(yù)測模型

基于統(tǒng)計(jì)學(xué)的預(yù)測模型主要是運(yùn)用統(tǒng)計(jì)學(xué)的方法從歷史數(shù)據(jù)中找出數(shù)據(jù)之間的規(guī)律，從而預(yù)測未來的數(shù)據(jù)。比較著名的統(tǒng)計(jì)預(yù)測模型有歷史平均模型、指數(shù)平滑模型、灰度模型、卡爾曼濾波模型、自回歸積分滑動(dòng)平均模型以及馬爾科夫模型等。這些型的主要特點(diǎn)是結(jié)構(gòu)簡單，預(yù)測因子較為單一，難以捕捉數(shù)據(jù)中的非線性關(guān)系，在復(fù)雜隨機(jī)數(shù)據(jù)上預(yù)測效果并不理想。例如，歷史平均模型通過將歷史時(shí)期的統(tǒng)計(jì)數(shù)值作為觀察值，求出算術(shù)平均數(shù)作為下期預(yù)測值，適用于數(shù)據(jù)變化不大的趨勢預(yù)測。指數(shù)平滑模型是通過對指數(shù)平滑值的計(jì)算結(jié)合時(shí)間序列模型預(yù)測未來的數(shù)據(jù)值，優(yōu)點(diǎn)是只需要較少的數(shù)據(jù)，就可以預(yù)測出來所需要的結(jié)果，缺點(diǎn)是過分依賴近期的數(shù)據(jù)，只適合用于短期數(shù)據(jù)預(yù)測。

3非線性系統(tǒng)模型

基于非線性系統(tǒng)理論的預(yù)測主要有混沌理論、小波分析理論及突變理論等方法。目前在非線性理論的預(yù)測領(lǐng)域也有很快的發(fā)展，例如基于相空間重構(gòu)理論對多點(diǎn)交通參數(shù)進(jìn)行重建，建立基于多元混沌時(shí)間序列的多點(diǎn)交通參數(shù)預(yù)測模型;基于小波分析理論的交通流量預(yù)測方法;基于燕尾突變理論進(jìn)行交通流預(yù)測等。基于非線性模型的主要特點(diǎn)是結(jié)構(gòu)復(fù)雜，能夠較好捕捉數(shù)據(jù)中的非線性關(guān)系，但是可能會陷入過擬合、魯棒性較低等問題。

4人工智能模型

基于人工智能方法的預(yù)測主要是運(yùn)用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測，主要是通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，學(xué)習(xí)到歷史數(shù)據(jù)樣本中的非線性關(guān)系，并以此預(yù)測未來的數(shù)據(jù)，比較著名的預(yù)測模型有人工神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)（LSTM）等。神經(jīng)網(wǎng)絡(luò)模型的原型來自于人腦中的神經(jīng)元，并用建模的方式模擬人腦中神經(jīng)元的連接與傳遞過程，用權(quán)重控制每個(gè)神經(jīng)元對輸出結(jié)果的影響。神經(jīng)網(wǎng)絡(luò)的預(yù)測通常需要大量的歷史數(shù)據(jù)輸入，并且每個(gè)神經(jīng)元的權(quán)重由學(xué)習(xí)算法確定。整個(gè)網(wǎng)絡(luò)的學(xué)習(xí)過程不需要任何經(jīng)驗(yàn)公式，僅依靠對數(shù)據(jù)本身的解釋來建模。這些模型通常具有很強(qiáng)的自適應(yīng)學(xué)習(xí)能力和良好的魯棒性，但它們也會遇到收斂速度慢，陷入局部最優(yōu)解等問題。隨著深度學(xué)習(xí)的發(fā)展，越來越多的研究人員使用基于深度學(xué)習(xí)的交通流預(yù)測方法，并取得了更好的預(yù)測效果。

5結(jié)論

典型的預(yù)測模型各有利弊，沒有一個(gè)模型可以達(dá)到完全理想化的預(yù)測結(jié)果。如果模型簡單例如歷史平均模型，易于實(shí)現(xiàn)就通常會造成預(yù)測精度低;神經(jīng)網(wǎng)絡(luò)模型和小波分析模型等有較好的預(yù)測精度，但是要求大量的樣本做支撐，收斂速度也不理想。卡爾曼濾波模型不需要大量的樣本做支撐，可以進(jìn)行實(shí)時(shí)預(yù)測并對預(yù)測結(jié)果進(jìn)行修正，但是對數(shù)據(jù)有較高的要求。各種預(yù)測模型有各自的優(yōu)勢和不足，組合預(yù)測模型能夠綜合運(yùn)用各種預(yù)測模型，以提高模型的魯棒性和精確度。組合模型的優(yōu)勢在于能夠結(jié)合不同模型的特性，從而發(fā)揮不同模型的優(yōu)勢，揚(yáng)長避短，從而規(guī)避單一預(yù)測模型的缺陷。

參考文獻(xiàn)：

[1]陸文琦，芮一康，冉斌，谷遠(yuǎn)利.智能網(wǎng)聯(lián)環(huán)境下基于混合深度學(xué)習(xí)的交通流預(yù)測模型[J].交通運(yùn)輸系統(tǒng)工程與信息，2020，20（03）：47-53.

[2]曹堉，王成，王鑫，高悅爾.基于時(shí)空節(jié)點(diǎn)選擇和深度學(xué)習(xí)的城市道路短時(shí)交通流預(yù)測[J].計(jì)算機(jī)應(yīng)用，2020，40（05）：1488-1493.

[3]馬秋芳.改進(jìn)PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測[J].計(jì)算機(jī)仿真，2019，36（04）：94-98+323.

[4]楊正理，陳海霞，王長鵬，徐智.大數(shù)據(jù)背景下城市短時(shí)交通流預(yù)測[J].公路交通科技，2019，36（02）：136-143.

[5]徐欽帥，何慶，魏康園.改進(jìn)引力搜索最小二乘支持向量機(jī)交通流預(yù)測[J].計(jì)算機(jī)應(yīng)用研究，2019，36（12）：3718-3724.

[6]王曉全，邵春福，尹超英，計(jì)尋，管嶺.基于ARIMA-GARCH-M模型的短時(shí)交通流預(yù)測方法[J].北京交通大學(xué)學(xué)報(bào)，2018，42（04）：79-84.

作者簡介：方緒健（1978-），男，漢族，浙江溫州，講師，研究生，研究方向：大數(shù)據(jù)技術(shù)及智能交通系統(tǒng)。