基于大數(shù)據(jù)分析的交通擁堵預測技術

林立春 劉華 洪東

摘要：文章利用大數(shù)據(jù)分析，挖掘潛在規(guī)則對交通擁堵進行預測，為提高預測的準確性并能適應常發(fā)性擁堵和偶發(fā)性擁堵，運用了多模型融合技術，加以改進的兩級加權優(yōu)化ELM和自適應權重，同時引入了擁堵傳導規(guī)則，進一步提升擁堵預測的精確性和關聯(lián)性。當預測或已發(fā)生交通擁堵時，在擁堵誘導上采取局部路網(wǎng)總成本最優(yōu)化，也可為相應管理部門實現(xiàn)全局路網(wǎng)總成本最優(yōu)化，以提高道路整體通行能力。仿真實驗結(jié)果表明，多模型融合技術能有效提高并能在較長時限下維持擁堵預警準確度，可為未來規(guī)劃提供決策輔助，更為建設智慧交通城市助力。

關鍵詞：大數(shù)據(jù);預測;交通擁堵;加權優(yōu)化

0 引言

近年來，國家倡導發(fā)展“低碳社會”和“節(jié)約型社會”。而交通擁堵問題影響居民生活質(zhì)量、加重大氣污染、降低城市運行效率，已經(jīng)成為阻礙城市發(fā)展的“城市病”。在當今“互聯(lián)網(wǎng)+”和大數(shù)據(jù)發(fā)展的時代，利用大數(shù)據(jù)分析可以科學地預測路網(wǎng)的交通擁堵程度，不僅可為市民出行合理規(guī)劃路線，還可為交通管理部門提出合理疏導方案，提升次干道和支路的利用率，亦可為路網(wǎng)規(guī)劃部門給出合理的未來規(guī)劃建議，為建設智慧交通城市助力。

建設智慧交通城市應以人文本，發(fā)揮主人翁意識，讓人人都是交通參與者，人人都是交通管理者。應打造智慧交通全方位數(shù)據(jù)平臺，建立基于“互聯(lián)網(wǎng)+”、大數(shù)據(jù)的“眾治”理念，形成多邊、民主、透明的交通管理生態(tài)環(huán)境，完善智慧交通協(xié)同服務體系。

1 架構(gòu)的提出

從成因上來劃分，交通擁堵一般可歸納為常發(fā)性交通擁堵和偶發(fā)性交通擁堵。常發(fā)性交通擁堵具有一定規(guī)律可循，在大數(shù)據(jù)分析上具有明顯特征。偶發(fā)性交通擁堵隨機性大，規(guī)律不甚明顯。本文的側(cè)重點在于對交通擁堵的預測，創(chuàng)新點有：（1）對綜合常發(fā)性交通擁堵和偶發(fā)性交通擁堵通過自適應權重進行預測，并提出兩級加權來優(yōu)化ELM;（2）在模糊C均值聚類上改進，實現(xiàn)可變系數(shù)加權聚類優(yōu)化方法;（3）應用自學習模型和擁堵傳導模型，進一步提高擁堵的預測準確性;（4）利用路網(wǎng)總成本的局部最優(yōu)實現(xiàn)擁堵誘導，以提高城市的整體通行能力。

1.1 常發(fā)性交通擁堵

分析歷史大數(shù)據(jù)發(fā)現(xiàn)，同一路段的交通流雖然是變化的，但具有一定的周期性規(guī)律。例如圖1是南寧市廂竹大道某路段在2019年4月18～26日的擁堵指數(shù)變化規(guī)律呈現(xiàn)圖。圖的橫軸為時間，將縱軸分為5級的擁堵指數(shù)。從圖中可以看出工作日期間天與天之間具有很強的自相似性。類似的，周末與周末之間也具有較強的自相似性。可以看出從較長統(tǒng)計周期的大數(shù)據(jù)中挖掘出自相似性上反映出來的變化規(guī)律，對交通進行相關指導，具有相當重要的現(xiàn)實意義。

1.2 偶發(fā)性交通擁堵

除了分析歷史大數(shù)據(jù)，根據(jù)交管部門多年的實測數(shù)據(jù)表明，諸如交通事故、交通違法、道路施工、大型活動、極端天氣和其他特殊狀況等因素是導致交通擁堵的直接誘因，本文因其是動態(tài)發(fā)生的，稱其為動態(tài)影響因素。以長沙市為例，百度大數(shù)據(jù)統(tǒng)計動態(tài)影響交通擁堵的因素占比如表1所示。將這些因素充分考慮進來，在歷史大數(shù)據(jù)挖掘的基礎上，結(jié)合實時的交通數(shù)據(jù)（交通流量、平均速度、浮動車數(shù)據(jù)等），可以提高各類擁堵情況的預測精度。

1.3 提出架構(gòu)

基于大數(shù)據(jù)分析的交通擁堵預警平臺架構(gòu)簡圖如圖2所示。架構(gòu)的核心是構(gòu)建規(guī)則庫，該規(guī)則庫不僅含有常發(fā)性交通擁堵的規(guī)則，也含有偶發(fā)性交通擁堵的規(guī)則，其優(yōu)劣直接關系到預測精度。在給出未來時刻的預測后，通過時間序列的實時數(shù)據(jù)驗證進行自學習，以期收斂和準確。

2 關鍵技術

2.1 可變系數(shù)加權聚類優(yōu)化

K均值聚類（K-means）是基礎的聚類算法，進行固定數(shù)目的樣本劃分，是一種硬性劃分。模糊C均值聚類（FCM）相對來說是一種柔性的劃分方法，其劃分結(jié)果是各個樣本的隸屬程度，而不是屬于某類，是K-means的改進。

基于路段本質(zhì)特征有車道數(shù)量、人行橫道數(shù)量、紅綠燈數(shù)量等都是不同的，加之工作日、周末和節(jié)假日的數(shù)據(jù)特征也有很大差異，顯然需要對不同維度上的特征加以不同的側(cè)重。故此提出了一種可變系數(shù)加權聚類優(yōu)化方法。

最后一條約束表示多條路徑都流經(jīng)弧（邊）aKL，則流經(jīng)重疊弧aKL的交通量總和∑XKL不超過其通行能力。該模型同樣適用于計算整體路網(wǎng)總成本最優(yōu)，為相應管理部門疏導交通或?qū)ξ磥斫煌ㄒ?guī)劃輔助決策。

2.4 擁堵傳導規(guī)則的挖掘

如果路段R1在時刻t0出現(xiàn)交通擁堵，R1的相鄰路段（臨邊）R2在σt個單位時間之后也出現(xiàn)了交通擁堵，這樣的時間序列關聯(lián)規(guī)則即為擁堵傳導規(guī)則。類似于自適應學習算法，σt在閾值T1、T2之內(nèi)進行自學習收斂，以期在實際應用中給出高時效性的擁堵預測。T1、T2的選取由經(jīng)驗獲得，本平臺設為可配置的初始值[5，30]。此外，為降低時空復雜度，本平臺擁堵傳導規(guī)則僅計算臨邊，但整個路網(wǎng)的連通性已能反映出間接擁堵傳導。

3 仿真實驗

實驗在MATLAB平臺上進行，軟件版本為MATLAB 2014 b（64位）。實驗機器配置為Intel Core i7-4770處理器，內(nèi)存為16 G。樣本數(shù)據(jù)采用廣西交通運輸云數(shù)據(jù)中心部分樣本數(shù)據(jù)，模擬環(huán)境為南寧市中心城區(qū)多條易擁堵路線，在8：00、12：00和18：00 3個早中晚上下班高峰時段進行30 min內(nèi)的連續(xù)預測和驗證。仿真結(jié)果如圖3所示，橫軸為預測時長，縱軸為預測準確率。在純時序大數(shù)據(jù)集下，隨著預測時刻越遠，預測準確度下降越大。在本平臺綜合多種數(shù)據(jù)集及相應技術的情況下，隨著預測時刻的延長，預測準確度趨于平滑。

4 結(jié)語

本文在集成學習思想的基礎上，融合常發(fā)性和偶發(fā)性交通擁堵，提出擁堵預警平臺框架，引入了可變系數(shù)加權聚類優(yōu)化方法，運用多模型融合技術、兩級加權優(yōu)化ELM和自適應權重模型對交通擁堵的趨勢變化、周期性變化和隨機性變化進行預測。同時引入了擁堵傳導規(guī)則，進一步提升擁堵預測的精確性和關聯(lián)性。在擁堵誘導上采取局部最優(yōu)化，以提高道路的整體通行能力。實驗結(jié)果表明，平臺的預警精確度較高，均在80%以上，且隨著預測時間的延長，預測精度在下降過程中趨于平滑。

擁堵預警的作用和意義重大，除了引言提到的作用，還可為交通運輸行業(yè)（例如物流）以及其他行業(yè)提供有價值的規(guī)律，優(yōu)化其運行方案，為經(jīng)濟發(fā)展助力。對于未來的展望，擁堵預警亦可服務于面向車路協(xié)同以及無人駕駛的應用上。此外借助于仿真，還可以對未來的路網(wǎng)改造、交通規(guī)劃方案等提供決策輔助。

這一技術存在的問題有歷史原因以及受信息安全和保密管理等相關規(guī)定的影響。公安網(wǎng)絡歷來與互聯(lián)網(wǎng)等網(wǎng)絡都是物理隔離的，公安交通管理部門掌握的數(shù)據(jù)和資料對外共享較困難，一些數(shù)據(jù)交流常采用定期開放的方式，實時性不強。建議將系統(tǒng)數(shù)據(jù)做部分映射，將不涉及隱私和信息安全且又有必要公開的交通數(shù)據(jù)進行實時共享。對訪問的各類用戶可以進行資格審查并簽署協(xié)議，投入商用要適當收取費用。同時，智能交通管理系統(tǒng)所需的外單位數(shù)據(jù)要盡早形成信息共享，尚需有政策層面的配套保障機制，推動交通大數(shù)據(jù)技術的發(fā)展與應用。

總之，完善智慧交通管理機制體制，打造智慧交通全方位數(shù)據(jù)平臺，建立智慧交通協(xié)同服務體系是未來發(fā)展的必然趨勢。

參考文獻：

[1]沈 晴.面向交通擁堵預測大數(shù)據(jù)的神經(jīng)網(wǎng)絡群組快速學習[D].北京：北京科技大學，2017.

[2]周輝宇.基于大數(shù)據(jù)規(guī)則挖掘的交通擁堵治理研究[J].統(tǒng)計與信息論壇，2017，32（5）：96-101.

[3]鄧萬宇，鄭慶華，陳 琳，等.神經(jīng)網(wǎng)絡極速學習方法研究[J].計算機學報，2010，33（2）：279-287.

[4]舒 忠.基于大數(shù)據(jù)的交通擁堵現(xiàn)狀與治堵策略研究——以長沙市為例[J].河南科技，2019（22）：114-116.

[5]Lichun Lin，Shi Tong.Automatic Spatial Annotation of Image Based on Object Recognition[J].Journal of Information & Computational Science，2013，10（18）：5 829-5 847.

[6]薛倚明，饒 涓.整體優(yōu)化路網(wǎng)交通量分配的系統(tǒng)思想[J].運籌與管理，2000，9（2）：79-83.

收稿日期：2020-05-27