基于驾驶员路径选择行为的突发交通流预测

陈岳明 杨帆

摘 要：针对异常突发事件下驾驶员的路径选择特性，分析异常突发事件下驾驶员路径选择和到达交通流之间的关系，探索异常突发事件下城市交通流特征的变化规律，以期实现在突发事件下侧能够对城市道路短期交通流进行精准预测。仿真算例表明，预测模型可以较好的进行道路区域网络交流预测。

关键词：交通流预测 路径选择 异常突发事件

中图分类号：U491 文献标识码：A 文章编号：1674-098X（2016）03（c）-0062-03

Abstract：Aiming at the characteristics of route choice by drivers under abnormal states， the relationship between the arrival flow and the route choice under abnormal states is analyzed， and the changing features of the traffic flow under abnormal states are studied， so that accurate predictions may be obtained.The simulation results show that the proposed approach is applicable and effective.

Key Words：Traffic flow forecasting；Route choice；Abnormal states

在异常突发事件下，需要对城市道路交通网络的交通流进行实时诱导和控制，关键是需要对异常事件下的交通流进行预测，这也是智能交通系统的一个重要组成部分[1]。同时，由于在异常事件下，交通流会呈现出不同的复杂性和不确定性，因此，要进行精准的预测并不容易。近些年来，国内外学者们在交通流预测领域进行了大量的研究工作，取得广泛应用的模型有回归预测模型、神经网络预测模型、卡尔曼滤波模型、历史均值模型、时间序列模型和模糊控制模型等[2-5]。

在异常突发事件情况下，需要对交通流进行预测，前提是要对突发事件下的交通流特征进行分析，得到准确的交通流到达分布，因此，需要考虑驾驶员路径选择因素。针对异常突发事件下驾驶员的路径选择特性，分析异常突发事件下驾驶员路径选择和到达交通流之间的关系，就可以探索异常突发事件下城市交通流特征的变化规律，用其对突发事件下上游交通流到达分布进行修正，从而可以得到异常突发事件下上游交通流的到达特性分布。同时结合基于跳转ARIMA模型[6]进行路段交通流预测，实现对路网交通流的预测。

1 异常突发事件下驾驶员路径选择

驾驶员在得知发生异常突发事件后，反应一般包括两个方面：一方面驾驶员对安全的注意有一定程度的上升，驾驶会变得更加谨慎；另一方面驾驶员普遍表现出对事件的关心和对交通拥挤的担心。调查数据显示[7]，驾驶员在得知城市道路异常突发事件（以事故为例）发生后，最感兴趣的信息排名是：第一，交通事故在哪里发生（44.7%）；第二，事故是哪种类型（19.7%）；第三，事故还需要多长时间排除，而对预测行程时间等预测信息因缺乏应用体验而不太信任，绝大多数驾驶员仍习惯于自行判断行程时间。

一般情况下，描述驾驶员路径选择行为时，常用的模型是离散选择模型（Discrete Choice Model）。离散选择模型通常包括概率单位（Probit）模型和分对数（Logit）模型。Probit模型虽然理论上较为严密，但因计算困难而应用不多。相比较而言，Logit模型更加简单易用。Logit模型中最简单的形式为多项式Logit模型，该模型可以通过随机效用理论判别分析、刺激-反应过程模型或熵模型推出。多项式模型具有IIA特性[8]（Independence from Irrelevant Alternation），即任两个选择项的选择概率之比与其他选择项的状态无关。

驾驶员行为和对其行为观测都存在随机性，路线对于驾驶员的效用也是随机的。在使用Logit模型描述驾驶员选择行为过程中，驾驶员的路线选择概率由路线的效用决定，各路线之间的效用是独立的，且路线的效用由驾驶员对路线的熟悉程度、预期行程时间等决定。由Logit模型描述的驾驶员路线选择概率模型为：

当城市交通道路发生异常突发事件后，决定驾驶员路径选择行为的是驾驶员自身属性所构成的静态属性（包括对路线的熟悉程度、行驶距离、出行目的、个人驾驶习惯和安全意识等）和驾驶现场的动态属性（包括异常事件发生的地点、事故类型、平均车速和平均排队长度等）两者的共同作用。驾驶员在得知到相关信息后，根据自身驾驶习惯和出行目的估计出行程时间与期望行程时间做对比，在认为是安全的情况下选择合适的路径。因此可以假想，驾驶员的主要路径选择行为是按照预估行程时间来进行选择，并且行程时间主要由驾驶员对路径熟悉程度来决定。则在异常突发事件情况下，驾驶员路径选择选择概率模型可以描述为：

其中，为驾驶员对道路熟悉程度的量化指标，取值范围为[0～1]；为对路线行程时间的预测值效用值，可取成预测时间的倒数。

为简化计算，可以不考虑驾驶员选择特性之间的差异，即认为驾驶员对路线熟悉程度相同，则参数可以取一定值。如，=0表示驾驶员对道路相当陌生；=1表示对道路非常了解，因此可以取一适当的统一值来简化计算，得出异常突发事件下驾驶员路径选择模型。

2 异常突发事件下城市路段交通流特性

在进行交通流预测和交通疏散时，需要预测某些具体的交通流特性，并且希望能使用现有的数据或假设的数据进行预测。一般来说，到达流分布可以是最能描述交通流特性的特性参数。然而实际情况中对车辆到达率的观测有一定的难度，且观测得出数据在一定程度有失真，因此，考虑首先得出其他交通特性参数的分布，进而根据两者之间的转换关系得出到达率的分布。在实际检测中，短时间内比较容易得到的是车头时距分布，其分布可以比较容易的拟合。车头时距和到达流量之间的转换关系为：

式中，为到达流量，单位为辆/h；为车头时距，单位为s。

时距分布是连续型分布，对应的到达流量是离散型分布。两者分别属于间隔分布和计数分布。若用表示车头时距分布，用表示到达流量分布，则通过两种分布之间的关系可得：

式中，是的阶卷积；为指累计到达的车辆；为时刻累计到达的车辆数。

若能确切知道到每一时距分布对应的到达分布，则就只须观测时距分布而轻易地得到到达交通流的分布。由于移位负指数分布克服了负指数分布的车头时距越趋于零时其出现概率越大这一缺点，即移位负指数分布具有比负指数分布更好的特性，采用移位负指数来拟合正常交通状态下自由流交通特性。

其中，为累计车辆数；为最小车头时距；为平均车头时距；为时段内到达的车辆数。

当路段发生异常突发事件后，在事发点上游形成车辆排队，驾驶员通过自己的路径选择行为选择不同的路径出行，使得一部分交通流量会转移到其他道路上，从而事发点上游车辆到达量会有一定的变化。即此时上游到达流由两部分组成：正常交通状态下道路交通流量和异常事件发生后上游到达流量的改变值，后者主要由于驾驶员的路径选择行为决定。

对于异常突发事件下上游交通到达流，设正常交通状态下上游到达交通流分布为，驾驶员路径选择函数为，则异常交通状态下上游到达交通流分布为：

式中，α，β为调整参数通过实际路段的通行能力进行确定。

由式（13）得出异常突发事件下事发点上游到达交通流的分布，由此可以计算得出异常突发事件下导致上游到达率发生变化后上游车辆的到达率。

3 算例分析

构造路网结构图如图1所示。

首先，需要确定μi和σi，根据对交通流数据序列的分析和观察，可以设定参数值如表1所示。利用模型进行预测，进行预测结果观察。

采用某路段的交通流数据来自北京市交通管UTC/SCOOT系统，选取某区域作为实验点。根据上面设定的参数，按照基于跳转ARIMA模型对测试数据进行预测，预测结果如图2所示。

为评价模型的精度，实验同时采用相对的数据用其他4种模型进行预测，结果如表2所示。

4 结语

考虑到异常突发事件下交通流序列特征，引入驾驶员路径选择行为来实现路段交通流预测，因为在道路堵塞和道路顺通情况下，驾驶员的路径选择行为对交通流预测结果有较大影响。同时在预测中，借助于路口车辆的转弯比例矩阵的时间稳定性和数值稳定性假设，模型由此得到的结果形式比较简单，容易操作，仿真算例表明模型有一定的优越性。因此，对城市路网交通状态分析和应急交通疏散都有重要意义。

参考文献

[1] 李卫平.智能交通技术应用[M].北京：人民交通出版社，2006.

[2] Sheu J B，Chou Y H，Shen L J.A stochastic estimation approach to real-time prediction of incident effects on freeway traffic congestion[J].Transportation Research Part B： Methodological，2001，35（6）：579-592.

[3] Wang Y，Papageorgiou M.Real-time freeway traffic state estimation based on extended Kalman filter：a general approach[J].Transportation Research Part B： Methodological，2005，39（2）：141-167.

[4] 赵凛，张星臣.基于Agent仿真的ATIS条件下路径选择行为研究[J].系统仿真学报，2007，19（7）：1590-1593.

[5] 张和生.基于多源数据的交通状态分析方法研究[D].北京：清华大学自动化系，2006.

[6] 陈岳明，萧德云.拥堵条件下的路网交通流预测[J].仪器仪表学报，2008，29（8）：111-116.

[7] 曾松，杨晓光.驾驶员异常交通信息响应特性的分析[J].同济大学学报：自然科学版，2000，28（3）：301-305.

[8] 陆化普.交通规划理论与方法[M].北京：清华大学出版社，2006.