智能交通系统短时交通信息预测方法探究.docVIP

智能交通系统短时交通信息预测方法探究 摘要：本文对智能交通中一个非常重要的研究方向-短时交通信息预测的几种主要预测方法：时间序列分析、神经网络、支持向量机、组合预测等方法的原理、优点、缺点和具体应用分别进行了介绍，并指出了交通信息预测研究的发展方向。 关键词：智能交通 ；预测 ；短时交通信息 中图分类号：U491文献标识码：A0 引言 智能交通（ITS）是将人工智能技术、自动控制技术、计算机技术、先进的信息通信技术及传感器技术等有效的集成，并应用于整个地面交通管理系统而建立的一种大范围、全方位发挥作用的综合交通运输管理系统，包括先进交通管理系统（ATMS）、先进的驾驶员信息系统（ATIS）、先进公共运输系统（APTS）、出行指导系统等[2,3]。 短期交通信息预测是对城市交通系统或高速公路系统中某条道路或某个交通网络在未来一段时间内（时间跨度通常不超过15分钟）交通流等信息的变化情况进行预测，其结果可以用于制订和实施交通管理，对交通流进行调节，实现路径诱导，也可以直接送到先进的交通信息系统和先进的交通管理系统中，为出行者提供实时有效的信息，以更好地进行路径选择，缩短出行时间，减少交通拥挤。目前，短期交通信息预测的研究越来越受到重视，已经成为智能交通领域的重点研究内容之一[3]。 本文对短时交通信息的几种主要预测方法进行了介绍，重点分析了时间序列、神经网络、非参数回归、支持向量机等几种预测方法的优缺点、应用场合，并对当前研究中的问题和未来发展趋势作了介绍。 1短时交通信息预测方法分类 短期交通信息的预测包括对交通流三大参数，即交通流量、车流速度和密度预测，以及对行程时间等其他信息的预测。从20世纪50年代中期开始，国内外的研究人员对交通系统的短时交通信息的预测方法进行了广泛的研究，从早期的历史平均法、指数平滑法、谱分析方法、时间序列分析，到近十几年发展起来的神经网络方法、小波分析方法、混沌预测、支持向量机、动态交通分配等预测方法，应用于智能交通领域的短时预测方法有几十种[10]。根据各种预测方法本身的性质和研究问题的角度不同，常见的预测方法可以分为两大类：一类是基于数据驱动的预测方法，结合统计经验进行分析，如神经网络、支持向量机等方法；另一类是基于机理的预测方法，即以交通理论的为基础，从交通工程上的供求关系角度进行分析，如动态交通分配法（DTA，Dynamic traffic assignment）[2][12]。常见的预测方法具体分类如图1所示。 交通流是一个时变过程，不同的空间位置环境其状态特征差异大，各种预测方法也都有各自的优缺点和相应的适用场合，因此对各种环境条件下的交通信息预测应当是一个综合运用各种方法相互补充的过程。一个成功的交通流预测过程应能正确反映被测过程及其环境变化并及时调整模型结构，使预测具有适应性。 图1 短时交通信息预测方法分类 2短时交通信息主要预测方法 2.1时间序列模型 时间序列分析主要指采用参数模型对观测到的有序随机数据进行分析和处理的一种数据处理方法。其预测原理是将预测对象随时间变化形成的数据序列看成一个随机时间序列，该序列的未来发展变化与对象历史变化存在依赖性和延续性，包括自回归模型（AR，Auto-Regressive）、滑动平均模型（MA，Moving Average）、自回归综合滑动平均模型（ARIMA，Auto-Regressive Integrated Moving Average）等[1]。其中单变量ARIMA是典型的时间序列方法，适用于短时交通信息预测，它实际上是用二项式差分消除了非平稳时序中的多项式趋向，从系统角度分析，就是分离出了系统中相同的一阶环节，从而可以按照平稳时序建模。ARIMA适用于稳定的交通流。但是时间序列方法的缺点是：1）交通状况变化时由于计算量大，该算法具有预测延迟的特点，且算法本身依赖于大量不间断的数据，若实际中数据遗失则预测精度变低，算法的鲁棒性差；2）模型是通过研究交通流过去的变化规律来外推或预测其未来值，只利用了历史数据，没有考虑其他影响因素，如相邻路段、天气变化影响等，所以交通状态急剧变化时，预测结果与实际情况差别很大；3）模型参数的求解一般是离线进行的，并且在预测过程中的模型参数是固定的，不能移植，不能很好的适应不确定性强的短时交通流动态预测要求[5][13]。与单变量ARIMA相似，多变量时间序列预测也得到了广泛研究，包括多变量时间序列模型包括向量ARIMA、空间时间ARIMA等，这些模型主要考虑交通网络中多个节点交通流之间的相互联系，一定程度上更能反映交通流的本质特征，但由于模型过于复杂，在实际中很难实现。 2.2神经网络模型 神经网