姚博凡，鄧如豐，熊宸，蔡銘

1. 中山大學(xué)智能工程學(xué)院，廣東深圳518106

2. 廣東省智能交通系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，廣東廣州510006

3. 佛山交通運(yùn)行監(jiān)測(cè)中心，廣東佛山528000

近年來(lái)，城市不斷發(fā)展，人口密度和路網(wǎng)密度不斷增加，交通出行需求日益增長(zhǎng)，特別是在一二線城市，高峰出行擁堵每日都在上演。如何準(zhǔn)確預(yù)測(cè)交通出行，誘導(dǎo)出行者選擇其他路徑，從而分散交通出行壓力，成為了解決問(wèn)題的關(guān)鍵所在。因此，對(duì)未來(lái)交通態(tài)勢(shì)進(jìn)行合理的判斷，對(duì)于出行者和管理者都具有重要意義。面對(duì)這一問(wèn)題，有的學(xué)者從交通需求的角度出發(fā)進(jìn)行預(yù)測(cè)［1-2］，有的學(xué)者則對(duì)交通流參數(shù)進(jìn)行短時(shí)預(yù)測(cè)。然而，短時(shí)交通流參數(shù)預(yù)測(cè)難以滿足長(zhǎng)時(shí)段的交通出行需求。針對(duì)這一問(wèn)題，本文探究了長(zhǎng)時(shí)段交通狀態(tài)預(yù)測(cè)的方法。長(zhǎng)時(shí)段交通狀態(tài)預(yù)測(cè)不僅能夠?yàn)榻煌ǔ鲂姓咛峁┳钪庇^的交通運(yùn)行信息，而且預(yù)測(cè)準(zhǔn)確度較高，更具有實(shí)際應(yīng)用價(jià)值。

對(duì)交通流狀態(tài)的預(yù)測(cè)，包括流量、速度、交通狀態(tài)等，國(guó)內(nèi)外有許多相關(guān)的研究。在交通大數(shù)據(jù)的背景下，人工智能方法開始廣泛應(yīng)用，其中機(jī)器學(xué)習(xí)方法以其良好的性能而被普遍使用，比如支持向量機(jī)（SVM）［3］、k 近鄰算法（KNN）［4］和隨機(jī)森林（RF）［5］。在流量預(yù)測(cè)方面，羅文慧等［6］利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)交通流特征進(jìn)行提取，將提取的特征輸入到支持向量回歸模型中進(jìn)行流量預(yù)測(cè)，預(yù)測(cè)精度相比傳統(tǒng)預(yù)測(cè)模型有所提升?？弟姷龋?］為了解決用SVM 進(jìn)行短時(shí)交通量在線預(yù)測(cè)的計(jì)算復(fù)雜性問(wèn)題，簡(jiǎn)化了Lagrange乘子的求解過(guò)程，利用滑動(dòng)時(shí)間窗口來(lái)控制新樣本的加入和舊樣本的移除，通過(guò)線性運(yùn)算完成Lagrange乘子的更新，在保證預(yù)測(cè)精度的情況下減少預(yù)測(cè)的時(shí)間。也有學(xué)者［8］提出了以SARIMA 模型提取交通流數(shù)據(jù)中的周期性特征，再利用隨機(jī)森林進(jìn)行短時(shí)交通流量預(yù)測(cè)。Guo 等［9］建立了基于KNN 的混合預(yù)測(cè)框架，融合了神經(jīng)網(wǎng)絡(luò)、支持向量回歸和隨機(jī)森林三種預(yù)測(cè)方法，通過(guò)KNN 算法來(lái)調(diào)整三種方法預(yù)測(cè)結(jié)果的權(quán)值，預(yù)測(cè)正常狀態(tài)下和有交通事件發(fā)生狀態(tài)的短時(shí)交通流量，與其他方法相比，結(jié)果更加精確。謝海紅等［10］改進(jìn)了KNN 算法，用模式距離搜索方法代替歐氏距離搜索方法，利用多元統(tǒng)計(jì)回歸模型，以下一時(shí)刻狀態(tài)與對(duì)應(yīng)k個(gè)近鄰下一時(shí)刻狀態(tài)作為模型輸入，去估計(jì)模型參數(shù)，之后借助這個(gè)多元統(tǒng)計(jì)回歸模型，輸入預(yù)測(cè)狀態(tài)k個(gè)近鄰的下一時(shí)刻狀態(tài)，得到預(yù)測(cè)狀態(tài)。在速度預(yù)測(cè)方面，史殿習(xí)等［11］認(rèn)為路段的速度與路段當(dāng)前的速度變化情況有關(guān)，于是選取了從當(dāng)前時(shí)段開始的后4 個(gè)連續(xù)時(shí)段的速度序列作為狀態(tài)向量，基于速度變化趨勢(shì)和密集度的變K近鄰精確搜索策略，對(duì)K 近鄰算法的近鄰搜索策略進(jìn)行改進(jìn)和優(yōu)化，提出了一種短時(shí)交通平均速度預(yù)測(cè)模型。田瑞杰等［12］將時(shí)間序列預(yù)測(cè)和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，采用ARMA 預(yù)測(cè)模型對(duì)數(shù)據(jù)建模預(yù)測(cè)，再應(yīng)用人工神經(jīng)網(wǎng)絡(luò)調(diào)整預(yù)測(cè)值，得到了較好的交通流短時(shí)預(yù)測(cè)效果。孫靜怡等［13］發(fā)現(xiàn)車流中大型車比例對(duì)車流速度具有顯著影響，因此引入了大型車比例，加上前幾個(gè)時(shí)間點(diǎn)速度數(shù)據(jù)作為支持向量機(jī)的輸入，從而對(duì)高速公路交通流速度進(jìn)行短時(shí)預(yù)測(cè)，結(jié)果發(fā)現(xiàn)大型車比例能較好提升預(yù)測(cè)精度，并且通過(guò)時(shí)間序列分析發(fā)現(xiàn)以前6 或7 個(gè)時(shí)間點(diǎn)的速度數(shù)據(jù)作為輸入的預(yù)測(cè)方案效果較好。Wang 等［14］則對(duì)SVM 的核函數(shù)進(jìn)行設(shè)計(jì)，構(gòu)造了基于小波函數(shù)的核函數(shù)，以捕捉非平穩(wěn)特征的短期交通速度數(shù)據(jù)，并利用相空間重構(gòu)理論確定了模型輸入空間的維度，從而建立了短時(shí)交通速度預(yù)測(cè)的混合模型，得到的預(yù)測(cè)結(jié)果優(yōu)于原本的SVM 模型。在交通狀態(tài)預(yù)測(cè)方面，陳忠輝等［15］先是以流量、速度和占有率為指標(biāo)，利用模糊C均值聚類對(duì)交通狀態(tài)進(jìn)行聚類，得到交通狀態(tài)的標(biāo)簽，接著同樣以流量、速度和占有率作為輸入特征，以聚類得到的交通狀態(tài)標(biāo)簽作為輸出，構(gòu)建了隨機(jī)森林預(yù)測(cè)模型，從而預(yù)測(cè)短時(shí)交通狀態(tài)。Xu等［16］采用一種基于核k 近鄰的時(shí)間序列道路交通狀態(tài)預(yù)測(cè)算法，將當(dāng)前道路交通狀態(tài)數(shù)據(jù)序列與參考道路交通狀態(tài)數(shù)據(jù)序列進(jìn)行匹配，選擇k個(gè)最近的參考道路交通狀態(tài)，預(yù)測(cè)當(dāng)前道路的交通狀態(tài)。Liu 等［17］以天氣條件、時(shí)段、道路特殊情況、道路質(zhì)量和節(jié)假日為輸入變量，以隨機(jī)森林建立道路交通擁堵狀態(tài)預(yù)測(cè)模型，結(jié)果表明該方法的預(yù)測(cè)精度較好，泛化誤差較低，計(jì)算速度較快，可以有效預(yù)測(cè)。此外，也有學(xué)者利用其他方法進(jìn)行交通預(yù)測(cè)，比如向量自回歸（VAR）［18］、自回歸整合移動(dòng)平均（ARIMA）［19］、深度學(xué)習(xí)［20-21］。

但是，目前研究仍存在以下不足。第一，多數(shù)的研究都是針對(duì)短期的交通狀態(tài)預(yù)測(cè)，在當(dāng)前時(shí)刻只能預(yù)測(cè)下一個(gè)預(yù)測(cè)時(shí)刻的交通狀態(tài)；第二，研究對(duì)象基本是一條路段，無(wú)法說(shuō)明方法的普適性。因此，本文針對(duì)以上的不足之處，從時(shí)間和空間兩個(gè)方面的特征考慮，構(gòu)建了新的時(shí)空特征向量，建立了一種長(zhǎng)時(shí)段路段交通狀態(tài)的預(yù)測(cè)模型；此外，將方法拓展應(yīng)用到多個(gè)路段，驗(yàn)證了方法的普適性。

1 長(zhǎng)時(shí)段交通狀態(tài)預(yù)測(cè)模型

1.1 模型框架

本文所提出的長(zhǎng)時(shí)段交通狀態(tài)預(yù)測(cè)模型框架如圖1所示?？蚣苤饕藘刹糠謨?nèi)容：模型構(gòu)建和預(yù)測(cè)部分。在第一部分中，特征提取是整個(gè)模型最重要的部分。對(duì)歷史交通狀態(tài)數(shù)據(jù)進(jìn)行特征提取，構(gòu)建時(shí)空特征向量，結(jié)合支持向量機(jī)分類算法構(gòu)建交通狀態(tài)預(yù)測(cè)模型；在進(jìn)行預(yù)測(cè)的時(shí)候，先構(gòu)建預(yù)測(cè)時(shí)段的時(shí)空特征向量矩陣，輸入到第一部分得到交通狀態(tài)預(yù)測(cè)模型，模型的輸出即為預(yù)測(cè)時(shí)段的交通狀態(tài)值。短時(shí)交通流預(yù)測(cè)指的是在當(dāng)前時(shí)刻只能預(yù)測(cè)下一時(shí)刻的交通流特征參數(shù)，時(shí)間粒度即為預(yù)測(cè)時(shí)長(zhǎng)。而長(zhǎng)時(shí)段交通狀態(tài)預(yù)測(cè)，指的是在當(dāng)前時(shí)刻下，對(duì)未來(lái)12 h、24 h或者更長(zhǎng)時(shí)段的路段交通狀態(tài)進(jìn)行預(yù)測(cè)，時(shí)間粒度范圍可以是1～10 min，因?yàn)楸疚挠玫降臄?shù)據(jù)時(shí)間粒度是2 min，所以本文預(yù)測(cè)的時(shí)間粒度為2 min，但是本文的預(yù)測(cè)時(shí)長(zhǎng)是未來(lái)24 h，這是區(qū)別于短時(shí)預(yù)測(cè)的地方。

圖1 交通狀態(tài)預(yù)測(cè)模型框架Fig. 1 Framework of traffic status prediction model

1.2 時(shí)空特征向量

現(xiàn)有研究考慮的特征主要有時(shí)間特征、當(dāng)前時(shí)刻的預(yù)測(cè)量特征或者前幾個(gè)時(shí)刻的預(yù)測(cè)量特征，這也導(dǎo)致了一次預(yù)測(cè)只能預(yù)測(cè)下一時(shí)刻交通流特征參數(shù)（速度、流量等）的局限性，如果要預(yù)測(cè)多個(gè)時(shí)刻，勢(shì)必要引入預(yù)測(cè)量，這將會(huì)導(dǎo)致誤差的累積。本文從考慮歷史的角度出發(fā)，引入了預(yù)測(cè)時(shí)刻的預(yù)測(cè)路段的平均歷史交通狀態(tài)、上下游路段的平均歷史交通狀態(tài)以及時(shí)間常發(fā)擁堵特征，構(gòu)建了新的時(shí)空特征向量。

1.2.1 時(shí)間特征 時(shí)間特征是針對(duì)預(yù)測(cè)路段本身而言的，主要包括了三個(gè)方面：一是時(shí)間軸特征，也就是交通狀態(tài)所在的時(shí)間，二是路段歷史平均交通狀態(tài)特征，三是時(shí)間常發(fā)擁堵特征。

1）時(shí)間軸特征。路段交通狀態(tài)本質(zhì)上受人們交通出行的影響，而交通出行是具有一定的時(shí)間規(guī)律性的，比如工作日的上班和下班時(shí)間、非工作日的出行娛樂(lè)時(shí)間等，因此導(dǎo)致了路段的交通狀態(tài)變化也是具有一定的時(shí)間規(guī)律性。本文以交通狀態(tài)所在的時(shí)間作為時(shí)間軸特征，提取了時(shí)、分、秒三個(gè)特征，由于本文所用到的實(shí)驗(yàn)數(shù)據(jù)時(shí)間間隔是2 min，秒數(shù)都為0。因此，剔除秒數(shù)特征，保留時(shí)、分兩個(gè)特征。由于交通狀態(tài)變化具有一定的周期性規(guī)律，為了描述這個(gè)周期性的變化，加入周天特征，周天是表示數(shù)據(jù)所在時(shí)間為星期幾。將時(shí)、分、周天這三個(gè)特征分別表示為xH、xM和xw。此外，加入xc代表是否工作日，取值0 和1 分別表示非工作日和工作日。最終以xH、xM、xw、xc四個(gè)特征作為表征交通狀態(tài)的時(shí)間軸特征。

2）歷史平均交通狀態(tài)特征。歷史平均交通狀態(tài)指的是預(yù)測(cè)路段在同個(gè)周天、同時(shí)、同分下歷史數(shù)據(jù)的交通狀態(tài)的平均值。假設(shè)Wi為歷史數(shù)據(jù)中屬于星期i 的交通狀態(tài)數(shù)據(jù)，Hj為歷史數(shù)據(jù)中屬于j 時(shí)的交通狀態(tài)數(shù)據(jù)，Mz為歷史數(shù)據(jù)中屬于z 分鐘的交通狀態(tài)數(shù)據(jù)。

3）時(shí)間常發(fā)擁堵特征。時(shí)間常發(fā)擁堵特征是表征數(shù)據(jù)所在時(shí)刻是否在路段的常發(fā)擁堵時(shí)段內(nèi)的特征。如果是，則賦值為1，否則，賦值為0。時(shí)間常發(fā)擁堵特征判別算法如下：

算法1 路段常發(fā)擁堵時(shí)段判別算法輸入：歷史數(shù)據(jù)集H ={s1，s2，...，sm}工作日時(shí)間區(qū)間集T1 ={t1 1，t12，...，t1 48}，區(qū)間長(zhǎng)度30 min非工作日時(shí)間區(qū)間集T2 ={t2 1，t22，...，t2 48}，區(qū)間長(zhǎng)度30 min 1：for c = 1，2 do 2： for k = 1，2，...，48 do 3： 從歷史數(shù)據(jù)集中篩選所有在時(shí)間區(qū)間tck內(nèi)的記錄，記為H′4： 令H′={s′1，s′2，...，s′n}；5： for i = 1，2，...，n do 6： 令S = 0 7： if s′i=3 or 4 or 5 then 8： S = S + s′i 9： end if 10： end for 11： 令p =S n 12： if p ＞0.5 then 13： ftck = 1 14： else 15： ftck = 0 16： end if 17：end for 18：end for輸出：常發(fā)擁堵判定結(jié)果R ={ ft11，ft12，...，ft148，ft21，ft22，...，ft248}

在該算法中，以工作日和非工作日劃分一周（周一到周五為工作日，周六和周日為非工作日），將一天24 h 劃分為48 個(gè)時(shí)間區(qū)間，區(qū)間長(zhǎng)度為30 min，工作日和非工作日共計(jì)分為96 個(gè)時(shí)間區(qū)間。以路段歷史數(shù)據(jù)為統(tǒng)計(jì)對(duì)象，分別計(jì)算每個(gè)時(shí)間區(qū)間中交通狀態(tài)為擁堵的頻率，在實(shí)驗(yàn)數(shù)據(jù)中交通狀態(tài)值為3、4 和5 是表示擁堵的交通狀態(tài)，如表1 所示。因此，統(tǒng)計(jì)交通狀態(tài)值大于3 的頻率，如果該頻率超過(guò)0.5，則說(shuō)明該路段在該時(shí)間區(qū)間為常發(fā)擁堵。之后，再判斷數(shù)據(jù)所在時(shí)刻的時(shí)間區(qū)間是否為常發(fā)擁堵。如果是，則賦值為1；否則，賦值為0，即為時(shí)間常發(fā)擁堵的特征值。

1.2.2 空間特征 首先需要明確的一點(diǎn)是在沒(méi)有交叉口打斷的情況下，封閉路段由多個(gè)小路段組成，與封閉路段相接壤的路段為相鄰路段。本文的研究對(duì)象是城市快速路，是一段封閉的沒(méi)有交叉口的路段，它有與之接壤的唯一的上下游路段。由于相鄰路段之間的交通狀態(tài)是相互影響的，以上下游路段的歷史平均交通狀態(tài)特征作為空間特征，計(jì)算方法如式（1）所示，得到在同個(gè)周天、同時(shí)、同分下上下游路段歷史數(shù)據(jù)的交通狀態(tài)的平均值，分別以-Su(i，j，z)和-Sd(i，j，z)表示。這兩個(gè)特征反映了上下游路段的歷史交通狀態(tài)，表征了預(yù)測(cè)路段交通狀態(tài)的空間特征。

1.3 支持向量分類模型

在特征提取之后，本文構(gòu)建的特征向量可以表示為

其中xH為時(shí)特征，取值0～24；xM為分特征，取值0～58，間隔為2；xw為周天特征，取值1～7，分別表示周一到周日；xc為工作日特征，0 表示休假，1 表示上班；Ri為時(shí)間常發(fā)擁堵特征，0 表示不常發(fā)擁堵，1表示常發(fā)擁堵；-S (xw，xH，xM)為預(yù)測(cè)路段的歷史平均交通狀態(tài)特征；-Su(xw，xH，xM)為上游路段的歷史平均交通狀態(tài)特征；-Sd(xw，xH，xM)為下游路段的歷史平均交通狀態(tài)特征。以該特征向量作為模型的輸入，模型輸出是未來(lái)一段時(shí)段的交通狀態(tài)值，時(shí)間粒度為2 min，輸出變量個(gè)數(shù)與預(yù)測(cè)時(shí)長(zhǎng)相關(guān)，比如預(yù)測(cè)未來(lái)24 h 的某城市快速路路段的交通狀態(tài)，則輸出變量個(gè)數(shù)為720個(gè)。

本文的預(yù)測(cè)問(wèn)題是一個(gè)非線性的分類問(wèn)題，由于支持向量機(jī)對(duì)于非線性分類具有明顯優(yōu)勢(shì)，于是采用了支持向量機(jī)作為學(xué)習(xí)算法，結(jié)合構(gòu)建的特征向量，建立了交通狀態(tài)的預(yù)測(cè)模型。通過(guò)對(duì)預(yù)測(cè)結(jié)果進(jìn)行比較，確定了模型的核函數(shù)為徑向基（rbf）核函數(shù)。

2 實(shí)驗(yàn)案例

為了驗(yàn)證本文所提出方法的有效性和普適性，以佛山市佛山大道北的一個(gè)路段進(jìn)行單路段的交通狀態(tài)長(zhǎng)時(shí)段預(yù)測(cè)，佛山大道北是一條城市快速路，之后對(duì)比SVM 與其他方法的預(yù)測(cè)結(jié)果，以及不同核函數(shù)的預(yù)測(cè)結(jié)果。最后選取多條路段，對(duì)應(yīng)每條路段建立不同的SVM 預(yù)測(cè)模型，將方法應(yīng)用到更多的路段。

2.1 數(shù)據(jù)描述及預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)是某地圖導(dǎo)航運(yùn)營(yíng)商提供的路段路況數(shù)據(jù)，時(shí)間為2017/12/1-31，數(shù)據(jù)時(shí)間間隔為2 min，數(shù)據(jù)的有效字段包括了路段ID、時(shí)間、道路等級(jí)、路段平均行程速度等，參照國(guó)標(biāo)《城市交通運(yùn)行狀況評(píng)價(jià)規(guī)范》［22］，如表1 所示，通過(guò)路段平均行程速度來(lái)得到路段的交通運(yùn)行狀態(tài)。其中，交通運(yùn)行狀況等級(jí)包含了5種交通狀態(tài)，分別為暢通、基本暢通、輕度擁堵、中度擁堵和嚴(yán)重?fù)矶?，分別以1、2、3、4 和5 表示。在實(shí)驗(yàn)中，以2017/12/4-24的數(shù)據(jù)為訓(xùn)練集。為了避免圣誕節(jié)對(duì)結(jié)果的影響，以2017/12/26-31的數(shù)據(jù)為測(cè)試集，并且采用最大最小歸一化的方法，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。訓(xùn)練樣例數(shù)據(jù)如表2所示。

表1 城市交通狀態(tài)評(píng)價(jià)規(guī)范1）Table 1 Specification for urban traffic status evaluation

2.2 評(píng)價(jià)指標(biāo)

為度量預(yù)測(cè)結(jié)果的準(zhǔn)確性，本文以準(zhǔn)確度（Acc）、平均絕對(duì)誤差（MAE） 和均方根誤差（RMSE）為評(píng)價(jià)指標(biāo)。定義

其中pi表示預(yù)測(cè)交通狀態(tài)值，ti表示真實(shí)交通狀態(tài)值，N表示預(yù)測(cè)交通狀態(tài)值的個(gè)數(shù)。

2.3 實(shí)驗(yàn)結(jié)果及分析

2.3.1 單路段預(yù)測(cè)結(jié)果 實(shí)驗(yàn)采用支持向量機(jī)（SVM）對(duì)2017/12/26-31的佛山大道北一個(gè)路段的交通狀態(tài)進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與隨機(jī)森林（RF）、Adaboosting（Ada）、K-近鄰（KNN）、梯度提升決策樹（GBDT）和決策樹（DT）的預(yù)測(cè)結(jié)果進(jìn)行比較。

1）不同方法結(jié)果比較。六種預(yù)測(cè)方法2017/12/26 的預(yù)測(cè)結(jié)果如圖2 所示。從圖中可以看出，SVM 能較好地預(yù)測(cè)長(zhǎng)時(shí)段的城市快速路交通狀態(tài)。由表3 中的各項(xiàng)評(píng)價(jià)指標(biāo)可以看到，SVM 對(duì)26 日全天預(yù)測(cè)準(zhǔn)確度最高，達(dá)到了91.94%，比其他方法高2.08%以上；MAE 和RMSE 是最小的，分別為0.11 和0.41。在高峰時(shí)段（7：00-9：00 和17：00-19：00），SVM 的預(yù)測(cè)表現(xiàn)同樣優(yōu)于其他方法。預(yù)測(cè)準(zhǔn)確度達(dá)到了78.69%，比其他方法高7.38%以上。預(yù)測(cè)精度比起全天要有所下降，這是因?yàn)楦叻鍟r(shí)段的交通狀態(tài)變化起伏較大、規(guī)律出現(xiàn)波動(dòng)導(dǎo)致的。此外，對(duì)27～31日的整體平均預(yù)測(cè)準(zhǔn)確度進(jìn)行計(jì)算。通過(guò)比較可知，SVM 對(duì)工作日和非工作日的整體預(yù)測(cè)表現(xiàn)略優(yōu)于其他方法。實(shí)驗(yàn)中，電腦操作系統(tǒng)為Windows Server 2012R2，CPU 為Intel Xeon E5-2630 v3，內(nèi)存為128 GB，實(shí)驗(yàn)采用python編程實(shí)現(xiàn)。從預(yù)測(cè)時(shí)間效率來(lái)看，SVM模型的預(yù)測(cè)耗費(fèi)時(shí)間稍大于其他方法，但是時(shí)間差距只是毫秒級(jí)的。相對(duì)來(lái)說(shuō)，SVM 模型提升準(zhǔn)確度所花費(fèi)的時(shí)間代價(jià)比較小。

表2 訓(xùn)練數(shù)據(jù)原始樣例Table 2 Training data original samples

圖2 不同方法的預(yù)測(cè)結(jié)果Fig.2 Prediction results of different methods

表3 單路段預(yù)測(cè)結(jié)果對(duì)比Table 3 Comparison of prediction results of different methods

2）不同核函數(shù)結(jié)果比較。探究了四種常用核函數(shù)對(duì)預(yù)測(cè)結(jié)果準(zhǔn)確度的影響，如圖3所示。實(shí)驗(yàn)結(jié)果表明，無(wú)論是在全天還是高峰時(shí)段，rbf 核函數(shù)在預(yù)測(cè)準(zhǔn)確度上都要高于linear、poly和sigmoid，這也是模型選擇rbf作為核函數(shù)的原因。

3）不同特征組合結(jié)果比較。針對(duì)本文所提出的時(shí)空特征，進(jìn)一步比較了不同特征組合對(duì)預(yù)測(cè)結(jié)果準(zhǔn)確度的影響，以驗(yàn)證本文提出的時(shí)間常發(fā)擁堵特征、歷史平均交通狀態(tài)特征能否有效提高SVM 模型的預(yù)測(cè)精度。其中，歷史平均交通狀態(tài)特征包括了預(yù)測(cè)路段歷史平均交通狀態(tài)、上游路段歷史平均交通狀態(tài)和下游路段歷史平均交通狀態(tài)。實(shí)驗(yàn)中，將特征按照類型的不同進(jìn)行分類組合。

（a）組合1：時(shí)間軸特征（時(shí)、分、周天、工作日）；

（b）組合2：時(shí)間軸特征（時(shí)、分、周天、工作日） +時(shí)間常發(fā)擁堵特征；

（c）組合3：時(shí)間軸特征（時(shí)、分、周天、工作日） + 時(shí)間常發(fā)擁堵特征+ 預(yù)測(cè)路段歷史平均交通狀態(tài)；

（d）組合4：時(shí)間軸特征（時(shí)、分、周天、工作日） + 時(shí)間常發(fā)擁堵特征+ 歷史平均交通狀態(tài)特征（預(yù)測(cè)路段歷史平均交通狀態(tài)、上游路段歷史平均交通狀態(tài)、下游路段歷史平均交通狀態(tài)）。

圖3 不同核函數(shù)預(yù)測(cè)結(jié)果Fig.3 Prediction results of different kernel functions

（e）組合4 對(duì)應(yīng)本文的時(shí)空特征向量。對(duì)比四種不同特征組合的預(yù)測(cè)結(jié)果準(zhǔn)確度，結(jié)果如圖4所示。圖4 中，組合4 的全天預(yù)測(cè)準(zhǔn)確度最高，說(shuō)明本文設(shè)計(jì)的時(shí)空特征向量能有效提升預(yù)測(cè)的準(zhǔn)確度。相比組合1 的預(yù)測(cè)結(jié)果，組合2 的全天和高峰預(yù)測(cè)準(zhǔn)確度分別提高了3.8%和22.1%，組合3 的全天和高峰預(yù)測(cè)準(zhǔn)確度分別提高了4.7% 和30.3%，組合4 的全天和高峰預(yù)測(cè)準(zhǔn)確度分別提高了5.15 和30.3%，預(yù)測(cè)精度均有大幅提升，特別是高峰時(shí)段。從組合3 和組合4 的比較來(lái)看，加入上下游路段歷史平均交通狀態(tài)后，高峰預(yù)測(cè)準(zhǔn)確度基本不變，全天預(yù)測(cè)準(zhǔn)確度有所提高。進(jìn)一步說(shuō)明了本文提出的時(shí)間常發(fā)擁堵特征和歷史平均特征都能較好地反映交通狀態(tài)的變化規(guī)律，特別是時(shí)間常發(fā)擁堵特征對(duì)于高峰期的預(yù)測(cè)準(zhǔn)確度提升效果顯著。

圖4 不同特征組合預(yù)測(cè)結(jié)果Fig.4 Prediction results of different feature combinations

2.3.2 多路段預(yù)測(cè)結(jié)果 為了驗(yàn)證基于時(shí)空特征向量的SVM 預(yù)測(cè)方法的普適性，實(shí)驗(yàn)隨機(jī)選取了佛山市500條城市快速路路段進(jìn)行測(cè)試，與單條路段的實(shí)驗(yàn)類似，針對(duì)每條路段建立不同的SVM 預(yù)測(cè)模型。對(duì)每一條路段的評(píng)價(jià)指標(biāo)進(jìn)行平均，結(jié)果如表4所示。實(shí)驗(yàn)表明，該預(yù)測(cè)方法同樣適用于其他路段，在隨機(jī)選取的500條路段上的平均預(yù)測(cè)準(zhǔn)確度較好，26 號(hào)全天預(yù)測(cè)平均準(zhǔn)確度達(dá)到了95.32%，高峰時(shí)段預(yù)測(cè)平均準(zhǔn)確度達(dá)到了88.63%，27 號(hào)到31 號(hào)的預(yù)測(cè)平均準(zhǔn)確度達(dá)到了94.94%，在六種方法中表現(xiàn)最優(yōu)，充分表明了本文所提出的預(yù)測(cè)方法的普適性。

表4 多路段預(yù)測(cè)結(jié)果對(duì)比Table 4 Comparison of prediction results of multiple roads

3 結(jié) 論

本文通過(guò)挖掘路段交通狀態(tài)的時(shí)空關(guān)聯(lián)性，對(duì)特征向量進(jìn)行設(shè)計(jì)，提出了以時(shí)間特征和空間特征為基礎(chǔ)的特征向量來(lái)表征交通狀態(tài)的規(guī)律性變化，并結(jié)合支持向量機(jī)分類算法，預(yù)測(cè)長(zhǎng)時(shí)段的路段交通狀態(tài)。以單路段和多路段實(shí)驗(yàn)，驗(yàn)證了模型的有效性和普適性，表明了本文提出的時(shí)空特征向量能較好地描述交通狀態(tài)的變化規(guī)律，預(yù)測(cè)精度在全天和高峰時(shí)間的表現(xiàn)都較好。本文的創(chuàng)新在于彌補(bǔ)了短時(shí)交通狀態(tài)預(yù)測(cè)的不足，構(gòu)建了新的時(shí)空特征向量，提出了一種長(zhǎng)時(shí)段交通狀態(tài)預(yù)測(cè)的有效方法，并且引入的新特征能有效提高長(zhǎng)時(shí)段交通狀態(tài)預(yù)測(cè)準(zhǔn)確度。此外，將方法應(yīng)用于多個(gè)路段，針對(duì)每條路段建立不同的SVM預(yù)測(cè)模型，驗(yàn)證了方法的普適性，對(duì)于大規(guī)模路網(wǎng)的應(yīng)用具有一定的可行性。

同時(shí)，研究也存在可以進(jìn)一步完善的地方。比如：由于缺乏節(jié)假日、氣象等數(shù)據(jù)，本文在構(gòu)建特征向量的時(shí)候沒(méi)有考慮節(jié)假日和氣象的影響。在后續(xù)的研究中，可以考慮將節(jié)假日和氣象納入特征向量當(dāng)中，以提高該模型在其他特殊交通需求模式下的預(yù)測(cè)能力。此外，可以挖掘更多的特征，進(jìn)一步提高預(yù)測(cè)精度。