（光学工程专业论文）采用低频采样浮动车数据的城市路段行程时间估计与预测.pdf

浙江工业大学硕士学位论文 采用低频采样浮动车数据的城市路段行程时间估计与预测 摘要 城市交通诱导系统是智能交通系统的重要组成部分，是缓解交通拥堵的重要方法。准 确、有效、实时的获取、处理及发布交通状况信息是交通诱导系统正常工作的基础和保障。 本论文依托浙江省科技厅重大专项课题“城市智能交通诱导系统关键技术研究与应用”，采 用低频采样浮动车数据对城市路段行程时间估计与预测进行了研究。 针对g p s 浮动车地图匹配的特殊性，提出了一种浮动车智能地图匹配及轨迹跟踪算 法。该算法综合考虑了g p s 数据误差、路网拓扑结构、道路宽度、浮动车行驶方向及车辆 数据连续性等因素，可对车辆进行精确定位及轨迹跟踪。由于该算法可对数据进行分批处 理，大大提高了数据处理效率。 在地图匹配及路径跟踪的基础上，针对我国城市混合式交通及浮动车采样频率低的特 点，提出了一种低频采样下的城市路段行程时间估计方法。首先综合考虑了交叉口的影响 因素，提出了改进的端点时差法计算单车路段行程时间估计，提高了路段平均行程时间估 计数据来源的正确性。然后在此基础上，结合交通流的周相似特性及出租车的特殊交通行 为，利用模糊c 均值聚类对路段平均行程时间进行实时估计，建立了路段行程时问数据库， 为行程时间预测提供了数据支持。 针对交通参数短时预测中存在的实时性和准确性难以兼顾的问题，提出了一种结合路 段时空性的支持向量机路段行程时间短时预测模型。传统支持向量机预测模型往往仅对目 标路段的时间序列进行分析，而不考虑路网的时空性影响。论文利用所建立的路段行程时 间数据库，通过引入邻接路段行程时间数据对训练样本进行改造，获得了实时性和预测精 度较好的行程时间预测结果。 最后，在上述研究基础上，构建了一种b s 、c s 混合式的交通流信息诱导服务系统。 该系统主要功能有：g p s 浮动车全程监控及轨迹跟踪( c s ) 、实时路段行程时间的显示( b s ) 及短时预测路段行程时间的发布( b s ) 。系统的实际运行，证明了模型的可行性和准确性。 关键词：g p s 浮动车，路段行程时间，地图匹配，模糊c 均值聚类，支持向量机 浙江工业大学硕士学位论文 r es e a r c ho nes t i m a t i o na n dp r e d i c t i o no f u r b a nl i n kt r a y e lt i m eb a s e do n l o w - f r e q u e n c y f l o a t i n gc a rd a t a a b s t r a c t t r a f f i cg u i d a n c es y s t e mp l a y sa ni m p o r t a n tr o l ei nt h ei n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m s ( i t s ) ，w h i c hi sa ne f f e c t i v ew a yt oe a s et r a f f i cj a m s d e a l i n g 晰廿1t h et r a f f i cs t a t u si n f o r m a t i o n e f f e c t i v e l ya n da c c u r a t e l y i st h ef o u n d a t i o na n dg u a r a n t e eo ft r a f f i cg u i d a n c e s y s t e m i m p l e m e n t a t i o n t h er e s e a r c ho ne s t i m a t i o na n dp r e d i c t i o no fu r b a nl i n kt r a v e lt i m eb a s e do n l o w - f r e q u e n c yf l o a t i o n gc a rd a t aw a sc o n d u c t e di nt h i sp a p e r t h ew o r kw a ss u p p o r t e db yt h e p r o j e c t r e s e a r c ha n da p p l i c a t i o no ft h ek e yi s s u e si nu r b a ni n t e l l i g e n tt r a f f i cg u i d a n c e s y s t e m ” a ni n t e l l i g e n ta l g o r i t h mo fm a p - m a t c h i n ga n dv e h i c l e - t r a c i n gw a sp r o p o s e di nt h i sp a p e r b e c a u s eo ft h ep a r t i c u l a r i t yo fm a p - m a t c h i n go fg p sf l o a t i n gc a r , t h ea l g o r i t h mt a k e si n t o a c c o u n tc o m p r e h e n s i v ef a c t o r sw h i c hi n f l u e n c em a p - m a t c h i n g ，i n c l u d i n ge r r o r si ng p s p o s i t i o n i n gd a t a , g e o m e t r i c a lc h a r a c t e r i s t i co fr o a d s ，t h ed i r e c t i o no f v e h i c l ea n dd a t ac o n t i n u i t y o fv e h i c l e t h ea l g o r i t h mi m p r o v e st h ee f f e c t i v e n e s sa n da p p l i c a b i l i t yo fm a p m a t c h i n ga n d v e h i c l e - t r a c i n gm a g o i f i c a n t l y a ne s t i m a t i o nm o d e lo fu r b a nl i n kt r a v e lt i m eb a s e do nl o w - f r e q u e n c yf l o a t i n gc a rd a t aw a s a d v a n c e dc o n s i d e r i n gh y b r i d 锄ci nc h i n a t h em o d e lu s e dm a p - m a t c h i n ga n dv e h i c l e t r a c i n g d a t a i no r d e rt oi m p r o v ec o r r e c t n e s so fs o u r c ed a t ao fe s t i m a t i o no fl i n kt r a v e lt i m e ，a n a m e l i o r a t e dt i m e d i s t a n c em e t h o dw a sp u tf o r w a r dt oe s t i m a t el i n kt r a v e lt i m eo fs i n g l ev e h i c l e c o n s i d e r i n gt h ei n f l u e n c eo fi n t e r s e c t i o n s t h ew e e k l y s i m i l a rh i s t o r i c a ld a t aw e r ec l a s s i f i e di n t o t h r e es p e e dp a t t e m sb yf u z z yc - m e a n sc l u s t e r i n g f i n a l l y , l i n kt r a v e lt i m ew a se s t i m a t e du s i n g r e a l t i m ed a t aa n dc e n t e rv a l u e so ft h r e es p e e dp a t t e r n sc o n s i d e r i n gt h es p e c i a lt r a 伍cb e h a v i o ro f t a x i ，w h i c hp r o v i d sd a t af o rt r a v e lt i m ep r e d i c t i o n i i 浙江工业大学硕士学位论文 i no r d e rt os o l v et h ec o n t r a d i c t i o nt h a tr e a l t i m ep e r f o r m a n c ea n da c c u r a c ye o u l d n tb e o b t a i n e ds i m u l t a n e o u si np r a c t i c a lp r e d i c t i o n , af o r e c a s t i n gm o d e lb a s e do ns u p p o r tv e c t o r m a c h i n ea n dc o n s i d e r i n gt i m e s p a c ep r o p e r t i e so fu r b a nl i n k sw a si n t r o d u c e di nt h ep a p e r r e g a r d l e s so fs p a c e t i m ee f f e c t s ，t h et r a d i t i o n a ls u p p o r tv e c t o rm a c h i n ep r e d i c t i o nm o d e l so n l y a n a l y s et h et i m es e r i e st h e m s e l v e s v i at r a n s f o r m i n gt h et r a i n i n gs a m p l e s ，a c c u r a c ya n dr e a l - t i m e p e r f o r m a n c eh a v eb e e ni m p r o v e ds i m u l t a n e o u s l y f i n a l l y , at r a f f i cg u i d a n c es y s t e m 谢t l lm i x e db sa n dc sc o n s t r u c t u r ew a sd e v e l o p e d ， w h i c hi n c l u d e dt h r e es u b s y s t e m s t h ev a l i d i t yo ft h et h e o r i e sa n dm e t h o d sw a sd e m o n s t r a t e db y a p p l i c a t i o no f t h es y s t e m k e yw o r d s ：g p sf l o a t i n gc a r , l i n kt r a v e lt i m e ，m a p m a t c h i n g ，f u z z yc - m e a n sc l u s t e r i n g ， s u p p o r tv e c t o rm a c h i n e 浙江工业大学硕士学位论文 第1 章绪论 1 1 研究背景及研究意义 随着全国的经济发展、社会进步和城市化进程的加快，交通运输的需求随之明显增长， 交通运输与社会经济生活的联系也越来越紧密。特别是在大中城市及沿海发达城市，人口 的大量引入，导致车辆的保有量急剧增加，绝大部分城市的交通系统不堪负重，交通堵塞、 交通事故、交通化境污染等问题愈来愈严重，因此有效的提高道路利用率过，减少能源浪 费和环境污染已成为许多城市亟待解决的问题。 据估计，2 0 0 5 年美国因交通阻塞而造成的延误超过1 1 0 亿车时。预计到2 0 2 0 年，全国 因交通问题而造成的损失每年将超过1 5 0 0 亿美元。在日本首都范围内，严重拥挤地点就 达2 1 9 处，东京每年因交通拥挤造成的损失约1 2 3 0 0 0 亿日元f l l 。在我国，随着国民经济的 高速发展和城市化进程的加快，交通拥挤已经成为影响城市可持续发展的一个全局性问 题。据环球时报消息，2 0 0 2 年交通堵塞导致的经济损失约1 7 0 0 亿元。2 0 0 5 年上海市中心 道路交通状况报告指出，在早高峰时段和晚高峰时段，基本有三成的高架道路处于拥挤拥 堵状态1 2 1 。同时，随着交通拥挤问题越来越严重，交通事故，环境污染等交通问题随之变 的严重。据统计，2 0 0 3 年我国因交通事故造成的直接经济损失约3 3 7 亿元。中国在全世 界十大污城市中占一半。目前，城市交通拥挤问题降低了城市路网的利用率，阻碍了城市 的可持续发展。 智能交通( i t s ) 是解决交通问题的重要途径。智能交通诱导系统是智能交通的重要研究 内容之一。智能交通诱导系统是目前国际公认的解决城市和公路交通拥堵问题、改善行车 安全、提高运行效率、减少空气污染的有效途径，在国外一些发达国家已经得到成功实施。 交通诱导系统实现的基础是能够对实时交通状态进行处理( 如交通状态估计、预测) 。路段 行程时间是表征道路交通状况的最重要的指标之一，相对于其他指标具有简单明了的优 点，容易为广大用户所理解和接受。在交通拥堵管理系统和交通决策中，通常将行程时间 作为交通系统重要的性能评估指标之_ _ 1 3 1 。动态、实时、准确的路段行程时间估计和预测 对于交通诱导系统具有非常重要的意义。 本论文将依托浙江省科技厅重大专项课题“城市智能交通诱导系统关键技术研究与应 浙江工业大学硕士学位论文 用”( 2 0 0 6 c 1 3 1 0 0 ) ，在对浮动车地图匹配技术和车辆轨迹跟踪技术进一步研究和改进的基 础上，重点研究低采样频率下基于浮动车数据的城市路段平均行程时间估计问题，并对短 时路段行程时间预测模型做进一步的研究和改进。从而可以为城市交通诱导系统提供直 观、实时、准确的交通信息。以上研究内容对优化智能交通诱导系统和缓解城市道路交通 拥堵问题，具有重要的学术意义和实用价值。 1 2 研究对象 1 ) 城市道路路段的定义 路段是构成道路网络的基本单元，是道路和路径单元的组成部分，因此，通常选择路 段作为研究单位。 根据交通流特性的不同，可以分为城市地面道路路段、城市快速路段和高速路段。高 速路段和城市快速路段有点类似，两个相邻匝道之间的部分称为路段。本论文研究的对象 是城市地面道路路段。城市地面道路路段，一般是由两个相邻交叉口之间的部分和下游交 叉口组成，如图1 1 所示： 图1 1 城市地面道路路段范围定义 2 ) 路段行程时间的定义 路段行程时间即为所有车辆的路段行程时间的算术平均值，故也叫路段平均行程时间 4 1 i s 。因算术平均值不能很好地排除异常数据，故建议采用所有车辆行程时间的中位数。 2 浙江工业大学硕士学位论文 该定义并没有将因车辆类型不同而导致异常驾驶行为的因素考虑进来，针对这种情况， s t e v er o b i n s o n ( 2 0 0 5 ) 【6 1 将获取路段行程时间的主要车辆分成四类： 1 在路段中间停车的车辆，如在路间停靠的公交车或者发生交通事故的车辆等； 2 不受正常交通管制的车辆，如紧急救援车辆、快速公交车( b r t ) 等，这类车辆不受 交通信号、限速等的管制； 3 不想快速离开路段的车辆，如观光车辆等： 4 想尽快离开路段的车辆这类车辆按照正常驾驶方式行驶。 显然，第四种车辆采集的行程时间数据才是我们需要的样本，能，故我们将此类车辆 定义为有效车辆。若按照算术平均值计算路段行程时间，则： k 专善t ( 1 - 1 ) 其中表示某个时间段内统计车辆的总数，t 表示第i 个车辆经过路段的行程时间。 1 3 主要技术及发展现状 1 3 1行程时间采集方式 行程时间采集按照采集方式不同可以分为直接采集和间接采集。直接采集技术主要包 括测试车( t e s tv e h i c l e ) 调查技术、车辆牌照识别技术和浮动车技术。间接采集方式以主要是 依靠一些先进的固定设备采集器( 环形线圈、微波雷达、红外检测器、超声波检测器) 来获 取交通信息数据。 测试车调查技术，通过调查人员记录调查车辆经过某些关键节点的时刻，计算节点之 间的路段行程时间。因该方法需要大量的人力和物力，且采集的范围有限，故不适用于大 量的实时交通信息采集。 车辆牌照识别技术，指利用人工或视频技术识别通过特定地点的车牌号和经过时间， 经过车牌匹配后，得到指定地点间的行程时间。这种技术通过布置视频检测器可以获取大 量数据，但此技术成本很高，地域覆盖范围有限，且受天气因素影响。因此，在实际中的 应用较少。 浮动车( f l o a t i n gc a r ) 技术，也称探测车技术，是指利用自动定位技术( a v l ) 采集车辆 的位置和时间等信息来推估路段( 径) 行程时间。浮动车技术主要包括基于g p s 定位的浮动 3 浙江工业大学硕士学位论文 车技术、基于手机定位的浮动车技术、基于自动车辆识另i j ( a v i ) 的浮动车技术、基于信标 ( s i g n p o s t ) 定位的浮动车技术和基于广播电台( r a d i o ) 定位的浮动车技术。浮动车跟一般社会 车辆无异，分布在城市路网中。浮动车利用配备的定位设备( 如g p s 设备) ，在任何时刻都 能将车辆信息通过某种方式( 如g p r s ) 发送到交通信息采集中心，不需要其他资金的投入就 可以实现动态交通信息的采集。故浮动车技术具有全天候、覆盖面积广的特征，特别适合 城市交通的信息采集。 间接采集技术，主要指利用固定在道路上的设备采集交通流其他参数( 如流量) ，通过相 应的算法来推估路段估行程时间。此类算法有其一定的局限性，如交通高峰期大部分算法 都将失效。 随着g p s 定位精确性的提高及设备成本的降低，国内部分城市( 北京、上海、深圳和杭 州等) 已将部分g p s 浮动车投入到交通中，全天候采集城市路网信息。如何充分利用g p s 浮动车动态交通信息，充分挖掘交通流特性是智能交通诱导系统深入开展的实际需求。 本文的研究主要定位于g p s 浮动车动态采集的交通信息。通过对此类信息的分析，对 路段平均行程时间进行估计和预测。 1 3 2 基于g p s 浮动车的路段行程时间速度估计国内外研究历史与现状 k u m u dk s a n w a l 和j e a nw a l r a n d ( 1 9 9 5 ) t t l 认为路段在其相邻时段的平均速度的变化量 是有限的。利用浮动车的瞬时速度，提出了基于最小方差估计的路段平均速度估计方法。 因模型复杂度较高，作者只建议采用贝叶斯方法求解，未给出求解过程。 d j d a i l e yf - w c a t h e y ( 2 0 0 2 ) l s l t 9 】以华盛顿飚n gc o u n t y 的公交车自动车辆定位系统作 为浮动车的数据来源，利用“虚拟”传感器获取其位置数据，用k a l m a n 滤波将a v l 数据转 换成浮动车系统的状态变量，即包含车辆位置、平均速度和加速度的向量。 r o h i n ib o b b a ( 2 0 0 2 ) 0 0 ! 在其博士论文中提出了应用公交车作为g p s 浮动车，通过多元回 归建立路段平均速度估计模型的方法。通过反复实验，基于s p s s 分析软件，应用回归分 析法建立了g p s 公交车平均速度、车道数、道路限速值等相关数据与实际路段平均速度 之间的关系模型，其建立的路段平均速度估计经验公式为： 矿= - 0 6 0 8 5 7 + 0 5 5 8 1 4 v b + 2 8 2 5 7 n + 0 3 9 7 4 5 v t ( 1 - 2 ) 其中可表示路段平均速度，瓦公交车平均速度，刀表示道路车道数，m 表示道路限速。 实验结果表明，在9 5 的时间里路段平均速度真实值和模型计算值相差+ l o m p h 。 4 浙江工业大学硕士学位论文 y a n y i n gl i 和m i k em c d o n a l d ( 2 0 0 2 ) 1 1 1 1 根据路段上车辆的速度时间曲线，按照浮动车行 程时间与路段平均行程时间的相关关系，将司机的驾驶行为模式进行模糊分类，应用模糊 推理策略，提出了采用一辆普通浮动车估计路段行程时间的模型。该模型基于对浮动车的 速度时间行驶特征的分析，以最大连续加速度m a c 和平均速度矿为输入，隶属函数由历 史路段行程时间得到。 m a c ：m a x ( 饕一蝎( 1 - 3 ) ，一lv 其中，1 ，乞为两个连续采样时刻，矿表示浮动车平均速度： 砧去f 2 诎 ( ) 一( 酱一警 m 5 ， 通过验证，模型估计值正确率为9 8 ，估计值与真实值的误差绝对平均百分比小于 d a v i da n t h o n y ( 2 0 0 2 ) t 1 2 1 采用统计软件s p s s 测试不同的自变量和因变量的共线性， 选 取了公交车平均速度、公交车站点数和路段信号灯数量作为自变量，经过方差分析建立了 多元回归模型： 可= 1 0 3 1 7 + o 6 8 7 瓦+ o 7 4 5 n b , 一1 6 9 1 n ， ( 1 6 ) 其中歹表示路段平均速度，瓦表示公交车平均速度，表示公交车数量，n ，为路段 交通信号灯数量。 通过对模型的标准差分析和残差散布图的分析，显示出模型的精度为6 0 。该模型不 能很好地反映交通高峰期的交通状况。 d a v i da n t h o n y ( 2 0 0 3 ) f 1 2 1 为了进一步提高交通参数估计的准确性，建立了b p 神经网络模 型。模型选择隐层数为2 、双曲正切函数为激活函数，以公交车平均速度、路段限速值、 交通信号灯数量和路段公交车站数量作为网络输入变量，路段平均速度作为输出值。通过 实际数据测试，模型计算结果的精度大于7 0 。 w a n gr u i ( 2 0 0 4 ) t 1 3 1 研究了两种基于浮动车数据的快速路路段行程速度估计方法：行程 速度和点速度的估计方法。两种方法都过分依赖于浮动车的瞬时速度，故该方法不能用于 计算城市道路路段行程速度，且随着采样间隔的增大，误差会急速上升。 浙江工业大学硕士学位论文 董均宇( 2 0 0 6 ) f 1 4 】研究了利用城市中混合浮动车平均行程速度估计路段平均速度的神经 网络( r b f ) 模型。论文在研究路段上公交浮动车和出租车浮动车两种类型的平均行程速度 的基础上，建立了从公交浮动车和出租车浮动车的平均行程速度推估路段平均行程速度的 神经网络模型。模型的输入为公交浮动车的平均行程速度、出租车浮动车的平均行程速度 和路段特征参数，输出为路段平均行程速度。利用实际数据对神经网络进行训练和验证， 结果表明，算法的平均绝对相对误差为9 ，平均相对误差为3 ，最大绝对相对误差为 3 9 。 张存保( 2 0 0 6 ) n5 】提出了自适应权重指数平滑法来估计路段平均行程速度，通过加权平 均建立了基于当前时段的路段平均行程速度、前一时段的路段平均行程速度和当前时段中 浮动车行程速度均值三者关系的模型。该模型结构简单，且可操作性强但是权值的确定 太随意，没有很强的理论依据。 朱鲤( 2 0 0 7 ) 6 】研究了基于于浮动车数据的路段行程速度模型。该模型将浮动车样本均 值当做路段平均行程速度，且没有给出模型中提到的阈值a 的计算方法。因此，当样本量 不足时，估计误差就会偏大，且因为引入了专家库，使得算法可操作性变弱。 通过对国内外研究的回顾以及在研究实践中的经验，我们发现上述方法过分依赖车辆 的瞬时速度，大部分利用浮动车的瞬时速度来推算路段的平均行程时间或速度。我国城市 普遍存在机动车与非机动车并行混合交通，且大部分路段交叉口范围甚至某些路段中间都 存在人行道，当采样频率高时，所有浮动车的瞬时速度的确能很好的反映路段的交通情况。 当采样频率下降时，车辆的采样信息失去了稳定性，瞬时速度表现真实交通状况的能力也 将变弱。 因此，在利用浮动车数据进行路段行程时间估计时，应着重考虑以下三个方面的问题： 1 、随着采样频率的下降，采样点间的联系被打断，如何利用离散点的瞬时速度来推估单 车路段的行程时间。2 、实时单车行程时间数据的随机性比较强，如何在估计路段平均行 程时间时，减少随机性对结果的影响。3 、如何在估计路段平均行程时间时考虑浮动车独 特的交通行为，如出租车乘客上车下车等。 1 3 3 行程时间预测技术 在交通诱导系统中，对交通状态进行准确实时的短时预测至关重要，以向交通管理部 门提供滚动的预测信息，实现有效的诱导管理。同时，它给出行者提供实时有效的信息， 帮助他们更好地选择出行路线，缩短出行时间，减少交通拥堵。因而行程时间的短时预测 6 浙江工业大学硕士学位论文 意义重大。不少学者提出了一些合理的预测方法和模型。下面介绍几种常见的行程时间预 测方法。 1 ) 历史趋势法f 1 7 】 历史趋势法假设交通状况是间断性发生的，认为具有相同历史趋势的一天中各路段在 同一时段具有相同的行程时间。通过对具有相似历史趋势的工作日的分类，来预测未来某 时段的行程时间。如a u t o g u i d e 就是采用历史趋势法对行程时间进行预测。 虽然历史趋势法在预测时间上取得了一定效果，但无法反映交通中存在的随机状况。 2 ) 时间序列法【1 8 】【1 9 1 1 2 0 l 时间序列方法是一种统计学定量预测方法，通过分析预测时段与对应历史时段的行程 时间数据，建立二者的对应关系，通过历史行程时间序列揭示预测目标随时间变化的规律， 从而对行程时间做出预测。时间序列方法的关键目标是剔除随机波动部分，使时间序列平 滑。如贺国光教授提出的基于时间序列的行程时间预测模型。 该模型算法简单，具有很好的理论基础，特别适用于稳定的交通流。当交通状况急剧 变化时，模型预测实时性明显不足。 3 ) 卡尔曼滤波法2 1 1 2 2 1 2 3 】 卡尔曼滤波是一种现代控制理论中先进的估计方法，以最小均方误差作为估计的最佳 准则。该方法也同样可以用于交通状态的预测。通过输入前时间段或过去几个时间段的交 通状态参数，输出预测目标值。如m e ic h e n ，s t e v e ni j c h i e n ( 2 0 0 1 ) 利用卡尔曼滤波法提出 基于浮动车的动态路段行程时间模型和路径行程时间模型，通过仿真验证后，预测效果较 好。 卡尔曼滤波在行程时间预测中应用较多，并取得了比较理想的的结果，是较好的预测 方法之一。可是该方法因每次计算都要对权值进行修正，使得计算时耗过大，预测实时性 较差。 4 ) 非参数回归法【2 4 】 非参数回归也叫做多元回归，能充分利用历史数据信息，通过寻找状态相邻近的点对 研究目标进行预测。如d a i l e ydj 通过研究路段和路段之间的关系提出了基于路段相关性 的非参数回归模型。 该模型要对路段和相邻路段的大量历史数据进行调查，因此非参数回归在行程时间预 测中的效果并不理想。 5 ) 交通模拟法f 2 5 】 7 浙江工业大学硕士学位论文 ，交通模拟法是利用一些交通仿真软件，如m e t a n e t ，s i m r e s ，s t m 或者p a r a m i e s ， 按照真实路网情况布置路网，同时还需对历史交通状况进行模拟。通过对模拟结果的分析 来给出研究目标的预测结果。如在g a u l t 的模拟模型中，行程时间是占有率、自由流行程 时间、饱和流率和信号设置的函数。 用仿真软件对实际路网进行建模并不困难，但如果通过输入参数实现对整个城市交通 路网状况的模拟是非常复杂的。 6 ) 神经网络1 2 6 1 2 7 1 2 8 】 神经网络是一种无算法的信息系统，具有通过学习逼近任意非线性映射的能力，可在 对输入样本和输出数据关系不熟悉的情况下完成非线性建模。神经网络在行程时间预测中 用到最多的就是b p 神经网络。b p 神经网络包括神经元、连接权值、层( 输入层、隐含层 和输出层) 和非线性转移函数。b p 神经网络与传统的计算系统不同，通过样本学习能建立 稳定的、动态的模型，在交通预测领域得到了广泛的应用。且神经网络是一个并行计算的 系统，很好的满足了交通状态预测实时性的要求。 因神经网络在学习过程中无法自适应的调整网络结构，加上b p 算法存在收敛速度慢、 容易收敛于局部最小值、隐含层和隐含层节点数目不确定性等缺点，预测效果不尽如人意。 刀综合模型 综合模型根据不同的交通状况采用不同的预测模型( 如上面提到的六种) ，充分发挥每个 预测模型的优势。这种模型具有很好的适应性，但所需交通参数太多，算法复杂度高。 通过对多种预测模型分析，神经网络模型有比较好的实时性，且能通过对样本的训练 反应交通状态的趋势。但是，神经网络采用经验风险最小化( e r m ，e m p i r i c a l 鼬s k m i n i m i z a t i o n ) 原则，容易出现过学习现象从而导致泛化能力低下，精度不足。另外，神经 网络算法的复杂性依赖于网络结构复杂性和样本复杂性，限制了神经网络的广泛应用。因 此我们亟需一种模型，它不但能像神经网络那样通过样本训练很好的反映高维的、非线性 的、不稳定的交通状态趋势，满足交通状态预测实时性的需求，而且不会收敛到局部最小， 有较好的泛化能力和预测精度，以适应交通诱导系统的需求。 1 4 主要内容及论文结构 1 4 1 主要研究内容 基于上述的分析和论述，本课题的主要研究内容包括： 8 浙江工业大学硕士学位论文 1 ) 浮动车地图匹配及路径跟踪：因g p s 本身定位误差及g p s 位置信息和电子地图存 在着误差，故需对g p s 浮动车采集的原始样本进行预处理。结合电子地图对原始样本g p s 数据进行地图匹配，匹配算法引入车辆行驶方向、车辆行驶连续性数据等因素对浮动车数 据进行批量处理，为浮动车数据分析提供实时信息。最后利用g i s 路网结构、空间数据库、 小范围d i j k s t r a 算法及一般驾驶意识对车辆轨迹进行跟踪。 2 ) 基于低频采用浮动车的路段平均行程时间估计模型：城市交通中，低频采用浮动车 连续采样点间的联系被打断，因此，为了提高数据可靠性，综合分析交叉口影响情况，采 用改进的端点时差法对单个g p s 浮动车( 下文称单车) 的路行程时间进行策略式估计。通过 f c m 将历史路段单车行程行程时间进行聚类，将其分层三类：快速、中等、慢行。为了减 少实时采样随机性对计算结果的影响，利用历史数据分类所得到的三个聚类中心和路段实 时单车行程时间来估计实时路段平均行程时间。在平滑估计过程中，考虑车辆独特的交通 行为( 出租车) 对平均行程时间的影响。路段平均行程时间的估计为下步的短时预测提供数 了据支持。 3 ) 结合路段时空性的支持向量机( s v m ) 行程时间短时预测模型：支持向量机跟神经网 络一样都要对历史样本数据进行训练，能解决非线性、不稳定及高维的数据回归问题，且 实时性强。跟神经网络不同，支持向量机具有统计学习理论基础优势，采用结构风险最小 化，理论上能达到全局最小值，且泛化能力强。因此我们采用支持向量机对路段行程时间 进行预测。在研究预测模型的同时，综合考虑研究路段时空影响因素。 1 4 2 论文组织结构 本文共分为六章，论文整体框架及章节之间的关系如图所示： 各章节的主要内容安排如下： 图l - 2 论文的组织结构 西 浙江工业大学硕士学位论文 第一章、绪论：简单地介绍智能交通系统的发展概况及若干交通参数采集方式，并阐 述了本文的研究对象，研究背景、研究意义以及研究内容，最后给出论文的组织结构。 第二章、g p s 浮动车原理及关键技术：介绍g p s 定位原理及目前浮动车在i t s 中的应 用情况及优势，提出一种浮动车智能地图匹配及轨迹跟踪算法批处理算法。 第三章、路段平均行程时间估计：首先模糊c 均值聚类( f c m ) 原理，接着采用改进的 端点时差法，对单车路段行程时间进行估计。利用f c m 对所有历史单车行程时间进行聚 类，利用各聚类中心计算及实时单车路段行程时间估计实时路段平均行程时间。 第四章、路段行程时间短时预测技术：介绍支持向量回归机的原理及在预测方面的优 势。从时间和空间角度综合考虑当前路段影响因素，利用y 支持向量回归机及径向基核函 数对目标路段的行程时间短时时预测。 第五章、系统构建与实现：介绍系统需求分析及系统的主要功能，给出系统的框架及 结构。最后构建了结合c s 和b s 的交通流信息诱导服务系统。 第六章总结与展望：对本文所做的工作进行总结概括，并对其中的不足部分提出展望。 1 0 浙江工业大学硕士学位论文 第2 章g p s 浮动车原理及关键技术 2 1引言 实时行程时间信息在缓解交通拥堵、动态路径导航等智能交通系统应用中具有重要的 作用。实时行程信息的采集方式主要可以分成两类。一种是利用如环形线圈、红外检测器 等传统检测器采集的流量、排队长度、车道占有率等信息“间接”获取计算行程时间。另外 一种通过装有特殊设备的车辆来“直接”获取，如g p s 浮动车。所谓g p s 浮动车就是指装 有g p s 定位设备及无线通信模块的车辆。g p s 浮动车全程全天候将车辆的定位信息、速度 状态、时间等信息传送给运营中心，并且能接收运营中心的指令。因此，g p s 浮动车在路 段行程时间信息直接采集方面具有很大的优势。 2 2g p s 浮动车系统原理及应用 2 2 1g p s 浮动车系统 浮动车系统是指利用交通流中一定比例的浮动车获取实时交通数据的一种新型的交通 信息采集系统。主要原理如图所示： 浮动车 、 毋、 信息 图2 - 1 浮动车系统原理图 浙江工业大学硕士学位论文 g p s 终端( 浮动车) 主要配备两个模块：g p s 模块和g p r s 模块。g p s 主要负责接收g p s 卫星定位信息，并且通过自带数据控制处理器算出车辆所处的位置坐标等信息。g p r s 模 块将数据处理成符合g s m 标准的信息格式，利用g p r s 网络把车辆的位置、状态、速度 等综合信息发送到具有静态i p 地址的中心服务器。中心服务器将接收到的车载终端数据做 预处理后与系统的g i s 电子信息地图进行匹配，在地图上动态显示，并将数据存入数据库 中，从而达到对移动车辆的实时监控。数据库保存了车辆的历史数据，故能对移动目标进 行轨迹回放。控制中心也能通过g p r s 网络给车辆上的g p r s 模块发送信息，这个是对车 辆调度的基本方式。 本文研究定位于杭州市g p s 浮动车( 出租车) ，其原始采集的信息主要有车辆的唯一标 识、车辆位置的经度度、车辆位置的维度、车头方向、数据返回时刻、载客标识。 2 2 2g p s 浮动车系统在i t s 中的应用 g p s 浮动车技术是i t s 中动态信息采集的重要手段之一，该技术为路段的平均速度、 行程时间、交通流量的估计和预测提供了很好的技术支持。国内外的研究中心通过对浮动 车交通信息处理与应用系统的研究。建立了基于浮动车运行数据的实时行程时间和平均速 度估计及预测的核心流程，如图2 - 2 所示。 图2 - 2 浮动车系统应用核心流程 浮动车系统国外已处于推广应用阶段。美国的a d v a n c e ( a d v a n c e dd r i v e ra n dv e h i c l e a d v i s o r yn a v i g a t i o nc o n c e p t ) 项目最早开始研究g p s 浮动车技术，研究证明了利用g p s 浮 动车采集路段行程时间是可行的。德国的g e d a sw a y f l o wp r o j e c t 将计算机安装在浮动车上， 利用车载计算机完成地图匹配和道路行程时间的计掣3 0 1 。英国i t i s 股份公司研究基于浮动 车的交通信息采集系统，主要利用浮动车数据估算出行时间。日本的m e t i j a r i 项目以出 租车作为浮动车，研究实时交通采集技术主要应用于行程时间的服务。新加坡的t r a f f i c s c a n 1 2 浙江工业大学硕士学位论文 系统对浮动车数据进行融合分析，通过互联网、电台等方式发布实时交通信息，实时交通 信息每5 m i n 刷新二次【3 1 1 。 国内，国家“十五科技计划将浮动车技术的研究作为重要课题之一，并且在北京、上 海、杭州等地方进行试运行，取得了一定的成效。2 0 0 5 年，科技部十五科技攻关项目“杭 州市道路和交通管理浮动车技术示范工程”正式启动。杭州示范工程通过杭州市装备的g p s 车辆( 公交总公司6 9 条线路1 2 0 0 辆车，出租车等5 8 0 0 辆车) 全天候采集城市路网动态交 通数据。通过网络系统，将数据采集到杭州市交警支队浮动车数据中心，建立了动态交通 数据库。g p s 浮动车系统采集的实时及历史数据为杭州交通规划，交通诱导和市民出行提 供了信息支持。 2 3g p s 定位原理 导航卫星全球定位系统( g l o b a lp o s i t i o ns y s t e m ，g p s ) 是美军在“子午仪卫星导航定位” 技术基础上发展起来的具有全球性、全能性、全天候性优势的导航定位、定时、测速系统。 此系统供全球用户使用，用户只需具备卫星接收器即可。g p s 系统主要由三个部分组成， 即空间卫星部分、地面监控部分、用户设备部分四。 空间卫星部分由2 1 颗工作卫星和3 颗备用卫星组成。这些卫星保证了地球任一时刻任 一地点均能同时观测到至少4 颗卫星。 地面监控部分由1 个主控站、3 个注入站和5 个监测站组成。主要作用是计算编制卫 星星历，保持精确的g p s 时间系统，向卫星注入导航电文和控制指令。 用户设备部分的核心是g p s 接收机。接收器主要功能是通过接收器获取定位的观测 值，提取导航电文中的有用参数，经数据处理而完成导航定位工作。 2 4 车辆的地图匹配及轨迹跟踪 g p s 定位技术和地理信息系统( g i s ) 是浮动车系统应用的关键技术，也是浮动车系统运 行的基本条件。交通地理信息中包含了详细的路网信息。虽然随着g p s 定位技术的优化， 定位精度也随着提高，但是定位结果仍不能保证落在道路上。为了满足交通诱导系统的功 能需求，需要利用电子地图中路网信息改善系统的定位精度，确定车辆所行驶的道路、车 1 3 浙江工业大学硕士学位论文 辆在道路上的准确位置及车辆行驶轨迹。这也就是地图匹配及车辆轨迹跟踪所要解决的问 题。 所谓地图匹配算法指的是依据g p s 浮动车在行驶过程中采集到的位置信息，将车辆的 当前位置与电子地图上的道路相关联的算法，最终输出结果为车辆在道路上的具体位置。 地图匹配算法根据匹配原理主要有：几何匹配算法、基于模糊逻辑的匹配算法、基于代价 函数的匹配算法和基于模式识别的匹配算法 2 9 3 3 1 1 3 4 3 5 1 。除了几何匹配算法，其他的匹配算 法虽然在车辆导航应用中有较好的精确度，取得很好的效果，但是算法复杂度过高，不适 合浮动车系统的批量数据处理。所谓轨迹跟踪就是根据地图匹配所确定的路段上的位置还 原出车辆在路段的行驶轨迹。 针对g p s 浮动车数据量多且实时性要求高的特点，本文提出了一种智能地图匹配和轨 迹跟踪的实时批量处理算法。因后续章节需要每隔5 m i n 对数据进行提取及分析，故每隔 5 m i n 处理一次浮动车数据。 2 4 1基于车辆行驶方向的点线匹配算法 一般地图匹配前，需将g p s 浮动车的坐标转换成对应电子地图所支持的格式，因我们 采用的地图格式跟g p s 坐标一样，都是采用大地坐标，故不需要对坐标进行转换【3 2 】。 目前比较常用的几何匹配算法主要有三种：点到点匹配、点到线匹配和线到线匹配。 浮动车实时性要求较高，且数据量较大，故算法复杂度高的线线匹配及数据库布置复杂的 点点匹配都无法满足要求。点到线的匹配，也叫最近临匹配，需要将定位点匹配到与该点 距离最短的路段( 线) 上，将该点在路段上的投影点确定为车辆在路段的位置。 因点线匹配算法，忽略车辆行驶方向，将车辆与道路的关系视为简单散点到线的距离 关系，选择距离最短的投影点作为所求的匹配点。故引入车辆定位时获取的行驶方向作为 约束条件，提出了基于车辆行驶方向的点线匹配算法。如图2 3 所示，该算法具体步骤如 下： 1 ) 获取车辆定位点p 的位置信息及方向信息。 2 ) 引入道路宽度信息，将单纯的线形道路数据变成具有宽度的面形路段。 3 ) 根据车辆定位坐标搜索定位误差范围内的面形路段作为匹配候选路段。 4 ) 引入车辆方向约束，剔除不符合的候选路段。 5 ) 将剩余候选道路中离p 点投影距离最小的作为匹配路段，最终匹配点为p 2 。 1 4 浙江工业大学硕士学位论文 遮、上 n 2 l 2 i j ij ， d 2 1 i 图2 3 基于车辆行驶方向的点线匹配算法 本阶段对浮动数据进行初步定位，主要用于实时显示部分。浮动车定位显示的目的是 能让政府管理部