王雪菲 丁維龍

摘 要：針對高速公路傳統(tǒng)的短時交通流預測方法適用數(shù)據(jù)規(guī)模小、全網(wǎng)預測效率較低、數(shù)據(jù)的時空關(guān)系被忽視等問題，提出一種結(jié)合了K近鄰（KNN）模型且面向高速大數(shù)據(jù)的短時交通流預測方法。首先，對模型的K值和距離度量進行調(diào)優(yōu)，利用交叉驗證進行模型參數(shù)的對比實驗;然后，考慮數(shù)據(jù)內(nèi)在的業(yè)務時空關(guān)聯(lián)，建模基于時空特性的特征向量;最后，在大數(shù)據(jù)環(huán)境下建立回歸預測模型，以最優(yōu)參數(shù)的模型實現(xiàn)預測。實驗結(jié)果表明，與傳統(tǒng)時間序列模型相比，所提方法一次可預測出全站點的流量，單次運行速度快，效率提高了77%，平均絕對百分比誤差（MAPE）和絕對百分比誤差中位數(shù)（MDAPE）均有明顯減低，且具有良好的水平擴展性。

關(guān)鍵詞：交通流量;短時預測;K近鄰;時空數(shù)據(jù);大數(shù)據(jù)

中圖分類號： TP319

文獻標志碼：A

Abstract： Aiming at the problems that traditional short-time traffic flow prediction method in highway domain is suitable for small scale data， which limits the efficiency on massive data， and the spatio-temporal relationship of data is neglected， a short-term traffic flow prediction method for big data with combining K-Nearest Neighbors （KNN） in highway domain was proposed. Firstly， the K value and distance metric of model were tuned， and the model parameters were compared by using cross validation. Secondly， considering inherent spatio-temporal association of data， feature vectors based on spatio-temporal characteristics were modeled. Finally， a regression prediction model was established under big data environment， and the prediction was realized with the model of optimal parameters. The experimental results show that compared with traditional time series model， the proposed model works on all toll stations at one time， has high speed of single running and improves the efficiency by 77%. The method significantly reduces Mean Absolute Percentage Error （MAPE） and Median Absolute Percentage Error （MDAPE） and it also has good horizontal expansibility.

Key words： traffic flow; short-term forecasting; K Nearest Neighbors （KNN）; spatio-temporal data; big data

0 引言

近年來，隨著我國經(jīng)濟穩(wěn)定的發(fā)展和高速公路路網(wǎng)建設(shè)日漸完善，高速路網(wǎng)的交通流量不斷增長，人們的交通需求也逐漸增加，給路網(wǎng)的通行能力帶來一定挑戰(zhàn)。路網(wǎng)中交通擁堵問題帶來一些社會問題，不僅增大了處理交通擁堵的花銷，還給我國經(jīng)濟帶來了一定損失，因此減少交通擁堵是我國需要解決的重大社會問題之一。對交通狀況的控制和交通流誘導是智能交通系統(tǒng)（Intelligent Transport System， ITS）的核心研究問題，其關(guān)鍵在于短時交通流量預測，使之利用交通管控在路網(wǎng)中分散交通流，緩解交通擁堵狀況，給出行者提供交通誘導信息。交通流根據(jù)預測周期可分為兩類：短時預測（short-term Forecasting）和中長時預測（mid-long-term Forecasting）[1]。其中短時交通流預測指以5～30min時間跨度上的時間間隔，運用當前交通流數(shù)據(jù)信息去預測下一個5min至30min內(nèi)的交通流量，本文以時間間隔取5min為例討論短時交通流量的預測。

高速公路大數(shù)據(jù)由靜態(tài)數(shù)據(jù)和動態(tài)數(shù)據(jù)組成，靜態(tài)數(shù)據(jù)包含高速公路收費站位置信息、路段信息、分中心信息等;動態(tài)數(shù)據(jù)包含收費站過車信息、事故信息、道路養(yǎng)護信息、氣象信息等。這些數(shù)據(jù)具有以下特征：1）復雜性。高速公路的交通狀況逐漸復雜，采集到的相關(guān)數(shù)據(jù)多種多樣。2）海量性。路網(wǎng)數(shù)據(jù)動態(tài)增加形成海量的高速公路大數(shù)據(jù)。3）實時性。高速公路過車數(shù)據(jù)是實時接收、秒級更新的。4）動態(tài)性。高速公路數(shù)據(jù)不但包含一些靜態(tài)信息，還包括動態(tài)信息。高速公路數(shù)據(jù)不僅具備空間性質(zhì)，還具有時間性質(zhì)[2]。現(xiàn)有的高速公路交通流量預測大多是利用微波車檢器測出的數(shù)據(jù)進行單站點的交通流量預測，使用高速公路收費站出入口測試到的過車數(shù)據(jù)進行交通流量預測的研究較少。高速收費站過車數(shù)據(jù)目前主要應用于收費統(tǒng)計和交通流量統(tǒng)計，其價值沒有被充分挖掘。

利用高速公路大數(shù)據(jù)對高速公路收費站交通流量進行短時預測存在以下3個難點：