交通设计中交通量预测方法的改良

高俊伟

摘 要：合理进行交通规划是缓解交通拥堵的有效途径，合理的交通规划离不开准确的交通预测作为支撑，同时也是道路设计的有力决策依据。准确的交通预测模型能够更好的分析路网交通状况，对于交通网络的规划、交通网络的控制有着积极的作用。本文近几年的交通预测模型进行搜索、整理、筛选、归纳。整理出交通预测模型的改进方法，为交通规划做出指导。

关键词：交通拥堵;短时交通量;预测模型

0 引言

智能交通系统的前身是智能车辆道路系统。智能交通系统将先进的信息技术、数据通信技术、传感器技术、电子控制技术以及计算机技术等有效地综合运用于整个交通运输管理体系，从而建立起一种大范围内、全方位发挥作用的，实时、准确、高效的综合运输和管理系统。

1 四阶段法简介

所谓“四阶段”预测方法，是将城市交通规划中的交通需求预测任务分成四个子任务来依次完成：即依次进行交通生成量预测、出行分布预测、交通方式分担率预测以及交通量分配预测，由于分为四个相互关联的阶段进行预测，因此又简称“四步法”。

阶段预测方法理论成熟，建模层次分明，便于理解，但是其模型结构复杂，步骤繁多，采用人工方式进行计算工作量非常巨大，必须借助于计算机和软件才能实施。

2 研究现状

交通流量预测的概念是通过运用调用数据库的已测数据去估测未来时间段的交通流量。城市道路交通预测方法可根据预测时长，分为长期预测，中长期预测，短期预测和短时预测。由于交通流与交通参与者的交通行为息息相关，随机因素影响对短时交通流影响巨大，交通流具有很强的不确定性、非线性、非平稳性。

3 短时交通流量预测改进

3.1 支持向量机回归模型

支持向量机回归（SVMR）是支持向量机在回归估计问题中的扩展。支持向量機回归要解决的问题实际上就是让所有样本点逼近超平面，使得样本点离超平面的距离的总和达到最小。本文所提及的短时交通流预测属于非线性回归问题，但是可以通过引进核函数，把短时交通流预测问题转化为高维空间中的线性回归问题。

3.2 支持向量机回归模型建立流程

假设是影响交通预测的因素，是交通量的预测值。而基于SVMR的交通流预测模型就是寻求与之间的关系。

采用当前t和前n个时段的交通流作为输入值，对未来 t +1时段的交通流进行预测。

具体操作步骤如下：

（1）先做预处理，包括选择样本数据、归一化等。假设当前时段的流量为，则对应将下一时段的训练样本集为。

（2）分析己知数据，选择核函数，以及选择合适的参数。

（3）利用样本建立目标函数，通过求解二次规划问题来寻找最优超平面，进而求出最优解，再由求得的最优解构建决策函数。

（4）最后利用测试样本集来计算未来时刻的预测值。

3.3 基于贝叶斯分类的改进

采用贝叶斯分类对非参数回归进行改进的目的是为了为历史数据进行分类，而搜索临近状点时，仅搜索同种类别的历史数据，以此降低临近状态的搜索时间。

将道路v在t时刻的流量记为v（t），假设与道路v相关联的上游道路有i个（即道路车辆能够直接到达道路 v，中途不会经过其他道路），分别记为。在时刻 t，关联道路i流量为：。如此设定的历史数据中包含的 v（ t），。

接下来，即是要从这 8640 个距离值中，选取距离值最小的 K=4 个历史数据，以其来进行预测。

（1）N*K次扫描。该算法的基本思路为，每次从所有N个距离值中选取最小的那个，进行K次遍历，以此来选择最小的 K 个距离值。易得，该算法的时间复杂度为（NK）。

（2）排序后取最小K个值。该算法的基本思路为对 N 个数进行排序，选取最小的 K 个即为所需。根据排序方式不同，该算法的时间复杂度也不尽相同。一般来说，可以考虑选用快速排序等时间复杂度较低的排序方式。如若采用快速排序，则该算法的时间复杂度为。

综合比较上面所述的二种预测方法，在 N=8640，K=4 的情况下。第一种方法的时间复杂度为（NK）中 NK=34560;第二种方法的时间复杂度为中，。

使用分类对非参数回归的交通流量预测算法进行改进后。将交通流量按时间分为五类之后。分别分析各类情况下对搜索和计算时间的影响。将分类引入非参数回归的交通流量预测，可以有效的降低算法运算时间。在不影响预测实效性的情况下，甚至可以考虑提高历史数据的采集密度，从而做到更短时间的交通流量预测。

4 结语

对于短时交通量的预测，需要结合城市短时交通流量的变化特点，考虑国家民族的文化特色，在大数据环境下，提出一种基于共性交通态势寻觅的预测算法，以解决传统交通系统预测中存在的随机性影响大、模型泛化能力差、非平稳时间序列预测及实时预测效果差的问题。

参考文献：

[1]Ahmed M S，Cook AR.Analysis of freeway traffic time-series data by using box-Jenkins techniques[J].Trans-portation Research Record，1979，722：1-9.

[2]Vythoulkas P C.Alternative approaches to short term traffic forecasting for use in driver information systems[M].Berkeley：Elsevier Science Publishers，1993.

[3]李香静，刘向龙，刘好德，杨新征.我国城市交通规划模型研究应用现状及发展趋势[J].交通运输研究，2016，2（04）：29-37.

[4]傅贵.城市智能交通动态预测模型[D].广州：华南理工，2014.

[5]刘树义.城市道路交通预测系统研究与应用[D].武汉：武汉理工大学，2005.