李亞敏

（交通運(yùn)輸部科學(xué)研究院，北京 100029）

0 引言

浮動(dòng)車技術(shù)是目前國際上ITS領(lǐng)域中一種先進(jìn)的道路交通信息采集技術(shù)。利用浮動(dòng)車進(jìn)行路段旅行時(shí)間數(shù)據(jù)的采集和預(yù)測，能夠在數(shù)據(jù)源上保證數(shù)據(jù)的精度和可靠性，提高數(shù)據(jù)的質(zhì)量。一方面，可以為用戶出行提供交通誘導(dǎo)服務(wù)，合理地掌握出行時(shí)間，提高出行效率；另一方面，可以為交通管理部門提供數(shù)據(jù)支持，緩解交通壓力，提高行車速度。

1 浮動(dòng)車技術(shù)

浮動(dòng)車是指安裝有定位和無線通信裝置的普通車輛（如出租汽車、公交車、貨車、私人小汽車、警車等），這種車輛能夠與交通信息中心進(jìn)行信息交換。浮動(dòng)車數(shù)據(jù)（Floating Car Data，以下簡稱“FCD”）一般包括時(shí)間、位置坐標(biāo)、瞬時(shí)速度、行駛方向、運(yùn)行狀態(tài)及其他內(nèi)容。浮動(dòng)車技術(shù)，是指一定數(shù)量的裝有特定車載設(shè)備的車輛（浮動(dòng)車），在行駛過程中采集沿途的自身各種交通數(shù)據(jù)（如：速度、加速度、出行距離、出行時(shí)間、停車、超速、緊急情況等），所采集到的實(shí)時(shí)交通信息通過各種通訊手段傳送到信息中心，經(jīng)信息中心處理后，建立起龐大的共享數(shù)據(jù)庫，并向不同的對(duì)象提供多樣的實(shí)時(shí)交通信息。整個(gè)過程的實(shí)質(zhì)是對(duì)于整個(gè)路網(wǎng)的總體車輛進(jìn)行隨機(jī)抽樣，用樣本來反映總體的情況?；贔CD的旅行時(shí)間估計(jì)包括了浮動(dòng)車數(shù)據(jù)采集、地圖匹配、數(shù)據(jù)預(yù)處理、預(yù)測估計(jì)四個(gè)步驟。

2 基于FCD的旅行時(shí)間估計(jì)模型建立

2.1 Kalman濾波模型的建立

浮動(dòng)車數(shù)據(jù)可以獲得實(shí)時(shí)的路段旅行時(shí)間，在一定范圍內(nèi)，路段旅行時(shí)間的序列具有自相關(guān)性，因此可以用過去幾個(gè)時(shí)段的路段旅行時(shí)間預(yù)測下一個(gè)時(shí)段的路段旅行時(shí)間。本模型考慮前n個(gè)時(shí)段路段的旅行時(shí)間對(duì)當(dāng)前時(shí)刻旅行時(shí)間的影響，用k，k-1，…，k-n+1時(shí)段的路段旅行時(shí)間預(yù)測k+1時(shí)段的路段旅行時(shí)間。

利用Kalman濾波理論，建立如下遞推方程組：

當(dāng)X（k）確定后，路段在下一個(gè)時(shí)段的旅行時(shí)間的預(yù)測值為：

式中，T（k+1）為預(yù)測的路段旅行時(shí)間；H0（k），H1（k），…，Hn-1（k）為參數(shù)矩陣；w（k）為觀測矩陣，假定為零均值的高斯白噪聲，其協(xié)方差矩陣為R（k）；X（k）為狀態(tài)向量；y（k）為觀測向量；H（k）為觀測矩陣；A（k）為狀態(tài)轉(zhuǎn)移矩陣，A（k）=I；w（k-1）為模型噪聲，假定為零均值的高斯白噪聲，其協(xié)方差矩陣為Q（k-1）；v（k）為觀測噪聲，假定為零均值的高斯白噪聲，其協(xié)方差矩陣為R（k）。由于本文選取的時(shí)間段比較短，前后相鄰兩個(gè)周期的交通狀態(tài)差別不是很大，所以A（k）取單位矩陣。R（k）、Q（k）、P0沒有先驗(yàn)數(shù)據(jù)，可設(shè)為單位矩陣。

算法流程如圖1所示。

圖1 Kalman濾波算法流程

2.2 BP神經(jīng)網(wǎng)絡(luò)模型的建立

本文建立的BP神經(jīng)網(wǎng)絡(luò)的路段旅行時(shí)間預(yù)測模型，是基于研究路段及相關(guān)路段前幾個(gè)時(shí)段的平均旅行時(shí)間與研究路段下一個(gè)及以上時(shí)段的平均旅行時(shí)間的關(guān)系建立的。即輸入變量為研究路段及相關(guān)路段前幾個(gè)時(shí)段的平均旅行時(shí)間，輸出變量為研究路段下一個(gè)或一個(gè)以上時(shí)段的平均旅行時(shí)間，即達(dá)到預(yù)測目的。

根據(jù)得到的2007年6月7日的上海市浮動(dòng)車所檢測到的旅行時(shí)間數(shù)據(jù)，基于BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建旅行時(shí)間估計(jì)模型如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)輸入輸出示意圖

模型中各變量意義如下：

t1（k），t2（k），…，tm（k），t（k）——相關(guān)路段及研究路段k時(shí)段的平均旅行時(shí)間；

w（k）——k時(shí)段神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)權(quán)重矩陣，用來預(yù)測k+i時(shí)段的平均旅行時(shí)間。

3 實(shí)例分析

3.1 示例選取

為保證評(píng)估具有代表性和可操作性，挑選上海市內(nèi)的快速路、地面主干道和一條國道進(jìn)行：

a）快速路選取內(nèi)環(huán)高架從魯班路立交至漕溪北路匝道的雙向道路（單向約4.7km）；

b）地面主干道選取中山南二路從魯班路至漕溪北路的雙向道路（單向約4.7km）（如圖3所示）；

圖3 魯班路立交至漕溪北路匝道高架和地面主干道地圖

c）國道選取318國道（滬青平公路）從外環(huán)至趙巷鎮(zhèn)的雙向道路（單向約18km）。

取檢測周期為5min，平均速度為40km／h，道路覆蓋率達(dá)到65%的情況下計(jì)算各路段所需最小浮動(dòng)車數(shù)量及誤差情況。選取2010年6月6日測量的中山南二路從魯班路至漕溪北路的西向東單向道路上的雙峰路—宛平南路路段進(jìn)行預(yù)測，時(shí)段為7:35～10:40（如圖4所示）。

圖4 預(yù)測路段（雙峰路—宛平南路）及上游相關(guān)路段

3.2 預(yù)測過程及結(jié)果分析

3.2.1 Kalman濾波模型預(yù)測

本節(jié)應(yīng)用建立的Kalman濾波模型，選取5min為一個(gè)時(shí)間間隔，預(yù)測下一個(gè)5min的路段旅行時(shí)間時(shí)，以k-1時(shí)段的路段旅行時(shí)間預(yù)測k時(shí)段的路段旅行時(shí)間。

圖5所示為預(yù)測結(jié)果與實(shí)際值的對(duì)比曲線。

圖5 基于FCD的路段旅行時(shí)間估計(jì)（Kalman濾波）

由圖5可以看出：

a）基于浮動(dòng)車數(shù)據(jù)，應(yīng)用Kalman濾波模型進(jìn)行路段短時(shí)預(yù)測可以取得較高的預(yù)測精度；

b）應(yīng)用Kalman濾波預(yù)測時(shí)，由于每次預(yù)測都是基于前一時(shí)段的旅行時(shí)間數(shù)據(jù)，當(dāng)數(shù)據(jù)發(fā)生變化時(shí)，部分預(yù)測值與實(shí)際值相比較會(huì)出現(xiàn)一定的時(shí)滯現(xiàn)象；

c）相比而言，低峰時(shí)段的預(yù)測值較高峰時(shí)段的預(yù)測值更為準(zhǔn)確和平穩(wěn)；

d）當(dāng)旅行時(shí)間實(shí)際值發(fā)生突變時(shí)，預(yù)測效果較差，由此可見，Kalman濾波模型在預(yù)測路段旅行時(shí)間時(shí)，如果出現(xiàn)由于交通事故或者天氣原因造成的突變，可能會(huì)有較大的預(yù)測誤差。

3.2.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測

本節(jié)應(yīng)用建立的BP神經(jīng)網(wǎng)絡(luò)模型，以5min為一個(gè)時(shí)間間隔，選取上游的龍華西路—天鑰橋路路段、天鑰橋路—雙峰路路段，以k-2，k-1，k時(shí)段的路段旅行時(shí)間分別預(yù)測k+1時(shí)段的路段旅行時(shí)間。

圖6所示為預(yù)測數(shù)據(jù)與實(shí)際值的對(duì)比曲線。

圖6 基于FCD的路段旅行時(shí)間估計(jì)（BP神經(jīng)網(wǎng)絡(luò)）

由圖6可以看出：

a）基于浮動(dòng)車數(shù)據(jù)，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行路段短時(shí)預(yù)測可以得到較高的精度，與實(shí)際的旅行時(shí)間可以較好吻合；

b）應(yīng)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測時(shí)，在高峰時(shí)段預(yù)測效果較差，且數(shù)據(jù)有時(shí)會(huì)發(fā)生一定的突變，而且每次初始化網(wǎng)絡(luò)時(shí)都是隨機(jī)的，而且訓(xùn)練終止時(shí)的誤差也不完全相同，結(jié)果訓(xùn)練后的權(quán)植和閥也不完全相同，所以訓(xùn)練后的結(jié)果也不同，數(shù)據(jù)的準(zhǔn)確度也會(huì)有差別；

c）當(dāng)實(shí)際值變化不大時(shí)，除個(gè)別時(shí)段外，預(yù)測效果普遍較好；當(dāng)時(shí)實(shí)際值變化較大時(shí)，預(yù)測效果變差。

在實(shí)際應(yīng)用中，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行旅行時(shí)間預(yù)測還存在以下問題：

a）收斂速度慢；

b）學(xué)習(xí)不穩(wěn)定，容易陷入局部極小點(diǎn)，網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間和學(xué)習(xí)效果受初始狀態(tài)影響，而初始狀態(tài)的選擇在BP神經(jīng)網(wǎng)絡(luò)中是隨機(jī)的，仿真試驗(yàn)可以多次運(yùn)行尋找滿意解，可是實(shí)際預(yù)測不太可能提供足夠的時(shí)間來尋求滿意解，這就造成了實(shí)際預(yù)測結(jié)果的不穩(wěn)定；

c）雖然預(yù)測趨勢大體吻合，但是在某些預(yù)測位置點(diǎn)存在預(yù)測延遲現(xiàn)象，很難對(duì)一些突變點(diǎn)進(jìn)行預(yù)測。

3.3 誤差分析

3.3.1 定義誤差指標(biāo)

對(duì)預(yù)測結(jié)果進(jìn)行誤差分析，各誤差指標(biāo)定義如下。

3.3.1.1 平均誤差（AE）

式中，xi為實(shí)際值；x*i為預(yù)測值。

3.3.1.2 平均絕對(duì)誤差（MAE）

3.3.1.3 平均百分比絕對(duì)誤差（MAPE）

3.3.1.4 均方根誤差或標(biāo)準(zhǔn)誤差（RMSE）

3.3.2 預(yù)測結(jié)果誤差指標(biāo)值及分析

利用誤差指標(biāo)，對(duì)兩種模型預(yù)測出的結(jié)果與真實(shí)值作比較，計(jì)算誤差結(jié)果見表1、圖7。

表1 旅行時(shí)間估計(jì)結(jié)果誤差指標(biāo)對(duì)比表

圖7 旅行時(shí)間估計(jì)結(jié)果誤差指標(biāo)對(duì)比圖

由表1可以看出，利用Kalman濾波模型與BP神經(jīng)網(wǎng)絡(luò)分別進(jìn)行旅行時(shí)間估計(jì)，其各項(xiàng)誤差指標(biāo)均在可接受的范圍內(nèi)，說明基于浮動(dòng)車數(shù)據(jù)利用這兩種預(yù)測方法進(jìn)行預(yù)測是可行的。

比較兩種模型的各項(xiàng)指標(biāo)可得，利用Kalman濾波模型對(duì)路段短時(shí)旅行時(shí)間進(jìn)行預(yù)測比利用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測的預(yù)測精度更高。說明進(jìn)行短時(shí)旅行時(shí)間估計(jì)時(shí)，Kalman濾波方法適用性更好。根據(jù)Kalman濾波的工作原理，每一步都要進(jìn)行增益矩陣和觀測矩陣的調(diào)整，而這些調(diào)整都是以誤差為基礎(chǔ)的，除了時(shí)間分量以外，以往的研究所采用的速度、車流量、車道占有率等數(shù)據(jù)的波動(dòng)一般較大，將其引入狀態(tài)向量中必然會(huì)引起大幅震蕩，導(dǎo)致矩陣有大的調(diào)整，易使預(yù)測結(jié)果發(fā)生大的偏差，導(dǎo)致預(yù)測精度差。采用浮動(dòng)車數(shù)據(jù)，可以方便地獲取路段旅行時(shí)間實(shí)際值，數(shù)據(jù)的變化較為平穩(wěn)，容易得到較好的預(yù)測精度。

4 結(jié)語

本文根據(jù)Kalman濾波模型以及BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，選取了以上兩種模型進(jìn)行旅行時(shí)間估計(jì)。通過建立符合浮動(dòng)車數(shù)據(jù)特點(diǎn)的相應(yīng)的模型算法，選取合適的參數(shù)進(jìn)行定量的計(jì)算預(yù)測。比較最后的預(yù)測結(jié)果圖，相對(duì)于BP神經(jīng)網(wǎng)絡(luò)模型，Kalman濾波模型的預(yù)測值與真實(shí)值更加吻合，波動(dòng)也較小；通過誤差指標(biāo)比較圖和比較表可看出，從整體來看，Kalman濾波模型的各項(xiàng)誤差指標(biāo)均小于1且遠(yuǎn)小于BP神經(jīng)網(wǎng)絡(luò)的誤差，可以得到比BP神經(jīng)網(wǎng)絡(luò)更為接近實(shí)際的預(yù)測值。由于Kalman濾波本身的動(dòng)態(tài)性、實(shí)時(shí)性、可操作性強(qiáng)、計(jì)算量少的優(yōu)點(diǎn)，且其模型的遞推形式有利于計(jì)算機(jī)編程的實(shí)現(xiàn)，算法的實(shí)時(shí)性也滿足實(shí)際預(yù)測系統(tǒng)的要求，可應(yīng)用于基于FCD的路段旅行時(shí)間短時(shí)預(yù)測及相關(guān)的交通智能控制系統(tǒng)。

[1]秦嶺，張劍飛，郭鵬，等.浮動(dòng)車交通信息采集與處理關(guān)鍵技術(shù)及其應(yīng)用研究[J].交通運(yùn)輸系統(tǒng)工程與信息，2007，（1）：39-42.

[2]楊兆升.關(guān)于智能運(yùn)輸系統(tǒng)的關(guān)鍵理論——綜合路段行程時(shí)間預(yù)測的研究[J].交通運(yùn)輸工程學(xué)報(bào)，2003，（1）： 65-67.

[3]杭明升，楊曉光，彭國雄.基于卡爾曼濾波的高速道路行程時(shí)間動(dòng)態(tài)預(yù)測[J].同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版，2002，（9）：1068-1072.

[4]楊兆升，孫喜梅.實(shí)時(shí)動(dòng)態(tài)路段旅行時(shí)間預(yù)側(cè)的一種實(shí)用方法[J].公路交通科技，2001，（2）：44-65.

[5]Christian E Dunkerley.The effect of disruptions on travel times:a regression analysis from Colombia[DB/OL].http://www.iasi.cnr.it/ewgt/13conference/74_dunkerley.pdf,2008-05-20.

[6]王均，關(guān)偉.基于Kalman濾波的城市環(huán)路交通流短時(shí)預(yù)測研究[J].交通與計(jì)算機(jī)，2006，（5）：16-19

[7]Turner S M,Holdener D J.Probe Vehicle Sample Size for Real-Time Information:The Houston Experience[R].New York:Vehicle Navigation and Information System(VNIS)Conf.IEEE，1995.

[8]董敬欣.基于GPS/GIS的浮動(dòng)車技術(shù)在城市路網(wǎng)分析與評(píng)價(jià)中的相關(guān)方法及應(yīng)用研究[D].北京：北京交通大學(xué)，2005.