辜麗瓊 宋祖康 楊陽(yáng)

摘要：隨著機(jī)動(dòng)車數(shù)量的迅猛增加，城市交通擁堵狀況日益嚴(yán)峻，城市道路擁堵嚴(yán)重影響著居民的日常工作和生活，因此研究道路擁堵程度，以及對(duì)道路擁堵變化進(jìn)行預(yù)測(cè)則顯得尤為重要。為此，構(gòu)建一個(gè)基于擁堵指標(biāo)的MM-SVR模型，在考慮下一時(shí)段可能到達(dá)路段的潛在車流量情況下，對(duì)道路擁堵情況進(jìn)行深入探究。首先，融合速度、區(qū)域內(nèi)交通流量構(gòu)建道路擁堵程度指標(biāo)，然后基于歷史數(shù)據(jù)構(gòu)建將馬爾科夫鏈與支持向量機(jī)預(yù)測(cè)相結(jié)合的MM-SVR模型對(duì)道路擁堵進(jìn)行預(yù)測(cè)，以向前"階狀態(tài)的交通流量和速度作為輸入量，將道路擁堵程度指標(biāo)作為輸出量。在實(shí)例驗(yàn)證中，使用廣州市某片區(qū)的實(shí)時(shí)交通流數(shù)據(jù)對(duì)模型效果進(jìn)行評(píng)測(cè)，并且使用SVR以及Adaboosting模型進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該模型無(wú)論是在擬合優(yōu)度還是預(yù)測(cè)誤差上均優(yōu)于對(duì)比模型，在實(shí)時(shí)反映交通流擁堵情況方面有著良好表現(xiàn)。

關(guān)鍵詞：MM-SVR;時(shí)間序列;交通流;交通擁堵預(yù)測(cè)

DOI：10.11907/rjd k.191224

中圖分類號(hào)：TP301 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2019）012-0061-04

0引言

如今，日益擁堵的交通已經(jīng)嚴(yán)重影響到人們的工作與生活，因此如何改善交通問題，加快城市現(xiàn)代化建設(shè)已成為一個(gè)亟待解決的問題。作為大數(shù)據(jù)時(shí)代解決交通問題的重要手段，智能交通系統(tǒng)開始得到越來(lái)越多人的重視。在智能交通系統(tǒng)中，交通指標(biāo)構(gòu)建以及交通流的描述與預(yù)測(cè)是一個(gè)關(guān)鍵組成部分。如王妍穎等融合速度與車流量指標(biāo)，構(gòu)建北京擁堵指標(biāo)體系，并對(duì)北京交通的真實(shí)情況進(jìn)行指標(biāo)分析;鄭淑鑒等列舉國(guó)內(nèi)外交通擁堵評(píng)價(jià)指標(biāo)計(jì)算方法，系統(tǒng)梳理了交通流指標(biāo)現(xiàn)有研究成果，并對(duì)眾多指標(biāo)進(jìn)行對(duì)比分析，搭建了一個(gè)比較完整的指標(biāo)體系。在交通流預(yù)測(cè)方面的主要研究方向是短時(shí)間交通流預(yù)測(cè)，作為大密度、短間隔的時(shí)間序列，短時(shí)交通流具有非平穩(wěn)與非線性特征。當(dāng)前，對(duì)于交通流的預(yù)測(cè)方法主要有馬爾科夫鏈、ARIMA、灰色系統(tǒng)與元胞自動(dòng)機(jī)等傳統(tǒng)模型，以及基于機(jī)器學(xué)習(xí)的SVM、Adaboosting等模型。其中，梁經(jīng)韻等在經(jīng)典單路段元胞自動(dòng)機(jī)交通流模型基礎(chǔ)上，將多個(gè)路段視為一個(gè)道路系統(tǒng)，發(fā)現(xiàn)擁堵路段與非擁堵路段之間存在明顯界限的現(xiàn)象;唐毅等根據(jù)高速公路車流量數(shù)據(jù)，提出一種改進(jìn)時(shí)間序列模型，克服了傳統(tǒng)時(shí)間序列模型的不足;黃何列等針對(duì)常用聚類算法效果不理想的情況，提出一種新的交通流相似性度量準(zhǔn)則——最大偏差相似性準(zhǔn)則，并通過實(shí)驗(yàn)證明該算法明顯優(yōu)于常用聚類算法;傅貴等利用支持向量機(jī)回歸理論對(duì)廣州市交通流監(jiān)測(cè)系統(tǒng)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果的預(yù)測(cè)誤差小于基于卡爾曼濾波的預(yù)測(cè)方法;王珂等提出一種基于灰色遺傳支持向量機(jī)的短時(shí)交通流預(yù)測(cè)模型，首先運(yùn)用灰色模型對(duì)交通流時(shí)間序列進(jìn)行加工處理，以弱化噪聲影響，之后通過支持向量機(jī)進(jìn)行預(yù)測(cè);康軍等提出一種在線短時(shí)交通流預(yù)測(cè)方法，通過線性運(yùn)算完成Lagrange乘子的更新，將在線LS-SVM模型的更新時(shí)間減少了約62.64%。以上研究證明了SVM模型在交通流預(yù)測(cè)方面的優(yōu)良性能。

綜上，大部分學(xué)者利用車流速度以及當(dāng)前道路車流量研究道路擁堵情況，并取得了一定成果。但是交通流數(shù)據(jù)具有數(shù)量大、密度高且非平穩(wěn)的特征，僅用傳統(tǒng)時(shí)間序列理論進(jìn)行計(jì)算，時(shí)間復(fù)雜度較高，而基于機(jī)器學(xué)習(xí)的擁堵情況預(yù)測(cè)研究，雖然改善了時(shí)間復(fù)雜度，但大都基于交通流這一基本面預(yù)測(cè)交通擁堵情況。在實(shí)際情況中，交通擁堵問題不僅取決于交通流大小，也與道路容納力、車流速度以及每個(gè)時(shí)間段的潛在到達(dá)車流量有著密不可分的關(guān)系。因此，本文綜合考慮區(qū)域內(nèi)車流量與實(shí)時(shí)車流速度構(gòu)建模型預(yù)測(cè)道路擁堵情況，結(jié)合該區(qū)域互聯(lián)網(wǎng)道路評(píng)測(cè)情況，根據(jù)實(shí)時(shí)車流速度、車流量構(gòu)建指標(biāo)，充分考慮未來(lái)時(shí)間段有可能出現(xiàn)在道路中的潛在車流量，建立MM-SVR模型，并對(duì)所構(gòu)建的擁堵指標(biāo)進(jìn)行模型訓(xùn)練，對(duì)下一時(shí)段的擁堵系數(shù)進(jìn)行擬合預(yù)測(cè)，最后根據(jù)廣州市某區(qū)域卡口與電警的真實(shí)數(shù)據(jù)驗(yàn)證模型的有效性。

1模型構(gòu)建

1.1道路擁堵評(píng)價(jià)系數(shù)構(gòu)建

鑒于道路擁堵程度不僅受通過該道路路段的實(shí)時(shí)交通流影響，而且還與該道路車流實(shí)際速度有關(guān)，比如不同道路等級(jí)的公路，在相同車流量的情況下，道路狀況好的公路未出現(xiàn)擁堵，而道路狀況較差的公路可能已處于擁堵狀態(tài)。為了直觀描述道路擁堵程度，本文融合速度與交通流量，對(duì)王妍穎等的研究進(jìn)行改進(jìn)。在王妍穎等的研究中，擁堵系數(shù)指標(biāo)包含速度指標(biāo)與車流量指標(biāo)，其速度指標(biāo)為：

首先構(gòu)建H中的速度指標(biāo)。本文數(shù)據(jù)包括深圳市局部地區(qū)道路的交通卡口監(jiān)測(cè)數(shù)據(jù)、道路實(shí)時(shí)通行速度數(shù)據(jù)以及互聯(lián)網(wǎng)導(dǎo)航平臺(tái)數(shù)據(jù)。在道路路況表中，將該道路對(duì)應(yīng)時(shí)段的行駛速度數(shù)據(jù)作為道路通行速度，對(duì)于某些時(shí)段數(shù)據(jù)的缺失，則用缺失時(shí)段前后5個(gè)滑口數(shù)據(jù)的平均數(shù)作為替代值。

依據(jù)上述數(shù)據(jù)構(gòu)建道路路段速度指標(biāo)，本文使用路段當(dāng)日最大通行速度減去當(dāng)時(shí)實(shí)際通行速度，再除以最大通行速度作為速度指標(biāo)，具體如下：

其中，s表示該道路路段速度指標(biāo)，Vmax表示在監(jiān)測(cè)器上記錄的通過該路段的最大通行速度，Vt表示監(jiān)測(cè)器監(jiān)測(cè)的該路段當(dāng)前車流通行速度。

然后，構(gòu)建路段的交通流量指標(biāo)。利用統(tǒng)計(jì)的一天內(nèi)某區(qū)域卡口的交通流量數(shù)據(jù)構(gòu)建交通流量指標(biāo)，以每2分鐘為時(shí)間段對(duì)區(qū)域段交通流量進(jìn)行統(tǒng)計(jì)。根據(jù)對(duì)區(qū)域交通流量的統(tǒng)計(jì)結(jié)果，以區(qū)域?qū)嶋H交通流量與區(qū)域最大交通流量之比作為流量指標(biāo)，以反映潛在交通流量，具體指標(biāo)如下：

1.2MM-SVR預(yù)測(cè)模型

由于道路擁堵狀況變化過程為狀態(tài)連續(xù)、參數(shù)離散的馬爾科夫過程，因此本文基于歷史數(shù)據(jù)構(gòu)建馬爾科夫鏈預(yù)測(cè)模型。然而，在連續(xù)狀態(tài)的馬爾科夫過程中一步轉(zhuǎn)移概率難以獲得，因此本文引入支持向量回歸機(jī)方法對(duì)連續(xù)狀態(tài)進(jìn)行預(yù)測(cè)，并構(gòu)建具有馬氏鏈預(yù)測(cè)狀態(tài)的MM-SVR模型。

1.2.1道路擁堵馬氏描述

此時(shí)回歸問題轉(zhuǎn)化為線性二分類問題，因此本文將道路周一～周四的擁堵系數(shù)作為訓(xùn)練集，按照時(shí)間順序，以n個(gè)狀態(tài)作為一組輸入變量，將下一狀態(tài)的真實(shí)值作為預(yù)測(cè)標(biāo)簽，進(jìn)行滾動(dòng)訓(xùn)練。

在訓(xùn)練過程中，考慮到數(shù)據(jù)在樣本空間內(nèi)線性不可分，因此引入核函數(shù)與懲罰因子，并使用網(wǎng)格尋優(yōu)法尋找最優(yōu)參數(shù)，其基本原理如下：當(dāng)構(gòu)造的兩類樣本D⁺、D^-線性不可分時(shí)，通過對(duì)硬間隔的軟化以及引入罰參數(shù)，同樣可以考慮在高維空間構(gòu)造超曲面，以達(dá)到回歸目的。

在上述模型基礎(chǔ)上，根據(jù)所給道路的當(dāng)前交通流狀態(tài)，對(duì)新增車輛進(jìn)行通行擁堵預(yù)測(cè)，即測(cè)算當(dāng)通行車輛數(shù)量增加時(shí)，各路段擁堵程度所受影響。

1.2.3模型檢驗(yàn)

均方誤差（Mean Squared Error，MSE）是衡量“平均誤差”一種較方便的方法，可以評(píng)價(jià)數(shù)據(jù)變化程度，越趨向于0說明預(yù)測(cè)精度越好。平方相關(guān)系數(shù)（squared CorrelationCoefficient，SCC）是用于反映變量之間相關(guān)關(guān)系密切程度的統(tǒng)計(jì)指標(biāo)。兩種指標(biāo)計(jì)算公式如下：

2實(shí)證分析

本文數(shù)據(jù)包含深圳市局部地區(qū)道路的交通卡口監(jiān)測(cè)數(shù)據(jù)與互聯(lián)網(wǎng)導(dǎo)航平臺(tái)數(shù)據(jù)，具體如下：

（1）該區(qū)域內(nèi)10個(gè)卡口所在位置信息（包括檢測(cè)點(diǎn)名稱、方向、所屬道路），以及2018年3月25日～31日卡口的過車記錄數(shù)據(jù)。數(shù)據(jù)包括通過該卡口的車輛車牌號(hào)碼（車牌號(hào)已作脫敏處理）、車牌顏色、時(shí)間、車道ID。

（2）浮動(dòng)車軌跡數(shù)據(jù)。采集2018年3月25日～31日（7天）途經(jīng)研究片區(qū)內(nèi)的所有深圳市出租車、公交、“兩客一?！避囕v、泥頭車、重型半掛車、教練車的車輛GPS軌跡數(shù)據(jù)。該數(shù)據(jù)包含定位時(shí)間、車牌（已作脫敏處理，與卡口數(shù)據(jù)不關(guān)聯(lián)）、經(jīng)度、緯度、行駛記錄速度、衛(wèi)星速度。

（3）道路ID屬性表。提供了道路ID、道路等級(jí)與道路形狀坐標(biāo)。

為驗(yàn)證該預(yù)測(cè)模型的有效性，對(duì)福龍路橫龍山路段數(shù)據(jù)進(jìn)行整理。以2分鐘作為時(shí)間間隔，統(tǒng)計(jì)整理該路段2018年3月25日～31日內(nèi)道路交通流的車流量和速度，并根據(jù)上文提出的道路指標(biāo)計(jì)算方法對(duì)相關(guān)數(shù)據(jù)進(jìn)行處理，選取工作日（3月27日）與周日（3月25日）進(jìn)行道路擁堵系數(shù)預(yù)測(cè)如圖1、圖2所示。

從圖中可以看出，3月27日從8：00開始擁堵指數(shù)上升，直到2l：00左右才開始下降，且在9：00～10：00，18：00～19：30達(dá)到日內(nèi)峰值，而3月27日的擁堵指數(shù)則在白天全天都保持很高的值，這與工作日的早晚高峰以及周末的出游高峰相對(duì)應(yīng)，表明本文構(gòu)建指標(biāo)能夠很好地反映道路實(shí)際擁堵狀況。

將獲得的道路狀態(tài)變量作為基于SVR的預(yù)測(cè)模型訓(xùn)練樣本集，并使用訓(xùn)練所得模型預(yù)測(cè)當(dāng)天接下來(lái)的道路狀態(tài)及其趨勢(shì)。訓(xùn)練集分別使用3月26日～3月29日共2716個(gè)狀態(tài)指標(biāo)，測(cè)試集時(shí)間段為3月30日。

從表1中可以發(fā)現(xiàn)，在以上兩個(gè)檢驗(yàn)指標(biāo)中，選擇四階MM-SVR模型時(shí)，其MSE與R方系數(shù)均為最佳，因此選用四階MM-SVR模型。

圖3為3月30日全天的預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù)圖，通過圖像對(duì)比發(fā)現(xiàn)，文中模型的預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)吻合良好，能夠準(zhǔn)確預(yù)測(cè)道路狀態(tài)趨勢(shì)。

預(yù)測(cè)的交通流絕對(duì)誤差如圖4所示，絕對(duì)誤差量為真實(shí)數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)之差。從圖4中可知預(yù)測(cè)的整體誤差較小，93%的誤差都在[-0.05，0.05]之間，只出現(xiàn)了某些相對(duì)較大的誤差，使用Adaboosting、SVR模型對(duì)相同數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)精度比較如表2所示。

由表2可以看出，無(wú)論是在擬合系數(shù)還是預(yù)測(cè)誤差上，本文模型均優(yōu)于單獨(dú)使用的其它機(jī)器學(xué)習(xí)模型。

3結(jié)語(yǔ)

本文使用馬爾科夫鏈與支持向量機(jī)相結(jié)合的MM-SVR模型，構(gòu)建一個(gè)針對(duì)道路擁堵情況評(píng)價(jià)的預(yù)測(cè)模型，即通過構(gòu)建交通擁堵系數(shù)指標(biāo)，根據(jù)已有歷史數(shù)據(jù)，對(duì)某段時(shí)間的交通擁堵情況進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)證明該模型可以實(shí)時(shí)反映出當(dāng)前道路的交通擁堵情況，并可根據(jù)預(yù)計(jì)新增車輛數(shù)量給出較為精準(zhǔn)的擁堵情況預(yù)測(cè)，從而為交通部門實(shí)時(shí)監(jiān)控交通狀況，并實(shí)施及時(shí)的交通管制措施提供參考。

本文在實(shí)例驗(yàn)證中使用其它機(jī)器學(xué)習(xí)算法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果證明，本文模型在無(wú)論在擬合程度還是預(yù)測(cè)誤差上，均優(yōu)于其它單獨(dú)使用的機(jī)器學(xué)習(xí)算法。當(dāng)然，本文也有許多不足，例如本文假設(shè)車牌類型相同的車輛車型也相同，而在實(shí)際生活中，不同車型也會(huì)對(duì)道路擁堵情況造成影響，這些有待今后進(jìn)一步研究。