城市道路交通流预测

1、.城市道路交通流预测1交通流预测方法历程在交通预测方法方面，上世纪60年代，国外就开始研究交通流预测模型，并逐渐将这些模型应用于短时交通流预测。早期的预测方法主要有时间序列法，自回归滑动平均模型(ARMA)、卡尔曼滤波预测模型等等。这些预测模型主要为线性模型，其考虑因素都较为简单，一般都用最小二乘法(LS)在线估计参数，利用历史数据线性变化趋势预测交通流参数。早期的方法具有计算简便，易于数据实时更新，便于数据量和规模较小的条件下应用的优点；但是由于这些模型不能体现交通流的非线性和随机性，很难克服随机因素对交通流量的干扰，所以随着预测时间隔的缩短，随机因素的作用也增强了，这些模型的预测精度和实时

2、性也就变得达不到预期的效果。伴随着交通流量预测研究的深入进行，学者们又提出了很多更复杂的、更高精度的预测方法和模型。从表现形式上大体可分成三类：第一类是早期以数理统计等传统数学方法为基础的线性预测模型；一类是以现代控制理论和科学技术(如模拟技术、神经网络、模糊控制)为主要方法和手段而形成的非线性预测模型，他们的特点是不需要精确的物理模型，在一定应用范围内却具有良好的鲁棒性、精确度；第三类主要是前两者的组合应用，第三类方法综合了的特性，克服前两者他们的缺点，使得前两者的优点互补，从而达到很好的预测效果。这类方法建模过程较为复杂，但为短时交通流预测研究开辟了新的路径，也是将来短时交通流预测方法的发

3、展方向。早在 1994 年 Hobeika, A. G 和 Chang Kyun Kim 在文献中提出了根据截面历史数据、实时数据和上游交通流数据进行短时交通流预测。Brian L. Smith 和Miehael J. Demetsky(1997)在文献中对历史平均预测模型、时间序列预测模型、神经网络预测模型和非参数回归预测模型四种交通流预测模型进行了比较，结果非参数回归模型以其模型简单，精度高成为了小样本预测中最佳的预测方法。Bart Van Arem(1997)等在文献中分析和阐述了短时交通流预测领域研究的相关进展和应用。2002 年，Sherif Ishak 和Haitham Al-De

4、ek 在文献中应用实时交通流数据对几种短时交通预测模型进行了应用、比较和分析。我国智能交通建设与国外发达国家相比起步较晚，在短时交通流预测方面的研究起步也稍微晚一点。从90 年代起，国内一些研究机构和高校的交通领域的学者开始着手研究交通信息采集和数据挖掘技术，并逐渐开始重视短时交通流预测这一领域的研究。针对短时交通流预测的研究，吉林大学、东南大学、同济大学等都进行了大量的研究工作并获得了一些成果和成功的应用案例。其中杨兆升教授是短时交通流预测领域的先行者，他较早提出了基于卡尔曼滤波技术的交通流量预测方法。王晓原，吴磊等在文献中利用非参数小波算法进行短时交通流预测，通过实际数据验证得到了良好的效

5、果。李存军在文献中结合数据融合，神经网络等现代智能方法对交通流进行预测，并引入了路网中相关路口相关评价概念，从而有效利用路网中相关交叉口数据对交叉口流量进行预测。刘静，关伟(2004)在文献中介绍和评述了现有的交通流预测各种模型，并展望了今后可能的发展和研究趋势。总之，目前国内对于交通流预测模型研究和应用已经做了大量的工作和实践，交通流量的预测研究也取得了飞速的发展，已由线性方法向非线性方法发展，交通流的随机性在预测中越来越得到重视；由单一的流量数据向多种数据融合的方法发展；由单一路口流量数据向综合考虑相关路口数据的方法发展。但目前的交通流预测精度和实时性还有待提高，预测的时间间隔大部分为 1

6、5 分，主要应用只限于高速公路的交通流预测。2交通流基本参数交通流参数主要有交通流量、速度和密度三个基本参数，这三个参数信息是智能交通系统中实现交通控制和诱导的基础。下面分别介绍这三个参数。（1）交通流量交通流量又称流率，是指路网中某一地点或某一断面在单位时间内通过的车辆数。若道路上某一点在时间周期T 内通过的车辆数为 N，则交通流量为：q=N/ T交通流量是交通流参数中尤为重要的参数，它最直接的反映了路段的交通状况，因此它是交通预测、交通状态判别等研究的基础。它的实际数据不仅能够很容易地测量到，而且能够最直观地反应道路交通的通行状况。（2）车速车辆速度种类较多，主要有地点车速、行驶车速、区间

7、车速、时间平均车速和空间平均车速等。地点车速指：车辆驶过道路某一点或者某一截面时的瞬间速度；车辆行驶车速指：通过一定路段长度，在实际行驶时间中(不含停车时间)的可变车速；区间车速指：车辆在一定路段长度所行使的距离除以行驶的总时间所求得的速度；时间平均速度：指定道路某一点或者截面，通过的所有车辆的地点车速的平均值；空间平均车速指：在某指定时间周期里，某路段内通过的所有车辆的地点车速的平均值。本文主要通过预测流量、分析路段交通状况，以提高交通流实时控制和诱导的水平。（3）密度和占有率交通流(车流)密度：是指某一时刻单位道路长度上存在的车辆数目。K=N/L= 式中：N 路段内的车辆数(辆)；L路段长

8、度(km)。由于密度是一个瞬时值，观测时间和路段区间长度的不同，其值变化可能比较大，且不能直接反映出路段上车辆数量和速度的关系即路段的饱和度。所以学者们引入了车道占有率的概念替换密度。车道占有率又分为空间占有率和时间占有率。由于空间占有率难以检测，因此在工程实践中普遍使用时间占有率。 空间占有率：是指某一时刻，路段上所有车辆长度之和占路段长度的比例.时间占有率：在道路的某一截面上，存在车辆通过的时间之和占检测时间周期的比例.（4）交通流参数间关系交通流量、速度和密度这三个参数既相互联系而又相互制约。在实际的道路交通运行中，无论三个因素中哪一个因素达到一定的量变都会引起交通流状态的质变。三者之间

9、的关系可以表示为：Q=KV 式中：Q 表示流量(辆/h)；V 表示速度(区间平均速度)(km/h)；K 表示密度(辆/km)。 尽管三个参数可以在三维坐标中同时表示，但为了研究和工程应用的方便通常采用速度流量模型、速度密度模型以及流量密度模型这三个二维模型的来分别表示它们彼此间的关系。速度密度模型可以作为基础模型，利用它再推导出其它两个模型。Greenshields 最早于 1935 年提出的速度密度线性模型；后来 Greenberg 又建立了表示速度密度关系的对数模型；Underwood 在 1961 年相继建立了表示速度密度关系的指数模型；在对数模型与指数模型的基础上，同年 Edie结合两

10、者的特性建立了两端模型；1967 年，May 根据跟驰理论推导出了各向同性的四参数单段连续模型。三个交通流参数的关系还可以描述为：当交通流量不大即密度很小时，车辆畅通行驶，平均车速较高，但是此时交叉口单位时间通过的车辆也不多；随着交通流量不断增大，虽然车辆仍然能自由通行，但车辆行驶速度有随之降低；当交通密度增加到最佳密度时即路段交通流处于近饱和状态，此路段交通流量达到最大值，即道路的通行能力，交通流形成了车辆跟驰现象，车速仍然较高但很均衡；当交通密度继续增大，即交叉口处于过饱和状态下，此时交通流量反而下降，车速明显降低直到接近于零，道路交通出现阻塞现象，此时交通密度也逼近极限值阻塞密度。3目前

11、主要采用的方法据相关资料统计，目前已经有多种的预测方法应用于交通流量预测研巧领域（屈凡，）。下面介绍几种在国际交通流量预测中常用的方法。（1）历史平均预测方法历史平均预测方法原理是：基于历史交通数据和目前实时数据建立相关预测模型（刘丽娜，）。该方法的计算公式如下：Q(t+1)= *Q（t）+（1-）*Q（t-1）其中：一Q(t+1)代表此路段下一时刻对应的交通流量；一Q（t）代表此路段目前时刻对应的交通流量；一Q（t-1）代表此路段前一时刻对应的交通流量；一代表预测平滑系数。历史平均预测方法的优点是：计算相对简单，基于线性计算；缺点是：若交通流变化大时，预测准确度会降低。（2）卡尔曼（）滤波模

12、型。卡尔曼滤波模型同样也是基于线性统计的回归原理。自从卡尔曼滤波理论被创立，就被各个行业大量应用，例如：航空航天，雷达信号处理，取得很多实际成果。它的主要原理是：假设对每个时刻的系统扰动和噪声进行线性统计，通过对含有噪声的信号处理，依据最小均方差估计原则，求得误差最小的真实信号的估计值。卡尔曼滤波的优点是：具有不错的鲁棒性，可以进行实时处理，预测精度高；缺点是：由于是线性估计，若交通流量的非线性变化大，其结果准确性会降低（，）。（3）非参数回归预测方法非参数回归预测方法不同于上述的历史平均预测法和卡尔曼滤波模型的线性统计，它是对非线性、不确定的动态系统进行非参数建模（，；ith ，）。该方法仅

13、仅基于大量的历史交通流数据，旨在计算和历史交通数据相近点来预测未来某时刻的交通流量（樊娜，；，）。非参数回归预测方法的优点：计算方便，且当数据量越大，预测越准；缺点是：由于交通系统本身很复杂，故交通流量的组织不科学，无法应对随机干扰对结果精度的影响（李振龙，）。（4）灰色理论预测方法灰色理论的基础是：看似杂乱无章的世界，其实是有序的，具有整体功能性。灰色理论预测方法的原理是：从海量数据中挖掘出数据内部存在的关联关系，继而生成具有某种关联关系的数据序列，然后建立相应的数学公式，从而预测未来的交通流量。研究的主要对象是贫信息、小样本系统。所谓贫信息可简单理解为只能获取样本的局部信息。灰色理论预测交

14、通流量的缺点是：对于突发状况引起的环境变化，适应新差，预测精度会降低（王凤琴，）。（5）综合模型(ln）预测方法由于交通流量具有高度的复杂性和随机性，单一的交通流量预测方法只能适用于某一指定领域，加么多重非线性因素的干扰，急需发展综合模型来预测交通流量。综合模型预测方法顾名思义，就是将多种单一预测模型进行融合使用，扬长避短，从而提高结果准确性（郭海峰，；，）。常见的综合模型预测方法有：基于小波理论的综合模型和基于神经网络的综合模型（）。现如今，已有互联网地图服务公司，例如：国外的，国内的百度地图、高德地图，都提供了更加实用的通勤交通信息：实时路况查询，用户可以查询到当前以及未来一周内任意时刻的交通流量，这无疑为人们的出行提供准确的交通指导和帮助。各地图服务公司提