智能交通系统中短时交通流预测模型的研究

贺亿洋，殷锋，袁平

（1.四川大学计算机学院，成都610065；2.西南民族大学计算机科学与技术学院，成都610041；3.重庆第二师范学院数学与信息工程学院，重庆400067）

0 引言

近年来，随着社会经济的不断发展和城市化进程的快速推进，城市交通问题变得日益严重。汽车数量的快速增长与有限的城市道路基础设施之间的矛盾不断凸显，伴随而来的是交通拥堵、空气污染、交通事故频发等各种问题，降低了城市运转效率，影响了人们的日常生产生活。于是，智能交通系统（Intelligent Transportation System，ITS）应运而生。

智能交通系统自20 世纪70 年代初开始发展。它将包括电子传感器技术、数据传输技术和智能控制技术等先进技术整合到交通系统中，目的是为交通系统中的司机和乘客提供更好的服务[1]。智能交通系统由先进的公共运输系统（Advanced Public Transport System，APTS）、先进的出行者信息系统（Advanced Traveler Information System，ATIS）、先进的交通管理系统（Advanced Traffic Management System，ATMS）和先进的车辆控制系统（Advanced Vehicle Control System，AVCS）组成[2]。而作为智能交通系统中的一项关键技术，交通流预测可以让交通管理部门实时掌握道路网络状态，提前实施交通疏导，从而提升道路运行效率，有效减少交通拥堵。因此，准确、实时的交通流预测对智能交通系统的实现至关重要。

1 相关理论基础

交通流预测的问题可简单表述为：在某一时刻t，对下一时刻t+Δt 的交通参数值做出预测。其中Δt 称之为预测时间间隔，一般认为当Δt 不超过15min 的预测为短时交通流预测（Short-Term Traffic Flow prediction）。预测的对象为流量，出行时间，车速，或道路占有率等交通流参数。作为一个由人，车，信号控制标志等多元素组成的复杂时变系统，交通系统具有显著的非线性和随机性。因此要实现对交通系统状态的精准实时预测，短时交通流预测模型应具备如下三个特性：

（1）实时性：要进行预测时间间隔在15min 内的短时交通流预测，模型应具备快速计算的能力，能够实时地分析预测下一时刻的交通状态，这样才能为出行者提供有效的帮助。

（2）准确性：模型预测结果用于对出行者的路径进行动态诱导，不准确的预测结果会误导出行者的行驶路线，所以模型应具备较高的准确度。

（3）可靠性：考虑到交通系统的时变性和不确定性，模型需要具备良好的可靠性，能够应对道路施工、交通事故、恶劣天气等随机事件对预测造成的影响。

2 主要模型论述与分析

多年来，国内外研究者立足自身学科领域，提出了多种模型用于短时交通流预测。这些预测模型主要有历史平均模型、时间序列模型、卡尔曼滤波模型、基于小波理论的预测模型、基于混沌理论的预测模型、非参数回归模型、神经网络模型等。总体来说大致可分为三类：基于统计分析的预测模型，基于数据驱动的预测模型和组合预测模型。下面对各类模型进行分析与评价。

2.1 基于统计分析的预测模型

假定未来的数据与之前的数据具有相同的特性是统计分析预测模型应用的前提，它使用统计学方法来处理历史数据。该类模型主要包括历史平均法、时间序列分析法、卡尔曼滤波分析法等。

历史平均法是短时交通流预测领域较早使用的方法。早期的道路交通管理系统使用历史平均法进行交通流量预测。Stephanedes 于1981 年将该模型用于城市交通控制系统（Urban Traffic Control System，UTCS）中；1987 年Jeffrey 开发出AUTOGUIDE 系统用于动态路径诱导。历史平均法将所有数据进行全局平均，以其均值作为预测结果。该算法简单快速，但预测准确度较低，而且不能处理突发事件，不能应对复杂的交通状况，所以适用于对预测准确度要求不高的场景[3]。

基于时间序列分析法进行预测的前提是时序数据之间存在相关关系。通过这种相关关系，我们可以根据当前和历史的数据来预测变量未来的变化行为。该方法主要有自回归模型（Autoregressive，AR）、移动平均模型（Moving Average process，MA）、自回归综合移动平均模型（Autoregressive Integrated Moving Average，ARIMA）等等。Ahmed[4]于1979 年首次将时间序列分析法用于短时交通流预测领域，使用ARIMA 模型对高速公路的交通流量做了预测。随着对时间序列模型研究的逐步深入，出现了很多改进ARIMA 的预测模型。Voort等人[5]提出了Kohonen ARIMA（KARIMA）模型，该模型利用Kohonen 自组织映射技术将输入数据分类为一组簇，然后为每个集群建立单独调优的ARIMA 模型。Williams 等人[6]开发了一个季节性ARIMA 模型（SARIMA），该模型试图识别交通中的季节性模式，以捕获交通系统状态的周期性变化和季节性变化特性。实验表明其方法在预测准确度上优于历史平均模型。

卡尔曼滤波理论在1960 年被Kalman 提出，是一种被广泛使用的现代控制理论。该方法使用线性状态方程来对系统状态进行评估。在短时交通流预测场景下，卡尔曼滤波方程的输入是当前时段或历史时段内的交通流数据（如交通流量、平均车速、道路占有率），输出则是未来时间段相应的预测值。Okutani 等人[7]于1984 年首次将卡尔曼滤波模型应用于交通流预测领域，对比历史平均模型，其实验结果拥有更好的预测效果。张春辉等人[8]基于卡尔曼滤波建立了公交站点的短时客流预测模型，与人工神经网络做对比，其实验结果具有更小的预测误差。卡尔曼滤波模型适用性较广，可以实现数据的在线预测。但该模型同样不能处理突发情况，且每次对方程计算时都要重新调整权值，因此计算量较大，输出存在延迟。

模型简单、数据分析较快是基于统计分析的预测模型的优势所在。但其缺点也比较明显，不能处理偶发交通事件，且预测精度一般，所以基于统计分析的预测模型适用于交通状况稳定且对预测准确度要求不高的场景。

2.2 数据驱动的预测模型

信息科技的迅猛发展使得交通路网中的数据呈海量式增长。因此，基于数据驱动的预测模型在短时交通流预测领域中被大量使用。它无需直接对交通系统进行物理建模，直接使用给定的数据来预测未来某时刻的交通状态。数据驱动模型能处理交通流数据中的非线性成分，可产生良好的预测效果。其中，k 近邻和神经网络是两个具有代表性的数据驱动预测模型。

k 近邻是一种无需先验知识，无需建立复杂数学模型的数据驱动方法，具有很好的移植性，因此在交通流预测领域应用广泛。Davis 和Nihan[9]于1991 年首先将这一技术应用到该领域。他们针对高速公路场景做了实证研究，对k 近邻的预测效果进行了检验，并与单变量时间序列预测法进行了比较。Zheng[10]提出了一种具有多步预测能力的两步法，通过约束线性主成分算法来增强k 近邻方法，改进后算法的预测准确度得到了提升。夏大文等人[11]提出了一种以MapReduce 为实施框架的分布式k 近邻优化模型（STW-KNN），STWKNN 同时考虑了交通流时间相关性和空间相关性，通过优化状态向量、距离度量、预测函数和k 值选择，既提高了k 近邻方法的预测准确性，又增加了预测的可靠性和可拓展性。

作为一种新兴的建模方法，神经网络模型以其强大的学习能力和自适应能力，较强的容错性和鲁棒性等优势，被广泛应用于短时交通流预测领域。Smith 等人[12]首次将神经网络模型应用在短时交通流的预测研究中，通过实验验证了其性能的优越。程山英[13]提出了一种基于模糊神经网络的短时交通流预测法，首先以提取到的特征向量为依据对数据进行聚类，然后采用高斯过程回归构建交通流预测模型，对时序数据做平稳化处理后进行模型训练。结果证明其方法能有效预测交通运输系统的实时状态。但神经网络也有其自身的局限：由于其“黑箱”式的学习方式，使用者不能获得直观的输入输出关系，训练过程需要大量的数据支撑，并且训练结果只适用于当前研究路段，当交通系统状态变化时训练的结果将不再适用，故其推广能力较差。

2.3 组合预测模型

上述各种预测模型都有其各自的适用条件和优缺点，以某种单一模型进行短时交通流预测，效果往往不尽如人意。因此，针对不同的交通状况，构建一种综合模型，将不同的预测方法进行组合，综合利用各模型的优点来进行预测是一种很好的思路。金玉婷等人[14]提出了一种小波变换和BP 神经网络结合的短时交通流预测模型，通过实证研究，得出了该组合模型的预测准确度大于传统BP 神经网络的结论。Xu 等人[15]提出了一种自回归综合移动平均模型和卡尔曼滤波组合的实时道路状态预测模型，通过对历史道路交通数据的训练过程确定了模型的最优参数，解决了单一模型对复杂交通流数据的预测困难，提高了预测准确度。Liu 等人[16]提出了一种改进的LSTM 网络和自回归综合移动平均模型（SDLSTM-ARIMA），并将其应用在了一个嵌入式系统，实现了实时分布式交通流预测计算，取得了很好的效果。

3 研究趋势展望

针对以上对各类短时交通流预测模型的分析和讨论，发现当前的模型各有优缺点，尚不存在一个最优的预测模型能适用于所有的交通场景。单一预测模型有其自身局限性，所以用组合预测模型进行交通流预测仍是该领域未来的一个发展趋势。此外，现有的短时交通流预测往往使用的是来自环形检测传感器，视频检测器，超声波等采集的数据，采集周期时间长，采集量有限，不能很好地支持一些预测模型对数据的需求，这也影响了短时交通流预测领域的发展。而当今社会已经进入到了大数据时代，可以将车辆数据，行人移动轨迹数据等纳入到交通流预测中，形成一种多元数据融合的预测方法，这也会是将来一个新的发展方向。

4 结语

本文在阐述短时交通流预测相关理论基础上，对当前各类短时交通流预测模型做了分析与总结。我们发现，交通系统实际是一个复杂而庞大的系统，实现对短时交通流的精准实时预测仍然充满了挑战。但我们有理由相信，伴随着科技的发展和研究者的不懈努力，该领域的研究和应用会不断向前发展，短时交通流预测将更好地为人类社会提供服务。