面向動態交通分配的交通需求深度學習預測方法

李巖，王泰州，徐金華，陳姜會，汪帆*,2

(1.長安大學，運輸工程學院，西安 710064；2.中交第一公路勘察設計研究院有限公司，西安 710075)

0 引言

在交通管控系統層級的改善效果評估等工作中，需精確描述各時段路徑流量和路徑出行時間的相互作用關系，以獲得精準的交通運行狀態。傳統的靜態交通分配方法僅能獲取相對較長時段的交通分析結果，加之出行者完成出行需要時間，使靜態分配難以分析各時段交通狀態變化特征。為獲取網絡全過程的交通運行狀態分析結果，需應用動態交通分配(Dynamic Traffic Assignment,DTA)[1]。動態交通分配需預先輸入各分析子時段的交通需求，而傳統預測方法多基于歷史數據和經驗，忽略了動態交通分配過程中交通需求時間序列數據的周期性、隨機性和非線性等特點[2]，無法響應動態交通分配所需輸入的數據要求。因此，亟需建立一種面向動態交通分配的交通需求預測方法。

目前，面向動態交通分配的交通需求預測方法[3]可以總結為基于統計分析、機器學習以及深度學習等3 類。基于統計分析預測方法的主要模型有自回歸積分移動平均(Auto Regressive Integrated Moving Average,ARIMA)模型、卡爾曼濾波模型等。ARIMA[4]模型將交通流量視為非平穩隨機序列處理，其對平滑性較強的數據預測效果更好，但對隨機性更強，存在極端峰值的數據預測效果欠佳。卡爾曼濾波算法[5]允許所選狀態變量不斷更新，根據某些反映歷史交通需求變化的規律性數據對未來需求的變化進行推斷以實現預測，但隨著數據非線性或不穩定特征增加而使預測精度下降。……