一种交通拥堵指数智能计算方法

周燕华

摘 要：交通拥堵与许多因素密切相关，具有强烈的随机性、偶然性，导致当前交通拥堵指数计算误差大，可靠性差等问题，为了提高交通拥堵指数计算精度，提出了基于支持向量机的交通拥堵指数智能计算方法。先分析当前交通拥堵指数智能计算的研究进展，找到引起交通拥堵指数计算效果的原因，然后采集一段时间的交通拥堵指数序列，引入支持向量机对交通拥堵指数序列进行建模与分析，找到交通拥堵指数变化规律，最后采用具体仿真实验与其它交通拥堵指数智能计算方法进行了对照实验。结果表明，这种方法降低了交通拥堵指数计算误差，为可以为交通管理者提供有价值的信息，有利于缓解交通拥堵问题，具有比较明显的优越性。

关键词：交通管理系统; 拥堵指数; 智能计算; 数据挖掘

中图分类号： TP391

文献标志码： A

Abstract：The traffic congestion is closely related to many factors， it is with strong randomness and contingency which may lead to a lot of problems such as large calculation error and poor reliability of traffic congestion index. In order to improve the calculation accuracy of traffic congestion index， an intelligent calculation method of traffic congestion index based on support vector machine is proposed. Firstly， the paper analyzes the research progress of intelligent calculation of traffic congestion index， and finds out the causes of the calculation effect of traffic congestion index， then collects the traffic congestion index series for a period of time， introduces improved support vector machine to model and analyze the traffic congestion index series， and finds out the change law of traffic congestion index， finally uses specific simulation experiments and other traffic congestion index intelligence for comparison. The calculation method is used in the control experiment. The results show that this method can reduce the calculation error of traffic congestion index， provide valuable information for traffic managers， and alleviate the traffic congestion problem， which has obvious advantages.

Key words：Traffic management system; Congestion index; Intelligent computing; Data mining

0 引言

随着我国经济水平的不断提高，人们的生活水平也得到大幅度的改善，很多家庭均拥有了汽车，机动车的数量急剧增加，道路上交通量也不断上升，经常出现了道路交通拥堵现象，尤其是上下班的拥者成为常态，使得高峰期交通事故增加，影响了城市的运转效率[1-3]。为了对一个城市的拥堵状况进行定量评价，以提高城市的运转效率，大多数城市建立了交通监测系统，其中拥堵指数作为一种十分重要的路网运行评价指标，因此对拥堵指数进行计算和估计研究，可以掌握了交通拥堵模式的规律，具有重要的理论和实际价值[4]。

针对拥堵指数计算问题，近几十年以来，国内外许多交管理部门和学者进行了大量的研究，已经有一些拥堵指数计算方法。美国、日本、欧洲等发达国家的研究时间比较早，基本建立了一套完整的交通管理拥堵指数计算系统，但是国内对拥堵指数计算问题的重视程度不够，主要是一些针对一些大城市的拥堵指数进行了研究，如北京、上海等，因此还有许多问题有待进一步解决[5]。最初拥堵指数通过一些专家进行计算，它们主要凭借自己的知识和经验，对一个城市的拥堵指数进行分析，该方法的计算时间比较长，而且容易出错，导致城市的拥堵指数计算精度比较低，同时由于城市的道路机动车数量越来越多，无法及时得到城市的拥堵指数，不能动态描述城市道路交通态势[6];随后有学者提出基于聚類分析算法的拥堵指数计算方法，聚类分析算法可以挖掘交通运行数据间的内在联系，能够直观地反映出城市路网交通拥堵情况[7]，但是聚类分析算法是一种线性建模方法，认为交通运行数据间是一种固定的线性关系，而实际上交通运行数据间是一种随机性很强的变化关系，导致聚类分析算法的拥堵指数计算精度有待提高[8]。最近，有学者提出基于人工神经网络的拥堵指数计算方法，人工神经网络由于模拟人的大脑思维进行工作，可以对交通运行数据间的联系进行高精度的拟合，拥堵指数计算结果要优于人工方式或者聚类分析算法，但是由于其要求交通运行历史数据的量比较大，使得拥堵指数计算成本高，而且其拥堵指数计算结果极不稳定[9，10]。

为了解决当前拥堵指数计算过程存在的问题，以获得更优的交通拥堵指数计算结果，提出了支持向量机的交通拥堵指数智能计算方法，并采用仿真实验与其它方法进行了对照实验。结果表明，改进支持向量机可以减少交通拥堵指数计算误差，提高了交通拥堵指数计算精度，交通拥堵指数计算结果要明显优于对比方法。

1 支持向量机的交通拥堵指数智能计算方法

1.1 支持向量机算法

支持向量机的工作原理为：找到一个超平面，其以对数据点进行有效分割，且点与该超平面的距离越远越好。设数据集为：{xi，yi}，i=1，2，…，l，当xi为正类时，yi=1，不然yi=-1，支持向量机的目标就是找到值函数g（x），根据g（x）构造一个决策函数，具体为式（1）。

为了测试本文设计通拥堵指数智能计算优越性，采用BP神经网络的交通拥堵指数智能计算方法进行对比实验。采用通拥堵指数智能计算精度和运行时间作为性能评价指标。支持向量机的核函数选择径向基函数，确定其参数C=100.983，σ=1.863。

2.2 结果与分析

本文方法和BP神经网络的交通拥堵指数智能计算精度如图2所示。

对图2的交通拥堵指数智能计算精度进行对比和分析，可以发现，本文方法的交通拥堵指数智能计算精度平均值为96.45%，BP神经网络的交通拥堵指数智能计算精度平均值为：91.29%，相对于BP神经网络，本文方法的精度提升了大约5.26%，有效降低了通拥堵指数智能计算误差。

统计本文方法和BP神经网络的交通拥堵指数智能计算方法的运行时间，结果如图3所示。

对图3的运行时间进行对比和分析可以发现，本文交通拥堵指数智能计算方法的训练时间和测试时间均要少于BP神经网络，减少了交通拥堵指数计算复杂度，大幅度提升了交通拥堵指数计算效果。

3 总结

多种因素综合作者，使得交通拥堵变化过程十分复杂，为了解决当前交通拥堵指数计算方法存在的一些局限性，提出了基于支持向量机的交通拥堵指数智能计算方法，与其它方法的对比实验结果表明，本文方法是一种效率高、精度高的交通拥堵指数计算方法，计算结果的误差要远远小于对比方法，可以应用于实际交通智能管理系统中，具有较高的实际应用价值。

参考文献

[1] 王征. 多维空间BP神经网络的节假日高速公路网节点拥堵预测分析[J].公路， 2016， 61（4）： 162-169.

[2] 陈星光，廖瑞辉，李卓君.城市交通拥堵及供需耦合性平衡的测度[J].统计与决策， 2014，8（5）： 4-8.

[3] 刘梦涵，于雷，张雪莲，等. 基于累积Logistic回归道路交通拥堵强度评价模型[J].北京交通大学学报，2008，32（6）：52-56.

[4] 李泽钧，邸小建，翁剑成，等. 基于拥堵时空特征的区域分类与评价方法研究[J].公路交通科技，2019，36（2）：121-127.

[5] 熊励，杨淑芬，张芸. 大数据背景下基于5S的城市交通拥堵评价模型研究[J].运筹与管理， 2018， 27（1）：117-124.

[6] 熊励，陆悦，杨淑芬.城市道路交通拥堵预测及持续时间研究[J].公路，2017，62（11）：125-134.

[7] 王忠浩，张静，肖建力.基于交通指数云图的宏观交通流分析方法综述[J].上海理工大学学报， 2017，39（4）：353-357.

[8] 诸云，王建宇，高宁波，等. 基于拥堵辨识的城市路网优化模型[J].东南大学学报（自然科学版）， 2017，47（3）：607-612.

[9] 韋清波，何兆成，郑喜双，等. 考虑多因素的城市道路交通拥堵指数预测研究[J].交通运输系统工程与信息， 2017， 17（1）：74-81.

[10] 杨杰，朱邦培，吴宏伟.基于Storm的高速公路实时交通指数评估方法的研究与实现[J].计算机应用研究，2017，34（9）：2707-2713.

（收稿日期：2019.05.09）