韓 直，徐沖聰，韓嵩喬

(1.重慶交通大學(xué)交通運(yùn)輸學(xué)院，重慶400041；2.招商局重慶交通科研設(shè)計(jì)院，重慶400041；3.東北師范大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，長春130024)

0 引 言

交通擁堵是一種普遍存在的實(shí)際問題，通過路徑誘導(dǎo)解決道路擁堵一直是交通行業(yè)的熱點(diǎn)方向，就目前路徑誘導(dǎo)策略方向來看，分為反應(yīng)型和預(yù)測(cè)型兩種.反應(yīng)型[1-4]是指利用現(xiàn)有道路交通設(shè)施采集到的實(shí)時(shí)動(dòng)態(tài)信息，計(jì)算出最短路徑，是基于當(dāng)前擁堵事件作出反應(yīng)，為出行者提供該環(huán)境下最短路徑，所以無法做到防止或減緩擁堵.預(yù)測(cè)型[5-8]是指利用當(dāng)前交通信息構(gòu)建出預(yù)測(cè)模型來預(yù)測(cè)未來一段時(shí)間交通狀態(tài)，期望在擁堵事件發(fā)生前提前采取相應(yīng)措施，提高誘導(dǎo)服務(wù)質(zhì)量.相較于反應(yīng)型誘導(dǎo)，預(yù)測(cè)型誘導(dǎo)策略能夠更加準(zhǔn)確地反應(yīng)出路網(wǎng)的時(shí)空變化，且在面臨突發(fā)事故導(dǎo)致的道路擁堵時(shí)，預(yù)測(cè)型策略的誘導(dǎo)效果也較為滿意.在誘導(dǎo)點(diǎn)選取方面，通常以出行起點(diǎn)作為誘導(dǎo)起點(diǎn)，而實(shí)際遇到原行駛路線發(fā)生擁堵而需進(jìn)行路徑誘導(dǎo)時(shí)，出行者為了加強(qiáng)對(duì)誘導(dǎo)信息的信任度，通常傾向于事件點(diǎn)前幾個(gè)交叉口轉(zhuǎn)換行駛路線[9]，這導(dǎo)致傳統(tǒng)誘導(dǎo)方法預(yù)期結(jié)果與實(shí)際誘導(dǎo)結(jié)果存在一定差異.

基于以上不足，本文以預(yù)測(cè)型誘導(dǎo)策略為導(dǎo)向，利用實(shí)時(shí)交通數(shù)據(jù)預(yù)測(cè)未來交通狀態(tài)，并在同時(shí)考慮時(shí)間與空間邊界約束的基礎(chǔ)之上建立廣域誘導(dǎo)模型.時(shí)間邊界條件考慮誘導(dǎo)周期長度對(duì)車輛離散時(shí)間和出行總時(shí)間的約束，空間邊界條件根據(jù)分級(jí)誘導(dǎo)概念，在誘導(dǎo)空間內(nèi)節(jié)點(diǎn)進(jìn)行分級(jí)處理，針對(duì)不同級(jí)數(shù)的誘導(dǎo)節(jié)點(diǎn)發(fā)布對(duì)應(yīng)的誘導(dǎo)內(nèi)容.隨后構(gòu)建相對(duì)成本效用函數(shù)，對(duì)預(yù)控節(jié)點(diǎn)進(jìn)行優(yōu)先級(jí)評(píng)價(jià)，利用基于路徑尺度的改進(jìn)Logit 路徑選擇模型對(duì)誘導(dǎo)路徑進(jìn)行評(píng)估和篩選，最后通過動(dòng)態(tài)流量加載的方式實(shí)現(xiàn)有效的廣域動(dòng)態(tài)交通路徑誘導(dǎo).

1 擁堵事件識(shí)別及預(yù)測(cè)

1.1 路網(wǎng)建模

建立一個(gè)包括節(jié)點(diǎn)集合N和路段集合A所構(gòu)成的路網(wǎng)集合M(N,A)，以及路網(wǎng)監(jiān)管時(shí)段集合T；節(jié)點(diǎn)i∈N，aij表示節(jié)點(diǎn)i至節(jié)點(diǎn)j有向路段，aij∈A.

1.2 短時(shí)交通量預(yù)測(cè)

短時(shí)交通量預(yù)測(cè)是實(shí)現(xiàn)廣域誘導(dǎo)的前提，傳統(tǒng)統(tǒng)計(jì)理論模型往往在短時(shí)預(yù)測(cè)中預(yù)測(cè)精度不高，而神經(jīng)網(wǎng)絡(luò)具有非線性擬合能力強(qiáng)的特點(diǎn)，適合短時(shí)交通流量預(yù)測(cè)，但其存在收斂速度慢，容易陷入局部最優(yōu)的弊端.若以小波函數(shù)作為隱含層神經(jīng)元函數(shù)，能夠避免神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)的弊端，且具有精度高、收斂速度快和較強(qiáng)的學(xué)習(xí)能力等特點(diǎn)，故本文采用小波神經(jīng)網(wǎng)絡(luò)作為交通量預(yù)測(cè)方法.小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示，其中隱含層輸出函數(shù)為

采用Morlet小波基函數(shù)，其數(shù)學(xué)表達(dá)式為

則神經(jīng)網(wǎng)絡(luò)輸出層輸出為

式中：sz為隱含層節(jié)點(diǎn)z的輸出值；ωez為輸入層節(jié)點(diǎn)e與隱含層節(jié)點(diǎn)z的連接權(quán)重；k為輸入層數(shù)據(jù)個(gè)數(shù)；xe為第e個(gè)輸入值；g為隱含層節(jié)點(diǎn)數(shù)；ωzo為隱含層節(jié)點(diǎn)z與輸出層節(jié)點(diǎn)o的連接權(quán)重；bz為小波基函數(shù)平移因子；αz為小波基函數(shù)伸縮因子；u為輸出層節(jié)點(diǎn)數(shù).

采用梯度下降法對(duì)小波基函數(shù)和網(wǎng)絡(luò)權(quán)值進(jìn)行修正，以達(dá)到網(wǎng)絡(luò)的期望輸出.另外，令每次交通流預(yù)測(cè)周期長度為Hmin，所以監(jiān)管時(shí)段T離散為m個(gè)預(yù)測(cè)時(shí)段，tm∈T.

圖1 小波神經(jīng)網(wǎng)路結(jié)構(gòu)圖Fig.1 Structure diagram of wavelet neural network

1.3 擁堵事件識(shí)別

交通擁堵主要發(fā)生在節(jié)點(diǎn)上，表現(xiàn)為車輛開始排隊(duì)通行且向上游節(jié)點(diǎn)蔓延，此時(shí)路段交通量接近甚至等于節(jié)點(diǎn)最大通行能力.但通行能力是道路某斷面的最大流率，和路段長度及上下游節(jié)點(diǎn)交通特性沒有關(guān)聯(lián)，僅為該斷面的屬性.當(dāng)?shù)缆窊矶聲r(shí)，道路流量不能準(zhǔn)確的表達(dá)交通狀態(tài)，故采用排隊(duì)長度p作為交通擁堵程度計(jì)量指標(biāo).

設(shè)表示在tm時(shí)段內(nèi)路段aij上排隊(duì)長度，假設(shè)tm時(shí)段內(nèi)首次出現(xiàn)qij ＞cj時(shí)，根據(jù)交通流波動(dòng)理論[10]，其排隊(duì)長度為

可得最大排隊(duì)長度為

式中：cj為節(jié)點(diǎn)j的通行能力(pcu/h)；為路段aij在tm時(shí)段內(nèi)到達(dá)流量(pcu/h)；τ為紅燈時(shí)間比，若該節(jié)點(diǎn)為無信號(hào)交叉口，則τ=1；kij為路段aij的交通密度(veh/km)；kj為節(jié)點(diǎn)j的交通密度(veh/km)；為節(jié)點(diǎn)nj在tm時(shí)段內(nèi)離去流量(pcu/h)；為節(jié)點(diǎn)j在tm時(shí)段內(nèi)平均速度(km/h).

對(duì)擁堵現(xiàn)象分析可知，當(dāng)擁堵造成排隊(duì)溢出甚至死鎖現(xiàn)象向上游路段蔓延時(shí)，會(huì)造成上游路段交通癱瘓，故以路段長度作為誘導(dǎo)預(yù)控的約束條件，即該時(shí)段內(nèi)最大排隊(duì)長度大于或等于路段長度時(shí)，需進(jìn)行交通誘導(dǎo)，表達(dá)式為

式中：lij為路段aij路段長度.

2 誘導(dǎo)時(shí)空邊界條件

為避免路網(wǎng)區(qū)域堵死，對(duì)監(jiān)控路網(wǎng)內(nèi)所有道路進(jìn)行監(jiān)控和預(yù)測(cè)，當(dāng)存在最先滿足約束條件式(6)時(shí)，根據(jù)廣域誘導(dǎo)思想，對(duì)擁堵路段區(qū)域誘導(dǎo)的時(shí)空范圍建立邊界條件.

2.1 誘導(dǎo)時(shí)間邊界條件

假設(shè)所有車輛在誘導(dǎo)起點(diǎn)處能立刻獲知誘導(dǎo)信息，引入容忍速度vtol，表示出行者選擇路段aij所期望最低的通行速度，假設(shè)場(chǎng)景如圖2所示.

在t0時(shí)段內(nèi)，路段aij的排隊(duì)長度未發(fā)生溢出；t0+Δt時(shí)段內(nèi)，路段aij的排隊(duì)隊(duì)列溢出至上游路段ai-1,i，該路段車輛無法按照原規(guī)劃路線出行且被迫排隊(duì)通行.為了保證駛?cè)肼范蝍i-1,i處車輛收到誘導(dǎo)信息后有足夠時(shí)間在路段發(fā)生堵死前駛離擁堵路段，需對(duì)誘導(dǎo)周期長度進(jìn)行界定，令誘導(dǎo)周期間隔與交通量預(yù)測(cè)間隔同步一致，即

式中：li-1,j為路段長度；為容忍速度vtol的分階函數(shù)；為路段ai-1,j容忍速度下的容忍通行時(shí)間.

圖2 路段擁堵排隊(duì)示意圖Fig.2 Road congestion queue diagram

根據(jù)文獻(xiàn)[4]指出，隨著誘導(dǎo)周期間隔的增加，出行者總出行時(shí)間呈現(xiàn)先下降后上升的趨勢(shì)，如圖2所示.考察圖2可知，存在誘導(dǎo)周期間隔為tlowmin，使得出行者總出行時(shí)間為最低值；且當(dāng)H≥tlow時(shí)，總體優(yōu)于H ＜tlow，誘導(dǎo)時(shí)間邊界條件為

圖3 網(wǎng)絡(luò)總出行時(shí)間分析圖Fig.3 Network total travel time analysis chart

2.2 誘導(dǎo)空間邊界條件

進(jìn)一步確定誘導(dǎo)空間距離Lspace，存在u，使得

則

預(yù)控空間長度Lspace確定后，設(shè)排隊(duì)事件發(fā)生節(jié)點(diǎn)為誘導(dǎo)關(guān)鍵點(diǎn)，以關(guān)鍵點(diǎn)為分級(jí)起點(diǎn)，沿上游方向?qū)?jié)點(diǎn)依次分級(jí)，分級(jí)方式如圖4所示.所有預(yù)控節(jié)點(diǎn)構(gòu)成的點(diǎn)集為Nr，將作為交通控制的作用點(diǎn)和誘導(dǎo)路徑起點(diǎn)的選擇點(diǎn).

圖4 誘導(dǎo)分級(jí)示意圖Fig.4 Induction grading diagram

本文采用短時(shí)交通量預(yù)測(cè)，通常H≤15 min，Lspace長度一般不大于前三級(jí)節(jié)點(diǎn)路段長度，可提前儲(chǔ)存各路段的前三級(jí)預(yù)控節(jié)點(diǎn)，當(dāng)需要誘導(dǎo)和管控時(shí)可直接調(diào)用，節(jié)約系統(tǒng)搜索時(shí)間.

3 誘導(dǎo)路徑

3.1 誘導(dǎo)起點(diǎn)選取

誘導(dǎo)起點(diǎn)的選取可以在預(yù)控節(jié)點(diǎn)的基礎(chǔ)上進(jìn)行優(yōu)先級(jí)評(píng)價(jià)，評(píng)價(jià)指標(biāo)可分為效益型指標(biāo)和成本型指標(biāo)，選取優(yōu)先級(jí)最高的預(yù)控節(jié)點(diǎn)作為誘導(dǎo)起點(diǎn).其中節(jié)點(diǎn)度、節(jié)點(diǎn)效能介數(shù)和功能重要度為效益型指標(biāo)，繞行度和出行費(fèi)用為成本型指標(biāo).為簡(jiǎn)化研究，以功能重要度g和繞行度h簡(jiǎn)單描述該節(jié)點(diǎn)對(duì)路網(wǎng)重要度和出行成本.功能重要度可用節(jié)點(diǎn)在路網(wǎng)中負(fù)載的交通流量來描述，節(jié)點(diǎn)負(fù)載流量越多，其在路網(wǎng)中越重要，表達(dá)式為

繞行度指以此節(jié)點(diǎn)作為起點(diǎn)，到終點(diǎn)間最短路徑行程時(shí)間與實(shí)際最短行程時(shí)間的比值，表達(dá)式為

式中：qt為預(yù)控節(jié)點(diǎn)集合中負(fù)載最大交通流量的節(jié)點(diǎn)；qi為預(yù)控節(jié)點(diǎn)i的交通量；為節(jié)點(diǎn)i到節(jié)點(diǎn)d的第k條最短路徑的交通量；為節(jié)點(diǎn)i到節(jié)點(diǎn)d的第k條最短路徑的平均通行時(shí)間為節(jié)點(diǎn)i到節(jié)點(diǎn)d經(jīng)過擁堵路段aij的平均通行時(shí)間.

綜上，預(yù)控節(jié)點(diǎn)i優(yōu)先級(jí)為

式中：γ和σ為指標(biāo)權(quán)值，σ+λ=1.

3.2 誘導(dǎo)路徑選擇

考慮駕駛員路徑選擇時(shí)心理預(yù)期和價(jià)值傾向，誘導(dǎo)路徑選擇目標(biāo)應(yīng)符合駕駛員意愿，從而提高誘導(dǎo)路徑的可靠性和誘導(dǎo)信息的服從性.以繞行時(shí)間比值和繞行距離比值作為選擇目標(biāo)，構(gòu)建相對(duì)成本效用函數(shù)，采用基于路徑尺度的改進(jìn)Logit路徑選擇模型[11]，具體內(nèi)容如下：

首先，相對(duì)成本效用函數(shù)采用線性函數(shù)形式，即

式中：x-y為節(jié)點(diǎn)x到節(jié)點(diǎn)y之間的行駛路徑；zx-y為繞行距離比值；wx-y為繞行時(shí)間比值；l*x-y為原行駛路線距離(m)；lx-y為誘導(dǎo)行駛路線距離(m)；t*x-y原行駛路線時(shí)間(min)；tx-y為誘導(dǎo)行駛路線時(shí)間(min)；α和β為效用權(quán)重；c為效用方程中常量.

然后，利用Vx-y大小對(duì)待選路徑集合進(jìn)行降序排列，排序集合NL中誘導(dǎo)路徑Lx-y被選擇的概率為

式中：θ為模型常數(shù)，表示出行者對(duì)路網(wǎng)的熟悉程度；Sx-y為誘導(dǎo)路徑Lx-y的路徑尺度，計(jì)算公式為

式中：Γx-y為誘導(dǎo)路徑Lx-y經(jīng)過的路段集合；awn為路段集合Γx-y中一條從節(jié)點(diǎn)w到節(jié)點(diǎn)m的路段；lwn為路段awn長度；lx-y為誘導(dǎo)路徑Lx-y長度；δwn表示路段awn在所有誘導(dǎo)路徑中共享次數(shù).由式(18)可知，路段awn共享次數(shù)越多，該路段的路徑尺度Sx-y越小，則誘導(dǎo)路徑Lx-y被選擇的概率越小.

4 動(dòng)態(tài)流量分配

為實(shí)現(xiàn)路網(wǎng)負(fù)載均衡，在待選路徑集合的基礎(chǔ)上，通過分配迭代加載方法實(shí)現(xiàn)誘導(dǎo)流量的動(dòng)態(tài)分配，達(dá)到空間最優(yōu)的目標(biāo)，具體步驟如下：

Step 1確定所需誘導(dǎo)流量QSY,(e+1).

式中：為te+1時(shí)段內(nèi)擁擠路段aij所需誘導(dǎo)交通量；為te+1時(shí)段內(nèi)擁堵路段aij的預(yù)測(cè)交通量；為在該路段容忍速度下的通行能力；表示路段aij阻塞密度；表示路段aij自由行駛速度；

Step 2確定誘導(dǎo)路徑可容納流量.

式中：為時(shí)段內(nèi)誘導(dǎo)路徑Lx-y最大可額外容納流量；為te+1時(shí)段內(nèi)誘導(dǎo)路段awn最大可額外容納流量；為誘導(dǎo)路段awn的容忍速度；為在誘導(dǎo)路段awn的容忍速度下的通行能力；表示路段awn阻塞密度；表示路段awn自由行駛速度；為在te+1時(shí)段內(nèi)誘導(dǎo)路段awn的預(yù)測(cè)流量.

Step 3計(jì)算各誘導(dǎo)路徑上分配的交通量.

式中：η為流量迭代次數(shù).

Step 4誘導(dǎo)路徑選擇概率p調(diào)整.按各誘導(dǎo)路徑承載分配后的交通量，更新相對(duì)成本效用函數(shù)，然后重新計(jì)算誘導(dǎo)路徑選擇概率p.

Step 5根據(jù)Step 4得到的誘導(dǎo)路徑選擇概率p，轉(zhuǎn)到Step 3，對(duì)下一批交通量進(jìn)行分配，直至分配結(jié)束.

5 實(shí)驗(yàn)驗(yàn)證與評(píng)估

以某市擁堵區(qū)域路網(wǎng)為例，路網(wǎng)包括16 個(gè)節(jié)點(diǎn)，21條路段，如圖5所示.

圖5 部分路網(wǎng)及拓?fù)鋱DFig.5 Partial road network and topological map

5.1 交通流預(yù)測(cè)分析

借用Mathlab 軟件對(duì)基于小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通量預(yù)測(cè)，以擁堵頻發(fā)路段a9,10為例，預(yù)測(cè)時(shí)間為早高峰07：00-09：00.以10 min為周期，采集3 d共532個(gè)數(shù)據(jù)樣本作為訓(xùn)練數(shù)據(jù)集.前5個(gè)周期的交通量作為輸入數(shù)據(jù)，預(yù)測(cè)下一周期的交通量；網(wǎng)絡(luò)結(jié)構(gòu)中輸入層、隱含層和輸出層節(jié)點(diǎn)數(shù)分別為4-8-1，學(xué)習(xí)速率為0.001，誤差精度0.001，迭代學(xué)習(xí)次數(shù)為100.將本文方法與基于BP 神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)作對(duì)比，結(jié)果如表1和圖6所示.

表1 預(yù)測(cè)誤差對(duì)比Table1 Prediction error comparison

由表1和圖6可知，小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與實(shí)際值的誤差在可接受范圍內(nèi)，比BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差更低，預(yù)測(cè)精度更高，基本滿足預(yù)測(cè)需要.

圖6 實(shí)際值與預(yù)測(cè)值對(duì)比Fig.6 Comparison of actual and predicted values

5.2 誘導(dǎo)策略和路網(wǎng)均衡

將本文方法與基于時(shí)間和路徑偏好的交通流分配模型與誘導(dǎo)方法[12]進(jìn)行比較，對(duì)比方法基于不改變出行者時(shí)間偏好的情況下，求出誘導(dǎo)路徑的最優(yōu)流量分配.借用VISSIM 仿真軟件進(jìn)行仿真，以預(yù)測(cè)交通量作為本文方法的數(shù)據(jù)輸入，對(duì)路網(wǎng)進(jìn)行分時(shí)段仿真.結(jié)果顯示，路段a9,10在07：20-07：30 首次滿足誘導(dǎo)約束條件，累計(jì)排隊(duì)長度為256 m，超過該路段長度241 m，需進(jìn)行誘導(dǎo)控制.以起點(diǎn)n7，終點(diǎn)n11的行駛路線為例，計(jì)算可得誘導(dǎo)空間距離Lspace為1.5 km，則一級(jí)預(yù)控節(jié)點(diǎn)為n8，二級(jí)預(yù)控節(jié)點(diǎn)為n7，誘導(dǎo)路徑為L7-1-2-3-4-11，L7-1-2-3-10-11和L7-8-9-13-14-15-16-11，具體結(jié)果如表2和表3所示.

表2 路段a9,10 誘導(dǎo)前后對(duì)比Table2 Comparison of section a9,10 induction before and after

從表2可以看出，本方法對(duì)路段a9,10排隊(duì)延誤、停車次數(shù)、平均通行時(shí)間和最大排隊(duì)長度均有明顯改善；從表3可發(fā)現(xiàn)，誘導(dǎo)后路網(wǎng)通行效率增加，道路擁堵得到有效緩解，且隨著流量迭代次數(shù)增高，流量分配更能符合路網(wǎng)實(shí)際情況，路網(wǎng)通行效率更加優(yōu)化，但計(jì)算難度也隨之增加.相較于對(duì)比方法，本文方法基于預(yù)測(cè)數(shù)據(jù)上實(shí)現(xiàn)路網(wǎng)均衡，能夠在事件發(fā)生前采取誘導(dǎo)措施；本方法在路徑選擇和配流方式傾向于出行者心理和路網(wǎng)平衡，比單一出行時(shí)間目標(biāo)更加適合實(shí)際情況.本文方法總體上表現(xiàn)出良好的誘導(dǎo)效果，適應(yīng)實(shí)時(shí)交通流狀態(tài)變化的能力較強(qiáng).

表3 不同流量迭代次數(shù)η 的路網(wǎng)誘導(dǎo)效果對(duì)比Table3 Comparison of road network induction effects of different flow iterations η

5.3 敏感性分析

本文方法是以短時(shí)交通流預(yù)測(cè)為基礎(chǔ)，而預(yù)測(cè)誤差對(duì)誘導(dǎo)策略和全網(wǎng)效率會(huì)造成一定影響.為進(jìn)一步分析這種影響，假設(shè)預(yù)測(cè)量誤差范圍為[-20%,20%]，分別對(duì)誘導(dǎo)路徑分配交通量變化率、路網(wǎng)平均通行時(shí)間變化率、路網(wǎng)平均延誤變化率和目標(biāo)路段通行時(shí)間變化率進(jìn)行敏感性分析，結(jié)果如圖7所示.

圖7(a)反映了預(yù)測(cè)誤差的變化對(duì)誘導(dǎo)流量的變化是正相關(guān)的；圖7(b)可以看出，隨著預(yù)測(cè)誤差的增大，路網(wǎng)的通行效率隨之降低，表明交通流預(yù)測(cè)結(jié)果的準(zhǔn)確性能夠提高誘導(dǎo)策略的有效性；圖7(c)和圖7(d)都與預(yù)測(cè)誤差呈現(xiàn)負(fù)相關(guān)，結(jié)合圖7(b)可知，擁堵路段通行狀況的改善可以暫時(shí)降低路網(wǎng)平均延誤，但隨著預(yù)測(cè)誤差增加，全局路網(wǎng)通行效率仍隨之降低.因此，為保證誘導(dǎo)策略的有效性及全局路網(wǎng)通行效率，預(yù)測(cè)方法的準(zhǔn)確性是至關(guān)重要的.

圖7 預(yù)測(cè)誤差的敏感性分析Fig.7 Sensitivity analysis of prediction error

6 結(jié) 論

本文以緩解城市擁堵為目標(biāo)，提出了廣域誘導(dǎo)模型，優(yōu)化了誘導(dǎo)周期長度和誘導(dǎo)起點(diǎn)設(shè)置.引入相對(duì)成本效用函數(shù)，利用基于路徑尺度的改進(jìn)Logit 路徑選擇模型對(duì)誘導(dǎo)路徑進(jìn)行評(píng)估和篩選，提高了誘導(dǎo)質(zhì)量；通過流量動(dòng)態(tài)迭代方法實(shí)現(xiàn)緩解擁堵和路網(wǎng)均衡最優(yōu).實(shí)驗(yàn)部分對(duì)預(yù)測(cè)方法和誘導(dǎo)方法分別進(jìn)行了對(duì)比試驗(yàn)，結(jié)果表明，本文方法能夠準(zhǔn)確地預(yù)測(cè)擁堵事件，有效地緩解道路擁堵，提高路網(wǎng)通行效率.