高速公路旅行时间的预测方法

樊博

摘 要：高速公路所具有的快速性、畅通行、便捷性等，使其成为公众出行首选交通方式之一。安全，是一切出行的前提。因此，预测出准确的高速公路的旅行时间对管理组和公众都具有重大意义。本文介绍了国内外相关学者在高速公路旅行时间预测上所使用的方法，并对其进行分类，分别是基于参数模型、基于非参数模型、基于人工智能、组合模型。

关键词：高速公路;旅行时间;预测

0 引言

高速公路中，基于准确的交通信息，一方面可以为管理人员提供更有针对性的交通管理决策的依据，另一方面，可以为出行者提供更合适的出行选择。做好高速旅行时间的预测意义重大且受益颇多。然而，由于受到人、车、路、环境（天气、地形等）、偶发事件（交通事故等）、规律事件（节假日等）、交通流（各车型比例等）等多种因素的影响，旅行时间具有非平稳性非线性的特点。

1 旅行时间的定义及其预测方法

1.1 旅行时间的定义

高速公路旅行时间是指在相同的时间段内，从某一收费站A驶入高速公路，再从另一收费站B驶出的所有车辆的路段平均行驶时间，其中计算数据一般来源于联网收费数据。

1.2 旅行时间预测方法的分类

根据现有的对高速公路旅行时间的研究成果，按照预测原理的不同，短期旅行时间（提前不到30分钟）的预测主要分为：基于参数模型的预测方法、基于非参数模型的预测方法、基于交通仿真（交通流理论）的预测方法、基于人工智能的预测方法等，除此之外，很多学者还将上述方法根据需要组合在一起，用组合模型的方法进行预测。各种类型的代表方法具体见下。

（1）基于参数模型：卡尔曼滤波、时间序列法、统计回归等。

（2）基于非参数模型：非参数回归、模式匹配、决策树等。

（3）基于人工智能：神经网络、支持向量机、极限学习机等。

2 基于参数、非参数模型的预测方法

2.1 参数与非参数模型

参数模型是通过对已有样本数据进行统计分析，提出对样本产生影响的因素，建立起数学模型，然后再把待测值放入该模型中，得到由模型产生的预测值。

非参数模型不需要在历史数据的基础上建立数学模型，而是直接通过在历史数据库中针对待测值进行模式识别和匹配，找到与待测值相似的样本来描述待测值进而预测。

2.2 基于参数模型的研究

王浩[1]基于京港澳高速公路收费数据，基于最小二乘法构建实时卡尔曼滤波模型。Ladino等人[2]通过把预测日期聚类分成几个集群作为输入，基于卡尔曼滤波设计了预测模型。郭宇洁[3]集成收费与气象监测数据，提出时空匹配法，增设车流量序列作为回归变量来建立ARMAX预测模型。

2.3 基于非参数模型的研究

Chen[4]等人将当前时空交通状态演变与历史数据相匹配实现动态预测旅行时间。Qiao[5]用实时蓝牙数据基于历史平均值，ARIMA，卡尔曼滤波和KNN的组合模型，提出了一种改进KNN-T模型。

3 基于人工智能的预测方法

3.1 人工智能

高速公路旅行时间预测使用到的人工智能算法以支持向量机、神经网络为主。基于神经网络为预测模型的研究原理是通过“训练”海量的多源数据，获得输入、输出间的映射关系。在建立起自变量和因变量之间的映射关系后，利用这种映射关系来对需要预测的数据作为模型输入获取输出。

3.2 基于人工智能的研究

赵建东[6]等融合多源数据利用遗传神经网络对高速公路站间旅行时间进行了研究。刘伟铭[7]等利用小波神经网络对旅行时间进行了预测仿真研究。丁宏飞[8]等通过车牌识别数据利用BP神经网络和支持向量机组合模型预测了旅行时间。

4 结束语

高速公路是一个复杂的系统，除了受到传统人、车、路、环境的影响外，还受众多因素的影响，比如天气、节假日、交通事故等等，因此影响旅行时间的因素也比较多。未来对旅行时间的预测会考虑更加多的影响因素，这样才能预测出更加准确的旅行时间。

参考文献：

[1]王浩.基于收费数据的高速公路旅行时间自适应插值卡尔曼滤波预测研究[D].北京交通大学，2014.

[2]Ladino A，Kibangou A，et al.Travel time forecasting from clustered time series via optimal fusion strategy[C]. Control Conference.IEEE，2017.

[3]郭宇洁.基于多维数据的行程时间预测与可靠性研究[D].北京交通大学，2017.

[4]Chen H，Rakha H A，et al.Dynamic travel time prediction using pattern recognition[C].20th World Congress on Intelligent Transportation Systems.2013.

[5]Qiao W，Haghani A，et al.A Nonparametric Model for Short-Term Travel Time Prediction Using Bluetooth Data[J].Journal of Intelligent Transportation Systems，2013，17（02）：165-175.

[6]趙建东，徐菲菲，张琨，白继根.融合多源数据预测高速公路站间旅行时间[J].交通运输系统工程与信息，2016，16（01）：52-57.

[7]刘伟铭，李松松.大数据中高速公路旅行时间预测仿真研究[J].计算机仿真，2017，34（03）：395-399.

[8]丁宏飞，李演洪，刘博，秦政.基于BP神经网络与SVM的快速路行程时间组合预测研究[J].计算机应用研究，2016，33（10）：2929-2932+2936.