城市交通流量预测及控制策略研究

城市交通流量预测及控制策略研究

李丹丹

北京城建设计发展集团股份有限公司武汉分公司湖北武汉430063

摘要：对于我国这样进入发展攻坚阶段的发展中国家，交通拥堵被列为阻碍城市发展最为重要的一种“城市病”。在ITS中，建立相应的预测模型为实现有效合理的交通管控提供有力支持。综合所有的实测数据与路网规划信息，进一步分析计算可得到相应的通行时间模型，统计车辆从本检测点到其他交通监测点所需时间，这也成为ITS制定合理的动态路径规划的数据支撑。最终形成动态路径规划系统，实现ITS的诱导功能。由此得出，构建合理有效的预测模型是构建城市智能交通系统的基础工程。

关键词：城市交通；流量预测；控制策略

1影响城市交通流量的因素

影响城市交通流量的主要因素主要有：一是道路施工：是指在城市道路上以维护交通安全运行为目的对道路路面及其附属设施进行完善而进行的施工过程。二是交通事故：由于从交通事故发生到检测到事故、接警、事故现场勘测、处理、清理事故现场以及恢复交通都需要一定的时间。三是重大节假日：节假日突发客流主要体现在短途交通出行、景区停车需求剧增、客运交通需求等方面，每逢节假口出行的群众增多，道路的通行压力剧增，车流量增大，车流密度增大，车流速度减小。四是天气情况：雨、雪、雾等恶劣天气情况对道路交通流量的影响也非常大，在这种天气下驾驶员视距受限，会降低机动车行驶速度，从而影响交通流量。

2交通流量预测方法分析

2.1基于时间序列的预测模型

在时间序列(本论文为短时交通流量数据)中的某个时间点数据y，与这个时间点前的数据(yt一1、yt一2等)之间存在着某种关系，也就是说这个时间点前的数据影响了这个时间点数据的变化，那么就可以根据该时间序列的以前的观测值(历史值)来进行数学建模来预测未来可能出现的数据，这就是基于时间序列的预测模型基本思想。

2.2基于人工智能的预测模型

随着近年来计算机硬件的发展，使得人工智能这个新兴的技术飞速发展。很多学者也非常支持通过神经网络方法，深度学习(Deap--Learning)等人工智能方法等来对交通流量进行短时预测。神经网络方法因其学习能力强被广泛使用，BP神经网络，RBF神经网络和MLP神经网络被证明是一种很好的预测交通流量的方法，但BP人工神经网络模型收敛速度比较慢，学习阶段就可能落入局部最小值，从而使此方法失效。其他模型(如遗传算法，蚁群算法、粒子群算法等)在一定程度上避免了局部最小化，但需要大量的计算，且效果不一定好。但是另一种神经网络，RBF神经网络就比BP神经网络更好，因为它有很强的非线性拟合能力，学习规则简单，结构参数可实现分离学习，收敛速度快，而且可以映射任意复杂的非线性关系等很多优点，被广泛的研究和使用，并在此基础上进行了许多改进，和灰色系统理论，PSO，ARIMA等方法相结合，得出的结果在误差，预测时间等数据上有一定的下降。

2.3相似度量机制

当前衡量交通流相似度通常使用样本之间的欧式距离，若欧式距离越小，交通流之间就越相似。但是，欧式距离只能反应特征向量在空间上的“靠近性”，衡量的是空间各点的绝对距离。并且欧式距离对变量的量纲有依赖性，在实际计算时容易造成与流量演变的实际含义相悖。在众多样本距离计算方法中，余弦距离可以考察向量之间形状的“相似性”，如2个交通流向量余弦距离越接近于1，说明其水平夹角越相似，整体形状而言就越相近。

图1基于融合距离的相似度量机制

通过融合欧式距离和余弦距离的相似度量机制将兼顾彼此优势，保证在历史数据库筛选交通态势的“相似性”和“靠近性”。基于融合距离的相似度量机制如图1所示。坐标系中的每一个点表示历史交通流在融合距离空间里的属性，横纵坐标分别表示历史交通流与观测交通流的余弦距离和欧式距离，r表示融合距离。图中的A点(0，1)欧式距离为0，余弦距离为1，表示需要预测的观测交通流向量。如果只看单一距离，将点投影到坐标轴，D点流量与A点余弦距离最接近，但从融合距离来说并不接近，因此该点的属性为“相似度”高但“靠近性”差。同理E点属性为“靠近性”强，但“相似度”低，两者皆不属于最优的相似交通流。从融合距离上看B和C是与A的融合距离最近的2个点，属于与A最相似的2个交通流。可见，利用单一距离作为相似度量机制是有缺陷的，必须依靠融合距离的度量机制才能从数据库筛选出最优的历史相似交通流。

2.4预测相关参数选取

预测算法中涉及到2个重要参数，其一是作为匹配的观测流量序列应该截取多长的时间，这将关系到找到的历史交通态势是否具有预测的功能。时间过短的流量不具有实际意义，时间过长的流量会削弱最近观测值的权重。另一参数则是选取相似的历史交通态势的样本数量。如果选择的个数过少，则预测容易被极端值影响，导致预测风险。如果样本量过多，则冗余样本的噪声会干扰预测结果，降低预测精度。因此，需要对这2种参数取值对预测结果的影响进行研究。在实际应用中，可以根据这2个参数不同值组合下预测的精度，通过OLS线性回归的方式选取最优参数组合。

3城市道路交通智能控制策略

3.1依托“智能交通”，建设城市“云”道路

在智慧城市的助推下，各地政府对智能交通的关注度与投入度逐渐增加，依托“智能交通”建设，借助大量基础数据采集和深度加工，转变传统人力调度疏导模式，实现交通指挥调度可预见性和智能化控制。全程监控路网信息，全路段布设卡口摄像机，路口监控球机，高空监控摄像机，路口设置交通LED时播路况显示屏，铺设电子警察、路面球机、高点监控等配套设施，将固定路口值守调整为高峰时段远程监控值守，配合少量警力路面巡逻的勤务模式，实时监控记录道路运行及交通事故情况。一旦发现拥堵、事故、抛洒滴漏、逆行等突发交通事件，系统自动识别报警，由值守民警第一时间调取现场监控，通过车牌号显示联系车主，远程快速处理交通事件，源头上预防减少道路交通拥堵的现象，大幅节省路面警力。实现交通管理从“拼体力”向智能预警和源头治理转变。

3.2以“城市智能交通”为切入点，构建优质交通秩序

通过布局互联网城市道路交通智能化硬件，铺设智能大数据交通系统，将空中智能交通绿波控制与地面指挥保障有机结合，提高城市交通保障警卫服务质量，实现全局资源配置的最优化及高效利用。例如在石家庄试点投用的人脸识别闯红灯抓拍设备，启用60天，共抓拍行人闯红灯违法行为约18459起，平均每路口每小时约125起，通过交通LED交通屏幕时时在线播报，下降到每小时6起，交通秩序得到有效改善，降低了交通事故发生率。

3.3在移动互联大数据快速发展的新时期，打造智慧城市道路交通生态环境

借助移动互联大数据分析列表，可以看出交通智能系统中存在的问题，结合日常交通出行数据高峰时段，拥挤路段，事故高发地点，合理优化道路建设方案。采用进行仿真系统模拟，结合交通道路动态模拟软件，科学设置潮汐车道，或者新增支路、架桥，优化道路管理秩序，实现交通规划向数据支撑、模型预测和动态评估转变，为交通评价和隐患整改提供了有力支撑。准确把握城市交通总体状况和趋势特点，为今后城市道路交通智能工程建设规划提供了重要的数据支持。

结语

随着大数据、人工智能、移动互联及新一代信息技术的运用和普及，智能交通成为现代交通发展的重要方向，特别是中国车辆大国，每天的交通拥堵率与日俱增，急需构建高智能化城市道路交通控制应用系统，优化智能交通网络安全体系，不断推进城市交通治理体系和治理能力现代化，以实现城市道路交通管理控制机制改革，为今后城市道路交通发展服务。

参考文献：

[1]一种基于GyTAR道路连通性预测模型的改进算法[J].蔡震.科技风.2017(06)

[2]基于群签名及伪名认证的车载自组网地图路由协议[J].覃科,李志梅.桂林航天工业学院学报.2016(03)