基于HMM的交通運行態(tài)勢評估及預(yù)測方法

基金項目：中央引導(dǎo)地方科技發(fā)展專項“廣西智慧道路機(jī)電系統(tǒng)新科技綜合平臺建設(shè)”（編號：桂科ZY20111015）

作者簡介：陳鷙翱（1987—），碩士，工程師，研究方向：智能交通系統(tǒng)研發(fā)。

摘要：文章以西安繞城高速公路為例，應(yīng)用構(gòu)建的預(yù)測模型，預(yù)測路網(wǎng)交通運行態(tài)勢，并評估預(yù)測結(jié)果，對比HMM、自回歸移動平均模型和灰色馬爾可夫模型三種預(yù)測方法的準(zhǔn)確率和誤差，所提出的HMM預(yù)測模型不僅能從整體上預(yù)測路網(wǎng)交通運行態(tài)勢的態(tài)勢值，且準(zhǔn)確率更高、誤差更小。

關(guān)鍵詞：HMM；隨機(jī)森林；交通態(tài)勢；風(fēng)險預(yù)測

中圖分類號：U491.1⁺4A491694

0 引言

獲取準(zhǔn)確和及時的交通信息數(shù)據(jù)是合理交通決策的重要前提條件。交通運行態(tài)勢評估及預(yù)測能夠?qū)崟r判斷道路交通運行風(fēng)險的發(fā)生，從而能夠為交管部門的決策、主動干預(yù)等提供支持^［1-3］。近年來，安全領(lǐng)域的許多學(xué)者研究了態(tài)勢評估的關(guān)鍵技術(shù)，包括貝葉斯網(wǎng)絡(luò)、層次分析法、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、D-S證據(jù)理論和模糊綜合評估方法等^［4-6］。現(xiàn)階段已有的態(tài)勢預(yù)測方法主要包括自回歸移動平均模型ARMA、灰色馬爾可夫模型GM和支持向量機(jī)SVM。但是，經(jīng)過大量實踐后發(fā)現(xiàn)，上述預(yù)測方法均存在自身的缺點：ARMA模型假定時間序列是平穩(wěn)和線性的，但是網(wǎng)絡(luò)安全態(tài)勢時間序列是非線性的^［7］；GM模型應(yīng)用了單調(diào)變化的時間序列，難以預(yù)測波動較大的時間序列^［8］；SVM對于大數(shù)據(jù)收斂速度過慢，應(yīng)用方面受到很大限制^［9］。這些方法只能對態(tài)勢進(jìn)行整體預(yù)測，得到特定的態(tài)勢值，無法觀測到詳細(xì)的內(nèi)部結(jié)構(gòu)狀態(tài)。因此，本文采用隱馬爾可夫模型HMM來達(dá)到預(yù)測目的。

1 交通運行態(tài)勢分析

交通運行態(tài)勢從宏觀和整體的角度描述交通運行狀況。交通運行狀況的風(fēng)險主要包括道路風(fēng)險、交通風(fēng)險和環(huán)境風(fēng)險。因此，在交通運行態(tài)勢分析中，建立交通運行狀況的態(tài)勢感知模型，從道路風(fēng)險、交通風(fēng)險和環(huán)境風(fēng)險三個方面分析其影響因素。

用于感知交通運行態(tài)勢的模型就像一臺具有三個組件的機(jī)器：（1）提取交通運行態(tài)勢的關(guān)鍵影響因素；（2）評估風(fēng)險水平；（3）對態(tài)勢的未來發(fā)展情況進(jìn)行假設(shè)。如圖1所示。第二部分基于第一個部分運行，第二個部分又是第三個部分的基礎(chǔ)，這意味著第三個部分是基于現(xiàn)在和以前的態(tài)勢值進(jìn)行的。

2 交通運行態(tài)勢評估

基于交通運行狀況的關(guān)鍵影響因素，研究交通運行狀況的評估技術(shù)，初步建立層次結(jié)構(gòu)，然后掌握FAHP分析方法，建立具有層次結(jié)構(gòu)的交通運行狀況評估模型，并量化交通運行態(tài)勢值和每個關(guān)鍵影響因素。最后，評估每個關(guān)鍵影響因素的風(fēng)險，為政府和交通管理部門提供管控和決策依據(jù)。

2.1 層次化交通運行態(tài)勢

根據(jù)獲取的關(guān)鍵影響因素，交通系統(tǒng)的運行態(tài)勢層次關(guān)系可以從道路風(fēng)險、交通風(fēng)險和環(huán)境風(fēng)險三個方面來建立，從上到下逐層傳遞，最終對交通運行態(tài)勢進(jìn)行評估，見下頁圖2。

2.2 特征重要度計算

特征重要性（權(quán)重）是衡量一個因素或指標(biāo)相對于另一個因素的重要性的度量，不僅是一個因素或指標(biāo)的百分比，還包括相對重要性，甚至是貢獻(xiàn)或重要性。

評估路段從道路風(fēng)險、交通風(fēng)險及環(huán)境風(fēng)險三個方面進(jìn)行數(shù)據(jù)的匯總、清洗、篩分和組合。然后采用Python語言結(jié)合隨機(jī)森林模型，進(jìn)行特征權(quán)重的計算。

本文采用隨機(jī)森林平均不純度的減少（mean decrease impurity）中平均gini指數(shù)為評價指標(biāo)^［10］。

基于HMM的交通運行態(tài)勢評估及預(yù)測方法/陳鷙翱

2.3 態(tài)勢值計算

交通運行態(tài)勢值是將反映交通運行狀況的因素綜合為一組有意義的值，其表征交通運行狀態(tài)，是交通運行狀況的定量表示，見式（1）：

式中：I——態(tài)勢值；

w_i——關(guān)鍵影響因素i對應(yīng)的權(quán)重；

n_i——關(guān)鍵影響因素i的值。

定義態(tài)勢值和各特征序列的等級劃分結(jié)果見表1。

2.4 交通運行態(tài)勢關(guān)鍵影響因素風(fēng)險評估

2.4.1 風(fēng)險評估方法

2.4.1.1 Fine Kinney方法

Fine Kinney方法是1976年由Kinney和Wiruth開發(fā)的《系統(tǒng)安全軍用標(biāo)準(zhǔn)》（MIL-STD-882E）中的一種定量風(fēng)險評估方法^［11］。在這種方法中，每個檢測到的危害都考慮了三個參數(shù)（可能性、曝光因子和可能的后果），然后，通過乘以這些參數(shù)獲得“風(fēng)險評分”：

RS=L×E×P（2）

式中：RS——風(fēng)險評分；

L——危險事件的可能性；

E——曝光因子；

P——可能的結(jié)果。

2.4.1.2 隨機(jī)森林、FAHP和Fine Kinney的結(jié)合

隨機(jī)森林被用于確定特征向量的重要度及是否存在共線性；FAHP經(jīng)常被用于確定危害的重要程度；而Fine Kinney是一種風(fēng)險評估方法，可以評估風(fēng)險水平和提出一些政策建議。結(jié)合使用幾種方法可以對危害進(jìn)行優(yōu)先級劃分和分類，評估其風(fēng)險并提供實質(zhì)性的決策建議，以更好地規(guī)避風(fēng)險^［12］。

2.4.2 風(fēng)險評估結(jié)果

由于交通運行態(tài)勢已歸一化為0～1，F(xiàn)ine Kinney分?jǐn)?shù)由事件的可能性、曝光因子和可能的后果共同耦合得出。為了對FAHP和Fine Kinney分?jǐn)?shù)進(jìn)行歸一化處理，兩者同時除以1 000。

然后采用KNN聚類方法，進(jìn)行運行態(tài)勢的聚類分析。結(jié)果表明：通過迭代最優(yōu)聚類運算，兩種方式最佳均為5類，且分類區(qū)間的特征類型相同。這也表明FAHP和Fine Kinney分?jǐn)?shù)差異較小，并且在0和1之間分布相同，因此Fine Kinney風(fēng)險等級可以作為FAHP風(fēng)險等級。表2為根據(jù)FAHP聚類結(jié)果得出的風(fēng)險分級。

3 基于隱馬爾可夫模型的交通運行態(tài)勢預(yù)測模型

交通是一個動態(tài)系統(tǒng)，在運行過程中，會以不同的態(tài)勢動態(tài)呈現(xiàn)，不可避免地會與理論上的理想狀態(tài)存在一些差異。每個運行態(tài)勢的表現(xiàn)狀態(tài)可以看作是交通運行態(tài)勢的特征表示參數(shù)，即觀測值的順序；情況級別1、情況級別2和情況級別3則是無法直接獲得或觀察到的隱藏狀態(tài)，兩者之間相互轉(zhuǎn)換的概率就是隱含狀態(tài)之間轉(zhuǎn)換的概率。隱含狀態(tài)可以通過觀測序列來推測或估計，并且觀測序列和隱藏狀態(tài)序列是隨機(jī)的，這滿足了隱馬爾可夫過程的四個基本特征，也表明了本文研究的交通運行狀況具有隱馬爾可夫性質(zhì)。

本文選取10個關(guān)鍵影響因素作為表征參數(shù)，包括運行速度協(xié)調(diào)性、線形連續(xù)性、視距、流量、速度差、車頭間距、擁擠度、大型車比例、交通事故和天氣，表征交通運行態(tài)勢等級1、交通運行態(tài)勢等級2和交通運行態(tài)勢等級3等三種運行態(tài)勢。一個完整的HMM模型可以用一個五元組{N，M，π，A，B}表示。

交通運行態(tài)勢預(yù)測整體設(shè)計流程如圖3所示。

4 交通運行態(tài)勢分析——實證分析

本文在收集西安繞城高速公路某段道路幾何指標(biāo)基礎(chǔ)數(shù)據(jù)（包括運行速度協(xié)調(diào)性、線形連續(xù)性、視距等）、線圈交通流觀測數(shù)據(jù)（包括流量、密度、速度、車頭時距、飽和度、擁擠度等）及交通事故、天氣等特征序列的基礎(chǔ)上，采用2019-07-01至2019-07-10的10組數(shù)據(jù)進(jìn)行測試。如圖4所示。

由圖4可以看出：

（1）交通運行態(tài)勢值的大小或等級與影響其權(quán)重較大的因素有關(guān)，因子的權(quán)重越高，態(tài)勢等級越高。

（2）狀況等級為1的交通運行態(tài)勢主要受天氣、交通事故等因素的影響。

（3）即使權(quán)重較小的影響因子為1，只要權(quán)重較大的影響因子較低，交通運行態(tài)勢也不會為1。

通過以上規(guī)律可以發(fā)現(xiàn)，當(dāng)影響交通運行態(tài)勢的因素有多個時，在優(yōu)化過程中應(yīng)優(yōu)先權(quán)重較大的因素。當(dāng)只有一個影響因子時，即使權(quán)重很小，也必須及時處理，以提高整體交通運營效率和服務(wù)水平。

4.1 參數(shù)學(xué)習(xí)

根據(jù)獲取的交通運行狀況的基本數(shù)據(jù)，訓(xùn)練并保存模型。本文利用Matlab軟件進(jìn)行模型的構(gòu)建，將數(shù)據(jù)轉(zhuǎn)換為實際工程問題，通過使用K個樣本序列χ={O^k}^K_k=1來學(xué)習(xí)隱馬爾可夫模型，直到達(dá)到收斂條件并計算似然模型參數(shù)λ，即可確定這三個參數(shù)。學(xué)習(xí)曲線如圖5所示。

4.2 預(yù)測結(jié)果

使用MATLAB軟件分析2019-07-01到2019-07-10的10組測試樣本（態(tài)勢等級為1的有1組，等級為2的有7組，等級為3的有2組）。將數(shù)據(jù)替換為前文訓(xùn)練的三個HMM模型，并計算對應(yīng)于這10個測試樣本的三個模型的Log（P|λi）值，該值最大者即為預(yù)測模型，對應(yīng)的數(shù)值即為對應(yīng)的態(tài)勢等級（見表3）。對比預(yù)測值和實際值可判斷模型是否有效、方法是否可行。交通運行態(tài)勢等級預(yù)測結(jié)果以及下一時間對應(yīng)的最可能狀態(tài)序列見下頁表4。由表4可知，該預(yù)測方法是可行的。

在此基礎(chǔ)上，對模型使用過程中的準(zhǔn)確率Accuracy，平均絕對誤差MAPE，均方根誤差RMSE和相對均方誤差RE進(jìn)行了測試，并且與傳統(tǒng)的態(tài)勢預(yù)測方法自回歸移動平均模型ARMA、灰色馬爾可夫模型GM進(jìn)行對比分析，可以發(fā)現(xiàn)預(yù)測值（如下頁圖6所示），準(zhǔn)確度和誤差結(jié)果如下頁表5所示。表明HMM模型可以更好地描述流量的運行狀況，進(jìn)一步驗證了HMM模型的正確性。

5 結(jié)語

本文以交通運行態(tài)勢為研究對象，針對各種交通事件引起的效率低和服務(wù)水平差等問題，采用隨機(jī)森林法提取交通運行狀況的關(guān)鍵影響因素和優(yōu)先次序，并通過層次分析法和Fine Kinne組合方法評估每個關(guān)鍵影響因素的風(fēng)險，得出風(fēng)險分級指標(biāo)。

在分析現(xiàn)有態(tài)勢預(yù)測方法優(yōu)缺點的基礎(chǔ)上，本研究克服了整體態(tài)勢預(yù)測的弊端，并引入了隱馬爾可夫預(yù)測模型。該模型不僅可以整體預(yù)測態(tài)勢，還可以通過了解內(nèi)部結(jié)構(gòu)來對交通運行態(tài)勢進(jìn)行預(yù)測。本研究構(gòu)建了基于HMM的交通運行態(tài)勢預(yù)測模型，應(yīng)用HMM模型中的Baum-Welch和Viterbi算法來解釋預(yù)測原理并驗證模型，并計算了預(yù)測結(jié)果的準(zhǔn)確性和誤差。

收集某繞城高速公路某段的數(shù)據(jù)，整理成模型訓(xùn)練所需的數(shù)據(jù)序列，輸入到HMM預(yù)測模型中進(jìn)行訓(xùn)練和預(yù)測分析。結(jié)果表明，與傳統(tǒng)的態(tài)勢預(yù)測方法中自回歸移動平均模型ARMA和灰色馬爾可夫模型GM相比，HMM預(yù)測方法具有更高的準(zhǔn)確度和更小的誤差，HMM模型可以較好地描述交通狀況。

通過交通運行態(tài)勢的科學(xué)評估和預(yù)測，能夠為區(qū)域路網(wǎng)如高速公路和平行干線公路的誘導(dǎo)分流和交通組織提供基礎(chǔ)支撐。

參考文獻(xiàn)

［1］張敖木翰，張 平，曹劍東.基于物聯(lián)網(wǎng)的公路交通運行狀態(tài)評估與預(yù)測［J］.公路，2015，60（9）：178-183.

［2］Xu C，Liu P，Wang W，et al.Evaluation of the impacts of traffic states on crash risks on freeways［J］.Accident Analysis amp; Prevention，2012（47）：162-171.

［3］楊 陽.滬寧高速公路運行狀態(tài)評價及通行能力提升策略［J］.北方交通，2021（6）：60-63，67.

［4］郭 淼，趙曉華，姚 瑩，等.基于駕駛行為和交通運行狀態(tài)的事故風(fēng)險研究［J］.華南理工大學(xué)學(xué)報（自然科學(xué)版），2022，50（9）：29-38.

［5］Song J J，Ghosh M，Miaou S，et al.Bayesian multivariate spatial models for roadway traffic crash mapping［J］.Journal of multivariate analysis，2006，97（1）：246-273.

［6］曹 波，林 文.高速公路路網(wǎng)運行指數(shù)評估模型應(yīng)用研究［J］.公路，2021，66（2）：224-228.

［7］王博文，王景升，朱 茵，等.基于ARMA-SVR的短時交通流量預(yù)測模型研究［J］.公路交通科技，2021，38（11）：126-133.

［8］林立春，劉 華，洪 東.基于大數(shù)據(jù)分析的交通擁堵預(yù)測技術(shù)［J］.西部交通科技，2020（9）：138-141.

［9］Yan L，Zhang Y，He Y，et al.Hazardous traffic event detection using Markov Blanket and sequential minimal optimization（MB-SMO）［J］.Sensors，2016，16（7）：1 084.

［10］羅預(yù)欣，張 兵，薛運強.基于變量分析和粒子群優(yōu)化加權(quán)隨機(jī)森林的交通事件檢測方法［J］.科學(xué)技術(shù)與工程，2021，21（14）：6 044-6 049.

［11］李艷昆，劉 晗.基于系統(tǒng)因素作用理論的軌道加氫站Fine Kinney風(fēng)險評估方法［J］.科學(xué)技術(shù)與工程，2021，21（8）：3 304-3 309.