楊慧慧

摘 要：隨著社會經(jīng)濟和交通事業(yè)的飛速發(fā)展，道路交通問題逐漸受到社會的關注，人們的出行安全及出行效率會受到道路交通問題的影響。通過組建智能交通系統(tǒng)（ITS）來緩解交通壓力是眾多專家學者多年來所研究的主要問題。本文首先分析短時交通流預測方法研究的必要性，然后探討城市道路短時交通流預測方法。

關鍵詞：城市道路;短時交通流;預測方法

中圖分類號：U491.14;TP18文獻標識碼：A 文章編號：1003-5168（2018）26-0120-02

隨著經(jīng)濟的飛速發(fā)展和城市化進程的加快，我國道路交通量及機動車保有量急劇增加，交通基礎設施由于交通需求量的不斷增長而產(chǎn)生了巨大壓力。此外，機動車增長的速度過快，導致交通設施建設很難跟上其增長的步伐，這就造成各大城市道路交通擁堵的問題越來越嚴重，對環(huán)境和社會經(jīng)濟的發(fā)展都造成了極大影響。為此，本文就城市道路短時交通流的預測方法進行研究，通過組建智能交通系統(tǒng)（ITS）以緩解城市交通擁堵問題。

1 短時交通流預測方法研究的必要性

交通智能系統(tǒng)是將各種技術有效集中在一起，比如，先進的信息技術、計算機技術、控制技術及數(shù)據(jù)通信技術等。在地面交通管理系統(tǒng)中，智能交通系統(tǒng)發(fā)揮著重要作用。實時、準確及高效是智能交通系統(tǒng)的特點，其是一個綜合性的交通運輸管理系統(tǒng)。交通設施可以利用交通智能系統(tǒng)來提高交通效率和安全性，最終使交通運輸管理及服務都變得更加智能化，并實現(xiàn)交通運輸?shù)募s式發(fā)展。

1.1 ATMS是短時交通流預測理論高效運行的基礎和依據(jù)

ATMS是智能交通系統(tǒng)中最基礎的一個組成部分，其通過計算機處理、電子控制和信息采集等各種先進的技術，把在交通網(wǎng)絡中采集到的相關有效信息傳輸?shù)浇煌ㄖ笓]中心。交通指揮中心對接收到的信息進行處理和分析，并利用交通控制方案進行優(yōu)化。交通服務信息和綜合交通管理方案等內容經(jīng)過處理、分析及優(yōu)化后，通過數(shù)據(jù)通信傳輸設備分別傳輸?shù)礁鞣N交通控制設備及交通系統(tǒng)的各類用戶，以實現(xiàn)對城市交通的全方位優(yōu)化管理與控制，為各類用戶提供全面的交通信息服務。將交通管理和車輛運行兩者有效結合起來，極力避免發(fā)生交通事故及交通擁堵的情況，解決人們出行時間延誤的問題，有效提高道路交通的運行效率和安全性。

1.2 先進的ATIS是短時交通流預測理論高效運行的基礎和依據(jù)

先進的旅行者信息系統(tǒng)（ATIS）作為智能運輸系統(tǒng)（ITS）的核心部分，通過向出行者及時地提供出行信息，包括終點選擇、方式分擔和路徑選擇信息，誘導出行者選擇效用最大的終點、方式和路徑出行，以充分利用現(xiàn)有的道路網(wǎng)絡資源，有效緩解交通擁堵。

此外，ATIS還能通過實時有效的交通流預測來實現(xiàn)交通誘導。交通流誘導系統(tǒng)是通過實時地采集和發(fā)送交通信息，適時地引導交通流量合理分布，從而達到高效率利用道路網(wǎng)絡的一種主動交通控制方式。通過交通流誘導，道路管理者能及時了解相關決策依據(jù)，同時出行者也能通過網(wǎng)絡了解需要的交通信息，選擇良好的出行路線，避免遇上交通擁堵的狀況。

2 城市道路短時交通流預測方法

2.1 時間序列預測方法

時間序列模型是描述時間序列統(tǒng)計特性的一種常用方法，其是參數(shù)化模型處理動態(tài)隨機數(shù)據(jù)的一種實用方法。其主要分為兩種，一是非線性平穩(wěn)模型，二是線性平穩(wěn)模型。其中，非線性平穩(wěn)模型主要包括IMA模型和自回歸求和滑動平均模型（ARIMA）;線性平穩(wěn)模型主要包括滑動平均模型（MA）、自回歸滑動平均混合模型（ARMA）和自回歸模型（AR）。

在估計參數(shù)的過程中，自回歸求和滑動平均模型必須依賴大量的不間斷的時間序列，但數(shù)據(jù)遺漏是模型在實際的情況中不可避免的。根據(jù)檢測的實際情況來看，15min一次是自回歸求和滑動平均模型的預測時間間隔，只比歷史平均法（HA）稍微好一點，預測效果如果小于15min是否會更好，這需要我們進一步進行探究。此外，自回歸求和滑動平均模型特別適用于穩(wěn)定的交通流，但在預測不穩(wěn)定的交通流時會由于數(shù)據(jù)量的變大而暴露出不足。

2.2 卡爾曼濾波模型

卡爾曼濾波法是現(xiàn)代控制理論中的一種重要方法。1984年，Okutani和Stephanedes提出了用于交通流預測的卡爾曼濾波模型[1]?？柭鼮V波法是針對線性回歸分析模型的一種矩陣迭代式的參數(shù)估計方法，具有預測因子選擇靈活、實時性較強、精度較高的優(yōu)點，因此，便于在計算機上實現(xiàn)在線分析。但是，這種方法是線性模型，隨著預測時間的縮短，交通流的不確定性及非線性也會隨之加強，這樣預測出來的結果往往會不盡如人意。但是，交通流也并非全是不穩(wěn)定的、非線性的，因此，卡爾曼濾波法的使用還是有必要的，在交通流狀態(tài)平穩(wěn)時是非常值得參考借鑒的方法。

2.3 神經(jīng)網(wǎng)絡模型

近20年來，人工神經(jīng)網(wǎng)絡受到了廣泛關注，其是計算智能和機器學習研究中最活躍的一個分支?；谏窠?jīng)網(wǎng)絡模型的預測原理為：用一部分數(shù)據(jù)訓練模型，即確定網(wǎng)絡結構，網(wǎng)絡結構確定以后，用剩余部分數(shù)據(jù)進行預測[2]。

識別復雜的非線性系統(tǒng)是神經(jīng)網(wǎng)絡所具備的特性，交通流的預測較為適用于這種方法。當環(huán)境發(fā)生極大變化或者是受到干擾時，神經(jīng)網(wǎng)絡都能很好地應對。此外，其可以隨時根據(jù)實時信息進行改變，保證預測的實時性。同時，其還能考慮天氣情況、過街行人的干擾程度等影響交通流的因素，也可以充分利用相關路段的歷史數(shù)據(jù)和研究路段的歷史數(shù)據(jù)進行預測。

神經(jīng)網(wǎng)絡在短期交通流的預測中也存在著一些不足和局限性?！昂谙涫健笔巧窠?jīng)網(wǎng)絡的主要學習模式，正是由于這個模式導致其訓練過程中需要大量的原始數(shù)據(jù)。神經(jīng)網(wǎng)絡的學習算法采用經(jīng)驗風險最小化原理，僅僅試圖使經(jīng)驗風險最小化，并沒有使期望風險最小化，與傳統(tǒng)的最小二乘法相比，在原理上缺乏實質性的突破，同時也缺乏理論依據(jù)。神經(jīng)網(wǎng)絡模型的訓練過程只能通過調整神經(jīng)元的權值進行數(shù)據(jù)處理，即只有神經(jīng)元外部的處理能力，這種不足導致這類網(wǎng)絡存在局部極小、收斂速度慢、推廣能力差等缺陷[3]。

3 結語

城市道路短時交通流預測對緩解城市交通擁堵問題發(fā)揮著至關重要的作用。短時交通流預測的實時性和準確性確保了我國城市道路通暢，為有效解決城市交通問題提供了技術支持，從而促進我國交通事業(yè)平穩(wěn)發(fā)展。

參考文獻：

[1]陳明猜，於東軍，戚湧.基于FOA-RBF網(wǎng)絡的城市道路短時交通流預測[J].南京郵電大學學報（自然科學版），2018（2）：103-110.

[2]雷斌，溫樂，耿浩，等.基于加權組合模型的短時交通流預測研究[J].測控技術，2018（5）：37-41.

[3]梅朵，鄭黎黎，劉春曉，等.基于混合算法優(yōu)化SVM的短時交通流預測[J].計算機技術與發(fā)展，2017（11）：92-95.