智能交通誘導系統(tǒng)中動態(tài)交通信息預測技術研究

鄒陽

摘要：現(xiàn)如今，智能交通系統(tǒng)（ITS）能最大限度地發(fā)揮現(xiàn)有交通基礎設施的潛力，緩解擁堵、保護環(huán)境、改進安全、降低能耗、提高效率，被認為是本世紀解決交通問題最重要的措施之一。ITS涉及許多技術領域，但其關鍵技術就是要向車輛、出行者及交通管理控制者提供交通網絡的實時動態(tài)的交通狀態(tài)信息，并誘導交通流，而此技術的理論核心就是動態(tài)交通網絡模型及算法。

關鍵詞：ITS；時空交通網絡；智能交通誘導系統(tǒng)；動態(tài)交通狀態(tài)信息

引言

智能交通（ITS）是將人工智能技術、自動控制技術、計算機技術、先進的信息通信技術及傳感器技術等有效的集成，并應用于整個地面交通管理系統(tǒng)而建立的一種大范圍、全方位發(fā)揮作用的綜合交通運輸管理系統(tǒng)，包括先進交通管理系統(tǒng)（ATMS）、先進的駕駛員信息系統(tǒng)（ATIS）、先進公共運輸系統(tǒng)（APTS）、出行指導系統(tǒng)等。

1 智能交通大誘導信息系統(tǒng)概述

智能交通系統(tǒng)是將先進的信息技術、數據通訊傳輸技術、電子控制技術及計算機處理技術等綜合運用于整個交通運輸管理體系。通過對交通信息的實時采集、傳輸和處理，借助各種科技手段和設備，從而使交通設施得以充分利用并能夠提高交通效率和安全，最終使交通運輸服務和管理智能化，實現(xiàn)交通運輸的集約式發(fā)展。

交通誘導信息系統(tǒng)是智能交通管理系統(tǒng)功能體現(xiàn)的關鍵之一。交通誘導信息系統(tǒng)是智能交通管理系統(tǒng)中各個子系統(tǒng)相互協(xié)調作用，對交通信息進行采集、處理和分析，并向交通管理者和出行者提供所需的有效信息。信息采集、信息處理機誘導信息的生成和誘導信息的發(fā)布，構成智能化城市交通誘導信息系統(tǒng)。

2 動態(tài)網絡交通理論存在的問題

動態(tài)網絡交通理論存在的問題：（1）動態(tài)交通需求參數、路阻函數和路段流入流出率函數及其參數必須預先給定，不能與實時交通檢測信息接口，不具備實時在線條件；（2）假設動態(tài)出行路徑只依賴于當前交通狀況信息，不具備真正的預測功能，給出的動態(tài)出行路徑與用戶實際經歷的路徑相去甚遠，不能支持交通誘導和疏導。（3）由于離線的固有缺陷，不能與交通緊急事件信息系統(tǒng)接口，缺乏環(huán)境適應性和對交通擁堵預警支持。（4）假定網絡通行能力為靜態(tài)，用若千個孤立的路阻函數間接反映擁擠。實際上，實時網絡通行能力隨著交通狀態(tài)（流量、密度等）的波動而發(fā)生改變，即網絡使用過程中的通行能力是動態(tài)的，交通流狀態(tài)是動態(tài)交通需求與動態(tài)通行能力相互作用的結果。

3 智能交通誘導系統(tǒng)中動態(tài)交通信息預測方法

3.1 時間序列模型

時間序列分析主要指采用參數模型對觀測到的有序隨機數據進行分析和處理的一種數據處理方法。其預測原理是將預測對象隨時間變化形成的數據序列看成一個隨機時間序列，該序列的未來發(fā)展變化與對象歷史變化存在依賴性和延續(xù)性，包括自回歸模型、滑動平均模型、自回歸綜合滑動平均模型等。其中單變量ARIMA是典型的時間序列方法，適用于短時交通信息預測，它實際上是用二項式差分消除了非平穩(wěn)時序中的多項式趨向，從系統(tǒng)角度分析，就是分離出了系統(tǒng)中相同的一階環(huán)節(jié)，從而可以按照平穩(wěn)時序建模，ARIMA適用于穩(wěn)定的交通流。

3.2 神經網絡模型

神經網絡是一種并行的、分布式的智能信息處理方法，具有非線性映射和聯(lián)想記憶功能，非常適合解決強非線性、時變系統(tǒng)的預測問題。目前，在交通信息預測方向的神經網絡預測研究主要分為三個層次：

1）將某一類神經網絡方法直接用于短時交通信息預測的方法有：例如BP神經網絡、RBF神經網絡、時滯神經網絡等；

2）將兩種或多種神經網絡相結合的混合預測模型：例如神經網絡集成方法；

3）將神經網絡與其他方法結合，進行綜合預測的方法：例如模糊神經網絡、粗神經網絡、以及小波神經網絡等。粗神經網絡建立在粗神經元基礎上，基于粗糙集理論和近似概念建立的粗神經元可以看作由兩個存在重疊的常規(guī)神經元組成。粗神經網絡中的常規(guī)神經元對應于確定性變量，如交通流量密度、速度以及行程時間，粗神經元用于描述不確定性變量或變量波動情況，如偶發(fā)事故、天氣原因引起的交通流參數波動。小波神經網絡是在小波分析基礎上提出的前饋網絡，與傳統(tǒng)神經網絡的區(qū)別是隱含層節(jié)點激勵函數不是Sigmoid函數而是小波函數。

3.3 非參數回歸

非參數回歸是利用模式匹配算法，找到一組與輸入數據相對應的數據或相似的數據來預測，對應關系不需要精確的函數表達式，而是一個近似的關系。在每次模式匹配算法中，隨著輸入數據模式變化，這個近似的關系也會有變化，從而達到動態(tài)預測的目的。非參數回歸方法本質上是一種數據驅動的智能方法，認為系統(tǒng)所有因素之間的內在聯(lián)系都蘊含在歷史數據中，從大量的歷史數據樣本中找到所需的匹配數據，依賴匹配數據預測。

非參數回歸方法的優(yōu)點是：1）不需要先驗和大量的參數識別，不必確定任何模型參數，只需要足夠的歷史數據，尋找歷史數據中與當前點相似的近鄰，并用這些近鄰預測下一時段的流量；2）應對突發(fā)事件能力強，預測準確性和誤差分布較好算法原理清晰，魯棒性好，尤其適用于交通狀態(tài)不穩(wěn)定時的系統(tǒng)預測。非參數回歸方法的缺點是：存儲的歷史數據較多時查找近似點的效率就會降低，影響預測速度，另外交通環(huán)境變化時導致狀態(tài)和流量的對應關系發(fā)生變化，需要更新數據庫信息。

3.4 混沌預測

交通系統(tǒng)是一個復雜的大系統(tǒng)，它表現(xiàn)出來的非線性動力學性質之一就是混沌現(xiàn)象。實際上，在一個較短的時間段內（例如10分鐘），每條道路的車流量、路口總體流量和交通控制網絡流量的變化具有豐富的內部層次有序結構，有很強的規(guī)律可尋，是一種介于隨機和確定性之間的現(xiàn)象，即混沌。具體來說，車輛間的非線性跟馳和交通系統(tǒng)的狀態(tài)參數的變化都存在混沌現(xiàn)象。

基于混沌理論的進行交通信息短時預測主要以混沌理論、分形理論、耗散理論、協(xié)同理論、自組織理論等為基礎，利用混沌理論中的相空間重構、奇怪吸引子、分形方法等建立預測模型。研究可分為兩個方面：基于交通流理論模型的混沌研究和基于實測交通流數據的混沌研究。混沌時間序列預測方法有：全域預測、局域預測、加權零階局域預測、加權一階局域預測、基于最大Lyapunov指數的預測、自適應預測等方法。

4 動態(tài)網絡交通理論研究的發(fā)展趨勢

（1）關于動態(tài)網絡交通配流問題，近年來的研究在理論上的成果雖然很顯著，但與之相關的理論問題以及實際應用時面臨的難題還很多，有必要進一步開展深入的研究。另外，為將動態(tài)交通配流用于實際交通網絡，開發(fā)更為有效的計算方法及應用軟件也很重要。

（2）對預測型用戶最優(yōu)模型的研究，預測型模型與實際情況更為接近，而目前還沒有足夠準確的表達式來表述其定義的最優(yōu)條件。

（3）利用動態(tài)網絡交通配流模型確定道路通行費，使城市路網達到系統(tǒng)最優(yōu)，緩解交通擁堵狀況，道路通行費的確定可以通過動態(tài)系統(tǒng)最優(yōu)模型與動態(tài)用戶最優(yōu)模型聯(lián)合起來確定。這種動態(tài)的道路通行費與傳統(tǒng)的靜態(tài)通行費由很大的差別，它是根據路網交通分布形態(tài)確定的。

（4）研究如何將交通控制、路徑誘導等系統(tǒng)的影響集成至動態(tài)網絡交通配流中去。由于實時自適應交通控制系統(tǒng)和路徑誘導系統(tǒng)的迅猛發(fā)展，將會影響出行者的路徑選擇行為，甚至于影響交通流的分布形態(tài)。因此這些影響應該反映到動態(tài)網絡配流中去。從另一個角度講，動態(tài)網絡交通配流應該成為交通控制系統(tǒng)以及路徑誘導系統(tǒng)的技術基礎。

參考文獻

[1]王嘉寧.基于動態(tài)路徑規(guī)劃的城市醫(yī)療廢棄物回收研究[D].大連海事大學，2015.

[2]管德永.先進的城市交通信號控制理論模型和實施技術研究[D].吉林大學，2003.

（作者單位：上海電科智能系統(tǒng)股份有限公司）