基于駕駛員路徑選擇行為的突發交通流預測

陳岳明 楊帆

摘 要：針對異常突發事件下駕駛員的路徑選擇特性，分析異常突發事件下駕駛員路徑選擇和到達交通流之間的關系，探索異常突發事件下城市交通流特征的變化規律，以期實現在突發事件下側能夠對城市道路短期交通流進行精準預測。仿真算例表明，預測模型可以較好的進行道路區域網絡交流預測。

關鍵詞：交通流預測 路徑選擇 異常突發事件

中圖分類號：U491 文獻標識碼：A 文章編號：1674-098X（2016）03（c）-0062-03

Abstract：Aiming at the characteristics of route choice by drivers under abnormal states， the relationship between the arrival flow and the route choice under abnormal states is analyzed， and the changing features of the traffic flow under abnormal states are studied， so that accurate predictions may be obtained.The simulation results show that the proposed approach is applicable and effective.

Key Words：Traffic flow forecasting；Route choice；Abnormal states

在異常突發事件下，需要對城市道路交通網絡的交通流進行實時誘導和控制，關鍵是需要對異常事件下的交通流進行預測，這也是智能交通系統的一個重要組成部分[1]。同時，由于在異常事件下，交通流會呈現出不同的復雜性和不確定性，因此，要進行精準的預測并不容易。近些年來，國內外學者們在交通流預測領域進行了大量的研究工作，取得廣泛應用的模型有回歸預測模型、神經網絡預測模型、卡爾曼濾波模型、歷史均值模型、時間序列模型和模糊控制模型等[2-5]。

在異常突發事件情況下，需要對交通流進行預測，前提是要對突發事件下的交通流特征進行分析，得到準確的交通流到達分布，因此，需要考慮駕駛員路徑選擇因素。針對異常突發事件下駕駛員的路徑選擇特性，分析異常突發事件下駕駛員路徑選擇和到達交通流之間的關系，就可以探索異常突發事件下城市交通流特征的變化規律，用其對突發事件下上游交通流到達分布進行修正，從而可以得到異常突發事件下上游交通流的到達特性分布。同時結合基于跳轉ARIMA模型[6]進行路段交通流預測，實現對路網交通流的預測。

1 異常突發事件下駕駛員路徑選擇

駕駛員在得知發生異常突發事件后，反應一般包括兩個方面：一方面駕駛員對安全的注意有一定程度的上升，駕駛會變得更加謹慎；另一方面駕駛員普遍表現出對事件的關心和對交通擁擠的擔心。調查數據顯示[7]，駕駛員在得知城市道路異常突發事件（以事故為例）發生后，最感興趣的信息排名是：第一，交通事故在哪里發生（44.7%）；第二，事故是哪種類型（19.7%）；第三，事故還需要多長時間排除，而對預測行程時間等預測信息因缺乏應用體驗而不太信任，絕大多數駕駛員仍習慣于自行判斷行程時間。

一般情況下，描述駕駛員路徑選擇行為時，常用的模型是離散選擇模型（Discrete Choice Model）。離散選擇模型通常包括概率單位（Probit）模型和分對數（Logit）模型。Probit模型雖然理論上較為嚴密，但因計算困難而應用不多。相比較而言，Logit模型更加簡單易用。Logit模型中最簡單的形式為多項式Logit模型，該模型可以通過隨機效用理論判別分析、刺激-反應過程模型或熵模型推出。多項式模型具有IIA特性[8]（Independence from Irrelevant Alternation），即任兩個選擇項的選擇概率之比與其他選擇項的狀態無關。

駕駛員行為和對其行為觀測都存在隨機性，路線對于駕駛員的效用也是隨機的。在使用Logit模型描述駕駛員選擇行為過程中，駕駛員的路線選擇概率由路線的效用決定，各路線之間的效用是獨立的，且路線的效用由駕駛員對路線的熟悉程度、預期行程時間等決定。由Logit模型描述的駕駛員路線選擇概率模型為：

當城市交通道路發生異常突發事件后，決定駕駛員路徑選擇行為的是駕駛員自身屬性所構成的靜態屬性（包括對路線的熟悉程度、行駛距離、出行目的、個人駕駛習慣和安全意識等）和駕駛現場的動態屬性（包括異常事件發生的地點、事故類型、平均車速和平均排隊長度等）兩者的共同作用。駕駛員在得知到相關信息后，根據自身駕駛習慣和出行目的估計出行程時間與期望行程時間做對比，在認為是安全的情況下選擇合適的路徑。因此可以假想，駕駛員的主要路徑選擇行為是按照預估行程時間來進行選擇，并且行程時間主要由駕駛員對路徑熟悉程度來決定。則在異常突發事件情況下，駕駛員路徑選擇選擇概率模型可以描述為：

其中，為駕駛員對道路熟悉程度的量化指標，取值范圍為[0～1]；為對路線行程時間的預測值效用值，可取成預測時間的倒數。

為簡化計算，可以不考慮駕駛員選擇特性之間的差異，即認為駕駛員對路線熟悉程度相同，則參數可以取一定值。如，=0表示駕駛員對道路相當陌生；=1表示對道路非常了解，因此可以取一適當的統一值來簡化計算，得出異常突發事件下駕駛員路徑選擇模型。

2 異常突發事件下城市路段交通流特性

在進行交通流預測和交通疏散時，需要預測某些具體的交通流特性，并且希望能使用現有的數據或假設的數據進行預測。一般來說，到達流分布可以是最能描述交通流特性的特性參數。然而實際情況中對車輛到達率的觀測有一定的難度，且觀測得出數據在一定程度有失真，因此，考慮首先得出其他交通特性參數的分布，進而根據兩者之間的轉換關系得出到達率的分布。在實際檢測中，短時間內比較容易得到的是車頭時距分布，其分布可以比較容易的擬合。車頭時距和到達流量之間的轉換關系為：

式中，為到達流量，單位為輛/h；為車頭時距，單位為s。

時距分布是連續型分布，對應的到達流量是離散型分布。兩者分別屬于間隔分布和計數分布。若用表示車頭時距分布，用表示到達流量分布，則通過兩種分布之間的關系可得：

式中，是的階卷積；為指累計到達的車輛；為時刻累計到達的車輛數。

若能確切知道到每一時距分布對應的到達分布，則就只須觀測時距分布而輕易地得到到達交通流的分布。由于移位負指數分布克服了負指數分布的車頭時距越趨于零時其出現概率越大這一缺點，即移位負指數分布具有比負指數分布更好的特性，采用移位負指數來擬合正常交通狀態下自由流交通特性。

其中，為累計車輛數；為最小車頭時距；為平均車頭時距；為時段內到達的車輛數。

當路段發生異常突發事件后，在事發點上游形成車輛排隊，駕駛員通過自己的路徑選擇行為選擇不同的路徑出行，使得一部分交通流量會轉移到其他道路上，從而事發點上游車輛到達量會有一定的變化。即此時上游到達流由兩部分組成：正常交通狀態下道路交通流量和異常事件發生后上游到達流量的改變值，后者主要由于駕駛員的路徑選擇行為決定。

對于異常突發事件下上游交通到達流，設正常交通狀態下上游到達交通流分布為，駕駛員路徑選擇函數為，則異常交通狀態下上游到達交通流分布為：

式中，α，β為調整參數通過實際路段的通行能力進行確定。

由式（13）得出異常突發事件下事發點上游到達交通流的分布，由此可以計算得出異常突發事件下導致上游到達率發生變化后上游車輛的到達率。

3 算例分析

構造路網結構圖如圖1所示。

首先，需要確定μi和σi，根據對交通流數據序列的分析和觀察，可以設定參數值如表1所示。利用模型進行預測，進行預測結果觀察。

采用某路段的交通流數據來自北京市交通管UTC/SCOOT系統，選取某區域作為實驗點。根據上面設定的參數，按照基于跳轉ARIMA模型對測試數據進行預測，預測結果如圖2所示。

為評價模型的精度，實驗同時采用相對的數據用其他4種模型進行預測，結果如表2所示。

4 結語

考慮到異常突發事件下交通流序列特征，引入駕駛員路徑選擇行為來實現路段交通流預測，因為在道路堵塞和道路順通情況下，駕駛員的路徑選擇行為對交通流預測結果有較大影響。同時在預測中，借助于路口車輛的轉彎比例矩陣的時間穩定性和數值穩定性假設，模型由此得到的結果形式比較簡單，容易操作，仿真算例表明模型有一定的優越性。因此，對城市路網交通狀態分析和應急交通疏散都有重要意義。

參考文獻

[1] 李衛平.智能交通技術應用[M].北京：人民交通出版社，2006.

[2] Sheu J B，Chou Y H，Shen L J.A stochastic estimation approach to real-time prediction of incident effects on freeway traffic congestion[J].Transportation Research Part B： Methodological，2001，35（6）：579-592.

[3] Wang Y，Papageorgiou M.Real-time freeway traffic state estimation based on extended Kalman filter：a general approach[J].Transportation Research Part B： Methodological，2005，39（2）：141-167.

[4] 趙凜，張星臣.基于Agent仿真的ATIS條件下路徑選擇行為研究[J].系統仿真學報，2007，19（7）：1590-1593.

[5] 張和生.基于多源數據的交通狀態分析方法研究[D].北京：清華大學自動化系，2006.

[6] 陳岳明，蕭德云.擁堵條件下的路網交通流預測[J].儀器儀表學報，2008，29（8）：111-116.

[7] 曾松，楊曉光.駕駛員異常交通信息響應特性的分析[J].同濟大學學報：自然科學版，2000，28（3）：301-305.

[8] 陸化普.交通規劃理論與方法[M].北京：清華大學出版社，2006.