突發擁堵狀況下動態交通流信息預測研究

摘 要：【目的】建立能夠在突發擁堵狀況下準確預測交通流的模型，以便更好應對突發交通擁堵情況。【方法】采用混沌理論推導交通流的最小預測周期，并基于此，提出了CDNN預測模型。以APE、MAPE及RMSE為評價指標，結合公路案例對比分析了CDNN、FCM、DLA及NN模型的預測穩定性和精確度，歸納各類預測模型特性及機理。【結果】動態交通流預測周期應不小于80 s；CDNN模型預測性能在突發事件發生時刻最好，無突發事件時次之，突發事件持續時期相對較差；CDNN模型預測性能相較于FCM、DLA及NN模型更優。【結論】CDNN預測模型為突發擁堵狀況下的交通流預測提供了新的理論和實踐途徑，具有更佳的預測性能，凸顯了其在應對突發交通情況中的潛在應用價值，對未來的交通管理和規劃具有重要的指導意義。

關鍵詞：突發擁堵狀況；交通流；動態預測

中圖分類號：U491 " " 文獻標志碼：A " " "文章編號：1003-5168（2024）12-0019-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.12.004

Research on Dynamic Traffic Flow Information Prediction Under Sudden Congestion

SONG Jingjing

（Henan Communications Planning amp; Design Institute Co.， Ltd.， Zhengzhou 450000，China）

Abstract：[Purposes] This paper aims to establish a model that can accurately predict traffic flow under sudden congestion conditions， so as to better cope with sudden traffic congestion.[Methods] The minimum prediction period of traffic flow is derived from chaos theory， and based on that， the CDNN prediction model is proposed. Taking APE， MAPE and RMSE as the evaluation indexes， the prediction stability and accuracy of the CDNN， FCM， DLA and NN models are analyzed in comparison with the highway cases， and the characteristics and mechanisms of the various types of prediction models are summarized.[Findings] Dynamic traffic flow prediction period should be not less than 80s; CDNN model prediction performance is the best at the moment of emergencies， followed by no emergencies， and the duration of emergencies is relatively poor; CDNN model prediction performance is better than that of FCM， DLA and NN model. [Conclusions] The CDNN prediction model provides a new theoretical and practical way for traffic flow prediction under unexpected congestion conditions with better prediction performance， highlighting its potential application value in coping with unexpected traffic situations， which is of great significance for future traffic management and planning.

Keywords： sudden congestion; traffic flow; dynamic prediction

0 引言

城市交通流是預測區域交通狀態的重要依據，能夠為優化路網運載能力提供指導。但在突發擁堵等緊急情況下，短時交通流預測受隨機因素的影響顯著，其有效預測跨度一般小于15 min，疏散工作大都依賴于經驗積累，管理的自動化、智能化水平有限，且存在滯后［1］。本研究基于預訓練模型、分類模型及微調模型建立深度學習模型，提出精度更高的動態交通流預測方法。

1 最小預測周期分析

短時交通流參數具有隨機性、非線性特點。當觀測周期過短時，各短時交通流參數趨于不確定，交通流可視為完全隨機狀態。本研究通過概率論表征交通流狀態。

采用混沌理論評價交通流參數可預測性。建立原交通流系統[s]的[l]維拓撲共軛動力學系統[s]，其狀態向量見式（1）。

將時間序列[x1，x2，…，xi，…]拆分為[Nl]組，各組數據[yi]即為在[l]維中對應矢量或點。所有[l]維中的數據即構成該維度下的子集[Jl]。

判別標準見式（2）。

[al，i=yil+1-ykl，il+1yil-ykl，il] " " （2）

式中：[yil+1]、[yil]分別為式（1）定義[l]維及[l+1]維空間下第[i]個位移點（[i=1，2，…，N-lτ]）；[?]為歐氏空間下的距離；[ykl，il]為[i]維重構空間下距第[i]個點最近的編碼。

若對于某[l]維空間，存在[i]（[1≤i≤N-l+1]），滿足[al，i＞δ]（[δ]為判斷閾值），則認為[l]維空間中存在偽鄰點，空間最小嵌入維數應不小于[l]。通過計算可知，觀測時間周期越短，則交通流預測受各類隨機因素影響越困難，需要引入更多變量提升預測精度。

為確定交通流預測的最小有效周期，基于原交通流系統[s]及其[l]維拓撲共軛動力學系統[s]的分形維數關系建立逼近函數。按照拓撲共軛性質，[s]及[s]的分形維數相等，因此，可通過計算[s]的分形維數間接確定[s]的分形維數。為簡化處理，取[τ]=1。

令[xi]、[yj]為觀測交通流參數，各參數點間距離見式（3）。

[ri，j=dyi，yj=h=0l-1xi+h+xj+h2] " " （3）

固定i取值，分別計算[j=1，2，…，Nl]時對應[ri，j]，可視作球心為[yj]、半徑為[ri，j]的球體。隨后，調整i取值重復計算[ri，j]，即改變球心位置得到一系列小球。以半徑為[r]為尺度篩分以上球體，半徑小于[r]的球體即被篩漏。定義篩漏球體數量與球體總數之比[Cr] 為關聯積分函數見式（4）。

[Cr=2NlNl-1i，j=1NlHr-ri，j] " " " （4）

關聯函數趨向見式（5）。

[lnC1r=lnC-Dllnr] " " " "（5）

式中：[Dl]為[Jl]的關聯維數。

由式（5）推得[Rl]子集[Jl]的關聯維數見式（6）。

[Dl=-limr→0?lnC1（r）?lnr] " " " " （6）

空間維數[l]升高時，[Dl]不隨之發生改變，則認為[D2=limr→∞Dl]為該系統的關聯維數。通過這一方法可求得在80～120 s采樣間隔下會出現明顯分形特征，為交通流預測提供了參考范圍，即預測周期應不小于80 s。

2 構建深度學習結構

2.1 輸入數據結構

目標預測路段交通流受到上游、下游路段交通狀況的直接影響，可簡化為以過去交通狀況為變量的時變序列，并定義目標路段為[m]，預測時刻為t。路段[m]在t時刻下的平均車輛速度表示為[Vmt]，由前期速度[Vmt-1]、[Vmt-2]…[Vmt-n]和同時刻上下游路段速度共同預測。交通流預測框架如圖1所示。

基于圖1交通流預測框架，進一步推廣得到全路段交通流參數。令路網輸入參數矩陣為X，各行向量為交通流時變序列，各列向量為上游、下游路段交通流數據［2］，具體表示見式（7）。

[X=vm-1t-1vmt-1vm+1t-1vm-1t-2...vmt-2...vm+1t-2....vm-1t-Nvmt-Nvm+1t-N] " （7）

式（7）矩陣維度為N×3，共包含N個時間采樣點。

2.2 參數時空相關性

常規交通下和突發事件下各路段交通流速觀測值如圖2和圖3所示。

由圖2可知，常規交通下各路段交通流速變化趨勢相對一致，其間差別在小范圍內波動，目標路段與上下游路段間Moran's指數大于0。由圖3可知，突發事件下各路段交通流速變化存在顯著差異，發生交通事故后目標路段交通流速快速下降，上游路段按相同規律緩慢下降，而下游路段交通流速先增后減；事故路段、上游路段間Moran's指數大于0，事故路段、下游路段間Moran's指數先小于0后大于0。綜上所述，采用常規數據處理方法無法對突發擁堵事件做出準確識別，也會影響突發事件模型訓練精度、效率，因此，預測模型應當具備區分交通狀態功能。

3 動態交通流信息預測案例分析

3.1 工程概況

以河南省三條公路段為案例進行動態交通流信息預測。以研究路段30 d內平均車輛速度為輸入數據，設定采樣率為30 s。各路段數據集共包含86 400數據組，以前20 d數據作為訓練數據、后10 d數據作為測試數據，從而得到原始數據矩陣維度。

3.2 定義評估要素

以絕對百分比誤差APE、平均絕對誤差百分比MAPE及均方根誤差RMSE作為指標評價模型誤差，分別見式（8）、式（9）、式（10）。

[APE％=zi-zizi×100] " " " " （8）

[MAPE％=1ni=1nzi-zizi×100] " " " " （9）

[RMSE=1ni=1nzi-zi212] " " " " （10）

式中：[zi]為第i時刻的預測交通流數據；[zi]為第i時刻的實際交通流數據。

以平均準確率[MA]評價算法預測性能，其定義見式（11）。

[MA=1-1nzi-zizi] " " " " （11）

3.3 設置參數

通過訓練集進行大量試驗，優化模型網絡參數。試驗設定各層待定節點數為40、80、160、320、640、1 280及2 560，待定層數為1～6。待定迭代次數為10～100，間隔為10。共對各組參數組合進行10次測試，確定參數設置方案：層數為4、節點數為160、迭代次數為40。

3.4 模型對比分析

為論證預測模型可行性及有效性，對比分析本研究所提出CDNN模型、神經模糊C均值（FCM）模型［3］、深度學習架構（DLA）模型［4］及神經網絡（NN）模型［5］。基于相同數據集訓練模型，隨機選取試驗路段1在某一時段下的交通流，實地觀測結果如圖4所示。

由圖4可知，交通事故發生于15點50分，所產生擁堵持續至16點30分，在該時間區間內交通流速顯著下降。交通擁堵發生期間CDNN模型預測結果與實際觀測具有較好一致性。不同交通條件下試驗路段1模型預測MAPE值見表1。“整體情況”為13：00～17：00時間周期內的平均預測結果，表征CDNN模型的總體預測性能；“無突發事件”為13：00～15：50及16：30至17：00時間周期內的平均預測結果；“突發事件持續”為15：50～16：30時間周期內的平均預測結果，表征CDNN模型對突發事件快速反饋的能力。

突發事件發生初期CDNN模型預測APE值陡增，隨后快速下落。突發事件發生時刻的平均預測值能夠表征突發事件下CDNN模型恢復預測精度的能力。由表1可知，CDNN模型對全周期性交通流的預測性能與無突發事件時接近，但對突發事件持續階段的預測更差。突發事件發生時刻，模型預測性能較無突發事件時更好，對應MAPE均值為5.93%。

不同交通條件下試驗路段2模型預測MAPE值見表2。CDNN模型預測性能最好。除突發事件持續階段外，各模型整體預測結果無顯著統計學差異。無突發事件下CDNN模型與DLA模型預測APE值均較低，突發事件下CDNN模型預測APE值低于其他三種模型。其原因在于FCM、DLA及NN模型均將突發事件下的交通流視作與無突發事件時等同分析，對外部變化無法做出及時反饋。

由表2可知，CDNN模型的預測性能較FCM、DLA及NN模型更優，其整體情況、無突發事件及突發事件持續階段的MAPE值分別為6.89%、6.27%及9.06%。在突發事件持續階段下，CDNN模型預測MAPE值遠低于其他模型，其原因在于這CDNN模型能夠有效區分突發事件與常規情況，在突發事件持續期間也可發現前后時間段交通流的時空相關性。在無突發事件時，DLA模型預測MAPE值約為6.51%，與CDNN模型接近，其原因在于這兩類模型均具有深度學習特征，但DLA模型缺乏預處理。FCM模型將交通分割為若干集群，因此，FCM模型在各時間段下的預測性能較DLA、NN模型更穩定，但由于缺乏預訓練靈敏度，所以較差于CDNN模型。NN模型結構簡單，其整體情況、無突發事件及突發事件持續階段的MAPE值分別為13.43%、10.85%及22.77%，預測性能為四種模型中最差。

不同交通條件下試驗路段3、路段4及路段5模型預測MAPE平均值及RMSE平均值見表3。由表3可知，CDNN模型預測性能優于其他三種預測模型。CDNN模型預測MAPE平均值約為6.5%，低于其他模型6.5%～11.52%的水平；CDNN模型預測RMSE平均值處于3.48～3.99范圍內，模型誤差最小。因此，CDNN模型預測穩定性較FCM、DLA及NN模型更優。

4 結語

本研究依托具體工程實例，主要提出了基于突發擁堵狀況的交通流預測模型，并對比了本研究所提出的CDNN模型與已有的FCM、DLA和NN模型的預測性能。研究結果表明：①80～120 s采樣間隔下預測模型會出現明顯分形特征，應控制預測周期不小于80 s。②突發事件發生時刻CDNN模型預測性能相對較好，無突發事件時次之，突發事件持續時期相對較差。③CDNN模型預測性能較FCM、DLA及NN模型更優。④無突發事件下CDNN模型與DLA模型預測APE值均較低，突發事件下CDNN模型預測APE值低于FCM、DLA及NN模型。

參考文獻：

［1］白靜.基于動態交通流信息的城市交通突發擁堵控制與誘導研究［D］.秦皇島：燕山大學，2018.

［2］于彬彬.突發交通事件下基于MFD的主動控制區域劃分［D］.徐州：中國礦業大學，2022.

［3］徐建閩，廖冬梅，馬瑩瑩.高速公路事故瓶頸區域可變限速控制方法［J］.重慶交通大學學報（自然科學版），2022，41（11）：25-33.

［4］陳浩，韓印，王嘉文，等.突發事件下相鄰交叉口信號控制優化方法［J］.智能計算機與應用，2022，12（12）：75-81.

［5］史慧敏.城市路網實時動態交通信息預測方法的研究［D］.大連：大連理工大學，2009.