基于事故屬性及時空相關(guān)性的突發(fā)事件下交通量預(yù)測方法

何雅琴 陳俊

摘? 要：為了提高突發(fā)事件下交通量預(yù)測的便捷性和預(yù)測精度，提出了一種基于事故屬性及時空相關(guān)性的突發(fā)事件下交通量預(yù)測方法;引入事故屬性維度，分析交通事故交通流變化的時空相關(guān)性，將當(dāng)前突發(fā)事件與歷史數(shù)據(jù)庫中的突發(fā)事件進(jìn)行相關(guān)度分析，利用灰色預(yù)測模型對突發(fā)事件下交通量進(jìn)行預(yù)測;最后以上海市延安路高架的實(shí)測交通事故數(shù)據(jù)進(jìn)行了案例分析。結(jié)果表明，與其他預(yù)測方法相比，該方法快速簡單，且與實(shí)際數(shù)據(jù)對比，該預(yù)測方法的平均相對誤差為3.014%，證明該方法是有效的。

關(guān)鍵詞：交通量預(yù)測;突發(fā)事件;時空相關(guān)性;事故相關(guān)性;灰色預(yù)測

中圖分類號：F570? ? 文獻(xiàn)標(biāo)識碼：A

Abstract： In order to improve the convenience and prediction accuracy of traffic volume prediction under emergencies， a traffic volume prediction method under emergencies based on accident attributes and time-space correlation is proposed; the dimensions of accident attributes are introduced to analyze the time and space of traffic flow changes in traffic accidents correlation： analyze the correlation between current emergencies and emergencies in the historical database， and use the gray prediction model to predict traffic volume under emergencies; finally， a case analysis is made with the measured traffic accident data of Shanghai Yan'an elevated highway. The results show that compared with other forecasting methods， this method is fast and simple， and compared with actual data， the average relative error of this forecasting method is 3.014%， which proves that this method is effective.

Key words： traffic volume prediction; emergencies; spatio

-temporal correlation; accident correlation; grey prediction

0? 引? 言

隨著社會經(jīng)濟(jì)的發(fā)展及機(jī)動化進(jìn)程的加快，城市突發(fā)事件發(fā)生愈來愈頻繁，對道路上的交通正常運(yùn)行帶來一定的負(fù)面影響。對突發(fā)事件下的交通流進(jìn)行預(yù)測有助于交通管理部門準(zhǔn)確掌握城市道路交通流運(yùn)行狀態(tài)及變化[1]，從而采取及時有效的交通管制措施。

目前，國內(nèi)外學(xué)者對城市道路交通流預(yù)測進(jìn)行了大量的研究，也取得了豐富的成果，如Kumar Selvaraj Vasantha[2]提出了一種基于卡爾曼濾波技術(shù)（KFT）的交通流預(yù)測方法。Messai Nadhir[3]等提出了一種基于前饋的神經(jīng)網(wǎng)絡(luò)模型來預(yù)測短時交通流，并利用真實(shí)交通數(shù)據(jù)驗(yàn)證了該模型的預(yù)測性能。Zhang Qianqian[4]等分析了北京市某地區(qū)的交通流量特征，并建立了基于BP神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測模型。Deshpande Minal[5]等將神經(jīng)網(wǎng)絡(luò)和模糊邏輯的互補(bǔ)功能結(jié)合在一起，進(jìn)行短時交通流量預(yù)測。Hou Qinzhong[6]等首先利用線性自回歸綜合移動平均（ARIMA）方法和非線性小波神經(jīng)網(wǎng)絡(luò)（WNN）方法來預(yù)測交通流量，然后通過模糊邏輯對兩個模型的輸出進(jìn)行分析和組合，并將加權(quán)結(jié)果作為最終預(yù)測結(jié)果。文峰[7]等考慮了道路交通流量的時空特性，建立了基于支持向量回歸（SVR）的交通流量預(yù)測模型，并使用實(shí)際交通流量數(shù)據(jù)來驗(yàn)證該模型的有效性。蔡翠翠[8]等通過對交通流時間和空間特性的分析，利用灰色神經(jīng)網(wǎng)絡(luò)組合模型對預(yù)測路段進(jìn)行短時交通流預(yù)測，有效提高了預(yù)測精度。但是，國內(nèi)外大部分學(xué)者都只是考慮了正常交通狀態(tài)下的交通流預(yù)測，對于突發(fā)事件下的交通流預(yù)測研究相對較少。M Levin，G M Krause[9]利用上游和下游時間占有率之間的差異和上游空間占有率作為交通流特征，基于貝葉斯算法進(jìn)行突發(fā)事件狀態(tài)下的交通流預(yù)測。黃寶靜[10]等基于事故路段上下游速度相關(guān)性，結(jié)合隨機(jī)森林、ARIMA模型以及卡爾曼濾波算法對突發(fā)事件下的交通流進(jìn)行預(yù)測。陳岳明[11]等利用異常突發(fā)事件下交通流序列特征，引入基于跳轉(zhuǎn)的ARIMA模型，對突發(fā)事件下路段的交通流進(jìn)行預(yù)測。文江輝[12]等考慮到突發(fā)事件下交通流中不同類型車輛的換道規(guī)律，提出了一種含概率崩塌各異性的改進(jìn)沙漏模型來進(jìn)行突發(fā)事件下的交通流預(yù)測。

目前已有的預(yù)測方法如支持向量機(jī)、卡爾曼濾波、神經(jīng)網(wǎng)絡(luò)等預(yù)測模型需要大量的歷史訓(xùn)練數(shù)據(jù)，且計算過程繁瑣，無法很好地滿足突發(fā)事件下需要快速響應(yīng)的要求。因此，本文引入事故屬性維度，基于突發(fā)事件下交通流變化的時空特性，提取交通事故數(shù)據(jù)的判定屬性數(shù)據(jù)（事故發(fā)生時間、事故占道情況、事故路段車道數(shù)、天氣狀況以及是否工作日等），并將當(dāng)前交通事故和歷史數(shù)據(jù)庫中交通事故的判定屬性數(shù)據(jù)進(jìn)行對比，通過相關(guān)度計算從歷史數(shù)據(jù)庫中找到與當(dāng)前交通事故相關(guān)性最強(qiáng)的事故的交通流序列，利用灰色預(yù)測模型來快速預(yù)測當(dāng)前事故發(fā)生后的交通量，為交通管理部門及時有效管制交通提供技術(shù)支持。

1? 突發(fā)事件下交通流時空相關(guān)性分析

交通流量既具有時間相關(guān)性，又具有空間相關(guān)性[13]。本文利用上海市延安高架2018.8.26～2018.9.8采集到的交通事故數(shù)據(jù)和交通量數(shù)據(jù)，提取并分析交通事故數(shù)據(jù)的判定屬性數(shù)據(jù)，對突發(fā)事件下交通流的時空相關(guān)性進(jìn)行具體分析。

1.1? 時間相關(guān)性分析。時間相關(guān)性主要是指交通流在不同時間下的規(guī)律相似性。為了更好地分析突發(fā)事件下交通流的時間相關(guān)性，并使不同事故的交通流在不同時間下的規(guī)律相似性更加明顯，在交通事故數(shù)據(jù)集中，選取事故屬性相似，事故空間位置相近，時間不同的兩起事故進(jìn)行分析，這兩起事故分別是2018年8月29日22：02和2018年9月4日22：00發(fā)生在北側(cè)延?xùn)|立交入口匝道至茂名路上匝道之間路段上的交通事故，事故均占據(jù)一車道，事故當(dāng)天均為工作日且均為多云天氣，如圖1所示，其中A、B代表事故發(fā)生的時刻。從圖中可以看出，兩條曲線整體的變化趨勢具有明顯的相似性，且在A點(diǎn)和B點(diǎn)之后的變化趨勢也具有一定的相似性，說明突發(fā)事件狀態(tài)下的交通流量變化在時間上存在一定的相關(guān)性，即突發(fā)事件下的交通流具有時間相關(guān)性。

1.2? 空間相關(guān)性分析。空間相關(guān)性主要是指交通流在不同空間位置下的規(guī)律相似性。同樣地，為了更好地分析突發(fā)事件下交通流的空間相關(guān)性，并使不同事故的交通流在不同空間位置下的規(guī)律相似性更加明顯，在交通事故數(shù)據(jù)集中，選取事故發(fā)生時間相近，空間位置不同的兩起事故進(jìn)行分析，這兩起事故分別是2018年9月7日13：18在北側(cè)延西立交入口匝道2至婁山關(guān)下匝道之間路段發(fā)生和2018年9月7日13：04在南側(cè)江蘇路上匝道至華山路上匝道之間路段發(fā)生，事故均占據(jù)一車道，事故路段均為3車道。兩起事故的交通量在事故發(fā)生前后的變化曲線如圖2所示，其中C、D分別表示兩起事故發(fā)生的時刻。從圖中可以看出，兩條曲線整體的變化趨勢具有明顯的相似性，且在C點(diǎn)和D點(diǎn)之后的變化趨勢也具有一定的相似性，說明突發(fā)事件狀態(tài)下的交通流量變化在空間上存在一定的相關(guān)性，即突發(fā)事件下的交通流具有空間相關(guān)性。

2? 事故相關(guān)性分析

2.1? 事故屬性聚類分析。為了簡化計算以及提高預(yù)測模型的精度和效率，本文先將歷史數(shù)據(jù)集中的事故樣本通過事故屬性進(jìn)行聚類分析，主要從事故路段車道數(shù)、事故發(fā)生時間、事故類型、事故占道情況、天氣狀況以及是否工作日等幾個方面進(jìn)行聚類分析。具體的事故屬性聚類步驟如下。

Step1? 將獲取得到的交通事故構(gòu)建歷史交通事故數(shù)據(jù)集，并提取事故判定屬性數(shù)據(jù);

Step2? 在歷史交通事故數(shù)據(jù)集中篩選出與某一事故a事故路段車道數(shù)相同的事故，將其記作集合M;

Step3? 在集合M中篩選出與事故a事故發(fā)生時間相近的事故，將其記作集合N;

Step4? 在集合N中篩選出與事故a事故類型一致的事故，將其記作集合O;

Step5? 在集合O中篩選出與事故a事故占道情況相同的事故，將其記作集合P;

Step6? 在集合P中篩選出與事故a事發(fā)當(dāng)日天氣狀況相似的事故，將其記作集合Q;

Step7? 在集合Q中篩選出與事故a事發(fā)當(dāng)日工作日類別一致的事故，將其記作集合R，集合R即為與事故a相似的樣本事故集。

2.2? 事故相關(guān)度計算。通過事故屬性聚類分析找到某一事故a相似的樣本事故集R之后，為了找出樣本事故集R中與事故a相關(guān)程度最高的一起事故，引入相關(guān)系數(shù)概念，計算相似事故交通流序列的相關(guān)度，利用的是事故發(fā)生前10min的交通流量數(shù)據(jù)，最后將得到的相關(guān)系數(shù)最大的樣本事故m作為與事故a事故相關(guān)度最強(qiáng)的事故。

相關(guān)系數(shù)是由統(tǒng)計學(xué)家卡爾·皮爾遜最先提出的統(tǒng)計指標(biāo)，是研究兩個變量之間線性相關(guān)程度的量[14]，一般用字母 r 表示，計算公式如式（1）所示。

r=? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

其中：r為兩個交通流序列的相關(guān)系數(shù)，x、y表示兩個交通流序列。0≤r≤1，r越大，說明x和y的相關(guān)程度越強(qiáng)。r越小，說明x和y的相關(guān)程度越弱。

3? 灰色預(yù)測模型

灰色預(yù)測模型具有建模所需樣本量少、計算量小等特點(diǎn)。基于此，本文利用灰色預(yù)測模型來進(jìn)行突發(fā)事件下的交通量預(yù)測。通過對當(dāng)前事故和相關(guān)事故的相關(guān)度計算，得到強(qiáng)相關(guān)事故，對當(dāng)前事故和強(qiáng)相關(guān)事故的歷史交通流序列進(jìn)行灰色模型GM1，1建模。灰色預(yù)測模型GM1，1用較少的數(shù)據(jù)序列對系統(tǒng)進(jìn)行定量分析，主要過程是將原始序列經(jīng)過累加后生成新的數(shù)據(jù)序列，建立微分方程，通過對微分方程求解得出系統(tǒng)模型[15]。建模步驟如下：

第一步，數(shù)據(jù)的預(yù)處理，求出原始交通流量數(shù)據(jù)列的數(shù)列級比，λk為數(shù)列級比：

λk=? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

所的級比均需在可容覆蓋區(qū)間X=e， e內(nèi)，則數(shù)列x才可以建立GM1，1模型以及進(jìn)行灰色預(yù)測。否則，對數(shù)據(jù)做適當(dāng)?shù)淖儞Q處理。

第二步，建立GM1，1灰色預(yù)測模型xk+αxt=b，用回歸分析法算出α，b，其中xk為原始數(shù)據(jù)，xk為生成數(shù)據(jù)。算出α，b后，得出白化模型方程：

+αxt=b? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

從而相應(yīng)得到預(yù)測值k+1=k+1-k， k=1，2，3，…，n-1。

第三步，對預(yù)測值進(jìn)行檢驗(yàn)處理：計算出原始數(shù)據(jù)和預(yù)測值的相對殘差值εk：

εk=， k=1，2，…，n? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（4）

如果對所有的εk<0.1，則認(rèn)為到達(dá)較高的要求;若對所有的εk<0.2，則認(rèn)為達(dá)到一般要求。

4? 案例分析

4.1? 數(shù)據(jù)來源。仍然采用上海市延安高架2018.8.26～2018.9.8采集到的95起交通事故數(shù)據(jù)和交通量數(shù)據(jù)作為數(shù)據(jù)樣本進(jìn)行分析。交通量數(shù)據(jù)的采樣間隔為2min。構(gòu)建預(yù)測模型時，在數(shù)據(jù)集中隨機(jī)選取一起事故A（2018年9月5日13：26發(fā)生在南側(cè)江蘇路至華山路上匝道之間路段上的一起事故），假設(shè)事故A為當(dāng)前發(fā)生事故。

4.2? 事故相關(guān)性分析

（1）事故屬性聚類分析。通過事故屬性聚類篩選得到與事故A相似的樣本事故集R，其中包含5組樣本事故，結(jié)果如表1所示。

（2）事故相關(guān)度計算。在事故屬性聚類篩選結(jié)果的基礎(chǔ)上，根據(jù)相關(guān)系數(shù)計算公式（式1），利用事故發(fā)生前10min的交通流量數(shù)據(jù)，分別計算樣本事故集R中5起事故與事故A的相關(guān)度，結(jié)果如表2所示。

計算所得到的相關(guān)系數(shù)均大于0.5（依據(jù)數(shù)學(xué)理論上的劃分，當(dāng)r>0.5時，說明這兩個時間序列相關(guān)程度顯著），如圖3所示，其中，事故3與事故A的相關(guān)系數(shù)最大，對應(yīng)的相關(guān)系數(shù)為r=0.97，說明事故3與事故A強(qiáng)相關(guān)。于是確定事故3（2018年9月4日13：22發(fā)生在北側(cè)虹許路上匝道至外環(huán)機(jī)場出口匝道之間路段的一起事故）為與事故A最相似的樣本事故。

4.3? 灰色預(yù)測。通過事故屬性聚類分析以及事故相關(guān)度計算找到與當(dāng)前事故A最相似的樣本事故3之后，對事故3進(jìn)行快速整理分析，找出事故3在事故持續(xù)時間范圍內(nèi)的交通流量數(shù)據(jù)（記為數(shù)據(jù)B）：B=q，q，…，q=（145，136，129，122， 115，109，103，98，92，99，109，114，120，126，133，140，147），然后將數(shù)據(jù)B輸入灰色預(yù)測模型，對事故A發(fā)生之后道路的交通流量數(shù)據(jù)進(jìn)行預(yù)測。

第一步：建立數(shù)據(jù)B即為原始交通流量數(shù)據(jù)x，時間間隔為2min。

將x=q，q，q，…，q=145，136，130，121，116，107，102，98，94，99，107，113，122，128，135，140，145進(jìn)行預(yù)處理，求出原始交通流量數(shù)據(jù)列的數(shù)列級比：

λ=1.066，1.046，1.074，1.043，1.084，1.049，1.041，1.043，0.949，0.925，0.947，0.926，0.953，0.948，0.964，0.966得到的級比均在可容覆蓋區(qū)間0.889，1.125內(nèi)，因此x可以建立GM1，1模型和灰色預(yù)測。

第二步：建立GM1，1灰色預(yù)測模型，得出白化模型方程并相應(yīng)得到預(yù)測值。

為了減小隨機(jī)序列的隨機(jī)性和波動性，將x累加得到新的數(shù)列，然后建立關(guān)于白化形式的微分方程：

+αxt=b

通過Matlab計算結(jié)果即為預(yù)測值：

=q，q，q，…，q=145，136，129，122，115，109，103，98，92，99，109，114，120，126，133，140，147

第三步，對預(yù)測值進(jìn)行檢驗(yàn)處理。

計算出原始數(shù)據(jù)和預(yù)測值的相對殘差值，如表3所示，其中εk為相對殘差值。

表3中所得到的相對殘差值εk均小于0.1，如圖4所示，認(rèn)為達(dá)到比較高的要求標(biāo)準(zhǔn)。

4.4? 預(yù)測結(jié)果分析評價。通過灰色預(yù)測模型得到預(yù)測值之后，將預(yù)測值與實(shí)際值——即事故A發(fā)生之后的交通流序列（記為數(shù)據(jù)A）：A=q，q，…，q=144，136，127，119，111，104，98，94，96，102，107，114，119，124，129，132，136進(jìn)行對比分析，結(jié)果如圖5所示。從圖5中可以看出，灰色預(yù)測模型的預(yù)測值與實(shí)際值之間的差值并不大。

為了更加準(zhǔn)確地評判灰色預(yù)測模型的預(yù)測性能，計算預(yù)測值與實(shí)際值之間的相對誤差，如表4所示，預(yù)測值與實(shí)際值之間的相對誤差均小于0.1，同時，計算出平均相對誤差為3.014%，說明提出的灰色預(yù)測模型是有效的。

5? 小? 結(jié)

（1）本文引入事故屬性維度，考慮突發(fā)事件下交通流變化的時空特性，計算事故之間的相關(guān)度，利用灰色預(yù)測構(gòu)建模型進(jìn)行突發(fā)事件下交通量預(yù)測，預(yù)測誤差在允許范圍內(nèi)，且該預(yù)測算法較為簡單，應(yīng)用性較強(qiáng)。

（2）由于采集到的歷史數(shù)據(jù)庫中事故樣本量較少，且事故聚類分析時采用了Excel的篩選功能，使得數(shù)據(jù)篩選太嚴(yán)格，得到聚類之后的事故樣本太少，可能會使案例中的預(yù)測結(jié)果存在一定的誤差，但是在車聯(lián)網(wǎng)和交通大數(shù)據(jù)的時代背景之下，今后交通事故數(shù)據(jù)及交通量數(shù)據(jù)的收集會變得更加容易，另外下一步會對事故聚類分析方法進(jìn)行深入研究，因此，該方法的預(yù)測精度將會進(jìn)一步提高。

參考文獻(xiàn)：

[1] 賀新光. 基于突變理論的城市路網(wǎng)交通狀態(tài)判別與預(yù)警研究[D]. 重慶：重慶交通大學(xué)（碩士學(xué)位論文），2016.

[2]? Kumar S V. Traffic Flow Prediction using Kalman Filtering Technique[J]. Procedia Engineering， 2017，187（1）：582-587.

[3]? Messai N， Thomas P， Lefebvre D. A neural network approach for freeway traffic flow prediction[J]. IEEE Conference on Control Applications-Proceedings， 2002，2（1）：984-989.

[4]? Zhang Q， Liu S. Urban traffic flow prediction model based on BP artificial neural network in Beijing area[J]. Journal of Discrete Mathematical Sciences and Cryptography， 2018，21（4）：849-858.

[5]? Deshpande M， Bajaj P R. Short term traffic flow prediction based on neuro-fuzzy hybrid sytem[J]. Proceedings of 2016 International Conference on ICT in Business， Industry， and Government， ICTBIG 2016， 2017（1）：2020.

[6]? Hou Q， Leng J， Ma G. An adaptive hybrid model for short-term urban traffic flow prediction[J]. Physica A： Statistical Mechanics and its Applications， 2019，527：121065.

[7] 文峰，張國. 基于SVR的短時交通流量預(yù)測[J]. 科技創(chuàng)新導(dǎo)報，2018，15（25）：189-190.

[8] 蔡翠翠，王本有，常志強(qiáng). 基于時空特性和灰色神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測[J]. 沈陽理工大學(xué)學(xué)報，2019，38（2）：32-36，43.

[9] Levin M， Krause G M. Incident detection： a Bayesian approach[J]. Pubtisher SAGE Pubtishing， 1978，682：52-58.

[10] 黃寶靜. 突發(fā)事件下道路交通流預(yù)測方法研究[D]. 北京：北京交通大學(xué)（碩士學(xué)位論文），2016.

[11] 陳岳明，楊帆. 異常突發(fā)事件下交通流特征分析與預(yù)測[J]. 科學(xué)技術(shù)與工程，2016，16（23）：75-78.

[12] 文江輝，江澤武，徐佳恒，等. 基于改進(jìn)沙漏模型的突發(fā)事件下交通流預(yù)測[J]. 交通運(yùn)輸系統(tǒng)工程與信息，2014，14（6）：86-91.

[13] 熊亭，戚湧，張偉斌，等. 基于時空相關(guān)性的短時交通流預(yù)測模型[J]. 計算機(jī)工程與設(shè)計，2019，40（2）：501-507.

[14] 熊娟，吳萌. 城市道路的交通事件影響范圍預(yù)測方法研究[C] // 2014第九屆中國智能交通年會大會論文集. 北京：中國智能交通協(xié)會，2014.

[15] 于濤，黃濤，潘膺希，等. 基于BP神經(jīng)網(wǎng)絡(luò)和灰色關(guān)聯(lián)度組合模型的城市生活垃圾清運(yùn)量預(yù)測[J]. 安全與環(huán)境學(xué)報，2013，13（4）：94-97.