赵琨++李启明++史晓霞

摘 要：根据现有的交通拥挤度辨别方法以及公路的等级，设计不同交通状况下的速度标准；建立相应的路径优化方法，建立时间序列模型，对采集到的道路行车速度进行速度的预测，并设计以最快路径为最优路径的路径优化方法，将交通流量中的速度预测应用到其中，之后根据相应的方法应用到实际案例中，证明方法的可行性。

关键词：交通流量；预测；路径网络；最优路径

中图分类号：TB 文献标识码：A doi：10.19311/j.cnki.16723198.2018.05.091

1 引言

在某一时间t到下一决策时间t+1乃至以后若干时刻的交通流做出实时预测叫作交通流预测。短时交通流预测是t到t+1之间的预测时间跨度不超过15min（乃至小于5min）的交通流预测。交通流预测既是智能交通系统实现的理论基础，又是实时控制与诱导交通的前提。

Nicholson H.等（1974）提出用谱分析模型预测交通流量。hmed S.A.和Cock A.R.（1974）探讨了时间序列技术在交通量预测中的应用，提出了时间序列预测交通流量的观点。同年Cock A.R尝试利用Box-Jenkins技术对高速公路的交通流量进行预测。Nihan N.L.和Holmesland K.O.（1980）在已知某路段4年的交通量数据的条件下再次应用Box.Jenkins技术进行预测，获得了比较好的预测效果。Davis G.A（1990）使用可调预测系统预测高速公路的交通量进行了研究，它被用来确定是否是纯粹的交通拥堵，它被应用到实时预测和数据收集的城市交通网络。另外，P.C.Vythockas（1993）也建立了基于卡尔曼滤波技术的交通流预测模型，预测效果较好。TheieryDochy（1994）等人在建立了结果令人满意的神经网络预测模型，预测的时间间隔为1小时。Maschavan Der Voort （1996）将神经网络与ARIMA时间序列模型结合，使ARIMA模型更具有实用性，之后，提出用用模拟的数据验证该算法可行性，通过建立神经网络单个路段的交通流量的模型，并结合整个路径网络的交通流量预测模型，对交通流量数据进行了具体的验证。

H.Kirby，M.Dougherty，S.Watson（1997）通过动态时间序列的方法研究交通流的变化规律，建立神经网络模型研究高速公路短时交通流量预测。同年，王明梭（1997）提出城市主干道交通流的卡爾曼滤波动态预测方法研究。英国学者H.Chen，S.Clark等（1998）发现运用Hermite多项式和随机噪声理论能较好的描述交通流状态，神经网络模型用于交通流预测拥有很好的前景得到了进一步验证。贺国光（2000）提出一种改进的自适应权重模型，此方法是一种将有模型算法和无模型算法结合起来的新思路，为设计出能适应预测步长小于5 分钟的高精度预测模型提供了一个新的解决方案。

2 交通流预测模型

2.1 交通流预测的应用方法

第一，根据路径网络通过邻接矩阵的调用，求得最短的三条路径。

第二，采集交通拥挤度的参数或是车辆行驶速度，得出相应的道路平均运行速度。

第三，根据时间序列模型进行速度的预测，得出相应路径的预测的速度。

第四，根据时间公式计算出通过每条路径的基本路径。

2.2 时间序列模型的建立

建立时间序列模型，构建出的适合于交通流预测的模型，应用指数平滑、自回归法等时间序列方法预测交通流数据。首先，将得到的道路数据导入到时间序列模型中，之后，对模型进行参数的设置，设置适应的时间序列变化类型，要设置要输出的参数、预测的起始时间、终止时间以及预测未来的年限，最后，运行模型，并记录好预测到的数据。

由于采集的数据是以时间变化的时间序列模型，是连续3天每隔15分钟采集的一次数据，因此，在模型中设置的时间周期为“15min”，开始时间为数据的第一条信息，并预测未来的十个时间段的数据，最后，采用时间序列中的指数平滑模型，进行预测。

3 交通流预测的应用

3.1 案例描述

某物流企业想要从石景山路出发进行配送作业，将货物配送到达首都机场2号航站楼，两个节点之间有相应的20个物流节点，多条路径，为了能够在距离较短以及时间最短的情况下，进行交通数据的预测，分析如何选取合适的路径进行行驶，从而对路径进行优化处理。

3.2 路径的选择

由于出行的路径十分复杂，而且其中拥有若干个节点，人工计算最短路径十分困难，因此，将存在路径转化为路径图的形式，将路径网络中的相应路段转化为相应的20个节点，在MATLAB中调用路径网络的邻接矩阵，之后在MATLAB中运用相应的最短路径算法minRoute得出最后的最短路径，输出最短路径，然后，根据输出的结果补充两条较短路路径，以便最后路径优化。

首先将路径问题简化为数学问题，通过动态规划的方法来进行路径的计算，将配送网络示意图转化为路径规划中的路径图，将图中经过的物流节点用阿拉伯数字表示，其中起点为1，终点为20，各个节点之中的距离，构成如下20*20邻接矩阵w，其对角线元素均等于零，除了以下标明的元素具体值以外，剩下其余元素均为无穷大，表示该两个结点之间没有道路相通。然后对得出的20×20的邻接矩阵进行路径的计算通过i=1；[s，d]=minroute（i，20，ww）；求出最短路径，输出的结果见表1、表2。

对应的结果为最短路径为1-2-6-9-10-12-15-18-20，总长度为70350。根据得出的矩阵以及对应的动态规划图可知，路径的路径图可以看出，次优路径应为1-2-6-7-8-13-16-19，19经过18以及20到达目的地，总长度为75540。

同理可以看出路径再优路径为1-2-5-11-14-17-18-20，总长度为77050。endprint

3.3 路径中车辆平均速度的预测

之后，通过交通流数据的预测，得出各个路段车辆预计的行驶速度，同时，根据之已经得出的各个路段的距离，根据时间=路程/速度，估算出车辆通过各个路段所用的时间，得出的最终的部分结果见表3。

根据以上的预测结果可以求出从这三条路径进行配送所需要的大概的时间，这四条路径所需的时间分别为，最短路径69.2分钟，次短路径84.8分钟，再短路径89.4分钟。因此，在配送过程中，选择最短路径进行配送，也就是案例的最短路径。将最优路径还原到实际问题中，最优路径为从石景山路出发，经过复兴路，进入三环路，在北三环东路与京承高速的交界处进入京承高速，之后进入京平高速，最后进入首都机场高速，最终到达首都机场2号航站楼。

3.4 路径的二次优化

由于交通具有很大的不确定性，交通事故、天气变化等都会影响到道路的畅通程度，因此，对道路进行实时的监控进行数据的采集，从而进行路径的优化，保证在驾驶过程中，一直在最优路径上行驶。

在最优路径行驶大约50分钟后，汽车即将进入京承高速，通过对道路交通数据的采集和路径的监控发现，京承高速发生了交通事故，产生了一定程度上的拥堵，因此，要对未经过的路径进行重新进行预测，从而做出正确的判断，达到优化路径的目的。方法类似，此处不赘述。

根据新的预测结果可以求出从这三条路径进行配送所需要的大概的时间，这四条路径所需的时间分别为，最短路径17.6分钟，次短路径18.26分钟，再短路径23.4分钟。由此可以看出在路径变化后可以选用最短路径，用时17.6分钟，具体的路径是由京承高速出发，经由东四环进入首都机场速，最后到达首都机场2号航站楼。

通过对采取的信息的两次预测，经过一次路径的变换，共用时67.6分钟，减少了车辆在运行过程中遇到交通拥堵的麻烦，减少了所用的时间。

4 结论

通过对短时交通流的简要研究，分析交通流短时预测的理论以及方法，在原有的基础上，建立了新的交通拥挤度的标准，将交通拥挤度问题转化为路径的时间问题，同时应用已有的数据和方法，用一种新的思路对交通流进行分析，通过道路拥挤度和路径长短两个交通中的参数，对网络配送路径进行分析，得出较优的路径，对交通提供提前的预测，对优化交通、缓解交通拥堵起到很大的帮助作用，同时，由于是提前5-15min的短时预测，因此，在道路上的车辆可以不断地进行预测，通过实时的预测信息，对自己的前进路径进行合理的选择，尽可能减少以至避免交通变化的突然性造成的不便，另外，通过对路径的短时预测，不断的提供推荐的路径信息，可以灵活的变换路径，最终，达到车辆行驶的畅通无阻，达到选择最快的路径的目的。

参考文献

[1]Nicholson H.和Swann C.D.The prediction of traffic flow volumes based on spectral analysis[J].Transportation Research， 1974， 8（6）：pp533538.

[2]Ahmed S.A 和Cock A.R. Analysis of highway traffic flow based on time series[J]. Logistics Research： 201105， Volume 3， Issue 2-3 ， pp 121132.

[3]Nihan N.L.和Holmesland K.O. Use of the Box and Jenkins time series technique in traffic forecasting[J]，Transportation，1980，9（2）：125143.

[4]Davis G.A， Comparison of parametric and nonparametric modles for traffic flow forecasting[J].Transportation research： Emerging technologies，1990，21（1），pp 2327.

[5]P.C.Vythockas， Short term forecasting of traffic conditions： a working paper on methodology[J]. Traffic flow，1993， pp5360.

[6]TheieryDochy， Short term traffic forecasting by neural networks[J].Transports - Securite （French）， 1994， pp 235246.

[7]Maschavan Der Voort， Dougherly M & Watson， S.C.CombiningKohonen maps with ARIMA time series： models to forecast traffic flow[J].Transportation Research，1996，4（5）：pp 307310.

[8]H.Kirby，M.Dougherty，S.Watson，Should we use neural networks or statistical models for short-term motorway traffic forecasting[J].International Journal of Forecasting， 1997， 13（96）：pp 4350.

[9]王明梭.城市主干道交通流的卡爾曼滤波动态预测方法研究[D].长沙：长沙理工大学，1997.

[10]H.Chen，S.Clark，M.S.Dougehrty， S.M.Grant.Muller，Traffic flow prediction based on Calman filter and neural network model[J].Traffic flow， 76， Issue 5-8， pp 91110.

[11]贺国光，李宇，马寿峰.基于数学模型的短时交通流及其管控研究[J].系统工程理论与实践，2000.endprint