劉天逸

（東南大學(xué)，江蘇 南京 211100）

0 引言

隨著城市化建設(shè)進程的不斷加快，私家車的數(shù)量逐漸增加，在為人們的生活帶來便利的同時，也帶來了諸多難題，交通堵塞就是最為常見的一個。在此背景下，為了解決這一問題，逐漸產(chǎn)生了智能交通系統(tǒng)。通過該系統(tǒng)應(yīng)用，在一定程度上解決了交通擁堵的難題，為現(xiàn)代社會更好地發(fā)展奠定良好基礎(chǔ)。

1 智能交通流量預(yù)測

1.1 交通流量預(yù)測模型

本次研究當(dāng)中，假設(shè)存在A、B兩地，其中，A地為出發(fā)點，B地為目的地，兩地往返時，存在五條路徑，其中，兩條路徑非常的擁堵，車輛行進速度緩慢；兩條路徑較為擁堵，車輛行進速度一般；一條路徑暢通，無擁堵的現(xiàn)象。車輛在兩地間行駛時，會產(chǎn)生大量數(shù)據(jù)。針對這些數(shù)據(jù)的特點，可以將其分成兩部分，一個為影響當(dāng)前交通流量狀態(tài)的特征參數(shù)，另一個為實時交通流量現(xiàn)狀。在車輛行駛方面，受到多種因素的影響，不僅有上一時間點的交通狀況，還有當(dāng)前所處時間點，路上的公交車數(shù)量，交通指示燈的變化周期，是否出現(xiàn)交通事故等。針對交通流量的差異，能夠?qū)⑵浞殖?個等級，最高級為暢通，次之為行駛緩慢，最后為非常擁堵。而具體的3個等級的分類評判方式可以通過閾值與加權(quán)指標(biāo)的結(jié)合來表示：當(dāng)某個交通量嚴(yán)重偏離平均指標(biāo)（譬如車道占用率，平均車速等）時，我們可以通過設(shè)定閾值直接判定為暢通或非常擁堵，其他情況通過多個交通流量的加權(quán)平均來判斷擁堵等級。

1.2 交通流量實時狀況、短期預(yù)測與長時的未來規(guī)劃評估基本考慮

在人員直接搜索出行方案或者出行的起始與目標(biāo)地點時，則依據(jù)實時路況反饋路徑擁堵信息。若人員出發(fā)時間距離當(dāng)前0-30min以內(nèi)時，我們可以依據(jù)參數(shù)（包括卡爾曼濾波與平均自回歸等模型）與非參數(shù)（包括LSTM、KNN等機器學(xué)習(xí)模型）進行短期交通流量預(yù)測或者直接的分類預(yù)測來反饋路況信息。當(dāng)人員想了解超過1小時以后的路徑方案時，則建議反饋給人員歷史的路況信息（前一天同一時間節(jié)點、上周同一時間節(jié)點等周期性數(shù)據(jù)信息）。

1.3 評判標(biāo)準(zhǔn)

本次研究當(dāng)中，從預(yù)測結(jié)果準(zhǔn)確的角度著手，對交通流量預(yù)測方案進行評估。具體來說，其流程為：獲取到歷史信息后，按照信息特點，將其分成兩類，一類為預(yù)測數(shù)據(jù)，另一類為狀態(tài)劃分?jǐn)?shù)據(jù)，主要用于構(gòu)建預(yù)測模型，并選擇相應(yīng)的參數(shù)，構(gòu)建出模型后，通過第二種數(shù)據(jù)，進行相應(yīng)的驗證活動，以確定出模型是否符合要求。在所有數(shù)據(jù)當(dāng)中，包含兩個方面，一個是實時特征參數(shù)，另一個為實時交通情況，掌握這些數(shù)據(jù)信息后，針對各特征參數(shù)的關(guān)聯(lián)性，加上其與交通情況的關(guān)聯(lián)性，確定出最終的參數(shù)，同時，在實際操作時，需要對預(yù)測與實際狀況進行對比。針對兩者的對比結(jié)果，對參數(shù)予以修正。確定出模型后，在該模型的基礎(chǔ)上，錄入特征屬性信息，進而計算出預(yù)測結(jié)果，然后以此為基礎(chǔ)，與已掌握的交通情況進行比較，進而推算出模型的準(zhǔn)確率。假設(shè)：在第二類型信息當(dāng)中，共包含M組數(shù)據(jù)，則將符合模型標(biāo)準(zhǔn)的阻比設(shè)置成n，而在已掌握的信息當(dāng)中，共有I組，利用兩個數(shù)據(jù)即可推導(dǎo)出模型的準(zhǔn)確率Y，即：Y=I/n。

當(dāng)設(shè)置的參數(shù)使得3個等級的擁堵情況的實際樣本比例差距很大時。我們引入精確率、召回率與F1-score的概念來評價模型的綜合準(zhǔn)確率。譬如，所用樣本中非常擁堵的樣本比例非常小卻又是我們重點需要查找的：即假設(shè)實際容量為M的樣本中有N個非常擁堵的樣本，我們的模型通過特征屬性信息認(rèn)為其中m個樣本屬于非常擁堵的類別，而這m個樣本中實際上有n個樣本為非常擁堵。那么，該模型的精確率為n/m，記為P；召回率為n/N，記為R；F1-score為2*P*R/（P+R）。F1-score更綜合地反映了模型預(yù)測的準(zhǔn)確程度，同時也可以根據(jù)實際需求與偏好設(shè)F1-score中P與R的比例來更好地評價模型。

2 智能交通多路徑優(yōu)化

2.1 路徑選擇方案基本概述

本設(shè)計當(dāng)中，共包含四個方案，每個方案具有不同的特點，適用場合略有差異，具體如下所示：（1）強烈偏好方案。對于這一方案來說，適合存在強烈偏好的人員，其在出行時，對某條路徑具有特殊的偏愛，即便有其他路徑，也不會選擇。（2）基于GS算法的方案。對于這一方案來說，能夠選擇出多條路徑，能夠為出行者提供多種方案，因而適合大部分人員使用。具體使用時，可能會針對自己的喜好，選擇最佳的出行方式。（3）基于蟻群優(yōu)化算法的方案。對于這一方案來說，適合存在一定偏好，但并不明顯的人員，這類人員出行時，會以自己偏好為基礎(chǔ)，通過對交通情況等因素的綜合分析，確定出當(dāng)前最適合的出行方式。（4）無偏好方案。對于這一方案來說，適合沒有偏好的人員選擇的出行方式。

2.2 方案設(shè)計

2.2.1 基于GS算法的方案

對交通多路徑優(yōu)化時，可以利用GS算法，構(gòu)建出相應(yīng)的排序表，其中共包含兩個，一個為出行方式表，對于這個表來說，是在預(yù)測結(jié)果的基礎(chǔ)上，結(jié)合交通狀況級別而得到的，即尋找出所有暢通的道路后，將所選道路連接到一起，形成出行方案。第二個為人員偏好表。對于這個表來說，是通過人員以往出行信息推導(dǎo)而得到的。假設(shè)，在輸入空間內(nèi)，存在兩個隨機變量，分別為X1和X2；在輸出空間內(nèi)，存在一個隨機變量：Y，以此能夠得到概率分布公式：

通過該公式，即可得到人員偏好表。確定出兩表后，開展最終的運算分析，其流程為：針對人員偏好表，確定出行方式，將其提升至首位，并產(chǎn)生相應(yīng)的匹配請求，之后以此為基礎(chǔ)，通過與交通狀況表的對比，確定該方案是否可行，產(chǎn)生接受與拒絕指令。若為拒絕，則重新確定出行方式；若為接受，繼續(xù)對人員表進行分析，若在人員表內(nèi)，僅出現(xiàn)1次，重新發(fā)布請求。若出現(xiàn)兩次，則將該方式確定下來

2.2.2 基于蟻群優(yōu)化算法的方案

利用蟻群優(yōu)化算法時，主要通過保證時間較短的基礎(chǔ)上，符合人員喜好特點。所以，對于這一優(yōu)化算法來說，重點為定義Ei，并實時將其更新，其中，i為具體的出行方式，人員出行時，通過推導(dǎo)出當(dāng)前各種方式的Ei值，針對該數(shù)值的大小，確定出最終的出行方式。對于Ei的定義來說，公式為：

對于這一平滑值來說，數(shù)值較小，且為常亮，說明利用某種方式時，采納值會逐漸降低，以減少對他人的吸引力。通過這一公式的計算，即可得到最佳的出行路徑方案。

2.2.3 特殊規(guī)劃方案

在特殊規(guī)劃方案內(nèi)，共包括兩種具體的方案，一種為強烈偏好方案。對于這種方案來說，主要以偏好為主，而忽略交通情況，因而選擇原理非常簡單，確定出出行方式后，與人員偏好進行對比，如符合，則確定該方案，反之，若不符合，則重新選擇方式，具體如圖1所示。另一種為無偏好方案。對于該方案來說，與人員偏好關(guān)聯(lián)性非常低，可將其忽略，其選擇流程為：分析某條道路交通狀況，若為暢通，則確定該方式；若為擁堵或行駛緩慢，則重新選擇；若所有方式均不是暢通，則保留行駛緩慢，由此確定出最終的方案。具體如圖2所示。

圖1 有偏好方案流程圖

圖2 無偏好方案流程圖

3 結(jié)束語

綜上所述，為了解決現(xiàn)代交通擁堵問題，需要加強對智能化技術(shù)的應(yīng)用力度，通過該技術(shù)，有效對交通狀況進行預(yù)測，并以此為基礎(chǔ)，結(jié)合個人偏好的信息，采取合理的計算方式，確定出最佳的出行方案，在為個人提供便利的同時，也可一定程度緩解交通擁堵問題。