城市交通流量預測模型研究

方緒健　王潔　李嘉威　僧德文

項目基金：浙江省教育廳資助項目，“基于大數據的人流量預測模型的研究及其在公共自行車調度中的應用”（項目編號：Y201430884）。

摘要：對城市交通流量預測的線性模型、非線性模型、人工智能模型以及組合模型進行了研究和分析，研究不同模型的特點和優勢。通過城市交通流量的預測和研究，為交通運營、調度及線路規劃提供基礎數據，從而能夠提前預知交通客流量及其變化趨勢，讓交通管理部門更科學地進行規劃和調度。

關鍵詞：交通流量預測;線性模型;人工智能模型

中圖分類號：U491.54 文獻標識碼：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

交通是城市發展的命脈，交通數據和交通流中參數的預測是實現交通智能化管理的基礎，能夠為智能交通系統提供數據支撐。因此準確把握交通流的規律和對相關交通數據的預測有著非常重要的意義。在現實環境中，交通流的預測效果往往不是很理想。這是由于交通流變化存在復雜性和時效性，短時間內的交通流波動也可能非常巨大，僅僅基于歷史數據的預測模型無法準確及時的預測短時的交通流變化。

隨著智能交通系統的不斷發展，智能交通領域引起了越來越多的研究者關注。這些研究者對該領域進行了大量的探索與研究。其中，短時交通流預測作為智能交通系統中的關鍵技術，得到了國內外學術研究人員的廣泛關注和研究，所提出的交通流預測方法早已突破上百種。目前常用的預測方法主要是基于統計學模型的預測方法，基于非線性系統理論的預測方法，基于人工智能的預測方法。這些方法憑借各自的特點和優勢，在應對不同情況下的交通數據預測中發揮著重要的作用。然而，各種預測模型往往由于自身的局限性，在遇到復雜的交通流數據時也難于實現精確的擬合預測，通常只能在局部數據上有較好的預測效果。因此，如何進一步完善和提升交通流預測算法的整體預測效果，進一步提升算法的時效性和高效性，都是當前需要解決的難題。

2基于統計學的預測模型

基于統計學的預測模型主要是運用統計學的方法從歷史數據中找出數據之間的規律，從而預測未來的數據。比較著名的統計預測模型有歷史平均模型、指數平滑模型、灰度模型、卡爾曼濾波模型、自回歸積分滑動平均模型以及馬爾科夫模型等。這些型的主要特點是結構簡單，預測因子較為單一，難以捕捉數據中的非線性關系，在復雜隨機數據上預測效果并不理想。例如，歷史平均模型通過將歷史時期的統計數值作為觀察值，求出算術平均數作為下期預測值，適用于數據變化不大的趨勢預測。指數平滑模型是通過對指數平滑值的計算結合時間序列模型預測未來的數據值，優點是只需要較少的數據，就可以預測出來所需要的結果，缺點是過分依賴近期的數據，只適合用于短期數據預測。

3非線性系統模型

基于非線性系統理論的預測主要有混沌理論、小波分析理論及突變理論等方法。目前在非線性理論的預測領域也有很快的發展，例如基于相空間重構理論對多點交通參數進行重建，建立基于多元混沌時間序列的多點交通參數預測模型;基于小波分析理論的交通流量預測方法;基于燕尾突變理論進行交通流預測等。基于非線性模型的主要特點是結構復雜，能夠較好捕捉數據中的非線性關系，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測主要是運用神經網絡模型進行預測，主要是通過神經網絡的訓練，學習到歷史數據樣本中的非線性關系，并以此預測未來的數據，比較著名的預測模型有人工神經網絡，循環神經網絡和長短期記憶網絡（LSTM）等。神經網絡模型的原型來自于人腦中的神經元，并用建模的方式模擬人腦中神經元的連接與傳遞過程，用權重控制每個神經元對輸出結果的影響。神經網絡的預測通常需要大量的歷史數據輸入，并且每個神經元的權重由學習算法確定。整個網絡的學習過程不需要任何經驗公式，僅依靠對數據本身的解釋來建模。這些模型通常具有很強的自適應學習能力和良好的魯棒性，但它們也會遇到收斂速度慢，陷入局部最優解等問題。隨著深度學習的發展，越來越多的研究人員使用基于深度學習的交通流預測方法，并取得了更好的預測效果。

5結論

典型的預測模型各有利弊，沒有一個模型可以達到完全理想化的預測結果。如果模型簡單例如歷史平均模型，易于實現就通常會造成預測精度低;神經網絡模型和小波分析模型等有較好的預測精度，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，可以進行實時預測并對預測結果進行修正，但是對數據有較高的要求。各種預測模型有各自的優勢和不足，組合預測模型能夠綜合運用各種預測模型，以提高模型的魯棒性和精確度。組合模型的優勢在于能夠結合不同模型的特性，從而發揮不同模型的優勢，揚長避短，從而規避單一預測模型的缺陷。

參考文獻：

[1]陸文琦，芮一康，冉斌，谷遠利.智能網聯環境下基于混合深度學習的交通流預測模型[J].交通運輸系統工程與信息，2020，20（03）：47-53.

[2]曹堉，王成，王鑫，高悅爾.基于時空節點選擇和深度學習的城市道路短時交通流預測[J].計算機應用，2020，40（05）：1488-1493.

[3]馬秋芳.改進PSO優化的BP神經網絡短時交通流預測[J].計算機仿真，2019，36（04）：94-98+323.

[4]楊正理，陳海霞，王長鵬，徐智.大數據背景下城市短時交通流預測[J].公路交通科技，2019，36（02）：136-143.

[5]徐欽帥，何慶，魏康園.改進引力搜索最小二乘支持向量機交通流預測[J].計算機應用研究，2019，36（12）：3718-3724.

[6]王曉全，邵春福，尹超英，計尋，管嶺.基于ARIMA-GARCH-M模型的短時交通流預測方法[J].北京交通大學學報，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：大數據技術及智能交通系統。