对交通流预测模型的理论研究

对交通流预测模型的理论研究

薛伟军

（黑龙江省红兴隆农垦交通局，黑龙江友谊155800）

摘要：交通流预测在智能交通系统中一直是一个热门的研究领域，由于正确的交通流预测，是智能交通系统的实时交通信号控制，交通分配、路径诱导、自动导航，事故检测等的前提，因此，对交通流预测方法的研究具有非常重要的意义。为此，在提出交通流短期预测模型应具备的特性的基础上，讨论了几类主要模型的结果和精确度。

关键词：交通流预测；模型；展望

20世纪80年代，我国公路建设项目交通量预测研究尚处于探索成长阶段，交通量预测主要采用个别推算法，又可分为直接法和间接法。直接法是直接以路段交通量作为研究对象；间接法则是以运输量作为研究对象，最后转换为路段交通量。进入90年代后，我国的公路建设项目，特别是高速公路建设项目的交通量分析预测多采用“四阶段”预测，该法以机动车出行起讫点调查为基础，包括交通量的生成、交通分布、交通方式选择和交通量分配四个阶段。其中每一个阶段都以拟建项目所在区域的公路网为研究对象，分析区域社会经济发展变化及其对交通运输的需求，并通过一定的模型预测项目影响区域内交通的产生、分布及其在路网上的分配。

几十年来，世界各国的专家和学者利用各学科领域的方法开发出了各种预测模型用于短时交通流预测，总结起来，大概可以分为六类模型：基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。这些模型各有优缺点，下面分别进行分析与评价。

1基于统计方法的模型

这类模型是用数理统计的方法处理交通历史数据，如交通流量、交通速度、旅行时间等用于预测。一般来说统计模型使用历史数据进行预测，它假设未来预测的数据与过去的数据有相同的特性。研究较早的历史平均模型方法简单，但精度较差，虽然可以在一定程度内解决不同时间、不同时段里的交通流变化问题，但静态的预测有其先天性的不足，因为它不能解决非常规和突发的交通状况，如交通事故等。线性回归模型方法比较成熟，用于交通流预测，所需的检测设备比较简单，数量较少，而且价格低廉，但缺点也很明显，主要是适用性差、实时性不强，单纯依据预先确定的回归方程，由测得的影响交通流的因素进行预测，只适用于特定路段的特定流量范围，且不能及时修正误差。当实际情况与参数标定时的交通状态相差较远时，预测误差将会增大，而在线标定多元线性回归的参数又比较困难。同时，在将主要影响因素量化的过程中还存在着一些不确定性。总之，历史平均模型方法和线性回归模型方法都较为简单，参数可采用最小二乘法估计，计算简便，但他们都未能反映交通流过程的不确定性与非线性，尤其无法克服随机干扰因素的影响。

总的来说，基于统计方法的模型理论简单，容易理解，但由于大部分模型都是基于线性的基础，所以对于交通流变化较大时，预测效果降低。

2交通仿真模型

一般来说，交通仿真模型把车辆当作实体，用计算机模拟实际道路交通情况，对道路的交通状况进行仿真，得到道路预测的交通信息。因此，严格意义上说，交通仿真模型不能用于交通流预测的目的，因为它需要输入用于预测的交通流数据。而且，交通仿真模型不能实现实时性。然而，一旦交通流量数据能够通过其他的方法预测得到后，仿真模型可以提供一种估计动态旅行时间的方法。换句话说，仿真模型提供了一个交通流、占有率和旅行时间之间关系的一个模拟实际的计算方法。

3基于动态交通分配的模型

当使用传统的仿真模型时，如CROSIM和SIMTraffic，要预先确定出行者的出行路径，这就要使用动态交通分配的结果。DTA模型通过采集到的交通流数据和出行者出行选择的行为用于估计随时间变化的网络的状态。DTA模型通常分为以下三种：以数学为基础、以变分方程为基础、以主观控制理论为基础或者以仿真为基础的启发式模型。所有这些方法的共同点是他们都是以传统的静态的交通分配的假设解决随时间变化的动态交通流问题，并且对任何一个网络没有一个方法是通用的方法。

动态交通分配是按照一定的准则将动态交通需求量合理地分配到路网上，从而得到路段实时交通量的方法，实现降低交通拥挤程度和提高路网运行效率的目的。此类方法目标明确，理论清晰，但也存在以下不足之处：

（1）假设条件苛刻，在实际路网中无法得到相应信息或取得信息的代价昂贵；

（2）某些模型的解释性虽然较好，但无法求解或求解难度大，优化时间长；

（3）过分强调精确的系统最优或用户最优分配结果，加大了模型求解的难度，也不适合在大规模路网上实现应用。

4非参数回归模型

非参数回归模型也叫做多元回归模型，是一种多条路段分析方法，这是对单条路段分析的扩展。所谓单条路段分析是基于以前的本路段和几条相邻路段的交通流量信息对该路段进行交通流量预测。它所应用的场合是：不需要先验知识，只需足够的历史数据。它寻找历史数据中与当前点相似的“近邻”，并用那些“近邻”预测下一个时段的流量。该算法认为系统所有的因素之间的内在联系都蕴涵在历史数据中，因此直接从历史数据中得到信息而不是为历史数据建立一个近似模型。也就是说非参数建模没有将历史数据作平滑处理，因此，在有特殊事件发生时，较适合。

5神经网络模型

神经网络是一种新兴的数学建模方法，它具有识别复杂非线性系统的特性，交通系统是复杂巨系统，因此神经网络比较适合于交通领域应用。它采用典型的“黑箱”式学习模式，很适合交通流预测的应用，它不需要任何经验公式，就能从已有数据中自动的归纳规则，获得这些数据的内在规律，即使不清楚预测问题的内部机理，只要有大量的输入、输出样本，经神经网络“黑箱”内部自动调整后，便可建立良好的输入、输出映射模型；由于神经网络具有深度综合和自学习能力的数据处理方法，能够学会如何对输入和输出方式进行分类和关联，并能保障预测结果的可靠性，而且有独特的并行结构、自适应自组织、联想记忆、较强的容错性和鲁棒性等特点，神经网络被大量用于交通流预测领域。而且神经网络能够依据实时的交通信息更新网络，可以保证预测的实时性，同时适合交通系统影响因素多的特点，它不仅可以利用研究路段的历史数据，还可考虑相关路段的影响，以及各种影响交通系统的因素，如天气情况、道路施工情况、事故情况、道路条件等。与卡尔曼滤波不同，神经网络可以离线训练，这样就减少了在线预测的计算量。

但正是由于神经网络的这种“黑箱”式学习模式，所以通过神经网络不能获得容易被人接受的输入/输出关系，而且在训练过程中需要大量的原始数据，数据不足会导致不好的预测结果；训练完成的网络只适合于当前研究路段，当道路条件和交通状况改变时，训练完成的网络将不再适用，也不能用于其他路段，故推广能力差；同时，神经网络的学习算法采用经验风险最小化原理（ERM），不能使期望风险最小化，在理论上存在缺陷。

通过上述对各种交通流预测模型的比较和分析，可看出任何一个模型都具有其优势和缺点。没有理论证明哪种模型用于哪种交通状态最好，单个模型有局限性，所以用综合模型进行预测将是交通流预测领域的发展趋势。另外，交通系统本质上是人、车、路综合作用的一个复杂的系统，是一个开放、远离平衡的系统，是一个具有自组织特性的、“组织”与“自组织”交互作用贯穿全过程的动态系统；系统内部存在着非线性的相互作用、系统的内部过程具有不可逆性，所以基于非线性系统理论的综合模型用于短期交通流预测将有很广阔的应用前景。

参考文献

[1]刘静，关伟.交通流预测方法综述[J].公路交通科技，2004（3）：82-85.

[2]杨兆升.城市交通流诱导系统理论与模型[M].北京：人民交通出版社，2000.