趙琨++李啟明++史曉霞

摘 要：根據(jù)現(xiàn)有的交通擁擠度辨別方法以及公路的等級，設(shè)計不同交通狀況下的速度標(biāo)準(zhǔn)；建立相應(yīng)的路徑優(yōu)化方法，建立時間序列模型，對采集到的道路行車速度進(jìn)行速度的預(yù)測，并設(shè)計以最快路徑為最優(yōu)路徑的路徑優(yōu)化方法，將交通流量中的速度預(yù)測應(yīng)用到其中，之后根據(jù)相應(yīng)的方法應(yīng)用到實際案例中，證明方法的可行性。

關(guān)鍵詞：交通流量；預(yù)測；路徑網(wǎng)絡(luò)；最優(yōu)路徑

中圖分類號：TB 文獻(xiàn)標(biāo)識碼：A doi：10.19311/j.cnki.16723198.2018.05.091

1 引言

在某一時間t到下一決策時間t+1乃至以后若干時刻的交通流做出實時預(yù)測叫作交通流預(yù)測。短時交通流預(yù)測是t到t+1之間的預(yù)測時間跨度不超過15min（乃至小于5min）的交通流預(yù)測。交通流預(yù)測既是智能交通系統(tǒng)實現(xiàn)的理論基礎(chǔ)，又是實時控制與誘導(dǎo)交通的前提。

Nicholson H.等（1974）提出用譜分析模型預(yù)測交通流量。hmed S.A.和Cock A.R.（1974）探討了時間序列技術(shù)在交通量預(yù)測中的應(yīng)用，提出了時間序列預(yù)測交通流量的觀點。同年Cock A.R嘗試?yán)肂ox-Jenkins技術(shù)對高速公路的交通流量進(jìn)行預(yù)測。Nihan N.L.和Holmesland K.O.（1980）在已知某路段4年的交通量數(shù)據(jù)的條件下再次應(yīng)用Box.Jenkins技術(shù)進(jìn)行預(yù)測，獲得了比較好的預(yù)測效果。Davis G.A（1990）使用可調(diào)預(yù)測系統(tǒng)預(yù)測高速公路的交通量進(jìn)行了研究，它被用來確定是否是純粹的交通擁堵，它被應(yīng)用到實時預(yù)測和數(shù)據(jù)收集的城市交通網(wǎng)絡(luò)。另外，P.C.Vythockas（1993）也建立了基于卡爾曼濾波技術(shù)的交通流預(yù)測模型，預(yù)測效果較好。TheieryDochy（1994）等人在建立了結(jié)果令人滿意的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，預(yù)測的時間間隔為1小時。Maschavan Der Voort （1996）將神經(jīng)網(wǎng)絡(luò)與ARIMA時間序列模型結(jié)合，使ARIMA模型更具有實用性，之后，提出用用模擬的數(shù)據(jù)驗證該算法可行性，通過建立神經(jīng)網(wǎng)絡(luò)單個路段的交通流量的模型，并結(jié)合整個路徑網(wǎng)絡(luò)的交通流量預(yù)測模型，對交通流量數(shù)據(jù)進(jìn)行了具體的驗證。

H.Kirby，M.Dougherty，S.Watson（1997）通過動態(tài)時間序列的方法研究交通流的變化規(guī)律，建立神經(jīng)網(wǎng)絡(luò)模型研究高速公路短時交通流量預(yù)測。同年，王明梭（1997）提出城市主干道交通流的卡爾曼濾波動態(tài)預(yù)測方法研究。英國學(xué)者H.Chen，S.Clark等（1998）發(fā)現(xiàn)運用Hermite多項式和隨機噪聲理論能較好的描述交通流狀態(tài)，神經(jīng)網(wǎng)絡(luò)模型用于交通流預(yù)測擁有很好的前景得到了進(jìn)一步驗證。賀國光（2000）提出一種改進(jìn)的自適應(yīng)權(quán)重模型，此方法是一種將有模型算法和無模型算法結(jié)合起來的新思路，為設(shè)計出能適應(yīng)預(yù)測步長小于5 分鐘的高精度預(yù)測模型提供了一個新的解決方案。

2 交通流預(yù)測模型

2.1 交通流預(yù)測的應(yīng)用方法

第一，根據(jù)路徑網(wǎng)絡(luò)通過鄰接矩陣的調(diào)用，求得最短的三條路徑。

第二，采集交通擁擠度的參數(shù)或是車輛行駛速度，得出相應(yīng)的道路平均運行速度。

第三，根據(jù)時間序列模型進(jìn)行速度的預(yù)測，得出相應(yīng)路徑的預(yù)測的速度。

第四，根據(jù)時間公式計算出通過每條路徑的基本路徑。

2.2 時間序列模型的建立

建立時間序列模型，構(gòu)建出的適合于交通流預(yù)測的模型，應(yīng)用指數(shù)平滑、自回歸法等時間序列方法預(yù)測交通流數(shù)據(jù)。首先，將得到的道路數(shù)據(jù)導(dǎo)入到時間序列模型中，之后，對模型進(jìn)行參數(shù)的設(shè)置，設(shè)置適應(yīng)的時間序列變化類型，要設(shè)置要輸出的參數(shù)、預(yù)測的起始時間、終止時間以及預(yù)測未來的年限，最后，運行模型，并記錄好預(yù)測到的數(shù)據(jù)。

由于采集的數(shù)據(jù)是以時間變化的時間序列模型，是連續(xù)3天每隔15分鐘采集的一次數(shù)據(jù)，因此，在模型中設(shè)置的時間周期為“15min”，開始時間為數(shù)據(jù)的第一條信息，并預(yù)測未來的十個時間段的數(shù)據(jù)，最后，采用時間序列中的指數(shù)平滑模型，進(jìn)行預(yù)測。

3 交通流預(yù)測的應(yīng)用

3.1 案例描述

某物流企業(yè)想要從石景山路出發(fā)進(jìn)行配送作業(yè)，將貨物配送到達(dá)首都機場2號航站樓，兩個節(jié)點之間有相應(yīng)的20個物流節(jié)點，多條路徑，為了能夠在距離較短以及時間最短的情況下，進(jìn)行交通數(shù)據(jù)的預(yù)測，分析如何選取合適的路徑進(jìn)行行駛，從而對路徑進(jìn)行優(yōu)化處理。

3.2 路徑的選擇

由于出行的路徑十分復(fù)雜，而且其中擁有若干個節(jié)點，人工計算最短路徑十分困難，因此，將存在路徑轉(zhuǎn)化為路徑圖的形式，將路徑網(wǎng)絡(luò)中的相應(yīng)路段轉(zhuǎn)化為相應(yīng)的20個節(jié)點，在MATLAB中調(diào)用路徑網(wǎng)絡(luò)的鄰接矩陣，之后在MATLAB中運用相應(yīng)的最短路徑算法minRoute得出最后的最短路徑，輸出最短路徑，然后，根據(jù)輸出的結(jié)果補充兩條較短路路徑，以便最后路徑優(yōu)化。

首先將路徑問題簡化為數(shù)學(xué)問題，通過動態(tài)規(guī)劃的方法來進(jìn)行路徑的計算，將配送網(wǎng)絡(luò)示意圖轉(zhuǎn)化為路徑規(guī)劃中的路徑圖，將圖中經(jīng)過的物流節(jié)點用阿拉伯?dāng)?shù)字表示，其中起點為1，終點為20，各個節(jié)點之中的距離，構(gòu)成如下20*20鄰接矩陣w，其對角線元素均等于零，除了以下標(biāo)明的元素具體值以外，剩下其余元素均為無窮大，表示該兩個結(jié)點之間沒有道路相通。然后對得出的20×20的鄰接矩陣進(jìn)行路徑的計算通過i=1；[s，d]=minroute（i，20，ww）；求出最短路徑，輸出的結(jié)果見表1、表2。

對應(yīng)的結(jié)果為最短路徑為1-2-6-9-10-12-15-18-20，總長度為70350。根據(jù)得出的矩陣以及對應(yīng)的動態(tài)規(guī)劃圖可知，路徑的路徑圖可以看出，次優(yōu)路徑應(yīng)為1-2-6-7-8-13-16-19，19經(jīng)過18以及20到達(dá)目的地，總長度為75540。

同理可以看出路徑再優(yōu)路徑為1-2-5-11-14-17-18-20，總長度為77050。endprint

3.3 路徑中車輛平均速度的預(yù)測

之后，通過交通流數(shù)據(jù)的預(yù)測，得出各個路段車輛預(yù)計的行駛速度，同時，根據(jù)之已經(jīng)得出的各個路段的距離，根據(jù)時間=路程/速度，估算出車輛通過各個路段所用的時間，得出的最終的部分結(jié)果見表3。

根據(jù)以上的預(yù)測結(jié)果可以求出從這三條路徑進(jìn)行配送所需要的大概的時間，這四條路徑所需的時間分別為，最短路徑69.2分鐘，次短路徑84.8分鐘，再短路徑89.4分鐘。因此，在配送過程中，選擇最短路徑進(jìn)行配送，也就是案例的最短路徑。將最優(yōu)路徑還原到實際問題中，最優(yōu)路徑為從石景山路出發(fā)，經(jīng)過復(fù)興路，進(jìn)入三環(huán)路，在北三環(huán)東路與京承高速的交界處進(jìn)入京承高速，之后進(jìn)入京平高速，最后進(jìn)入首都機場高速，最終到達(dá)首都機場2號航站樓。

3.4 路徑的二次優(yōu)化

由于交通具有很大的不確定性，交通事故、天氣變化等都會影響到道路的暢通程度，因此，對道路進(jìn)行實時的監(jiān)控進(jìn)行數(shù)據(jù)的采集，從而進(jìn)行路徑的優(yōu)化，保證在駕駛過程中，一直在最優(yōu)路徑上行駛。

在最優(yōu)路徑行駛大約50分鐘后，汽車即將進(jìn)入京承高速，通過對道路交通數(shù)據(jù)的采集和路徑的監(jiān)控發(fā)現(xiàn)，京承高速發(fā)生了交通事故，產(chǎn)生了一定程度上的擁堵，因此，要對未經(jīng)過的路徑進(jìn)行重新進(jìn)行預(yù)測，從而做出正確的判斷，達(dá)到優(yōu)化路徑的目的。方法類似，此處不贅述。

根據(jù)新的預(yù)測結(jié)果可以求出從這三條路徑進(jìn)行配送所需要的大概的時間，這四條路徑所需的時間分別為，最短路徑17.6分鐘，次短路徑18.26分鐘，再短路徑23.4分鐘。由此可以看出在路徑變化后可以選用最短路徑，用時17.6分鐘，具體的路徑是由京承高速出發(fā)，經(jīng)由東四環(huán)進(jìn)入首都機場速，最后到達(dá)首都機場2號航站樓。

通過對采取的信息的兩次預(yù)測，經(jīng)過一次路徑的變換，共用時67.6分鐘，減少了車輛在運行過程中遇到交通擁堵的麻煩，減少了所用的時間。

4 結(jié)論

通過對短時交通流的簡要研究，分析交通流短時預(yù)測的理論以及方法，在原有的基礎(chǔ)上，建立了新的交通擁擠度的標(biāo)準(zhǔn)，將交通擁擠度問題轉(zhuǎn)化為路徑的時間問題，同時應(yīng)用已有的數(shù)據(jù)和方法，用一種新的思路對交通流進(jìn)行分析，通過道路擁擠度和路徑長短兩個交通中的參數(shù)，對網(wǎng)絡(luò)配送路徑進(jìn)行分析，得出較優(yōu)的路徑，對交通提供提前的預(yù)測，對優(yōu)化交通、緩解交通擁堵起到很大的幫助作用，同時，由于是提前5-15min的短時預(yù)測，因此，在道路上的車輛可以不斷地進(jìn)行預(yù)測，通過實時的預(yù)測信息，對自己的前進(jìn)路徑進(jìn)行合理的選擇，盡可能減少以至避免交通變化的突然性造成的不便，另外，通過對路徑的短時預(yù)測，不斷的提供推薦的路徑信息，可以靈活的變換路徑，最終，達(dá)到車輛行駛的暢通無阻，達(dá)到選擇最快的路徑的目的。

參考文獻(xiàn)

[1]Nicholson H.和Swann C.D.The prediction of traffic flow volumes based on spectral analysis[J].Transportation Research， 1974， 8（6）：pp533538.

[2]Ahmed S.A 和Cock A.R. Analysis of highway traffic flow based on time series[J]. Logistics Research： 201105， Volume 3， Issue 2-3 ， pp 121132.

[3]Nihan N.L.和Holmesland K.O. Use of the Box and Jenkins time series technique in traffic forecasting[J]，Transportation，1980，9（2）：125143.

[4]Davis G.A， Comparison of parametric and nonparametric modles for traffic flow forecasting[J].Transportation research： Emerging technologies，1990，21（1），pp 2327.

[5]P.C.Vythockas， Short term forecasting of traffic conditions： a working paper on methodology[J]. Traffic flow，1993， pp5360.

[6]TheieryDochy， Short term traffic forecasting by neural networks[J].Transports - Securite （French）， 1994， pp 235246.

[7]Maschavan Der Voort， Dougherly M & Watson， S.C.CombiningKohonen maps with ARIMA time series： models to forecast traffic flow[J].Transportation Research，1996，4（5）：pp 307310.

[8]H.Kirby，M.Dougherty，S.Watson，Should we use neural networks or statistical models for short-term motorway traffic forecasting[J].International Journal of Forecasting， 1997， 13（96）：pp 4350.

[9]王明梭.城市主干道交通流的卡爾曼濾波動態(tài)預(yù)測方法研究[D].長沙：長沙理工大學(xué)，1997.

[10]H.Chen，S.Clark，M.S.Dougehrty， S.M.Grant.Muller，Traffic flow prediction based on Calman filter and neural network model[J].Traffic flow， 76， Issue 5-8， pp 91110.

[11]賀國光，李宇，馬壽峰.基于數(shù)學(xué)模型的短時交通流及其管控研究[J].系統(tǒng)工程理論與實踐，2000.endprint