不确定交通流实时可视化及短时预测方法研究

贾朝龙，郝晓楠，王雪纯，曾友渝



不确定交通流实时可视化及短时预测方法研究

贾朝龙1,2,3，郝晓楠1,3，王雪纯1,3，曾友渝1,3

（1. 重庆邮电大学软件工程学院，重庆 400065；2. 田纳西大学诺克斯维尔校区，诺克斯维尔，田纳西州，美国 37996； 3. 重庆市软件质量保证与测评工程技术研究中心，重庆 400065）

构建可配置、易扩展、高开放性的交通流可视化平台的框架并实现基于可视化的决策分析，通过大数据平台处理、存储海量、高频率的交通数据支持下实现交通流信息实时可视化，为交通数据智能分析提供直观展示。在此基础上，提出针对短时交通流预测的思路和方法。

智能交通；不确定交通流；可视化；大数据

0 引言

随着各大城市智慧城市战略的不断提出，作为人类生活中一个重要的组成部分的交通系统经历了一个快速发展的过程。现代社会中大城市集中爆发的交通拥堵严重、空气污染、交通事故频发的通病，使得人们亟需一种更加高效、直观的解决问题的手段。随着经过二十年以来交通系统积累的大量数据以及大数据及其可视化技术的兴起，提供了一种可能，使得人们可以更加直观地观察、理解交通演变，并对演化趋势进行分析预测，为高效管理交通系统提供了工具和手段。

1 不确定交通流

不确定交通流起源于多种因素。在宏观层面，出行分布的不均衡及其引发的交通流不均衡，出现短时性道路拥挤、路口堵塞，以及存在诸恶劣如天气、突发事故、交通管制等不确定性因素，同时每个司机个体具有的不同的行为模式，不可避免会产生行为冲突，这些都使得短时车流量变化具有不确定性和非线性特点。在数据层面上，不确定性也反映在数据的错误（如传感器检测产生原始数据错误）、模糊数据（如敏感、隐私信息造成数据不确定）、缺失数据（如传感器检测数据丢失以及汇总产生的不确定）。不确定交通流数据具有复杂性、随机性、周期性特征。

不确定交通流分类及特征如表1所示。

2 不确定交通流可视化

2.1 可视化技术

可视分析是大数据分析的重要方法[1]。随着可视化技术的发展，任何数据信息都可采用合适的可视化技术以尽可能传达最大可能理解性[2]。

交通流数据可视化的本质是将交通流数据映射到图形，同时增加一些辅助信息，让用户读懂数据。在交通流数据可视化研究领域，国内外学者做了大量研究[3-6]。通常的可视化技术包含三种：统计、时空轨迹和多维编码。可视化可以为交通流预测[7-9]等实际应用提供直观手段。

广义的统计指对交通流数据采用数理统计以及数据挖掘（如分类、聚类）的方法，通过对海量数据分析整理，发现交通流时间空间分布变化特征，以图形手段表现出来。

车辆运行包含了丰富的时间和空间数据，针对每一个具体个体，如每一辆车，从时间和空间角度对车辆运行数据进行可视化，其中时间可以划分为线性时间和周期性时间。线性时间包括了明确的起始时间点，周期时间则指周而复始是闭合时间，如周、月、年等，每一周每一月以及每一年都视作一个周期。

表1 不确定交通流分类及特征

Tab.1 Classification and characteristics of uncertain traffic flow

2.2 快速PCA

不确定交通流可视化包括三个方向：车辆轨迹、监控数据、路网状况。其中，车辆轨迹的可视化指各种车辆运行轨迹在地图上呈现，包括小客车、大客车、公交车、工程车、特种车等车辆的轨迹信息。监控数据的可视化指各种监控摄像头记录的信息的可视化呈现，如感应线圈、测速雷达、交通摄像头、电子警察、便携执法记录仪、移动车载视频监控设备等记录的信息。路网路况的可视化指的是通过路网可视化呈现出实时交通状况，如拥堵、畅通等信息。

2.3 不确定交通流可视化框架

不确定交通流可视化系统总体框架由数据预处理加工、图形映射、辅助信息和图形展示四个层次构成。

底层数据来源包括GIS基础平台数据、视频监控与巡逻数据、卡口抓拍与车辆布控数据、RFID数据、高速公路出入口数据、电子警察与非现场执法数据、交通信号控制数据、交通违章事故数据、交通事件检测数据、交通流信息采集数据、警员勤务管理数据、GPS北斗数据。采集到的数据通过数学模型实现图形映射，首先将数据映射到数学空间[0-1]，然后从数学空间映射到画布空间，实现如位置、颜色、大小、形状等。辅助信息用于标示数据在各种图形属性上的映射，使得用户更容易的理解数据。图形展示是通过可视化工具生成画布、图表展示可视化结果。最后通过应用部署，不确定交通流可视化实现了对交通设备、视频、卡口、违法、布控等管理功能，改变了传统静态管理和单点管理的模式，实现了数据共享、实时、动态联动管理的模式，最大程度对采集到的数据进行分析和管理，提高城市交通信息化管理水平。

不确定交通流可视化框架如图1所示。

2.4 交通流可视化管理决策分析

平台具有开放体系结构，集成运营业务管理、应急指挥调度、监测预警、分析研判于一身，支持从交通态势监控、视频监控、智能卡口分析、交通态势评估研判等多个维度进行日常路网运行监测与协调管理；支持突发事件下的值班接警、信息处理发布、应急指挥调度管理，以满足常态下监测监管、应急态下协同处置指挥调度的需要，满足交通行业平急结合的应用需求。

智能交通综合管理系统以信息采集为基础，以智能控制为核心，以信息服务导向，打破系统间信息壁垒和管理界限，形成“信息共享、智能管控、纵横协同、全面服务”的科学管理格局。

交通流可视化管理决策分析平台如图2所示。

3 不确定交通流短时预测

3.1 特征分析

交通流变化具有非线性、非平稳性和高度不确定性特点，针对短时交通流数的随机性和不确定性强的特点，可将数据序列加以分解，提取出线性特征和非线性特征并采用混合模型手段进行预测分析。通常，交通流预测可采用的预测模型包括GM模型、粗集理论、小波理论、自回归模型（AR），滑动平均模型（MA）、历史平均模型（HA）和自回归滑动平均模型（ARIMA）、小波分解与重构、神经网络模型等。上述模型针对单一特征时间数据序列预测具有较好的精度，但是交通流时间序列数据具有多种线性和非线性特征，单一手段无法进行准确预测。

图1 不确定交通流可视化框架

图2 可视化管理决策分析平台

3.2 预测方法

各预测模型都具有某方面预测的优势也同时在其他预测方面具有不足，因此需要综合分析。可以采取基于取各模型之所长，补各模型之所短的理念，采取混合模型的手段来实现。

以重庆市南滨路41号电子牌采集数据为例，2015年5月1日及2015年5月2日车流量变化如图3所示。

通过分析可以发现交通流在一天之内变化呈现较大的不确定，整体分析有一定困难。针对这种情况可以采取趋势分解、状态重构的方法来解决，如根据趋势将图3分解成图4所示的三个阶段。

图3 南滨路41号电子牌2015年5月1日及2015年5月2日车流量变化

从图4可知，每个阶段交通流量变化具有明显的趋势性。针对这种趋势性特征，将每个阶段数据再次分解成线性部分和非线性部分，然后分别对各部分采用诸如线性回归、自回归滑动平均（ARIMA）、小波分解与重构、神经网络等模型进行预测，形成混合模型，接下来将线性和非线性部分预测数据相叠加得到各阶段最终预测结果。整合各阶段预测数据，最后得到全时段预测结果，最后检验是否达到满意精度指标。

4 结论

通过构建交通流可视化平台，采用可视化处理技术，不仅提高交通数据分析处理的直观性，也提了准确性。针对短时不确定交通流预测，在传统算法基础上，在可视化分析的方法下，提出基于趋势变化分解重构的混合模型思路,为短时交通流预测提供新思路。

[1] 作磊, 杜一, 马帅. 大数据分析综述[J]. 软件学报, 2014, 25(9): 1909-1930.

[2] Khan M, Khan S S. Data and information visualization methods, and interactive mechanisms: A survey[J]. International Journal of Computer Applications, 2011, 34(1): 1-14.

[3] R. Scheepens, C. Hurter, H. Van De Wetering and J. J. Van Wijk, “Visualization, Selection, and Analysis of Traffic Flows” IEEE Transactions on Visualization and Computer Graphics, 2016, 22(1): 379-388.

[4] M. Brehmer and T. Munzner, “A Multi-Level Typology of Abstract Visualization Tasks,” IEEE Transactions on Visualization and Computer Graphics, 2013, 19(12): 2376-2385.

[5] 邢雪, 于德新, 田秀娟, 等. 结合可视图的多状态交通流时间序列特性分析[J]. 物理学报, 2017, 66(23): 230501- 230501.

[6] 刘彩虹, 张磊, 黄华. 交通路口监控视频跨视域多目标跟踪的可视化[J]. 计算机学报, 2018, 41(1): 221-235.

[7] 张金飞, 黎英, 高伟, 等. 城市交通路口短时流量预测[J]. 软件, 2018, 39(1): 126-131.

[8] 高伟, 黎英, 张金飞, 等. 城市交通高频路段预测模型研究[J]. 软件, 2018, 39(2): 81-87.

[9] 李红辉, 刘冬冬, 杨芳南. 基于WebGL的3D可视化告警系统关键技术研究与应用[J]. 软件, 2018, 39(3): 22-26.

[10] 肖旭, 完颜笑如, 庄达民. 显示界面多维视觉编码综合评价模型[J]. 北京航空航天大学学报, 2015, 41(6): 1012-1018.

Uncertain Traffic Flow Real-time Visualization and Short-term Prediction

JIA Chaolong1,2,3, HAO Xiaonan1,3, WANG Xuechun1,3, ZENG Youyu1,3

(1. School of Software Engineering, Chongqing University of Posts and Telecommunications,Chongqing 400065, China;2. The University of Tennessee at Knoxville, Knoxville, Tennessee, 37996, USA; 3. Chongqing Engineering Research Center of Software Quality Assurance, Testing and Assessment, Chongqing 400065, China)

Build a framework of configurable, easy-to-expand and high-open traffic flow visualization platform and a decision analysis platform visualization-based to realize real-time visualization of traffic flow information, Supported by large data platform processing, storage of mass and high-Frequency traffic data. Data intelligence analysis provides intuitive display. Based on this, the ideas and methods for short-term traffic flow prediction are proposed.

Intelligent transportation; Uncertain traffic flow; Visualization; Big data

TP391.9

A

10.3969/j.issn.1003-6970.2018.08.001

重庆市前沿与应用基础研究计划一般项目(批准号：cstc2015jcyjA30001)、重庆市教委科学技术研究项目(批准号：KJ1500421)、重庆邮电大学青年科学研究项目(批准号：A2014-97)

贾朝龙(1979-)，男，副教授. 主要研究方向：大数据及可视化；王雪纯(1996-)，女，本科，主要研究方向：软件开发；曾友渝(1996-)，女，本科，主要研究方向：人工智能；郝晓楠(1995-)，男，本科，主要研究方向：软件开发。

本文著录格式：贾朝龙，王雪纯，曾友渝，等. 不确定交通流实时可视化及短时预测方法研究[J]. 软件，2018，39（8）：01-04