任正平 黃文博

摘要 智能交通系統(tǒng)作為工業(yè)物聯(lián)網(wǎng)最重要的應(yīng)用之一，旨在提高交通網(wǎng)絡(luò)的效率和安全性。文章回顧了當(dāng)前面向智能交通的研究工作，分析了當(dāng)前研究的重點方向和挑戰(zhàn)，對當(dāng)前的交通預(yù)測方法進行分類，給出兩種不同類型的預(yù)測模型的預(yù)測結(jié)果，最后提出了智能交通預(yù)測領(lǐng)域中潛在的研究方向。

關(guān)鍵詞 智能交通;系統(tǒng)框架;預(yù)測方法

中圖分類號 U491.112 文獻標識碼 A 文章編號 2096-8949（2022）03-0001-030 引言

由于我國交通設(shè)施和交通環(huán)境的具體國情和世界上多數(shù)發(fā)達國家存在差異，國外在智能交通管理系統(tǒng)（ITS）方面的研究偏重于高速公路路網(wǎng)，而在大規(guī)模城市地面路網(wǎng)方面的研究成果較少，缺少相應(yīng)的能夠參考和借鑒的成果。因此，需要研究適合我國大型城市路網(wǎng)的ITS。

ITS的核心技術(shù)是短時交通預(yù)測算法。交通系統(tǒng)是復(fù)雜的時變系統(tǒng)，具有高度的不確定性和非線性特征，交通數(shù)據(jù)也有著周期性、突發(fā)性等特點。短時交通預(yù)測是根據(jù)當(dāng)前或歷史信息預(yù)測幾分鐘或幾小時后的情況[1]，相較于中長期預(yù)測，短期預(yù)測的影響因素更多，更加難以預(yù)測?？梢詫⒅芷谛宰兓醋髦虚L期預(yù)測需要做的預(yù)測，而短期預(yù)測則是要考慮到突發(fā)狀況，而突發(fā)性狀況需要根據(jù)近期交通數(shù)據(jù)進行預(yù)測。由于ITS用于實時管理交通狀況，因此短時交通預(yù)測算法應(yīng)具有以下特點：

（1）實時性。由于是短時預(yù)測，因此算法需要有快速計算能力。

（2）準確性。ITS一般用于動態(tài)路徑誘導(dǎo)，不準確的預(yù)測會使使用者喪失信息，預(yù)測也失去了意義。

（3）可靠性。交通狀況受到的影響因素很多，比如事故、臨時交通管制等等，而交通數(shù)據(jù)本身由于采集技術(shù)的原因也可能不完整或不準確，因此，短時預(yù)測算法需要有很強的抗干擾能力。

針對當(dāng)前短時交通預(yù)測中存在的問題，從影響交通數(shù)據(jù)切入，分析影響交通狀態(tài)的因素，梳理并分析當(dāng)前常用的預(yù)測算法的性能、特點及存在的問題，結(jié)合交通數(shù)據(jù)的三個特點，給出最合適的交通預(yù)測方法和研究方法架構(gòu)。

1 系統(tǒng)框架

研究地面主干路網(wǎng)交通短時預(yù)測與報警的系統(tǒng)化方法，包括數(shù)據(jù)與處理、數(shù)據(jù)預(yù)測、應(yīng)用等流程，為后續(xù)研究形成一套可應(yīng)用的方法架構(gòu)。其架構(gòu)如圖1所示。

整個地面主干路網(wǎng)交通短時預(yù)測與報警研究主要分為五個階段：

（1）數(shù)據(jù)獲取階段。根據(jù)從當(dāng)前研究現(xiàn)狀中了解到的交通短時預(yù)測的影響因素，首先獲取相關(guān)數(shù)據(jù)。數(shù)據(jù)主要包括磁感線圈、GPS等探測數(shù)據(jù)，也是進行預(yù)測的主數(shù)據(jù)，包括速度、流量等。

（2）數(shù)據(jù)預(yù)處理。數(shù)據(jù)的質(zhì)量直接影響預(yù)測算法的精確度，但直接采集到的數(shù)據(jù)質(zhì)量較差，存在噪聲、數(shù)據(jù)缺失等情況，需要對采集到的數(shù)據(jù)進行濾噪、數(shù)據(jù)補全等處理，將數(shù)據(jù)處理成可以使用的高質(zhì)量數(shù)據(jù)。常用的提高數(shù)據(jù)質(zhì)量的方法有小波變化、使用相近數(shù)據(jù)補全、多源數(shù)據(jù)融合等。不同的算法也需要不同的數(shù)據(jù)形式，聚合是對速度、占有率和交通流等采集數(shù)據(jù)的處理，濾波和差分是將交通數(shù)據(jù)轉(zhuǎn)換為平穩(wěn)數(shù)據(jù)的技術(shù)，特征提取是某些算法為提高效率對交通數(shù)據(jù)進行降維處理。

（3）使用短時預(yù)測算法預(yù)測交通狀態(tài)。短時預(yù)測算法是地面主干道路網(wǎng)短時預(yù)測與報警技術(shù)的核心。目前使用的算法主要包括四類：簡單算法（又叫簡單技術(shù)）、參數(shù)化技術(shù)、非參數(shù)化技術(shù)和混合技術(shù)。每種技術(shù)都有其優(yōu)缺點，目前最常用的是ARIMA系列和LSTM相關(guān)的混合技術(shù)。每種算法都有其優(yōu)缺點，針對不同的數(shù)據(jù)和目的可選用不同的算法。該文對這些算法的特點進行研究，結(jié)合大城市地面交通的特點進行相應(yīng)的改進，最終得到更加適用的算法。

（4）功能?；谶@些預(yù)測算法可以產(chǎn)生許多應(yīng)用，如交通流量、速度和占有率預(yù)測、突發(fā)事件預(yù)警、事故風(fēng)險預(yù)測、行程時間估計等。這些功能是ITS等系統(tǒng)的核心。

（5）系統(tǒng)。通過對這些功能的集成可以實現(xiàn)如ITS、ATIS等系統(tǒng)，應(yīng)用到現(xiàn)實中。最終達到協(xié)助交通管理部門進行決策，高效有序地管理交通的目的。

2 預(yù)測方法分類

目前的預(yù)測算法分為四類：簡單算法、參數(shù)化技術(shù)、非參數(shù)化技術(shù)和混合技術(shù)，其結(jié)構(gòu)如圖2所示。表1詳細分析了各種算法的適用范圍和優(yōu)缺點。

分析表1可以發(fā)現(xiàn)，單個預(yù)測算法中，LSTM最適合對短時交通數(shù)據(jù)進行短時預(yù)測，將其發(fā)展為深度神經(jīng)網(wǎng)絡(luò)精確度將更高。當(dāng)前對LSTM的改進為加入時空關(guān)系，提升了預(yù)測精度。但是隨著精確度的提高，模型越來越復(fù)雜，時間復(fù)雜度也越來越高，訓(xùn)練模型花費的時間也越來越多。相反，ARIMA模型的精確度不高但簡單、易于構(gòu)建，實時性較好。

組合模型是多種種算法進行組合預(yù)測，基本為聚類、粒子群、遺傳算法、交叉熵算法、非參數(shù)模型和參數(shù)模型之間的組合。其中，聚類可以分析道路網(wǎng)之間的時空關(guān)系，粒子群、遺傳算法、交叉熵算法常用來優(yōu)化模型參數(shù)。為提高復(fù)雜模型的訓(xùn)練效率，將特征提取算法如PCA與其他模型結(jié)合。

3 預(yù)測案例

利用從上海交通中心獲取的2017年5月1號到2017年8月31號之間的交通速度數(shù)據(jù)，分別使用了ARIMA和LSTM進行了預(yù)測，速度數(shù)據(jù)時間間隔為2 min。

ARIMA 差分整合移動平均自回歸模型，又稱整合移動平均自回歸模型（移動也可稱作滑動），時間序列預(yù)測分析方法之一。ARIMA（p，d，q）模型可以表示為公式（1）。其中p為自回歸項數(shù)，q為滑動平均項數(shù)，d為使之成為平穩(wěn)序列所做的差分次數(shù)（階數(shù)）。L是滯后算子。

（1）

使用數(shù)據(jù)集中某一天的速度數(shù)據(jù)進行預(yù)測，其結(jié)果如圖3～4。從圖中可以直觀發(fā)現(xiàn)，預(yù)測精度較高。

LSTM是一種時間循環(huán)神經(jīng)網(wǎng)絡(luò)，適合處理和預(yù)測時間序列中間隔和延遲非常長的數(shù)據(jù)。作為非線性模型，LSTM可作為復(fù)雜的非線性單元用于構(gòu)造更大型深度神經(jīng)網(wǎng)絡(luò)。該文使用數(shù)據(jù)集中的部分數(shù)據(jù)為訓(xùn)練集訓(xùn)練模型，使用訓(xùn)練好的模型預(yù)測交通速度，直觀發(fā)現(xiàn)精度較高。

4 總結(jié)

交通狀況影響因素很多，早期預(yù)測模型可以有效預(yù)測單一數(shù)據(jù)的變化，但在城市交通中，道路復(fù)雜，不能僅針對某一路段的歷史數(shù)據(jù)進行預(yù)測。神經(jīng)網(wǎng)絡(luò)模型可以有效捕捉復(fù)雜情況下的特征，是以后智能交通系統(tǒng)中的重要組成技術(shù)。

參考文獻

[1]Kehagias D，Salamanis A，Tzovaras D. Speed pattern recognition technique for short-term traffic forecasting based on traffic dynamics[J]. Intelligent Transport Systems Iet，2015（6）：646-653.

[2]Xia D，Wang B，Li H，et al. A distributed spatial-temporal weighted model on MapReduce for short-term traffic flow forecasting[J]. Neurocomputing，2016（C）：246-263。

[3]Wu C H，Ho J M，Lee D T. Travel-time prediction with support vector regression[J]. IEEE Transactions on Intelligent Transportation Systems，2004（4）：276-281.

[4]Ma X，Tao Z，Wang Y，et al. Long short-term memory neural network for traffic speed prediction using remote microwave sensor data[J]. Transportation Research Part C，2015（54）：187-197.

[5]Lv Y，Duan Y，Kang W，et al. Traffic Flow Prediction With Big Data： A Deep Learning Approach[J]. IEEE Transactions on Intelligent Transportation Systems，2015（2）：865-873.

[6]Zhao Z，Chen W，Wu X，et al. LSTM network： a deep learning approach for short-term traffic forecast[J]. Iet Intelligent Transport Systems，2017（2）：68-75.