摘要：旅行時(shí)間是交通系統(tǒng)中一個(gè)重要的測量指標(biāo)，精確的旅行時(shí)間預(yù)測對(duì)智能交通系統(tǒng)和先進(jìn)交通信息系統(tǒng)發(fā)展有重要意義。數(shù)據(jù)采集技術(shù)為旅行時(shí)間計(jì)算提供了海量實(shí)時(shí)交通數(shù)據(jù)，如何利用海量實(shí)時(shí)交通數(shù)據(jù)精確且快速預(yù)測旅行時(shí)間成為當(dāng)前旅行時(shí)間研究中的一個(gè)熱點(diǎn)問題?；诤Ａ康能嚺谱R(shí)別數(shù)據(jù)，在Hadoop框架下，用MapReduce編程模型，應(yīng)用卡爾曼濾波法實(shí)現(xiàn)對(duì)路段旅行時(shí)間的預(yù)測，和其它算法對(duì)比，該算法預(yù)測準(zhǔn)確性有顯著提高。

關(guān)鍵詞：旅行時(shí)間預(yù)測；MapReduce；卡爾曼濾波

DOIDOI：10.11907/rjdk.161465

中圖分類號(hào)：TP391

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2016）009013703

基金項(xiàng)目基金項(xiàng)目：國家自然科學(xué)基金重點(diǎn)項(xiàng)目（61033006）；北京市自然科學(xué)基金項(xiàng)目（4131001）

作者簡介作者簡介：楊宗潤（1989-），男，河南新鄉(xiāng)人，北方工業(yè)大學(xué)計(jì)算機(jī)學(xué)院碩士研究生，研究方向?yàn)榉植际接?jì)算。

0引言

旅行時(shí)間是交通系統(tǒng)的重要參數(shù)，是指車輛在一定距離道路上的用時(shí)。在城市化進(jìn)程中，城市人口和機(jī)動(dòng)車數(shù)量急劇增加，給城市道路帶來了較大負(fù)荷，影響居民出行。精確的旅行時(shí)間預(yù)測可以為城市規(guī)劃以及居民出行提供參考。

旅行時(shí)間本身具有高度的隨機(jī)性和時(shí)間依賴性，不定時(shí)的交通管制、偶然的交通事故、天氣狀況等都會(huì)一定程度上影響旅行時(shí)間。目前計(jì)算旅行時(shí)間的數(shù)據(jù)主要有兩種：道路上的感應(yīng)線圈數(shù)據(jù)和裝載有GPS的車輛數(shù)據(jù)。兩種數(shù)據(jù)都具有一定的局限性，對(duì)于感應(yīng)線圈數(shù)據(jù)而言，道路感應(yīng)線圈不可能覆蓋到每一條道路，覆蓋密度很大程度上影響了數(shù)據(jù)的精確性；從感應(yīng)線圈并不能直接獲得車輛的旅行時(shí)間，而是要通過速度來計(jì)算旅行時(shí)間，無形中放大了誤差[12]。對(duì)GPS數(shù)據(jù)來源而言，裝載GPS設(shè)備的車輛數(shù)占總數(shù)的比例很小[3]，用少數(shù)量車輛數(shù)據(jù)去刻畫所有車輛的行為，具有一定的局限性。

近年來，國內(nèi)外學(xué)者提出了諸多預(yù)測旅行時(shí)間的思路。臺(tái)灣高雄大學(xué)的Chun Hisn Wu等[4]把支持向量回歸算法應(yīng)用到旅行時(shí)間的預(yù)測上，該方法在面對(duì)大規(guī)模數(shù)據(jù)時(shí)顯得很無力。微軟亞洲研究院鄭宇[5]提出了上下文矩陣分解和最優(yōu)道路劃分的方法，應(yīng)用大量歷史數(shù)據(jù)，成功解決了數(shù)據(jù)稀疏性問題，給出了基于路徑的旅行時(shí)間預(yù)測算法[6]。然而此算法定義的數(shù)據(jù)結(jié)構(gòu)復(fù)雜，應(yīng)用起來比較困難。俄亥俄州立大學(xué)的Abjhijit Dharia[7]用反向人工神經(jīng)網(wǎng)絡(luò)預(yù)測了高速公路的旅行時(shí)間。德州農(nóng)業(yè)大學(xué)的Dongjoo Park 和韓國延世大學(xué)的Gunhee Han等[8]對(duì)原始數(shù)據(jù)進(jìn)行了處理，提出了基于光譜的神經(jīng)網(wǎng)絡(luò)算法，應(yīng)用到了旅行時(shí)間的預(yù)測上來。人工神經(jīng)網(wǎng)絡(luò)算法在收斂性上不是很突出，且隱含層的選擇也沒有確定的算法。還有一些其它算法，例如貝葉斯理論[9]和混合Logit模型[10]等。

1問題描述

1.1旅行時(shí)間短時(shí)預(yù)測

本文成果系某市智能交通項(xiàng)目，通過各大路口攝像頭采集機(jī)動(dòng)車牌，經(jīng)過數(shù)據(jù)整合存儲(chǔ)在HDFS中。單個(gè)數(shù)據(jù)項(xiàng)包含車牌號(hào)、時(shí)間、攝像頭編號(hào)等。

實(shí)驗(yàn)采用卡爾曼濾波法進(jìn)行短時(shí)間預(yù)測。卡爾曼濾波是一種先進(jìn)的控制方法，其以20世紀(jì)60年代卡爾曼提出的濾波理論為基礎(chǔ)[11]，基于線性回歸預(yù)測，方法簡單且預(yù)測精度較高，適合大規(guī)模數(shù)據(jù)計(jì)算，在很多預(yù)測領(lǐng)域得到應(yīng)用。目前卡爾曼濾波法在交通領(lǐng)域預(yù)測的應(yīng)用大多采用感應(yīng)線圈數(shù)據(jù)[12]和GPS數(shù)據(jù)[13]。本實(shí)驗(yàn)在Hadoop環(huán)境下進(jìn)行，將卡爾曼濾波法應(yīng)用到車牌識(shí)別數(shù)據(jù)處理中。

1.2卡爾曼濾波法

一般的線性離散系統(tǒng)可有一組濾波遞推公式表示：

X（k+1）=Φ（k+1，k）X（k）+Γ（k+1，k）w（k） （1）

4結(jié)語

本文實(shí)驗(yàn)在hadoop框架下采用MapReduce模型，對(duì)道路攝像頭采集數(shù)據(jù)進(jìn)行挖掘，得到符合定義的真實(shí)值，

真實(shí)值符合城市機(jī)動(dòng)車出行規(guī)律，用卡爾曼濾波法結(jié)合MapReduce實(shí)現(xiàn)短時(shí)間內(nèi)對(duì)路段旅行時(shí)間的預(yù)測，預(yù)測方法的精確度較高。本文實(shí)驗(yàn)還有一些不足之處，預(yù)測值只用到前一個(gè)時(shí)間段的數(shù)據(jù)，出現(xiàn)大誤差的幾率大大增加。此外，實(shí)驗(yàn)預(yù)測只是對(duì)短時(shí)間內(nèi)單個(gè)路段的預(yù)測，還不能用于路徑的預(yù)測。

參考文獻(xiàn)：

[1]STEVEN I， CHIEN J， KUCHIPUDI C M.Dynamic travel time prediction with real-time and historic data[J].Journal of transportation engineering， 2013（25）：3541.

[2]CHU L， OH S， RECKER W.Adaptive kalman filter based freeway travel time estimation[C].84th TRB Annual Meeting， Washington DC， 2005.

[3]CHEN M， CHIEN S.Dynamic freeway traveltime prediction with probe vehicle data： link based versus path based[J].Transportation Research Record， 2001 （1768）： 157161.

[4]WU C H， HO J M， LEE D T.Traveltime prediction with support vector regression[J].Intelligent Transportation Systems， 2004， 5（4）： 276281.

[5]WANG Y， ZHENG Y， XUE Y.Travel time estimation of a path using sparse trajectories[C].Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.ACM， 2014： 2534.

[6]YUAN J， ZHENG Y， ZHANG C， et al.Tdrive： driving directions based on taxi trajectories[C].Proceedings of the 18th SIGSPATIAL International Conference on Advances in Geographic Information Systems.ACM， 2010： 99108.

[7]DHARIA A， ADELI H.Neural network model for rapid forecasting of freeway link travel time[J].Engineering Applications of Artificial Intelligence， 2003， 16（7）： 607613.

[8]PARK D， RILETT L R， HAN G.Spectral basis neural networks for realtime travel time forecasting[J].Journal of Transportation Engineering， 1999， 125（6）： 515523.

[9]WESTGATE B S， WOODARD D B， MATTESON D S， et al.Travel time estimation for ambulances using Bayesian data augmentation[J].The Annals of Applied Statistics， 2013， 7（2）： 11391161.

[10]HESS S， BIERLAIRE M， POLAK J W.Estimation of value of traveltime savings using mixed logit models[J].Transportation Research Part A：Policy and Practice， 2005， 39（2）： 221236.

[11]KALMAN R E.A new approach to linear filtering and prediction problems[J].Journal of Fluids Engineering， 1960， 82（1）： 3545.

[12]FARAGHER R.Understanding the basis of the Kalman filter via a simple and intuitive derivation[J].IEEE Signal processing magazine， 2012， 29（5）： 128132.

[13]YANG J S.Travel time prediction using the GPS test vehicle and Kalman filtering techniques[C].American Control Conference，2005：21282133.

責(zé)任編輯（責(zé)任編輯：陳福時(shí)）