论文部分内容阅读
摘 要：交通拥堵问题是伴随着现代化社会的发展而来的，为了节省人们的时间，各类拥堵时间预测的模型与软件层出不穷，但在准确性方面仍有不足，在这里我们对部分的预测方式进行介绍，并对其中的难点进行分析，给出了我们的优化策略。
关键词：拥堵状态;单层次道路;多层次道路
随着城市化的进程不断加快，城市承载的压力越来越大，交通拥堵问题已经成为全世界面临的重要问题。交通堵塞已经严重影响城市的发展和居民生活质量，尤其是以北上广为首的等一系列国内一线城市。因此，研究交通拥堵时间预测问题具有现实意义。
一.交通拥堵时间预测的意义
数十年来，为缓解交通拥挤人们投入了大量的人力、物力、财力，但是交通堵塞的问题似乎越来越严重，并没有得到一个很好地解决。然而，交通堵塞的问题一直困扰着居民，他们必须每天都需要提前半个小时到一个小时的时间出发，在漫长的拥堵路程中一点一点得消磨着一整天的精力。我们如果能够预测某一时间段内道路行程时间以及拥堵情况的话，就可以帮助城市管理者做好交通控制和诱导工作，并且我们也可以将这些数据分享给居民用户，提前告知这一路况，这样他们便可以提前制定相应的行程安排计划，合理的利用时间。但问题是现有的导航软件通常通过安装了该软件的出租车或车辆来获取实时GPS数据，以确定当前的道路状况。在严重交通拥堵的情况下，汽车的速度很慢，因此速度的估算非常不准确。
二.现有的交通拥堵时间预测方式
如今，GPS传感器技术使我们能够跟踪交通网络中的车辆轨迹，这就给检测庞大交通網络的交通运行状况提供了一种低成本高效率的方法。从出租车车载GPS设备采集的浮动车数据为政府和学者确定整个交通网络中交通拥堵的位置和模式带来了新途径。然而，一般而言交通检测器采集到的动态交通数据含有噪声数据和异常数据，需要对其进行处理才可以使用，并且在交通严重拥堵的情况下，汽车的速度很慢，因此速度的监测估算十分不准确，所以我们还需要综合考虑一些其他因素对于交通拥堵时间的预测计算。刘炀、闫学东等人提出考虑天气影响系数的时间序列预测模型来进行道路行程时间以及拥堵情况的预测工作。他们就道路行程时间数据、各种天气情况对道路行程时间的影响等因素来分析道路拥堵的时变规律，并且使用聚类算法来挖掘异常路段。孙晓亮等人则针对城市道路交通拥堵及持续时间辨识问题，提取平均旅行速度、平均旅行时间、平均延迟时间、早晚高峰、星期数等交通拥堵关键影响因素，构建了基于MapReduce的多元对数线性回归交通拥堵预测模型和基于生存分析的交通拥堵持续时间模型。
三、对拥堵时间预测的难点分析
1.交通状态的近似
交通拥堵状态是交通状态中的一种，我们以交通流理论为基础，描述整个系统的状态。我们将整个的车辆行驶过程中的整个道路状态看作是连续的，通过采集到的交通数据流进行分析，给不同的拥堵程度划分层次，进而得到在不同程度下车辆的平均运行速度，得到整个道路的拥堵时间。通过地图匹配方法将GPS数据与电子地图上的道路相关联。然后根据道路的情况，例如车道数目，车流量大小，红绿灯情况，再辅助以过往的数据，建立神经网络预测模型来计算路段车流量平均速度，利用路段速度来判断路段的交通情况。基于预测结果计算拥堵路段的拥堵强度，最后用热图表现拥堵路段的拥堵强度以及影响范围。热图可以使得交通拥堵直观易懂。将交通拥堵强度以及影响范围输入建立的时间预测模型，得出大致的拥堵时间，并将拥堵时间也输入到热图的相应位置，直观易懂。在通过路段速度判断路段的交通情况的过程中，我们可以假设：（1）道路状态是连续的。（2）根据数据划分不同的拥堵层次。（3）道路拥堵预测模型。（4）通过拥挤路段所需时间模型。（5）通过热图可视化结果。
2.不同道路层次的分类讨论
单一层次道路的分析是指，选取某一个特定时间点和某一段特定的道路进行精准的道路状态判断，只考虑该断面本身的交通状态数据变化规律的预测。不考虑其他路段的相互影响。对各项影响因素进行权重赋值，运用回归模型进行平均拥堵时间的判断。相对而言比较简单。多层次道路的分析是指，以道路上多个数据统计点的断面交通状态数据作为研究对象，同时考虑两个或者两个以上相邻书统计点的断面交通数据之间相互影响的预测。它把两个或者两个以上相邻点作为整体考虑，分析相邻点的断面交通状态变化规律，建立神经网络预测模型，预测这几个相邻点位来时段整体的交通状态变化。对各项影响因素进行权重赋值，运用回归模型进行平均拥堵时间的判断。相对而言比单一层次的道路预测方法有更好的预测效果，较好的适应突发情况的发生。但是相对复杂，实现起来由于不同路段的特殊性，难以建立统一的模型，实现起来有点困难。
由于复杂性，我们打算结合两者的优点。鉴于多层次道路分析的复杂性和单一道路的不准确性，我们决定对研究道路断面附近直接相连的各个统计点之间作为整体分析，而忽略没有直接联系的道路交通状态对研究道路的影响，简化模型的复杂度。实际上，当我们用相邻道路的交通状况来分析研究道路的交通状态时，没有直接关联的附近道路的交通情况也能通过相邻道路的交通状况反应到我们所研究的道理上。所以这样的简化是可行的。
四.预测方式的优化建议
可综合运用神经网络模型，该模型具有良好的预测性和学习延展性，我们利用它来进行交通拥堵状况的判断。对于筛选出来的各个主要因素，我们直接运用多元线性回归模型，将平均时间Y作为因变量。利用预测出的拥堵状况，作为拥堵指标，进行一定的权重赋值，来对多元线性回归方程进行修正。
参考文献
[1] 靳永飞.道路行程时间预测及可视化研究[D].天津大学，2018.
[2] 韩羽.基于出租车GPS数据的交通拥堵持续时间评估方法研究[D].长安大学，2018.
[3] 刘炀.基于网格模型的城市交通运行状态识别和行程时间预测方法研究[D].北京交通大学，2018.
关键词：拥堵状态;单层次道路;多层次道路
随着城市化的进程不断加快，城市承载的压力越来越大，交通拥堵问题已经成为全世界面临的重要问题。交通堵塞已经严重影响城市的发展和居民生活质量，尤其是以北上广为首的等一系列国内一线城市。因此，研究交通拥堵时间预测问题具有现实意义。
一.交通拥堵时间预测的意义
数十年来，为缓解交通拥挤人们投入了大量的人力、物力、财力，但是交通堵塞的问题似乎越来越严重，并没有得到一个很好地解决。然而，交通堵塞的问题一直困扰着居民，他们必须每天都需要提前半个小时到一个小时的时间出发，在漫长的拥堵路程中一点一点得消磨着一整天的精力。我们如果能够预测某一时间段内道路行程时间以及拥堵情况的话，就可以帮助城市管理者做好交通控制和诱导工作，并且我们也可以将这些数据分享给居民用户，提前告知这一路况，这样他们便可以提前制定相应的行程安排计划，合理的利用时间。但问题是现有的导航软件通常通过安装了该软件的出租车或车辆来获取实时GPS数据，以确定当前的道路状况。在严重交通拥堵的情况下，汽车的速度很慢，因此速度的估算非常不准确。
二.现有的交通拥堵时间预测方式
如今，GPS传感器技术使我们能够跟踪交通网络中的车辆轨迹，这就给检测庞大交通網络的交通运行状况提供了一种低成本高效率的方法。从出租车车载GPS设备采集的浮动车数据为政府和学者确定整个交通网络中交通拥堵的位置和模式带来了新途径。然而，一般而言交通检测器采集到的动态交通数据含有噪声数据和异常数据，需要对其进行处理才可以使用，并且在交通严重拥堵的情况下，汽车的速度很慢，因此速度的监测估算十分不准确，所以我们还需要综合考虑一些其他因素对于交通拥堵时间的预测计算。刘炀、闫学东等人提出考虑天气影响系数的时间序列预测模型来进行道路行程时间以及拥堵情况的预测工作。他们就道路行程时间数据、各种天气情况对道路行程时间的影响等因素来分析道路拥堵的时变规律，并且使用聚类算法来挖掘异常路段。孙晓亮等人则针对城市道路交通拥堵及持续时间辨识问题，提取平均旅行速度、平均旅行时间、平均延迟时间、早晚高峰、星期数等交通拥堵关键影响因素，构建了基于MapReduce的多元对数线性回归交通拥堵预测模型和基于生存分析的交通拥堵持续时间模型。
三、对拥堵时间预测的难点分析
1.交通状态的近似
交通拥堵状态是交通状态中的一种，我们以交通流理论为基础，描述整个系统的状态。我们将整个的车辆行驶过程中的整个道路状态看作是连续的，通过采集到的交通数据流进行分析，给不同的拥堵程度划分层次，进而得到在不同程度下车辆的平均运行速度，得到整个道路的拥堵时间。通过地图匹配方法将GPS数据与电子地图上的道路相关联。然后根据道路的情况，例如车道数目，车流量大小，红绿灯情况，再辅助以过往的数据，建立神经网络预测模型来计算路段车流量平均速度，利用路段速度来判断路段的交通情况。基于预测结果计算拥堵路段的拥堵强度，最后用热图表现拥堵路段的拥堵强度以及影响范围。热图可以使得交通拥堵直观易懂。将交通拥堵强度以及影响范围输入建立的时间预测模型，得出大致的拥堵时间，并将拥堵时间也输入到热图的相应位置，直观易懂。在通过路段速度判断路段的交通情况的过程中，我们可以假设：（1）道路状态是连续的。（2）根据数据划分不同的拥堵层次。（3）道路拥堵预测模型。（4）通过拥挤路段所需时间模型。（5）通过热图可视化结果。
2.不同道路层次的分类讨论
单一层次道路的分析是指，选取某一个特定时间点和某一段特定的道路进行精准的道路状态判断，只考虑该断面本身的交通状态数据变化规律的预测。不考虑其他路段的相互影响。对各项影响因素进行权重赋值，运用回归模型进行平均拥堵时间的判断。相对而言比较简单。多层次道路的分析是指，以道路上多个数据统计点的断面交通状态数据作为研究对象，同时考虑两个或者两个以上相邻书统计点的断面交通数据之间相互影响的预测。它把两个或者两个以上相邻点作为整体考虑，分析相邻点的断面交通状态变化规律，建立神经网络预测模型，预测这几个相邻点位来时段整体的交通状态变化。对各项影响因素进行权重赋值，运用回归模型进行平均拥堵时间的判断。相对而言比单一层次的道路预测方法有更好的预测效果，较好的适应突发情况的发生。但是相对复杂，实现起来由于不同路段的特殊性，难以建立统一的模型，实现起来有点困难。
由于复杂性，我们打算结合两者的优点。鉴于多层次道路分析的复杂性和单一道路的不准确性，我们决定对研究道路断面附近直接相连的各个统计点之间作为整体分析，而忽略没有直接联系的道路交通状态对研究道路的影响，简化模型的复杂度。实际上，当我们用相邻道路的交通状况来分析研究道路的交通状态时，没有直接关联的附近道路的交通情况也能通过相邻道路的交通状况反应到我们所研究的道理上。所以这样的简化是可行的。
四.预测方式的优化建议
可综合运用神经网络模型，该模型具有良好的预测性和学习延展性，我们利用它来进行交通拥堵状况的判断。对于筛选出来的各个主要因素，我们直接运用多元线性回归模型，将平均时间Y作为因变量。利用预测出的拥堵状况，作为拥堵指标，进行一定的权重赋值，来对多元线性回归方程进行修正。
参考文献
[1] 靳永飞.道路行程时间预测及可视化研究[D].天津大学，2018.
[2] 韩羽.基于出租车GPS数据的交通拥堵持续时间评估方法研究[D].长安大学，2018.
[3] 刘炀.基于网格模型的城市交通运行状态识别和行程时间预测方法研究[D].北京交通大学，2018.