何雅琴 陈俊

摘  要：为了提高突发事件下交通量预测的便捷性和预测精度，提出了一种基于事故属性及时空相关性的突发事件下交通量预测方法;引入事故属性维度，分析交通事故交通流变化的时空相关性，将当前突发事件与历史数据库中的突发事件进行相关度分析，利用灰色预测模型对突发事件下交通量进行预测;最后以上海市延安路高架的實测交通事故数据进行了案例分析。结果表明，与其他预测方法相比，该方法快速简单，且与实际数据对比，该预测方法的平均相对误差为3.014%，证明该方法是有效的。

关键词：交通量预测;突发事件;时空相关性;事故相关性;灰色预测

中图分类号：F570    文献标识码：A

Abstract： In order to improve the convenience and prediction accuracy of traffic volume prediction under emergencies， a traffic volume prediction method under emergencies based on accident attributes and time-space correlation is proposed; the dimensions of accident attributes are introduced to analyze the time and space of traffic flow changes in traffic accidents correlation： analyze the correlation between current emergencies and emergencies in the historical database， and use the gray prediction model to predict traffic volume under emergencies; finally， a case analysis is made with the measured traffic accident data of Shanghai Yan'an elevated highway. The results show that compared with other forecasting methods， this method is fast and simple， and compared with actual data， the average relative error of this forecasting method is 3.014%， which proves that this method is effective.

Key words： traffic volume prediction; emergencies; spatio

-temporal correlation; accident correlation; grey prediction

0  引  言

随着社会经济的发展及机动化进程的加快，城市突发事件发生愈来愈频繁，对道路上的交通正常运行带来一定的负面影响。对突发事件下的交通流进行预测有助于交通管理部门准确掌握城市道路交通流运行状态及变化[1]，从而采取及时有效的交通管制措施。

目前，国内外学者对城市道路交通流预测进行了大量的研究，也取得了丰富的成果，如Kumar Selvaraj Vasantha[2]提出了一种基于卡尔曼滤波技术（KFT）的交通流预测方法。Messai Nadhir[3]等提出了一种基于前馈的神经网络模型来预测短时交通流，并利用真实交通数据验证了该模型的预测性能。Zhang Qianqian[4]等分析了北京市某地区的交通流量特征，并建立了基于BP神经网络的交通流量预测模型。Deshpande Minal[5]等将神经网络和模糊逻辑的互补功能结合在一起，进行短时交通流量预测。……