基于統計的我國短時交通流預測模型分析

王曉丹，白云,，李川

（1.重慶工商大學電子商務及供應鏈系統重慶市重點實驗室，重慶 400067；2.重慶工商大學國家智能制造服務國際科技合作基地，重慶 400067）

基于統計的我國短時交通流預測模型分析

王曉丹1，白云1,2，李川2

（1.重慶工商大學電子商務及供應鏈系統重慶市重點實驗室，重慶 400067；2.重慶工商大學國家智能制造服務國際科技合作基地，重慶 400067）

短時交通流量預測作為交通控制管理、交通誘導提供技術支持之一，已經成為交通工程的研究熱點。為了研究近年來預測模型的現狀，在中國知網數據庫高級檢索功能中以“篇名：短時交通并含預測”和“發表時間：2000-2016”為條件進行檢索，共檢索到133篇核心期刊。通過對期刊的分類統計，就當前國內常用的預測模型的原理及作用作簡單介紹，并根據現有各模型的優缺點和使用范圍，對未來的發展趨勢做初步探討。

0 引言

交通控制與道路誘導系統是智能交通系統建設的核心內容，而實現該系統的關鍵是實時準確的短時交通流量預測。一般認為短時交通流預測就是根據已有的交通流數據，在時刻實時預測出下一時刻t+△t的交通流量，其中△t一般在5-15min內（甚至小于5min）。短時交通流預測常用于交叉路口信號實時優化、交通控制、交通誘導等方面，具有強烈的非線性、時變性、隨機性以及與上游路口交通流的相關性等特點。為了研究近年來預測模型的現狀，在中國知網數據庫高級檢索功能中以“篇名：短時交通并含預測”和“發表時間：2000-2016”為檢索條件進行檢索，共檢索到133篇核心期刊。其中每年核心期刊數量分布如圖1。

從圖1可以看出，2000-2006年間，專家和學者對短時交通流的研究較少。從2007年之后，文獻數量成明顯增長趨勢，說明越來越多的人關于短時交通流預測。基于收錄的文獻內容來看，可以分為綜述和和學術論文；統計結果顯示，綜述是4篇，占總文獻數量的3.01%；學術論文是129篇，占總文獻數量的96.99%，由此可以看出，短時交通流預測模型的建立已經逐漸成為交通管理領域研究熱點。

圖1 歷年關于短時交通流預測核心期刊數量

1 短時交通流預測模型分類

從20世紀60年代開始，人們就開始把其他領域成熟的預測模型用于短時交通流預測，并開發了多種預測模型與方法[1]，大致分為四類[2]：線性模型、非線性模、組合模型(各模型數量如表1所示)。從表1可以看出非線性模型占比最高，占49.61%；其次是組合模型，占比為37.98%；組合模型和非線性模型共占88.60%，文獻占比最多。

表1 各預測模型文獻數量及占比

如圖2所示，可以看出非線性和組合模型研究呈增長趨勢，說明組合模型和非線性模型預測短時交通流是研究重點。非線性模型在處理非平穩、高波動數據方面所表現的能力，已經成為了預測交通流量的熱點，同時相比較時間模型也呈現出較好的預測精度[3]。

圖2 各預測模型每年核心期刊數量

根據對核心期刊的分析，把排名靠前的預測模型統計出來，其結果如圖表2所示。在之后章節對這幾種預測方法進行詳細介紹。從統計結果來看，大量的優化算法廣泛應用到非線性模型優化參數方面，如粒子群算法、蟻群算法、遺傳算法、混合蛙跳算法等。

表2 各類模型預測方法文獻數量

2 基于線性系統理論預測模型

線性模型是通過分析事物的運動規律和改變這種規律的因素和方法，來揭示各因素之間，參數和性能間確定的和定量的關系。由于短時交通流具有較強的實時性和隨機性的特點，因此計算復雜度較低，操作簡單的線性模型滿足不了預測結果精度較高和動態反饋性的要求。

時間序列模型是參數化模型處理動態隨機數據的常用方法之一，不僅考慮了觀測數據在時間序列上的依賴性，同時也考慮了隨機波動的干擾性。在短時交通流預測模型中，廣泛使用的平穩模型是自回歸求和滑動平均模型（ARIMA模型）。針對ARIMA模型中存在的缺點，如沒有考慮外部其他因素的影響，檢驗過程中模型定階及參數估計繁瑣，模型參數無法動態調整以及需要大量的樣本支持等缺陷，很多學者進行不同的探索，如唐毅等[13]通過動態選擇適宜的樣本序列和直接使用ARIMA(p,d,0)模型，來消除模式識別的不確定性和進行時間序列模型的優化；常剛等[4]構建了一個基于時空依賴性的自回歸差分移動平均模型（STARIMA模型）。邴其春等[5]為了降低參數估計的誤差，提出了一種基于時間序列——向量誤差修正模型的短時交通參數預測模型。

3 基于非線性理論的預測模型

早期的線性模型往往不能適應短時交通流非線性數據的預測要求，越來越多的非線性預測模型應用到短時交通流預測模型中去，并取得了較好的預測效果。人工神經網絡是由大量神經元的以某種拓樸結構相互連接而成的非線性系統，它是在對以人腦為代表的生物神經元系統的組織結構和行為特征進行研究的基礎上提出的。現實任務中使用神經網絡時，大多是使用誤差逆傳播算法進行訓練，其網絡拓撲結構如圖3，其中V和W是連接權值，其中隱含層數可根據實際預測需要進行添加。因此，在構建神經網絡模型時，應先通過一部分數據測試輸入，輸出和隱含層神經元個數，各層連接權以及各神經元的傳遞函數，從而確定網絡結構，再用剩余的數據進行預測。

從模型建立來看，基于神經網絡的“黑箱”學習模式，不需要大量的經驗方式，只需要大量的數據支撐，就能獲得這些數據的運動規律。其高度的非線性映射及全局表現能力、良好的容錯性與聯想記憶功能、優秀的自適應、自學習等功能，適合短時交通流預測領域廣泛應用[16-18]。但是神經網絡存在過擬合現象，陷入局部最小、收斂速度過慢等問題，針對這些問題，一些學者通過各種算法[6]來優化連接權值和閾值，或者優化局部搜索能力來優化模型。神經網絡能夠能夠較好地運用于短時交通流的預測，但大多數是驗證性研究，即預測方法能完成預測并與其他方法進行對比，沒有指出神經網絡的適用范圍和應用條件。小波神經網絡是結合小波變換理論與神經網絡的思想而構造的一種新的神經網路模型。用小波基函數代替隱含層中神經元的激勵函數，這充分繼承了小波變換良好的時頻局部化性質及神經網絡的自學習功能的特點，具有最佳的函數逼近能力，能有效克服普通人工神經網絡固有的缺陷，用其建立的模型可以取得更好的預測效果[7]。

圖3 BP神經網絡拓撲結構圖

支持向量機是基于統計學習理論的VC理論的新一代機器學習方法，通過尋求結構化風險最小來提高學習泛化能力，從而在統計樣本數量較少的情況下，仍能獲得較好的統計規律。SVM模型屬于參數預測方法，在預測過程會存在核函數選擇，參數和特征集優化等問題，一些學者和專家在這方面進行了優化。大量的實驗證明，預測精度方面，支持向量機相比較神經網絡和傳統的預測方法具有明顯的優勢[8]。支持向量機能夠解決“多維災難”，樣本數量小和解決局部最優問題，正成為預測應用熱點。

非參數回歸模型是以模式識別方法為技術，不需要先驗知識，通過大量歷史樣本庫中找到一組與輸入數據相對應的目標數據來進行預測。其具有算法清晰、可移植性強、預測精度高的、時間強壯性強，誤差比較少且分布良好等優點。但在實際應用中，仍存在搜集歷史數據難、處理歷史數據復雜、最近鄰查找效率較低、沒有反饋回路、預測算法不夠合理等問題。針對非參數回歸在短時交通流預測上的局限性，張曉利[9]、于濱[10]和謝海紅[11]等分別在利用反饋機制、考慮時空參數、修改搜索方法等方面進行了改進。

4 組合模型預測

為了有效地利用各種模型的優點，Bates等于1969年提出混合預測的思想，將參與組合的各種預測方法通過適當的方式組合或者對預測結果進行適當的加權，“取長補短”，獲得最優的預測結果[12]，一般是線性方法與非線性方法，非線性方法之間的組合。組合模型在一定程度能提高預測模型的精度，但是以犧牲模型的預測速度為代價，同時也增加了模型的復雜度。

數據融合技術是對各模型預測結果的融合，它的最大優勢在于能合理協調多元數據[13]，其流程圖如圖4，對于不在閾值范圍內的交通流數據進行處理，選擇n種成熟度較高和預測精度較高的方法進行預測，動態確定最優權重進行融合來獲得最終結果。但也存在最優權重系數的確定、模型復雜、融合后的數據處理量加大、運算能力減弱等問題。

圖4 數據融合技術流程圖

混沌理論是近年來發展的一門新興學科，兼具質性與量化分析的方法，用于探討非線性動態學系統的內在隨機性。Laypunov指數是混沌系統的吸引子的宏觀特征量之一，同時也是判斷一個動力學系統可預測性及預測時間跨度的重要指標。在進行交通流混沌特性的判斷之前，先利用相空間重構技術把一維時間序列映射到高維空間，從而在高維空間中計算Laypunov指數，來描述其中所蘊藏的內在變化規律。基于混沌理論的神經網絡預測模型，通常先通過相空間重構來對交通流數據進行預處理，計算出嵌入維數作為神經網絡的輸入節點數，再用訓練好的神經網絡對時間序列進行預測，實驗證明，其預測結果明顯好于單一的神經網絡預測模型[15]。

5 結語

通過對以上模型的分析，可以看出每一種預測模型都在一定條件下具有明顯的優勢，同時也存在著不足，所以在模型選擇時要根據不同的環境、不同的樣本數據來選擇預測模型。從統計結果來看，短時交通流預測的發展方向會傾向于非線性模型的運用和對其的優化；同時，隨著云計算、大數據時代的到來和計算機能力的大幅度提高可緩解訓練低效性，訓練數據的大幅度增加則降低過擬合風險，以組合模型為代表的復雜模型的創新會得到人們的廣泛關注。

[1]沈國江，王嘯虎，孔祥杰．短時交通流量智能組合預測模型及應用[J]．系統工程理論與實踐，2011，31(3):561-568．

[2]陸海亭，張寧，黃衛，等．短時交通流預測方法研究進展[J]．交通運輸工程與信息學報，2009，7(4):84-91．

[3]謝海紅，戴許昊，齊遠．短時交通流預測的改進K近鄰算法[J]．交通運輸工程學報，2014，14(3):87-94

[4]常剛，張毅，姚丹亞．基于時空依賴性的區域路網短時交通流預測模型[J]．清華大學學報(自然科學版)，2013，53(2):215-221．

[5]邴其春，楊兆升，周熙陽，等．基于向量誤差修正模型的短時交通參數預測[J]．吉林大學學報(工學版)，2015，45(4):1076-1081．

[6]李松，劉力軍，翟曼．改進粒子群算法優化BP神經網絡的短時交通流預測[J]．系統工程理論與實踐，2012，32(9):2045-2049．

[7]萬李，楊杰．小波神經網絡在短時交通流量預測中的應用[J]．計算機仿真，2012，29(9):352-355．

[8]王少華，楊慧慧．基于優化參數的短時交通流預測仿真研究[J]．計算機仿真，2015，3(6):167-171，270．

[9]張曉利，陸化普．非參數回歸方法在短時交通流預測中的應用[J]．清華大學學報(自然科學版)，2009，49(9):1471-1475．

[10]于濱，鄔珊華，王明華，等．K近鄰短時交通流預測模型[J]．交通運輸工程學報，2012，12(2):105-111．

[11]謝海紅，戴許昊，齊遠．短時交通流預測的改進K近鄰算法[J]．交通運輸工程學報，2014，14(3):87-94．

[12]顧晨陽，羅熹，程文龍．變權重組合預測模型在短時交通流預測中的應用[J]．統計與決策，2010(6):168-169．

[13]錢偉，楊礦利，楊慧慧，等．基于組合模型的短時交通流預測[J]．計算機仿真，2015，32(2):175-178，193．

[14]蔣亞平，郭俊亮，趙軍偉．基于組合模型的短時交通流預測[J]．現代計算機，2013，(7):26-29．

[15]郭雪峰．基于數據融合的短時交通流預測與智能交通信號系統的研究[D]．湘潭大學，2007．

Analysis of Short-Term Traffic Flow Forecasting Model Based on Statistics in China

WANG Xiao-dan1，BAI Yun1，2，LI Chuan2
(1.Chongqing Key Laboratory of Electronic Commerce and Supply Chain System,Chongqing Technology and Business University,Chongqing 400067；2.National Research Base of Intelligent Manufacturing Service,Chongqing Technology and Business University,Chongqing 400067)

Short-term traffic forecasting which is one of the key technologies of intelligent traffic control management and traffic guidance,has be?come a hot topic in the field of traffic engineering.In order to study the status quo of the forecasting model in recent years,a total of 133 code journals were retrieved in the advanced search function of the China Knowledge Infrastructure database,which was searched by"title:Short-term traffic and forecast"and"published time:2000-2016".Based on the classification statistics of journals,this article made a briefly introduction on the principle and function of the current forecasting domestic forecasting models.Future,the future development trend also been preliminary discussed based on current advantages,disadvantages and application range of each model.

重慶市科委基礎與前沿研究項目（No.cstc2015jcyjA70007）、重慶市研究生教改項目（No.YJG43015）、國家智能制造服務國際科技合作基地開放基金（No.ghjd201603）

王曉丹（1988-），女，河南商丘人，碩士研究生，研究方向為交通智能預測

2017-03-28

2017-06-02

1007-1423（2017）17-0031-04

10.3969/j.issn.1007-1423.2017.17.006

智能交通系統;短時交通流;預測模型

白云（1985-），男，山西陽泉，博士研究生，助理研究員，研究方向為智能交通管理

李川（1975-），男，重慶市人，博士研究生，研究員，研究方向為智能制造服務

Intelligent Transportation System;Short-Term Traffic Flow;Prediction Model