摘" 要：當(dāng)前對(duì)于城市交通態(tài)勢(shì)預(yù)測(cè)多采用注意力機(jī)制算法，但該方法易受到交通特征指標(biāo)二次離差波動(dòng)量的影響，導(dǎo)致預(yù)測(cè)精度較低。為此，論文提出基于移動(dòng)定位數(shù)據(jù)和群智感知的城市交通態(tài)勢(shì)預(yù)測(cè)方法。以移動(dòng)定位數(shù)據(jù)為基礎(chǔ)，選取能夠表征城市交通狀況的總量特征、相對(duì)特征與動(dòng)態(tài)特征，并將特征指標(biāo)進(jìn)行按序加權(quán)處理，以消除其二次離差波動(dòng)量，結(jié)合交通態(tài)勢(shì)接口數(shù)據(jù)對(duì)路段特征進(jìn)行分類(lèi)，并計(jì)算特征指標(biāo)隸屬度，由此構(gòu)建交通態(tài)勢(shì)預(yù)測(cè)模型，基于此，采用群智感知技術(shù)對(duì)預(yù)測(cè)模型的控制參數(shù)進(jìn)行優(yōu)化，從而求取交通態(tài)勢(shì)值，并將計(jì)算結(jié)果與交通態(tài)勢(shì)等級(jí)劃分標(biāo)準(zhǔn)相比較，以明確交通態(tài)勢(shì)等級(jí)，進(jìn)而實(shí)現(xiàn)城市交通態(tài)勢(shì)預(yù)測(cè)。對(duì)比試驗(yàn)結(jié)果表明，將所提方法應(yīng)用于城市交通態(tài)勢(shì)預(yù)測(cè)中，能夠獲取較高的預(yù)測(cè)精度。

關(guān)鍵詞：移動(dòng)定位數(shù)據(jù)；群智感知技術(shù)；城市交通；交通態(tài)勢(shì)預(yù)測(cè)

中圖分類(lèi)號(hào)：U491.14

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)" 1000-5269（2025）01-0091-07

DOI：10.15958/j.cnki.gdxbzrb.2025.01.13

收稿日期：2024-04-26

基金項(xiàng)目：云南省科技廳《云南省數(shù)字交通重點(diǎn)實(shí)驗(yàn)室》資助項(xiàng)目（202205AG070008）

作者簡(jiǎn)介：祿鎧銑（1990—），男，工程師，碩士，研究方向：交通工程，E-mail：Avakaixian@163.com.

*通訊作者：祿鎧銑，E-mail：Avakaixian@163.com.

道路里程和機(jī)動(dòng)車(chē)流量不斷增加，從而加劇了城市交通擁堵程度。城市交通擁堵事故頻發(fā)，不僅影響人們出行，也威脅著人們的生命安全。因此，運(yùn)用技術(shù)手段對(duì)城市交通狀況進(jìn)行評(píng)價(jià)，對(duì)優(yōu)化城市交通控制系統(tǒng)具有重要意義。

相陽(yáng)等采用AI技術(shù)對(duì)交通流狀態(tài)進(jìn)行智能檢測(cè)。該方法基于城市交通流的歷史數(shù)據(jù)對(duì)未來(lái)交通態(tài)勢(shì)進(jìn)行模擬，并結(jié)合決策樹(shù)算法完成交通狀態(tài)預(yù)測(cè)。此方法雖然能夠彌補(bǔ)傳統(tǒng)交通狀態(tài)預(yù)測(cè)方法的預(yù)測(cè)效率，但由于缺少分析交通特征的時(shí)空依賴(lài)性，導(dǎo)致預(yù)測(cè)精度不高；曲栩等提出了基于廣義時(shí)空?qǐng)D卷積網(wǎng)絡(luò)的交通態(tài)勢(shì)預(yù)測(cè)方法，其通過(guò)選取車(chē)輛速度分布、車(chē)輛分位速度差為研究指標(biāo)，并根據(jù)交通態(tài)勢(shì)風(fēng)險(xiǎn)值之間的非映射關(guān)系建立預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)交通未來(lái)發(fā)展趨勢(shì)的預(yù)測(cè)。但該方法在面對(duì)交通特征指標(biāo)二次離差波動(dòng)量時(shí)存在預(yù)測(cè)精度較低的問(wèn)題。

針對(duì)以上分析，本文引入移動(dòng)定位數(shù)據(jù)和群智感知技術(shù)，以獲取更多樣化和準(zhǔn)確的數(shù)據(jù)，從而提高預(yù)測(cè)模型的精度和可靠性。采用特征指標(biāo)的按序加權(quán)處理方法，消除二次離差波動(dòng)量的影響，減小預(yù)測(cè)誤差。結(jié)合交通態(tài)勢(shì)接口數(shù)據(jù)，對(duì)路段特征進(jìn)行分類(lèi)，并計(jì)算特征指標(biāo)的隸屬度，從而構(gòu)建更準(zhǔn)確的交通態(tài)勢(shì)預(yù)測(cè)模型。使用群智感知技術(shù)對(duì)預(yù)測(cè)模型的控制參數(shù)進(jìn)行優(yōu)化，進(jìn)一步提高了預(yù)測(cè)精度和穩(wěn)定性。

1" 城市交通態(tài)勢(shì)預(yù)測(cè)方法設(shè)計(jì)

1.1nbsp; 基于移動(dòng)定位數(shù)據(jù)的交通狀態(tài)特征提取

城市交通狀況的特征指標(biāo)可以從不同維度反映路網(wǎng)交通的運(yùn)行狀況，且易于獲取，計(jì)算復(fù)雜度低，能夠滿(mǎn)足交通狀態(tài)預(yù)測(cè)模型的需求，從而實(shí)現(xiàn)對(duì)城市交通狀態(tài)全面、準(zhǔn)確、方便的評(píng)估。

本文基于移動(dòng)定位數(shù)據(jù)提取城市交通狀況特征指標(biāo)。通過(guò)確定路段內(nèi)移動(dòng)數(shù)據(jù)的相鄰定位點(diǎn)之間的距離，確定移動(dòng)定位數(shù)據(jù)的地圖匹配，進(jìn)而搜索最佳移動(dòng)定位路徑。路段移動(dòng)定位數(shù)據(jù)的存儲(chǔ)結(jié)構(gòu)如圖1所示。

城市交通安全狀況的特征提取目前主要分為總指標(biāo)、動(dòng)態(tài)指標(biāo)、相對(duì)指標(biāo)等。不同類(lèi)別的指標(biāo)能夠從不同角度描述一段時(shí)間內(nèi)交通事故的嚴(yán)重程度、水平和發(fā)展趨勢(shì)，并且上述指標(biāo)在時(shí)間維

度上可以進(jìn)一步細(xì)分為年度、月度、季度和周數(shù)據(jù)，如圖2所示。

總量指標(biāo)具有較高的波動(dòng)性和隨機(jī)性，且數(shù)據(jù)突變點(diǎn)較多，是最具可比性的指標(biāo)。因此，本文使用移動(dòng)定位數(shù)據(jù)對(duì)交通基站數(shù)據(jù)進(jìn)行預(yù)處理，并以Excel格式進(jìn)行存儲(chǔ)，主要包括時(shí)間段、通信狀態(tài)字段、用戶(hù)號(hào)碼字段和位置號(hào)碼字段等信息。移動(dòng)定位數(shù)據(jù)示例如表1所示。

城市交通狀態(tài)特征指標(biāo)是基于移動(dòng)定位數(shù)據(jù)，通過(guò)實(shí)時(shí)采集交通軌跡數(shù)據(jù)，結(jié)合地理信息系統(tǒng)與相關(guān)編程軟件提取的。各指標(biāo)的計(jì)算方式如下。

1）交通流量。路段交通流量可以間接反映單位時(shí)間內(nèi)斷面流過(guò)的交通流量大小，計(jì)算公式為

q1=n1t1（1）

式中：n1表示在統(tǒng)計(jì)時(shí)間間隔t1內(nèi)采集到的移動(dòng)定位信息的數(shù)據(jù)量。

2）路段交通密度?？梢岳斫鉃樵趩挝婚L(zhǎng)度的路段上，移動(dòng)設(shè)備覆蓋的最遠(yuǎn)距離的平均值，該特征指標(biāo)能夠衡量一定空域單元里移動(dòng)定位數(shù)據(jù)的密度，計(jì)算公式為

k1=nklk（2）

式中：nk表示在一定時(shí)間間隔內(nèi)移動(dòng)設(shè)備與基站的最遠(yuǎn)距離，描述的是在一定時(shí)間段內(nèi)，移動(dòng)設(shè)備在空間中所覆蓋的距離；lk表示監(jiān)測(cè)路段的長(zhǎng)度，是固定的長(zhǎng)度，表示路段的起點(diǎn)和終點(diǎn)之間的距離。

3）交通接近率?？梢岳斫鉃榻煌范翁綔y(cè)器與某一點(diǎn)之間的接近程度，即探測(cè)器之間距離與飛行高度的比值。該特征指標(biāo)能夠表征路段交通密集程度，其計(jì)算公式為

d1=（xi-yj）2+（yi+yj）2s1+（zi+zj）2s0（3）

式中：（xi，yi，zi）表示交通路段探測(cè)器i的空間位置坐標(biāo)，其量綱是長(zhǎng)度；（xj，yj，zj）表示交通路段探測(cè)器j的空間位置坐標(biāo)，其量綱是長(zhǎng)度；s1、s0分別表示探測(cè)器i和j的飛行高度，描述探測(cè)器相對(duì)于地面的高度，同樣具有長(zhǎng)度的量綱。

4）交通飽和度。該特征縱坐標(biāo)屬于城市交通態(tài)勢(shì)的基礎(chǔ)性指標(biāo)。預(yù)測(cè)時(shí)間內(nèi)的交通飽和度越大，交通狀態(tài)越擁擠，其計(jì)算公式為

f1=qtc1（4）

式中：qt表示待測(cè)路段交通量的平均值；c1表示交通容量限制閾值。

根據(jù)以上計(jì)算與分析過(guò)程，本文將提取出的城市交通態(tài)勢(shì)特征指標(biāo)構(gòu)造成特征集合，即Ω={q1，k1，d1，f1}，接下來(lái)以特征指標(biāo)集合為基礎(chǔ)，構(gòu)建城市交通態(tài)勢(shì)預(yù)測(cè)模型。

1.2" 城市交通態(tài)勢(shì)預(yù)測(cè)模型構(gòu)建

城市交通流的交通速度與交通流量，在時(shí)間與空間上都具有一定的相關(guān)性，且當(dāng)前路段的交通狀況也與其上下游有關(guān)。因此，可根據(jù)這一原理，考慮交通環(huán)境對(duì)交通數(shù)據(jù)的影響，建立交通態(tài)勢(shì)預(yù)測(cè)模型。

針對(duì)預(yù)測(cè)模型，首先需要采集交通流數(shù)據(jù)，其中包含的主要字段如表2所示。

根據(jù)路段名稱(chēng)與方向信息，能夠確定某一車(chē)輛所處的路段，并進(jìn)而確定同一車(chē)輛在該路段的行駛速度，即

v1=L0T1-T0（5）

式中：L0表示車(chē)輛行駛距離；T1、T0分別表示車(chē)輛駛出與駛?cè)朐撀范蔚臅r(shí)間。

結(jié)合交通態(tài)勢(shì)特征指標(biāo)，可以將原始數(shù)據(jù)轉(zhuǎn)換為空間序列，即

S=v1axΩ（6）

式中：ax表示x個(gè)交通態(tài)勢(shì)特征指標(biāo)對(duì)應(yīng)的權(quán)重；Ω表示特征指標(biāo)集合。因此，S中包含了空間信息。

將交通數(shù)據(jù)的空間序列與時(shí)間序列進(jìn)行拼接處理，可以得到t0時(shí)刻新的輸入時(shí)間序列為

y0=Sg1pt+bc（7）

式中：g1表示時(shí)間序列的影響因子；pt表示偏置項(xiàng)；bc表示調(diào)整常數(shù)。

將交通數(shù)據(jù)的時(shí)間序列按序加權(quán)，并同時(shí)結(jié)合數(shù)據(jù)的二次離差與特征指標(biāo)的相對(duì)大小變化量，消除指標(biāo)的二次離差波動(dòng)量，得到交通流量矩陣，公式如下：

minQ0=ph-1dc∑y0xc（8）

式中：ph表示同一時(shí)段的數(shù)據(jù)點(diǎn)數(shù)信息；dc表示數(shù)據(jù)樣本的時(shí)域；xc表示數(shù)據(jù)二次離差系數(shù)。

參考相關(guān)研究結(jié)果，基于城市交通態(tài)勢(shì)接口數(shù)據(jù)，對(duì)交通運(yùn)行特征進(jìn)行標(biāo)準(zhǔn)化處理。

rc=minQ0brht（9）

式中：br表示待測(cè)時(shí)段的行程時(shí)間指數(shù)；ht表示路段的自由流速。

將道路交叉口附近的像素點(diǎn)進(jìn)行銳化處理，以保證路段交通數(shù)據(jù)中包含緩堵隊(duì)列的路徑分布長(zhǎng)度。則在特征點(diǎn)集N中，起點(diǎn)為ni、終點(diǎn)為nj的數(shù)據(jù)像素長(zhǎng)度可定義為

αij=rc∑Sk（ni-nj）（10）

式中：Sk表示第k個(gè)特征點(diǎn)的距離權(quán)值。

利用差分方法將路段的同向、反向與垂直分布形態(tài)進(jìn)行分類(lèi)，則路段的分類(lèi)特征可表示為

Γ=（αijβ0）2φ0u1（11）

式中：β0表示特征點(diǎn)的限定因子；φ0表示路段鄰域系數(shù)；u1表示領(lǐng)域的展開(kāi)寬度。

基于上式，引入道路方向定義，即

D=ΓD+，0≤δ0≤180°

ΓD-，180°≤δ0≤360°（12）

式中：D+、D-分別表示正向道路與反向道路集合；δ0表示以正東方向?yàn)槠鹗歼?，逆時(shí)針旋轉(zhuǎn)的角度值。

某交通安全態(tài)勢(shì)評(píng)價(jià)因子的隸屬度為

Rf=D-z02π（13）

式中：z0表示評(píng)價(jià)等級(jí)分界點(diǎn)。

由此構(gòu)建的城市交通態(tài)勢(shì)預(yù)測(cè)模型為

Ψ=∑RfSfWt（14）

式中：Sf表示交通安全態(tài)勢(shì)指標(biāo)的權(quán)重向量；Wt表示特征指標(biāo)的特征向量。

基于城市交通態(tài)勢(shì)特征指標(biāo)，采集交通流數(shù)據(jù)，通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行時(shí)空序列轉(zhuǎn)換與標(biāo)準(zhǔn)化處理，并結(jié)合交通流矩陣，構(gòu)建交通態(tài)勢(shì)預(yù)測(cè)模型，為后續(xù)實(shí)現(xiàn)交通狀態(tài)預(yù)測(cè)奠定基礎(chǔ)。

1.3" 基于群智感知的交通態(tài)勢(shì)預(yù)測(cè)

在完成城市交通態(tài)勢(shì)預(yù)測(cè)模型后，為獲取更加精確的交通態(tài)勢(shì)預(yù)測(cè)結(jié)果，采用群智感知技術(shù)對(duì)模型參數(shù)進(jìn)行優(yōu)化，并通過(guò)輸入交通擁堵數(shù)據(jù)來(lái)輸出交通態(tài)勢(shì)指數(shù)，實(shí)現(xiàn)交通態(tài)勢(shì)預(yù)測(cè)?；谌褐歉兄夹g(shù)的交通態(tài)勢(shì)預(yù)測(cè)流程如圖3所示。

將監(jiān)測(cè)到的城市交通數(shù)據(jù)信息劃分為試驗(yàn)集與訓(xùn)練集，并利用下列公式計(jì)算流速粒度。

=jn3+12Ψ，n3＞γ0

j（n3+1）/2+j（n3/2）2Ψ，n3≤γ0（15）

式中：n3表示試驗(yàn)樣本數(shù)；γ0表示訓(xùn)練樣本數(shù)；j表示路網(wǎng)劃分個(gè)數(shù)；Ψ表示預(yù)測(cè)模型。

基于網(wǎng)格思想，考慮到路段的實(shí)際寬度，對(duì)道路網(wǎng)格進(jìn)行提取，即

Hw=ap（16）

式中：Hw表示道路網(wǎng)格矩陣；ap表示有效激活函數(shù)。

擬合道路中心點(diǎn)，即

Z=Ix∑Hwc1（17）

式中：Ix表示密度閾值；c1表示比例系數(shù)。

進(jìn)而可計(jì)算出路段網(wǎng)格的質(zhì)心坐標(biāo)為

A=ZC1（18）

式中：C1表示系數(shù)矩陣。

為提高預(yù)測(cè)結(jié)果精度，結(jié)合網(wǎng)格質(zhì)心坐標(biāo)與流速粒度，得到預(yù)測(cè)模型的最優(yōu)控制參數(shù)為

θ=F21/A（19）

式中：F1表示路段被劃分的個(gè)數(shù)。

最后，訓(xùn)練預(yù)測(cè)模型，求取交通態(tài)勢(shì)指數(shù)，即

ζ=θw0∑μ（20）

式中：μ、w0分別表示模型擬合系數(shù)與衰減系數(shù)。

根據(jù)相關(guān)標(biāo)準(zhǔn)與規(guī)范，將城市交通狀況根據(jù)交通態(tài)勢(shì)指數(shù)劃分為4個(gè)等級(jí)，具體如表3所示。

將公式（20）計(jì)算出的城市交通態(tài)勢(shì)指數(shù)與上表中的劃分標(biāo)準(zhǔn)進(jìn)行比較，從而確定交通擁堵等級(jí)，由此實(shí)現(xiàn)城市交通態(tài)勢(shì)預(yù)測(cè)。

2" 試驗(yàn)論證分析

為測(cè)試本文提出的方法在測(cè)試交通態(tài)勢(shì)預(yù)測(cè)中的有效性，設(shè)計(jì)對(duì)比試驗(yàn)，引入其他方法進(jìn)行對(duì)比，根據(jù)試驗(yàn)結(jié)果分析本文方法的預(yù)測(cè)性能。

2.1" 試驗(yàn)準(zhǔn)備

試驗(yàn)選取某城市中心城區(qū)主干路與次干路兩個(gè)路段進(jìn)行試驗(yàn)，具體如圖4所示。

如上圖所示，試驗(yàn)預(yù)測(cè)的目標(biāo)路段為主干路和次干路。黑框區(qū)域代表試驗(yàn)中涉及的上下游范圍，通過(guò)提取交通流的特征指標(biāo)來(lái)分析指標(biāo)間的時(shí)空相關(guān)性特征。在試驗(yàn)段上每5 m安裝一個(gè)檢測(cè)器，并將檢測(cè)到的車(chē)速以5 min的間隔進(jìn)行一次劃分，總共得到300個(gè)數(shù)據(jù)點(diǎn)。

選取2023年1—6月試驗(yàn)路段的三個(gè)具有代表性的時(shí)段作為研究時(shí)間，包括出行高峰期、冬季雨雪霧天氣頻繁時(shí)段和交通正常時(shí)段。以上述時(shí)段收集的交通流量數(shù)據(jù)為基礎(chǔ)數(shù)據(jù)，結(jié)合經(jīng)常出行的用戶(hù)作為分析對(duì)象，通過(guò)獲取用戶(hù)從路段駛?cè)氲今偝霾糠值男谐?，過(guò)濾移動(dòng)定位數(shù)據(jù)，并提取交通狀況特征指標(biāo)，具體如表4所示。

由于在該示例中排除了非可通信系統(tǒng)的擁堵路段，因此，結(jié)合道路網(wǎng)絡(luò)可通信系統(tǒng)擁堵程度的量化方法，使用MATLAB自編程序計(jì)算路段上下游不同時(shí)間相鄰路段的擁堵傳播與路網(wǎng)系統(tǒng)擁堵程度的相關(guān)度，結(jié)果分別為2.10和3.14?；谠撚?jì)算結(jié)果，構(gòu)建交通狀況預(yù)測(cè)模型，為了提高模型遷移數(shù)據(jù)后的泛化能力，利用性能測(cè)量系統(tǒng)采集實(shí)時(shí)站點(diǎn)流量數(shù)據(jù)，包括各站點(diǎn)的地理位置信息、道路延誤指標(biāo)數(shù)據(jù)等共52 345條數(shù)據(jù)。使用上述數(shù)據(jù)的前10%作為驗(yàn)證集，其余數(shù)據(jù)作為測(cè)試集來(lái)訓(xùn)練模型。

2.2" 試驗(yàn)說(shuō)明

根據(jù)交通流理論和城市交通狀況分析要求，以2 min為時(shí)間單位對(duì)實(shí)測(cè)交通數(shù)據(jù)流進(jìn)行交通流數(shù)據(jù)統(tǒng)計(jì)，使用獨(dú)立閾值判斷方法來(lái)消除數(shù)據(jù)中的零值和異常值，并補(bǔ)充缺失的數(shù)據(jù)；以1 min為單位對(duì)正常數(shù)據(jù)進(jìn)行分類(lèi)和標(biāo)準(zhǔn)化，并將每個(gè)數(shù)據(jù)集的工作日和周末數(shù)據(jù)分開(kāi)作為數(shù)據(jù)輸入。

本試驗(yàn)基于TensorFlow 1.9.0的Python 3.6.7實(shí)現(xiàn)，并在Linux服務(wù)器上進(jìn)行試驗(yàn)的編譯和測(cè)試。在對(duì)參數(shù)整定進(jìn)行了多次比較試驗(yàn)后，本文算法最終確定的模型輸入通道數(shù)為3，輸出通道數(shù)為16；使用RMSprop最小化100輪的均方誤差來(lái)訓(xùn)練模型，批量大小為20，初始學(xué)習(xí)率為0.002；模型輸入的歷史時(shí)間窗格為30 min，預(yù)測(cè)的未來(lái)時(shí)間窗格為10、20和30 min。

2.3" 交通態(tài)勢(shì)預(yù)測(cè)結(jié)果分析

基于以上試驗(yàn)準(zhǔn)備與相關(guān)參數(shù)的設(shè)定，將試驗(yàn)樣本集與模型訓(xùn)練學(xué)習(xí)樣本集輸入交通態(tài)勢(shì)模型中，并通過(guò)路網(wǎng)與道路中心點(diǎn)的提取以及路網(wǎng)質(zhì)心坐標(biāo)的擬合，優(yōu)化模型的控制參數(shù)，以此得到試驗(yàn)路段的交通態(tài)勢(shì)安全值，通過(guò)分析出行高峰期、冬季雨雪霧天氣頻繁時(shí)段和交通正常時(shí)段三個(gè)時(shí)段預(yù)測(cè)結(jié)果與實(shí)際結(jié)果差異，從而分析本文方法在不同情況下的預(yù)測(cè)效果，結(jié)果如圖5所示。

如圖5所示，利用本文方法對(duì)三種情況下試驗(yàn)路段交通態(tài)勢(shì)進(jìn)行預(yù)測(cè)，計(jì)算得到的安全態(tài)勢(shì)值分布曲線與實(shí)測(cè)值曲線的趨勢(shì)均表現(xiàn)一致，兩條曲線的擬合程度較高，說(shuō)明本文方法在不同情況下均能夠較為準(zhǔn)確地預(yù)測(cè)出城市交通態(tài)勢(shì)狀況，預(yù)測(cè)精度較高。

2.4" 交通態(tài)勢(shì)預(yù)測(cè)誤差對(duì)比試驗(yàn)分析

為進(jìn)一步證實(shí)本文設(shè)計(jì)的方法在交通態(tài)勢(shì)預(yù)測(cè)精度方面的優(yōu)越性能，采用神經(jīng)網(wǎng)絡(luò)算法（方法1）、支持向量機(jī)算法（方法2）作為本文方法的對(duì)比方法，分別將以上三種方法應(yīng)用于試驗(yàn)路段交通態(tài)勢(shì)預(yù)測(cè)中，并計(jì)算不同方法的預(yù)測(cè)相對(duì)誤差，計(jì)算公式如下：

ε=∑y1-y2y2（21）

式中：y1、y2分別表示預(yù)測(cè)值與實(shí)際值。

利用上式計(jì)算對(duì)照組方法與本文方法對(duì)于交通態(tài)勢(shì)預(yù)測(cè)的相對(duì)誤差，結(jié)果如圖6所示。

根據(jù)圖6可以看出，相比于其他兩種方法，利用本文方法對(duì)路段交通態(tài)勢(shì)進(jìn)行預(yù)測(cè)得到的預(yù)測(cè)相對(duì)誤差更小，在同一天的不同時(shí)刻，本文方法的預(yù)測(cè)相對(duì)誤差始終保持在0.2%以下，而方法1與方法2的預(yù)測(cè)相對(duì)誤差均超過(guò)了0.4%。分析原因可知，方法1與方法2建立的預(yù)測(cè)模型無(wú)法很好地?cái)M合原始交通流數(shù)據(jù)的特征，使得在一些真實(shí)流量較大的交通情景下，預(yù)測(cè)精度偏低。綜合比較試驗(yàn)結(jié)果可知，本文提出的交通態(tài)勢(shì)預(yù)測(cè)方法能夠以較高精度預(yù)測(cè)城市交通態(tài)勢(shì)，預(yù)測(cè)效果較好，對(duì)提高交通效率、改善交通安全具有實(shí)際參考意義。

3" 結(jié)論

針對(duì)常規(guī)預(yù)測(cè)方法對(duì)城市交通態(tài)勢(shì)預(yù)測(cè)精度低的缺陷，本文提出基于移動(dòng)定位數(shù)據(jù)和群智感知的城市交通態(tài)勢(shì)預(yù)測(cè)方法。經(jīng)過(guò)實(shí)例分析得出以下結(jié)論：

1）能夠以較高的預(yù)測(cè)精度準(zhǔn)確預(yù)測(cè)城市交通態(tài)勢(shì)狀況。

2）具有更小的預(yù)測(cè)相對(duì)誤差，能夠提供更可靠的交通態(tài)勢(shì)預(yù)測(cè)結(jié)果。

因此，本研究的方法提高了預(yù)測(cè)模型的穩(wěn)定性和精度，對(duì)于城市交通的安全運(yùn)營(yíng)與乘客安全出行具有一定的指導(dǎo)意義。

參考文獻(xiàn)：

相陽(yáng)， 陳曉靜. 基于AI的交通流狀態(tài)智能檢測(cè)與擁堵態(tài)勢(shì)分析. 江蘇科技信息， 2023， 40（15）： 54-57， 61.

曲栩， 甘銳， 安博成，等. 基于廣義時(shí)空?qǐng)D卷積網(wǎng)絡(luò)的交通群體運(yùn)動(dòng)態(tài)勢(shì)預(yù)測(cè). 交通運(yùn)輸工程學(xué)報(bào)， 2022， 22（3）： 79-88.

朱承元， 張澈， 管建華. 基于改進(jìn)支持向量機(jī)的空域交通態(tài)勢(shì)識(shí)別方法. 交通信息與安全， 2023， 41（2）： 76-85.

李忠. 多目標(biāo)跟蹤雷達(dá)技術(shù)在交通態(tài)勢(shì)感知中的應(yīng)用. 中國(guó)交通信息化， 2023（4）： 129-131， 139.

劉潔， 舒國(guó)明， 石鑫，等. 基于Kernel-KNN高速公路異常交通態(tài)勢(shì)預(yù)測(cè)研究. 公路， 2023， 68（2）： 232-236.

相迎宵， 李軼珂， 劉吉強(qiáng)，等. 面向降頻污染攻擊的智能交通擁堵態(tài)勢(shì)量化分析. 軟件學(xué)報(bào)， 2023， 34（2）： 833-848.

段力偉， 冉松民， 陳瑞雪，等. 基于梯度提升決策樹(shù)的城市軌道交通網(wǎng)絡(luò)運(yùn)營(yíng)態(tài)勢(shì)綜合評(píng)估方法. 城市軌道交通研究， 2022， 25（8）： 32-35.

翟藝陽(yáng)， 羅昱偉， 張馳，等. 基于收費(fèi)站數(shù)據(jù)的交通事故態(tài)勢(shì)感知判別. 公路交通科技， 2023， 40（5）： 211-220.

陳波， 劉電， 呂洪燕，等. 基于圖像識(shí)別技術(shù)的高速公路隧道交通態(tài)勢(shì)分析. 中國(guó)交通信息化， 2021（8）： 129-132.

劉川， 袁伯龍. 基于WOS數(shù)據(jù)庫(kù)的文獻(xiàn)計(jì)量分析的城市交通事故態(tài)勢(shì)研究. 交通節(jié)能與環(huán)保， 2021， 17（2）： 66-72.

劉晶鑫， 唐婕， 曹瑾鑫. 基于機(jī)器學(xué)習(xí)的城市交通態(tài)勢(shì)評(píng)估與預(yù)測(cè)方法研究. 內(nèi)蒙古大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 52（2）： 198-205.

姜山， 丁治明， 徐馨潤(rùn)，等. 面向路網(wǎng)交通流態(tài)勢(shì)預(yù)測(cè)的圖神經(jīng)網(wǎng)絡(luò)模型. 計(jì)算機(jī)科學(xué)與探索， 2021， 15（6）： 1084-1091.

王靜， 王寧. 基于Bisecting K-Means聚類(lèi)的公路交通流狀態(tài)劃分方法. 數(shù)字技術(shù)與應(yīng)用， 2023， 41（7）： 92-93， 119.

閔雪峰. 關(guān)于自動(dòng)駕駛車(chē)輛系統(tǒng)獲取交通運(yùn)行狀態(tài)的方法研究. 交通世界， 2023（19）： 13-15.

劉春生， 曹蓉， 王曉晗，等. 基于門(mén)架數(shù)據(jù)的高速公路運(yùn)行狀態(tài)評(píng)價(jià)研究. 山東科學(xué)， 2023， 36（3）： 100-107.

（責(zé)任編輯：于慧梅）

A Method for Predicting Urban Traffic Situation Based onMobile

Location Data and Group Intelligence Perception

LU Kaixian*， DU Huiyu， TIAN Rundong， LI Yin， ZHANG Chengmi

（Yunnan Yuntong Digital Link Technology Co.， Ltd.， Kunming 650100， China）

Abstract：

Currently， attention mechanism algorithms are commonly used for urban traffic situation prediction， but this method is susceptible to the influence of the momentum of the secondary dispersion wave of traffic characteristic indicators， resulting in low prediction accuracy. To this end， a method for predicting urban traffic situations based on mobile positioning data and swarm intelligence perception is proposed. Based on mobile positioning data， select total， relative， and dynamic features that can characterize urban traffic conditions， and weight the feature indicators in order to eliminate their secondary deviation fluctuations. Combine the traffic situation interface data to classify road segment features and calculate the membership degree of the feature indicators， thereby constructing a traffic situation prediction model. Based on this， using swarm intelligence perception technology to optimize the control parameters of the prediction model， the traffic situation values are obtained， and the calculation results are compared with the traffic situation level classification standards to clarify the traffic situation level and achieve urban traffic situation prediction. The comparative experimental results show that applying the proposed method to urban traffic situation prediction can achieve high prediction accuracy.

Key words：

mobile positioning data; group intelligence perception technology; urban transportation; traffic situation prediction