摘要： 為了改善利用SCATS交通數(shù)據(jù)估計(jì)路段行程時(shí)間的效果，通過分析SCATS實(shí)際交通數(shù)據(jù)獲取時(shí)間間隔不一致的特征，構(gòu)建了SCATS交通數(shù)據(jù)虛擬時(shí)間序列，將利用因子分析法提取的累計(jì)貢獻(xiàn)率在85%以上的主因子作為交通模式特征向量的構(gòu)成要素，用歐氏距離作為當(dāng)前交通模式特征向量和歷史交通模式特征向量相似性的測度指標(biāo)，以路段行程時(shí)間估計(jì)誤差最小為目標(biāo)選取當(dāng)前交通模式的近鄰數(shù)，對交通模式之間距離的倒數(shù)進(jìn)行歸一化處理，確定了相似交通模式的行程時(shí)間權(quán)重，設(shè)計(jì)了基于SCATS交通數(shù)據(jù)的路段行程時(shí)間估計(jì)方法.實(shí)例結(jié)果表明：與多元線性回歸方法相比，本文方法估計(jì)的路段行程時(shí)間平均絕對誤差、平均絕對百分比誤差和均方根誤差分別平均減少了9.68 s、8.07%和4.5 s.

關(guān)鍵詞： 悉尼自適應(yīng)交通控制系統(tǒng)；路段行程時(shí)間估計(jì)；k近鄰算法；因子分析

中圖分類號： U491文獻(xiàn)標(biāo)志碼： ATravel Time Estimation Method Using SCATS

路段行程時(shí)間是反映道路交通狀態(tài)最為直觀有效的交通參數(shù)，是進(jìn)行交通擁擠管理和動(dòng)態(tài)路徑誘導(dǎo)的重要基礎(chǔ)，在智能交通系統(tǒng)中有著廣泛的應(yīng)用.感應(yīng)線圈是目前應(yīng)用最為廣泛的交通數(shù)據(jù)采集手段，以此為基礎(chǔ)的路段行程時(shí)間估計(jì)方法一直是國際交通工程領(lǐng)域的重要研究課題之一[1].

目前，在基于感應(yīng)線圈數(shù)據(jù)的路段行程時(shí)間估計(jì)方法中，針對高速公路等連續(xù)流交通設(shè)施的研究成果較多[24]，由于受交通信號控制、復(fù)雜車輛組成及道路環(huán)境等因素的影響，針對間斷流交通設(shè)施的相關(guān)研究成果較少，而且多沿襲針對連續(xù)流交通設(shè)施的研究思路[57]，以布設(shè)在距離停車線較遠(yuǎn)位置的線圈獲得的固定采樣間隔的流量、速度、道路占有率等數(shù)據(jù)為基礎(chǔ)，建立延誤估計(jì)模型，間接估計(jì)路段行程時(shí)間，或者直接建立路段行程時(shí)間的估計(jì)模型.

悉尼自適應(yīng)交通控制系統(tǒng)（Sydney coordinated adaptive traffic system， SCATS）是世界范圍內(nèi)應(yīng)用最廣泛的交通信號控制系統(tǒng)之一，利用其交通數(shù)據(jù)對行程時(shí)間進(jìn)行估計(jì)，對于低成本改善交通控制、交通誘導(dǎo)和交通指揮的協(xié)調(diào)性具有重要的現(xiàn)實(shí)意義.由于SCATS中線圈布設(shè)位置及獲取的交通數(shù)據(jù)種類均具有特殊性，目前相關(guān)研究成果還較少，且均假設(shè)SCATS線圈能夠按照某種固定的采樣間隔提供交通數(shù)據(jù)，甚至以目前尚無法提供的某些數(shù)據(jù)為前提.例如，假設(shè)SCATS線圈經(jīng)過調(diào)西南交通大學(xué)學(xué)報(bào)第48卷第2期姜桂艷等：基于kNN和SCATS交通數(shù)據(jù)的路段行程時(shí)間估計(jì)方法整后可輸出2 s內(nèi)的流量數(shù)據(jù)[8]；假設(shè)SCATS線圈可提供5 min采樣間隔的地點(diǎn)速度和時(shí)間占有率數(shù)據(jù)[9]等.這些假設(shè)均不符合SCATS系統(tǒng)的實(shí)際情況，在短期內(nèi)難以通過工程手段加以實(shí)現(xiàn).

k近鄰（knearest neighbor， kNN）算法是一種以最相似樣本和模式識別為基礎(chǔ)的非參數(shù)回歸方法，在分類和估計(jì)等領(lǐng)域得到了廣泛應(yīng)用.其中，特征向量的選取是影響kNN算法效果的關(guān)鍵因素之一.現(xiàn)有成果基本都是采用人工方法確定特征向量的組成，不僅主觀性強(qiáng)、勞動(dòng)強(qiáng)度大，而且極易存在信息冗余.

針對上述問題，本文將首先對SCATS實(shí)際交通數(shù)據(jù)的特征進(jìn)行深入分析，在提出并構(gòu)建虛擬時(shí)間序列的基礎(chǔ)上，將kNN算法與因子分析算法相結(jié)合，設(shè)計(jì)了一種路段行程時(shí)間估計(jì)方法，并采用某特大城市SCATS實(shí)際交通數(shù)據(jù)進(jìn)行了驗(yàn)證和對比分析.1SCATS交通數(shù)據(jù)的分析與處理1.1 SCATS交通數(shù)據(jù)的特征SCATS采用設(shè)置在車道下游靠近停車線的感應(yīng)線圈獲取流量及平均車頭時(shí)距等交通流運(yùn)行參數(shù)數(shù)據(jù)，以路口為單位記錄周期、綠燈時(shí)長及飽和度等交通信號控制參數(shù)數(shù)據(jù). SCATS以綠燈信號相位為時(shí)間單位獲取交通數(shù)據(jù)，而相位時(shí)長是動(dòng)態(tài)變化的，因此，各個(gè)采樣間隔內(nèi)的交通數(shù)據(jù)不具有嚴(yán)格的時(shí)間可比性.

路段行程時(shí)間估計(jì)的時(shí)間尺度通常為5、10或15 min等固定時(shí)間間隔[1113]，但在SCATS中獲取交通數(shù)據(jù)的時(shí)間間隔卻不嚴(yán)格一致，這增加了設(shè)計(jì)有效路段行程時(shí)間估計(jì)方法的難度.1.2 SCATS交通數(shù)據(jù)虛擬時(shí)間序列的構(gòu)建1.2.1虛擬時(shí)間序列

為了能夠得到固定采樣間隔的SCATS交通數(shù)據(jù)時(shí)間序列，本文提出了虛擬時(shí)間序列概念，其基本原理是將每個(gè)信號周期T內(nèi)的到達(dá)車輛及其速度由隨機(jī)分布虛擬成均勻（勻速）分布.設(shè)置長度為τ（5、10 min等）的虛擬采樣間隔，并將其插入SCATS交通數(shù)據(jù)的時(shí)間軸，如圖1所示.此時(shí)，SCATS實(shí)際采樣間隔仍是其綠燈信號相位，而虛擬采樣間隔則為設(shè)定的時(shí)間長度τ.可以通過對實(shí)際采樣間隔內(nèi)的相應(yīng)數(shù)據(jù)進(jìn)行轉(zhuǎn)換，獲得每個(gè)虛擬采樣間隔內(nèi)的交通數(shù)據(jù).

3.3.2對比分析

雖然文獻(xiàn)[89]分別提出了一種基于SCATS交通數(shù)據(jù)的路段行程時(shí)間估計(jì)方法，但由于二者采用的數(shù)據(jù)形式與SCATS實(shí)際交通數(shù)據(jù)不同，無法將其作為本文的對比方法.

考慮到多元線性回歸（multiple linear regression， MLR）是目前城市道路路段行程時(shí)間估計(jì)中應(yīng)用最廣泛的方法之一[5]，因此，將其選為對比方法，對本文方法的有效性進(jìn)行驗(yàn)證.以前述約定的標(biāo)定集合和測試集合數(shù)據(jù)為基礎(chǔ)，采用本文方法和MLR方法，對組合路段AC和CA進(jìn)行路段行程時(shí)間估計(jì)，相應(yīng)的誤差指標(biāo)如表1所示.

從表1中可以看出，在分別以標(biāo)定數(shù)據(jù)集合和測試數(shù)據(jù)集合為基礎(chǔ)估計(jì)路段行程時(shí)間時(shí)，本文方法針對兩個(gè)實(shí)驗(yàn)路段的3種誤差指標(biāo)均明顯優(yōu)于MLR方法.在測試數(shù)據(jù)集合中，與多元線性回歸方法相比，本文方法路段行程時(shí)間估計(jì)結(jié)果的MAE、MAPE、RMSE平均值（組合路段AC與CA的平均值）減少了9.68 s、8.07%、4.5 s.

方法標(biāo)定集合19.3515.4725.04測試集合20.0916.9226.18MLR的本質(zhì)是利用一簇相似交通模式建立多元線性回歸方程，但對與回歸方程相似程度較低的交通模式而言，其路段行程時(shí)間的估計(jì)效果會(huì)較差.而kNN方法以與當(dāng)前交通模式最為相似的k個(gè)歷史模式作為估計(jì)的基礎(chǔ)，在一定程度上克服了MLR存在的問題，因此，能夠改善路段行程時(shí)間的估計(jì)效果.4 結(jié)束語路段行程時(shí)間是體現(xiàn)交通流運(yùn)行狀態(tài)的最重要的交通參數(shù).現(xiàn)有的基于SCATS交通數(shù)據(jù)的路段行程時(shí)間估計(jì)方法采用的數(shù)據(jù)形式與SCATS實(shí)際交通數(shù)據(jù)不同，且均假設(shè)可以按照固定周期獲得交通數(shù)據(jù).而SCATS是自適應(yīng)感應(yīng)控制系統(tǒng)，其采樣時(shí)間間隔并不是固定的.

本文針對SCATS實(shí)際交通數(shù)據(jù)的獨(dú)特性，設(shè)計(jì)了一種新的路段行程時(shí)間估計(jì)方法，并根據(jù)我國某特大城市的實(shí)際數(shù)據(jù)進(jìn)行了驗(yàn)證和對比分析.結(jié)果表明，本文設(shè)計(jì)的新方法能夠改善路段行程時(shí)間的估計(jì)效果.

需要說明的是，受目前工程條件的限制，本文未能對自然路段行程時(shí)間的估計(jì)效果進(jìn)行分析，本文方法在其他道路上的應(yīng)用效果也有待進(jìn)一步驗(yàn)證.參考文獻(xiàn)：[1]SMITH B L， HOLT R B， PARK B B. Travel time estimation for urban freeway performance measurement： understanding and improving upon the extrapolation method[C]∥Transportation Research Board 83rd Annual Meeting. Washington D C： National Research Council， 2004： 120.

[2]TURNER S M， EISELE W L， BENZ R J， et al. Travel time data collection handbook， VA 22161 USA[R]. Springfield： National Technical Information Service， 1998.

[3]PALACHARLA P V， NELSON P C. Application of fuzzy logic and neural networks for dynamic travel time estimation[J]. International Transactions in Operational Research， 1999（6）： 145160.

[4]NAM D H， DREW D R. Traffic dynamics： methods for estimating freeway travel times in realtime from flow measurements[J]. Journal of Transportation Engineering， ASCE， 1996， 122（3）： 185191.

[5]VAN A B， VAN J M， MUSTE M R， et al. Travel time estimation in the GERDIEN project[J]. International Journal of Forecasting， 1997（13）： 7385.

[6]XIE C， CHEU R L， LEE D H. Calibrationfree arterial link speed estimation model using loop data[J]. Journal of Transportation Engineering， ASCE， 2001， 127（6）： 507514.

[7]張和生，張毅，胡東成. 路段平均行程時(shí)間估計(jì)方法[J]. 交通運(yùn)輸工程學(xué)報(bào)，2008，8（1）： 8996.

ZHANG Hesheng， ZHANG Yi， HU Dongcheng. Estimation method of average travel time for road sections[J]. Journal of Traffic and Transportation Engineering， 2008， 8（1）： 8996.

[8]CHEU R L， LIU Q， LEE D. Arterial travel time estimation using SCATS detectors[C]∥Proceedings of the 7th International Applications of Advanced Technologies in Transportation Engineering. Cambridge： American Society of Civil Engineers， 2002： 3239.

[9]姜桂艷，李繼偉，張春勤. 城市主干路擁擠路段基于地點(diǎn)交通參數(shù)的行程速度估計(jì)[J]. 吉林大學(xué)學(xué)報(bào)：工學(xué)版，2010，40（5）： 12031208.

JIANG Guiyan， LI Jiwei， ZHANG Chunqin. Travel speed estimation for congested arterial road segment based on spot traffic parameters[J]. Journal of Jilin University： Engineering and Technology Edition， 2010， 40（5）： 12031208.

[10]MACK Y P. Local properties of kNN regression estimates[J]. SIAM， Journal Algebraic and Discrete Methods， 1981， 2（3）： 311323.

[11]姜桂艷，李繼偉，張春勤. 城市主干路路段行程時(shí)間估計(jì)的BPR修正模型[J]. 西南交通大學(xué)學(xué)報(bào)，2010，45（1）： 124129.

JIANG Guiyan， LI Jiwei， ZHANG Chunqin. Modified BPR functions for travel time estimation of urban arterial road segment[J]. Journal of Southwest Jiaotong University， 2010， 45（1）： 124129.

[12]CHANG W A， RAMAKRISHNA R S. A genetic algorithm for shortest path routing problem and the sizing of populations[J]. IEEE Transactions on Evolutionary Computation， 2002， 6（6）： 566 579.

[13]張赫，楊兆升，王煒. 基于實(shí)時(shí)交通流信息的中心式動(dòng)態(tài)路徑誘導(dǎo)系統(tǒng)行車路線優(yōu)化技術(shù)研究[J]. 公路交通科技，2004，21（9）： 9194.

ZHANG He， YANG Zhaosheng， WANG Wei. Research on vehicle route optimization of centrally dynamic route guidance systems based on real time traffic flow information[J]. Journal of Highway and Transportation Research and Development， 2004， 21（9）： 9194.

[14]薛薇. SPSS統(tǒng)計(jì)分析方法及應(yīng)用[M]. 北京：電子工業(yè)出版社，2004： 132156.

（中文編輯：秦萍玲英文編輯：蘭俊思）