大数据下城市交通状态分析与预测研究综述

大数据下城市交通状态分析与预测研究综述摘要：随着我国汽车保有量不断增加，城市道路拥堵、交通管理问题日益凸显。基于大数据对城市交通的预测，能够帮助交通管理部门更好的进行交通管理决策的制定。本文总结了国内外交通大数据城市交通状态分析与预测研究现状，探究大数据背景下城市交通状态分析与预测方法的发展，得出结论可结合大数据进行交通状态分析，以提高短时交通流预测精度的。关键词：城市交通；交通大数据；交通状态分析；交通量预测前言近几年，得益于物联网、云计算、无人驾驶以及5G技术的发展，各种数据、信息不断被利用和发掘，大数据时代已经到来理。在交通领域，现有的大数据在交通领域已经得到广泛应用，包括公交、地铁系统刷卡数据、手机信令数据、车辆GPS数据、道路监控设备采集得到的数据等，宏观上，这些数据被用于城市治理、城市规划等诸多方面，微观上，交通大数据也为交叉口信号配时、相位设计、交通管制等提供理论支持。交通大数据发展随着移动互联网、大数据等新兴的技术不断推荐研究，深入发展、智能交通的提出，促使交通大数据成为了研究焦点。对上海市的第五次出行调查，研究内容的交通大数据包括道路定点传感器、公交车GPS、公交IC卡等。以大连市公交车统计数据为例，4000余辆公交车10秒间隔的定位数据为20G/天，公交IC卡数据为9G/天[1、2]。在国内，徐红海[3]等人将交通大数据与智慧高速结合，提出了基于交通大数据的智慧交通新方案。该方案将现有的各种传感器数据以及实时交通数据进行接入和深度挖掘,能提供更准确的实时测量、趋势预测和历史先验数据，根据实时交通数据进行动态化、实时化的出行路径规划服务。杨厚新[4]等人提出了一种基于交通大数据的存储式应用平台，针对交通数据存储、挖掘等进行优化。刘佳[5]等人基于移动通信信令的大数据，提出了一种基于通信大数据刻画交通出行人群动向的解决方案，以及该方案在公共交通行业的应用。交通状态分析在交通状态分析方面，姜桂艳[6]等采用大数据与神经网络算法，以交通流量、车辆运行速度、道路占有率、车头时距等作为自变量对模型进行训练，提出了一种针对高速公路的交通状态分析算法。Smith等采用季节性ARIMA模型，基于高速公路的交通数据，对比近邻模型，发现ARIMA模型虽然复杂，但是优于近邻模型。Bing等在基于交通流的混沌特性上，提出一种基于组合函数和相关向量机结合的交通流预测模型。Yuan和Mills定义了局部交通状态对于整个交通网络的影响所具有的权重，进而提出了一种针对大规模路网的交通流时空模型。孙维亚[7]和Zhang对交通流模式的分布进行详细分析，针对不同时段、不同位置的交通流波动，提出一个模型进行分析。同时，城市交通管理部门、企业也通过大数据来保证道路交通通畅、减少事故发生，这都是基于交通状态分析而衍生出的方案[8、9]。4．交通流预测近年来，随着计算机软件技术的不断创新与提高，计算机算法的不断创新，机器学习，深度学习方法已经在交通运输领域广泛运用。4.1国外研究B.Dhivyabharath将自回归模型应用于交通流预测领域。Williams使用季节性自回归积分滑动平均模型来预测道路短时交通流，实验证明该模型预测效果优于神经网络，缺点是在分析数据特征时忽略了数据的时效性，所以随着预测时间的变长，模型的准确率会急剧下降。Yang提出了一种基于多步预测的混合深度学习和经验模式分解的时间序列模型，可以及时有效地预测未来交通流的状态。GaetanoFusco使用贝叶斯网络和神经网络的组合模型，反映了交通变量之间的时间和空间相关性。MarcoLippi等设计了诸多短期交通流组合预测模型。XieJ和ChoiYK使用人工神经网络对路段历史数据和实时数据建模预测，优点是充分反映了数据的周期性和时效性，缺点是为了保持学习的效果和预测精度，必须有大量的数据做支撑，而数据量越大运算量也越大，训练模型耗时越长。Moreno等人采用FCM算法对瞬时速度数据进行聚类划分等级，能够获得隶属度矩阵和聚类中心，从而获得路段平均速度。从而实现对路段路况预测，但是该研究由于没有考虑到其它公共交通如公交车，BRT等线路车辆在非正常行驶状态下瞬时速度的变化对模型聚类效果的影响，这严重影响了预测精度。4.2国内研究齐璐[10]改进了梯度下降法，结合灰狼算法对小波神经网络的小波因子进行优化，改进小波神经网络的小波因子，进行短时交通流的预测，实验结果表明在稳定性和精度方面此模型具有良好效果。黄恩潭[11]利用人工蜂群算法优化神经网络进行短时交通流预测，通过差分进化算法和遗传算法对人工蜂群算法进行优化，加快人工蜂群在算法后期的收敛速度，增强局部搜索能力。寇飞[12]改进了人工鱼群的行为，在循环神经网络中考虑时间序列的自相关性利用循环神经网络进行预测，发挥了人工鱼算法的寻优特性和神经网络的误差反传的优越性。石睿[13]用BP神经网络改进粒子滤波算法的状态转移方程，使预测算法在一定程度上降低了过拟合的风险。5.结论文章归纳和总结了基于交通大数据的交通状态分析和基于大数据的短时交通流预测的国内外发展现状，发现现有的BP神经网络算法在短时交通流的预测领域预测精度较低，基于大数据挖掘技术的短时交通流预测更加准确，可基于大数据对交通流的时间特性、周期特性、空间特性以及交通流的组成进行分析，对交通流的状态相关因素进行相关性分析，研究交通道路节点间交通流时间序列的相关性，包括时间序列上的日相关性、周相关性和空间范围内的互相关性与相似性，提高预测精度。参考文献：[1]孙章,顾保南．交通大数据来自何方,如何利用[J]．城市轨道交通研究,2014,17(11):4-14.[2]李欣,罗庆,孟德友．基于时空权重相关性的交通流大数据预测方法[J]．北京大学学报(自然科学版),2017,53(04):775-782.[3]徐红海智慧高速交通大数据探讨[J].技术,(2017).[4]杨厚新.湖北交通运输大数据存储应用平台设计与实[J].测绘与空间地理信息,(2021)[5]刘佳.通信大数据在公共交通行业的应用.[J].信息技术与信息化.(2021)[6]姜桂艳，温慧敏，杨兆升．高速公路交通事件自动检测系统与算法设计[J].交通运输工程学报,2001,1(1):77-81.[7]孙维亚，周凌焱，宋志豪．基于GIS的城市交通流时空特征分析[J].地理空间信息.2014,12(02):76-78.[8]李清泉，杨必胜，郑年波.时空一体化GIS-T数据模型与应用方法[J].武汉大学学报(信息科学版).2007(11):1034-1041.[9]陈晋，史培军，李京.时空一体化数据的TGIS设计的初步探讨[J].环境遥感.1995(02):143-151.[10]齐璐.基于改进灰狼算法的小波神经网络短时交通流预测[D].成都:西南交通大学,2017