邱淳風(fēng)　王珊　王超群

摘 要： 作為交通規(guī)劃、運(yùn)營(yíng)和通行能力評(píng)估的重要指標(biāo)，行程時(shí)間的預(yù)測(cè)對(duì)出行者的路線和時(shí)間點(diǎn)的選擇，以及交通規(guī)劃部門(mén)的信號(hào)控制策略有著重要的實(shí)際意義。對(duì)于高級(jí)交通誘導(dǎo)系統(tǒng)而言，行程時(shí)間預(yù)測(cè)是一項(xiàng)關(guān)鍵的研究?jī)?nèi)容。現(xiàn)有行程時(shí)間預(yù)測(cè)方法較少，且預(yù)測(cè)誤差較大。為此，運(yùn)用浮動(dòng)車和微波雷達(dá)測(cè)速數(shù)據(jù)，提出了基于支持向量機(jī)解決行程時(shí)間預(yù)測(cè)的方法，并且與歷史平均法進(jìn)行了比較。在杭州市高架路線上的實(shí)驗(yàn)結(jié)果表明，所提方法的預(yù)測(cè)精度大幅度超過(guò)了歷史平均法。

關(guān)鍵詞： 支持向量機(jī)； 行程時(shí)間； 智能交通； 歷史平均

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2014）04-40-03

Abstract： As an important indicator of transportation planning， operations and capacity assessment， the forecasted travel time has important practical meaning for the choice of route and timing， as well as for traffic signal control strategy of transportation planning department. For advanced transportation guidance systems， it is a key issue to predict travel times between pairs of points of interest. There are few travel time prediction methods with high probability of prediction error. In this paper， the speed data returned from probe vehicles and microwave radars is used to predict travel times based on support vector regression（SVR）， and the new algorithm is compared to the historical mean algorithm. The experimental results over elevatedroads in Hangzhou show that the SVR based algorithm significantly outperforms the historical mean algorithm.

Key words： support vector machine； travel time； intelligent transportation； historical average

0 引言

行程時(shí)間是交通規(guī)劃、運(yùn)營(yíng)和通行能力評(píng)估的重要指標(biāo)?；陬A(yù)測(cè)的行程時(shí)間，出行者可以直觀地進(jìn)行路線選擇或者出行時(shí)間點(diǎn)的選擇，交通規(guī)劃部門(mén)能夠做出合理的信號(hào)控制策略。因此，準(zhǔn)確預(yù)測(cè)行程時(shí)間具有重要的應(yīng)用價(jià)值。

支持向量機(jī)（SVM）[1]是Vapnik在1995年提出的，已經(jīng)被廣泛地應(yīng)用到監(jiān)督分類領(lǐng)域。因?yàn)樵摲椒ú捎昧私Y(jié)構(gòu)風(fēng)險(xiǎn)最小化的設(shè)計(jì)，比起經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化方法，其泛化能力更強(qiáng)，因此往往表現(xiàn)出較強(qiáng)的測(cè)試精度。特別地，工程實(shí)踐往往難以獲得大量標(biāo)注樣本，而SVM在小樣本學(xué)習(xí)問(wèn)題上表現(xiàn)出較佳的性能。另外，SVM采用嚴(yán)格的數(shù)值計(jì)算方法，不會(huì)收斂到局部最小解。在智能交通領(lǐng)域，運(yùn)用SVM解決交通狀態(tài)評(píng)估的工作較多，并且能得到高精度的路況估計(jì)結(jié)果。

近年來(lái)，基于支持向量回歸（SVR）的方法被應(yīng)用到股市預(yù)測(cè)[2]、電價(jià)預(yù)測(cè)[3]等領(lǐng)域，表現(xiàn)出較高的預(yù)測(cè)精度。而在智能交通領(lǐng)域，SVR方法的應(yīng)用還相對(duì)較少。本文運(yùn)用SVR預(yù)測(cè)車流量較為集中的城市高架橋的行程時(shí)間。

本文的結(jié)構(gòu)安排是：第1節(jié)介紹如何計(jì)算和預(yù)測(cè)行程時(shí)間；第2節(jié)介紹支持向量回歸方法；第3節(jié)通過(guò)實(shí)驗(yàn)評(píng)估支持向量回歸在城市高架橋上的預(yù)測(cè)精度；第4節(jié)總結(jié)全文。

1 行程時(shí)間計(jì)算和預(yù)測(cè)方法

行程時(shí)間指的是從一個(gè)感興趣的位置到達(dá)另一個(gè)感興趣的位置所需的車輛行駛時(shí)間。一般有兩種計(jì)算方法：區(qū)間觀測(cè)方法和定點(diǎn)觀測(cè)方法。前者指的是運(yùn)用浮動(dòng)車在感興趣的兩個(gè)位置之間行駛，記錄耗費(fèi)的行駛時(shí)間。后者指的是運(yùn)用定點(diǎn)傳感器（例如地感線圈、微波雷達(dá)、卡口、視頻等傳感器）采集的大量觀測(cè)數(shù)據(jù)估算區(qū)間內(nèi)行程時(shí)間。區(qū)間觀測(cè)方法一般具有較高的精度，但測(cè)量困難，難以廣泛應(yīng)用。相對(duì)而言，定點(diǎn)觀測(cè)方法雖然精度較低，但在工程上更加可行。

交通數(shù)據(jù)可以大致分為三類：歷史數(shù)據(jù)、當(dāng)前數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)。行程時(shí)間的預(yù)測(cè)方法一般有兩種：基于統(tǒng)計(jì)模型的預(yù)測(cè)方法和基于分析模型的預(yù)測(cè)方法。統(tǒng)計(jì)方法可理解為數(shù)據(jù)驅(qū)動(dòng)的方法，它利用一系列歷史變量和當(dāng)前變量（速度、流量、行程時(shí)間）作為輸入來(lái)預(yù)測(cè)未來(lái)的因變量（行程時(shí)間）。常見(jiàn)的統(tǒng)計(jì)預(yù)測(cè)方法包括ARIMA模型[4]、線性模型[5]等。分析模型運(yùn)用微觀的交通仿真器，例如METANET[6]等來(lái)預(yù)測(cè)行程時(shí)間。一般運(yùn)用動(dòng)態(tài)的OD矩陣作為輸入，預(yù)言結(jié)果利用仿真來(lái)演化。

2 支持向量回歸（SVR）

支持向量機(jī)分類方法的基本思想是利用函數(shù)Φ將訓(xùn)練數(shù)據(jù)從低維空間映射到更高維的空間，以類間空白最大化為目的，在特征空間中構(gòu)造一個(gè)分類超平面。給定一組訓(xùn)練向量數(shù)據(jù)xi|Rd，i=1，2…，h，其中h表示訓(xùn)練樣本的個(gè)數(shù)。yi=±1表示類標(biāo)簽，即一類用+1表示，另一類用-1表示。SVM將尋找一個(gè)超平面法方向w和截距b，使得正實(shí)例滿足f（x）=wΦ（x）+b?0，負(fù)實(shí)例滿足f（x）=wΦ（x）+b<0。許多情形下，在輸入空間中找不到一個(gè)線性函數(shù)可以很好地分類訓(xùn)練數(shù)據(jù)，但往往可以找到一個(gè)超平面將訓(xùn)練數(shù)據(jù)按類別分開(kāi)。

圖1是一個(gè)支持向量機(jī)的例子，假定圈和點(diǎn)分別代表不同的兩類數(shù)據(jù)，在圖1（a）所示的輸入空間中，找不到一個(gè)線性函數(shù)可以將兩類數(shù)據(jù)分割，若將數(shù)據(jù)映射到如1圖（b）所示的更高維度的特征空間，則可以找到一個(gè)線性函數(shù)將兩類數(shù)據(jù)分割開(kāi)。分割超平面的選擇力圖最大化類間空白，而類間空白的最大化大大地降低了測(cè)試階段的誤判風(fēng)險(xiǎn)。

3 實(shí)驗(yàn)

支持向量回歸方法需要設(shè)定參數(shù)，在下面的實(shí)驗(yàn)中，我們采用RBF核寬度σ=0.1，ε=0.02，C=800。

3.1 數(shù)據(jù)介紹

我們用前5個(gè)星期（2013年8月5日至9月8日）的數(shù)據(jù)作為訓(xùn)練集，第6個(gè)星期的數(shù)據(jù)（2013年9月9日至9月15日）作為測(cè)試集。采用兩段杭州市的高架道路作為測(cè)試道路（道路1：15.9km，從大關(guān)到中興立交橋；道路2：20.9km，從國(guó)際會(huì)展中心到中興立交橋）。采用微波傳感器和浮動(dòng)車所測(cè)的速度數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)。若某路段上，浮動(dòng)車與微波速度數(shù)據(jù)均存在，則取二者的均值作為最終速度。只返回一種傳感器速度數(shù)據(jù)的路段以該類傳感器記錄的速度數(shù)據(jù)為準(zhǔn)。兩種傳感器均無(wú)數(shù)據(jù)返回的情形下，以浮動(dòng)車速度的插值數(shù)據(jù)為準(zhǔn)，缺失的速度數(shù)據(jù)用相鄰時(shí)間點(diǎn)的數(shù)據(jù)插補(bǔ)。測(cè)試的時(shí)間段為早7：00到10：00，該時(shí)段內(nèi)，每5分鐘預(yù)測(cè)一次行程時(shí)間，總共預(yù)測(cè)60次。在該時(shí)間段內(nèi)，數(shù)據(jù)的總體缺失率不超過(guò)10%。

3.2 評(píng)價(jià)標(biāo)準(zhǔn)

設(shè)當(dāng)前時(shí)刻t，待預(yù)測(cè)的時(shí)刻的行程時(shí)間為y（t+h），運(yùn)用的知識(shí)是前n個(gè)時(shí)刻的行程時(shí)間，即y（t），y（t-1），…，y（t-n）。預(yù)測(cè)函數(shù)可表達(dá)為：

4 結(jié)束語(yǔ)

在統(tǒng)計(jì)機(jī)器學(xué)習(xí)派生的方法中，支持向量機(jī)是最成功的方法之一。本文將支持向量回歸合理地應(yīng)用到智能交通領(lǐng)域的行程時(shí)間預(yù)測(cè)中，在杭州市高架路的實(shí)驗(yàn)中得到了較高的測(cè)試精度，這與支持向量機(jī)的結(jié)構(gòu)風(fēng)險(xiǎn)最小化設(shè)計(jì)是分不開(kāi)的。下一步我們將考慮在氣象條件影響下的行程時(shí)間預(yù)測(cè)算法。

參考文獻(xiàn)：

[1] V. N. Vapnik. The Nature of Statistical Learning Theory[M]. New York： Springer，1995.

[2] H. Yang， L. Chan， and I. King. Support vector machine regression for volatile stock market prediction[M].Berlin：Springer，2002.

[3] D. C. Sansom， T. Downs， and T. K. Saha. Evaluation of support vector machine based forecasting tool in electricity price forecasting for Australian National Electricity Market participants[J]. Journal of Electrical and Electronics Engineering，2003.22（3）：227-234

[4] E. Fraschini， K. Ashausen. Day on Day Dependencies in Travel：First Result Using ARIMA Modeling[J]. Arbeitsberichte Verkehrs-und Raumplanung，2001.63.

[5] H. Sun， H. Liu， and B. Ran. Short term traffic forecasting using the local linear regression model[A]. 82nd Annual Meeting of the Transportation Research Board[C]. Washington，2003.

[6] A. Kotsialos， M. Papageorgiou， C. Diakaki， Y. Pavlis， and F. Middelham. Traffic flow modeling of large-scale motorway networks using the macroscopic modeling tool METANET[J]. IEEE Transactions on Intelligent Transportation Systems，2002.3（4）：282-292