基于行程-时间域的路段行程时间预测

基于行程一时间域的路段行程时间预测——张安泰柴干丁闪闪59

基于行程一时间域的路段行程时问预测

张安泰柴干丁闪闪

(东南大学智能运输系统研究中心南京210096)

摘要为了提高高速公路路段行程时间预测的实时性与准确性，提出了基于行程一时间域的路段行

程时间预测算法。该算法依据实时检测的交通数据和B P神经网络预测路段单元在不同时间单元的

空间平均车速，构建车辆出行的行程一时间域，通过车辆穿越行程一时问域获得路段的预测行程时间。

通过比较行程一时间域算法与传统神经网络预测算法，揭示了行程一时间域算法在预测精度上优于传

统神经网络算法。以沪宁高速公路路段作为示例背景，基于V i ssi m仿真软件，验证了所提算法的准

确性与可行性。

关键词行程时间；行程一时间域；B P神经网络；高速公路

中图分类号：U491．1+4文献标志码：A doi：10．3963／j．i s sn1674—4861．2013．02．014

O引言

随着现代信息技术在高速公路智能运输系统

(i nt el li gent t r ans por t a t i on sys t em，I TS)的广泛应用，动态路径诱导系统作为高速公路I TS的重要组成部分，目前正得到深入研究与开发。路段行程时间预测是动态路径诱导系统的关键技术，也是I TS的研究热点。交通运行状况的准确分析与出行路径的动态诱导，要求路段行程时间的估计与预测应当具有实时性、可靠性和准确性。采用新的技术方法，实时准确预测路段行程时间，是智能化路径诱导系统建设的迫切需求。

就目前行程时间预测问题，研究人员已经提出很多的预测模型与方法，如基于卡尔曼滤波的预测[1]、基于回归分析的预测[2]、基于时间序列的预测口]、基于人工神经网络的预测[4]、基于支持向量机SV M的预测[5=】等多种预测模型与方法。此外，A r ezoum andi[61通过研究可变限速系统对行程时间分布和可靠性的影响，提出了基于行程时间均值和标准差方法的行程时间预测，并利用密苏里州圣路易斯市I-270／I一255州际公路数据验证了算法的可行性。李庆奎[73等人提出了用模糊综合评判方法对行程时间进行预测。由交通流量和占有率构成模糊评判的因素集，行程时间视为评判集，利用隶属度函数，预测行程时间。高林杰‘83等人在采用微观交通仿真和指数平滑估计路段行程时间的基础之上，提出了用灰色G M(1，1)模型对行程时间预测的方法。通过对上述预测方法的分析，可以发现这些模型在对行程时间预测时，大部分都是将高速公路路段视为1个整体，仅考虑了车辆经过路段起点和终点的时间等信息，并未考虑路段中检测器检测的交通流信息。

文献F-9]在预测高速公路路径的行程时问时，以高速公路路段为基本预测单元，应用了行程一时间域法。但是路段的长度一般比较大，路段上交通流的不均匀特性导致对空间平均车速或行程时间的估计精度较低，从而影响了预测精度。考虑到高速公路I T S建设规模的快速增长，特别是交通动态参数检测技术的广泛应用，及检测器布设密度的增加(交通运输部给出了高速公路国省道交通调查观察站布局及实施工程)，本文提出以检测器布设位置将高速公路路段划分为基本路段单元，应用行程一时间域方法对高速公路路段行程时间预测，并详细设计了预测算法。

1行程一时间域与行程时间预测将车辆行驶路段以交通检测器布设位置为节点分割为若干路段单元，将时间按照一定的间隔分为不同的时间单元。车辆在路段上行驶时，会依次经过不同的路段单元，在某路段单元行驶时，会经过不同的时间单元。对应的1个路段单元和1个时间单元就组成了1个时空单元，而这些时

收稿日期：2012-11—03修回日期：2013-03—07

第一作者简介：张安泰(1987一)，硕士生．研究向：高速公路控制．E—m a i l：524906757@qq．com；nl za t@126．c or n

60交通信息与安全2013年2期第31卷总175期

空单元组合在一起就形成了该路段的行程一时间

域，见图1。

行程一时间域的纵轴为该路段的路段单元，横

轴为时间单元。车辆的预测行程时间为车辆穿越

该路段的行程一时间域所花费的时间。如图1中，

某路段被分为N个路段单元，t时刻出行的车辆

按图中行驶轨迹穿越行程时间域。车辆到达终

点的时刻为T，车辆在该路段上预测行程时间为

(T一￡)．

路段终点

Ⅳ／i

／

?

／

／

／。

’

图2车辆虚拟行驶决策流程图

Fi g．2

T he ve hi cl e vi r t ua l t r ave l deci s i on m a ki ng f l o w char t

步骤2。根据检测器检测的历史及当前数据，求得路段单元的历史及当前空间平均车速。

步骤3。针对每个路段单元，用历史及当前空间平均车速训练神经网络，并预测路段单元未来咒个时间单元的空间平均车速。本文选择B P 神经网络[1“111作为对路段单元空间平均车速的预测方法。神经网络的输入量有4个：分别为时间单元k，(忌+1)，(五+2)，(愚+3)的空间平均车速；输出量为时间单元(尼+4)的空间平均车速。在预测时，如果作为网络输入量的时间单元没有实际车速值，则采用之前得到的预测值。例如预测某路段单元未来第3个时间单元的空间平均车速，需要用到的4个输入量中前2个是根据已知数据计算出来的，而后2个则是前面计算的预测值。

预测时间单元数托需满足

n×A t>1Tl aX{T}(1)式中：T为路段上车辆行程时间的集合。

步骤4。车辆在第k个时间单元进入路段单元i，在行驶了P(P一0，1，2，…)个时间单元后。车辆在该路段单元的行驶距离为

女+6

z。一云(i，足)×r+∑云(i，j)×A t(2)

J一^+l

式中：v(i，歹)为车辆在路段单元i时间单元J的空间平均车速；r(r≤A t)表示车辆在第愚个时间单元进入路段单元i时，车辆在该时问单元的行驶时问。

步骤5。路段单元i的长度为L：(i一1，2，…)，根据步骤4中计算得到的车辆在路段单元的行驶距离z，获得车辆在路段单元i上的行驶决策为：

1)当行驶距离小于路段单元长度时，即z：< Li，车辆仍然位于第i个路段单元，将按照第(走+

4

3

2路段单元