交通状态判别与预测技术探讨

雷财林 谭宇婷

(重庆交通大学交通运输学院 重庆 400074)

交通状态判别与预测技术探讨

雷财林 谭宇婷

(重庆交通大学交通运输学院 重庆 400074)

交通状态，交通事件是道路交通的重要参数，对于判别道路交通的安全与道路交通效率有具有极其重要的作用。随着我国经济技术的发展，汽车产业作为一个朝阳产业，蒸蒸日上，我国机动车保有量大幅度增加，道路负荷度加大，交通状态预测越来越受到关注。随着交通技术的不断发展，大数据时代的来临，交通数据如雨后春笋涌现出来。但是由于数据处理技术的限制，对于交通状态的判别还有很大的提升空间。本文对交通数据的处理技术进行检索、整理、筛选、归纳，总结出在大数据时代下如何利用大数据进行交通状态的监测以及预测方法。

交通参数；状态判别；预测

引言

实现交通状态监测与预测必须以交通数据为基础，交通状态监测与预测的效果也由其交通数据的实时性、准确性和全面性直接决定。以下对交通数据处理方法的研究历史与现状进行阐述评价。

2002年，Smith利用感应线圈获取的流量、速度、道路占有率数据进行分析，分别提出了运用历史趋势法和指数平滑法对故障数据进行修复的思想。

2003年，裴玉龙等人利用沪宁高速公路的感应线圈获取的道路流量、速度、占有率数据，提出以下四种方法进行交通数据处理，包括最大占有率固定阈值法、最大交通流量固定阈值法、具有零占有率的最大交通流量固定阈值法和平均有效车辆长度法，其中最大占有率固定阈值法、最大交通流量固定阈值法对于交通数据的错误识别具有很好的效果，具有零占有率的最大交通流量固定阈值法和平均有效车辆长度法对于交通参数的错误识别具有良好效果。

2006年，董均宇在路段行程时间估计效果方面将速度积分模型和位置插值模型进行比较分析，得出结论，两种模型路段行程时间的估计效果受到GPS采样时间间隔的大小的影响。

2009年，常安德对速度积分模型和位置插值模型进行进一步的分析比较，得出结论，当GPS采样时间间隔在7s以内时，两种模型的效果相当，但是当GPS采样时间间隔大于7s时，位置插值模型效果要明显优于速度积分模型。

2011年，姜桂艳等人，利用感应线圈采集的快速路的流量、速度以及占有率数据，进步分析处理，首次提出将采取的异常数据划分为三个部分：丢失数据、异常交通状况数据和错误数据，基于增益放大原理对异常交通状况数据评价方法进行出现设计。应用统计数的知识建立了动态阈值评价方法。

2012年，谭政针对城市主干道车辆检测器获取的5min固定采样间隔的交通流量数据，将故障数据划分为丢失数据和错误数据，如果某一采样间隔内的交通流量明显小于历史趋势值将其视为丢失数据，采用基于交通流理论的组合参数方法识别错误数据，并提出利用灰色理论对故障数据进行修复。

一、交通数据获取及其预处理方法

交通状态参数分为地点交通状态参数、区间交通状态参数。地点交通状态参数是指能够反应出地点的交通状态的参数。例如，流量、瞬时速度以及时间占有率。区间参数是指能够反应区间交通状态的参数。例如，区间速度、行程时间、排队长度等。

二、交通状态判别与预测

(一)线性判别函数法交通状态分析。当道路的流量达到道路通行能力时，此时即为道路交通的理想状态，根据经典的格林希尔模型可以看出，流量-速度曲线为抛物线形式，最佳速度即为最大速度的一半。

根据格林希尔模型可以得出，最佳速度将作为区分道路交通状态畅通、拥挤两种状态的临界点。因此，可以考虑采用线性判别函数法，将实际检测器采集到的交通状态分为畅通和拥堵两种类型。

(二)基于聚类分析的交叉口交通状态分析。判断交叉口的状态的参数有很多，例如，交叉口延误、交叉口通行能力、服务水平、饱和度以及排队长度都是衡量交叉口交通状态的指标。道路通行能力手册(HCM2000)中采用平均每车延误来进行服务水平的选择；但是延误、排队长度和通行能力等指标都需要依赖于交叉口的信号配时，不同的信号配时条件下，交叉口的各项指标也不相同。所以实际中情况中，对于交叉口的信号配时，往往依据人工经验，就会有很大的随机性存在。得到的交叉口的交通运行状态也无法完全刻画交叉口交通运行状态的真实性。因此，在进行交叉口状态判别的时候，尽量避免选择与交叉口信号配时有关的参数，以减少交叉口交通状态判别的误差以及随机性。交叉口的总流量基本不受到交叉口信号配时的影响，因此可用交叉口的流量比来表征交叉口的交通运行状态。而交叉口的总流量比是该交叉口各个相位流量比之和。

(三)交通参数预测。理论上，利用特定的交通参数多步预测方法可实现对未来无限多步交通参数的预测。但大量的实证分析已经表明，随着预测步数的增加，交通参数多步预测结果的预测误差也会增大。当对未来很长一段时间进行交通参数预测时，其预测结果的误差将会很大，导致无法支持交通管理者做出正确的决策。

针对上述问题，提出了交通参数动态可预测性的概念，并设计了相应的在线估计方法。其基本思想包括以下步骤。

(1)通过分析与特定时点关联交通参数数据序列的动态特性，设计了相应的特征指标对其进行量化，在此基础上提取每个时点处的关联交通参数数据序列的特征指标向量值。

(2)设定一个能够接受的预测误差值，运行交通参数多步预测方法，在此基础上提取每个时点预测结果低于该值的预测步数，并将其称为可预测步数。利用BP神经网络模拟上述两个变量之间的非线性关系。

(3)在线运行时，首先对每个时点处的关联交通参数数据序列的特征指标向量值进行计算，然后运行BP神经网络模型实现对可预测步数的估计。

三、结语

城市道路路网包括快速路、主干路、次干路、支路构成，对于城市道路的监控，主要是针对于主干路、快速路以及次干路。显然，这些成是道路都是由很多的路段和交叉口所构成。也就是说，对城市道路路网的交通状态进行判断就是对于交叉口、路段交通状态判断的一个集合。因此对于交叉口的交通状态判别就上升到的对于一个区域路网的交通状态判别，甚至会上升到的对于整个路网的交通状态进行判断。故此，对于城市某区域中距离相近、配时和尺寸相似、交会的两路等级相同、交通流量差异不大、相关性强的这一类交叉口，可以根据其中一些交叉口的交通状态利用聚类或其他相关方法得到其他交叉口的交通状态。据此，城市交通管理者可以得到整个城市和不同区域的交通状态，并实施相应的实时的交通管理和组织。

[1]赵慧.城市车载网络中基于停放车辆辅助的数据分发[J].软件学报,2014，6(26)：1499-1515.

[2]周剑峰.城市交通共用信息平台数据处理技术研究[D].吉林：吉林大学，2005.

[3]王超.城市智能交通数据处理优化设计[D].河南：河南科技大学，2014.

[4]方昕.大数据下的智能交通数据共享与处理模型[J].信息技术，2(12)：94-97.

[5]张林杰.多源交通数据自动化采集与处理系统研发[D].西安：长安大学，2015.

[6]李勇伶.服务于城市交通控制系统的交通数据处理技术研究[D].西安：长安大学，2008.

[7]秦岸..基于CDMA网络的城市交通数据采集与处理技术[J].重庆交通大学学报(自然科学版),2010,2(29):276-279.

[8]黄科军.基于车牌自动识别数据的车辆行为[D].湖南：湖南大学，2013.

雷财林(1992.09-)，男，汉族，重庆交通大学，硕士研究生，研究方向：交通运输规划与管理。