交通設計中交通量預測方法的改良

高俊偉

摘 要：合理進行交通規劃是緩解交通擁堵的有效途徑，合理的交通規劃離不開準確的交通預測作為支撐，同時也是道路設計的有力決策依據。準確的交通預測模型能夠更好的分析路網交通狀況，對于交通網絡的規劃、交通網絡的控制有著積極的作用。本文近幾年的交通預測模型進行搜索、整理、篩選、歸納。整理出交通預測模型的改進方法，為交通規劃做出指導。

關鍵詞：交通擁堵;短時交通量;預測模型

0 引言

智能交通系統的前身是智能車輛道路系統。智能交通系統將先進的信息技術、數據通信技術、傳感器技術、電子控制技術以及計算機技術等有效地綜合運用于整個交通運輸管理體系，從而建立起一種大范圍內、全方位發揮作用的，實時、準確、高效的綜合運輸和管理系統。

1 四階段法簡介

所謂“四階段”預測方法，是將城市交通規劃中的交通需求預測任務分成四個子任務來依次完成：即依次進行交通生成量預測、出行分布預測、交通方式分擔率預測以及交通量分配預測，由于分為四個相互關聯的階段進行預測，因此又簡稱“四步法”。

階段預測方法理論成熟，建模層次分明，便于理解，但是其模型結構復雜，步驟繁多，采用人工方式進行計算工作量非常巨大，必須借助于計算機和軟件才能實施。

2 研究現狀

交通流量預測的概念是通過運用調用數據庫的已測數據去估測未來時間段的交通流量。城市道路交通預測方法可根據預測時長，分為長期預測，中長期預測，短期預測和短時預測。由于交通流與交通參與者的交通行為息息相關，隨機因素影響對短時交通流影響巨大，交通流具有很強的不確定性、非線性、非平穩性。

3 短時交通流量預測改進

3.1 支持向量機回歸模型

支持向量機回歸（SVMR）是支持向量機在回歸估計問題中的擴展。支持向量機回歸要解決的問題實際上就是讓所有樣本點逼近超平面，使得樣本點離超平面的距離的總和達到最小。本文所提及的短時交通流預測屬于非線性回歸問題，但是可以通過引進核函數，把短時交通流預測問題轉化為高維空間中的線性回歸問題。

3.2 支持向量機回歸模型建立流程

假設是影響交通預測的因素，是交通量的預測值。而基于SVMR的交通流預測模型就是尋求與之間的關系。

采用當前t和前n個時段的交通流作為輸入值，對未來 t +1時段的交通流進行預測。

具體操作步驟如下：

（1）先做預處理，包括選擇樣本數據、歸一化等。假設當前時段的流量為，則對應將下一時段的訓練樣本集為。

（2）分析己知數據，選擇核函數，以及選擇合適的參數。

（3）利用樣本建立目標函數，通過求解二次規劃問題來尋找最優超平面，進而求出最優解，再由求得的最優解構建決策函數。

（4）最后利用測試樣本集來計算未來時刻的預測值。

3.3 基于貝葉斯分類的改進

采用貝葉斯分類對非參數回歸進行改進的目的是為了為歷史數據進行分類，而搜索臨近狀點時，僅搜索同種類別的歷史數據，以此降低臨近狀態的搜索時間。

將道路v在t時刻的流量記為v（t），假設與道路v相關聯的上游道路有i個（即道路車輛能夠直接到達道路 v，中途不會經過其他道路），分別記為。在時刻 t，關聯道路i流量為：。如此設定的歷史數據中包含的 v（ t），。

接下來，即是要從這 8640 個距離值中，選取距離值最小的 K=4 個歷史數據，以其來進行預測。

（1）N*K次掃描。該算法的基本思路為，每次從所有N個距離值中選取最小的那個，進行K次遍歷，以此來選擇最小的 K 個距離值。易得，該算法的時間復雜度為（NK）。

（2）排序后取最小K個值。該算法的基本思路為對 N 個數進行排序，選取最小的 K 個即為所需。根據排序方式不同，該算法的時間復雜度也不盡相同。一般來說，可以考慮選用快速排序等時間復雜度較低的排序方式。如若采用快速排序，則該算法的時間復雜度為。

綜合比較上面所述的二種預測方法，在 N=8640，K=4 的情況下。第一種方法的時間復雜度為（NK）中 NK=34560;第二種方法的時間復雜度為中，。

使用分類對非參數回歸的交通流量預測算法進行改進后。將交通流量按時間分為五類之后。分別分析各類情況下對搜索和計算時間的影響。將分類引入非參數回歸的交通流量預測，可以有效的降低算法運算時間。在不影響預測實效性的情況下，甚至可以考慮提高歷史數據的采集密度，從而做到更短時間的交通流量預測。

4 結語

對于短時交通量的預測，需要結合城市短時交通流量的變化特點，考慮國家民族的文化特色，在大數據環境下，提出一種基于共性交通態勢尋覓的預測算法，以解決傳統交通系統預測中存在的隨機性影響大、模型泛化能力差、非平穩時間序列預測及實時預測效果差的問題。

參考文獻：

[1]Ahmed M S，Cook AR.Analysis of freeway traffic time-series data by using box-Jenkins techniques[J].Trans-portation Research Record，1979，722：1-9.

[2]Vythoulkas P C.Alternative approaches to short term traffic forecasting for use in driver information systems[M].Berkeley：Elsevier Science Publishers，1993.

[3]李香靜，劉向龍，劉好德，楊新征.我國城市交通規劃模型研究應用現狀及發展趨勢[J].交通運輸研究，2016，2（04）：29-37.

[4]傅貴.城市智能交通動態預測模型[D].廣州：華南理工，2014.

[5]劉樹義.城市道路交通預測系統研究與應用[D].武漢：武漢理工大學，2005.