交通流短期预测研究进展

范炳全
上海 200093）
短期交通流预测是交通控制和交通诱导的基础和关键技术之一。经过几十年的研究已
200多种预测方法，本文介绍了短期交通流预测技术的特点，先将各种交通流预测方法
再对交通流预测领域的最新研究进展进行了分析、归纳，总结出几类最新
单步预测向多步预测发展的研究、基于反馈的动态预测，并对今后短期交通

短期交通流预测 方法分类 研究进展 研究方向
U491 文献标识码：A
Yuan Jian, Fan Bingquan
(

traffic guidance and traffic control. There are more than 200 approaches during several
years. This paper introduced short term traffic flow forecasting characteristics. Traffic
forecasting approaches were categorized. At last, this paper analyzes and generalizes the
direction of the traffic flow forecasting approaches. There are integrating model,
model, spatio-temporal correlation, single-link to multi-link and road network, one
引言
城市道路交通拥堵问
为了缓解交通拥堵，在现有道路基础设施之上采用智能
[1]。作为智能交通系统的核心部分──智能交通
利用道路的实时和历史检测数据，通过各
既可以作为智能交通控制系统信号控制
因此准确和实时的交通流预测是


城市道路交通流短期预测方法
近期预测和短期预
3至10年的流量预测，近期交通量预测是指对未来1至3年
短期交通量预测通常预测时间为1年以内，而短时交通量预测往往指预测的时
t到t+1时刻的时间跨度不超过15分钟。
建设项目可
只有在中长期准确交通流量预测的数据基础上，所作的技术标准、建设项
其交通量通常考虑由自然增长的趋势交通量、行
常用的预测方法有头
Delphi法、牛成率法、增长率法、重力模型、动力学模型、弹性系
如遗传算法、模糊聚类分析法、灰色理论等。
影响预测对象的各因素在短期内改变的较少，而中长期改变的情况较多，因
一般做线性变化处理。而短期
[1]-[3]。经过
各国专家提出的预测算法已超过200种。将其分类基本可分为以下几类：基
基于非线性系统理论的方法、基于知识发现模型的方法、基于动态

基于线性系统理论的方法
基于线性系统理论的预测方法的前提是假设路段的交通流量有周期性变化规律，因此对
此类方法主要有历史平
Markov预测等。
该模型只能用于流量变化较平稳的路段，不能满足大部

但确定的回归方程的参数是静态的，无法及时修正误差，不

时间序列分析是根据系统观测得到的时间序列历史数据，构成一个随时间变化的
。时间序列预测法包括自回归法(AR)、移动平均法(MA)、自回归移动平均法
、自回归求和滑动平均法(

ARIMA)。Ahmed和Cook(1979)[4]首次用ARMA预
Gary和Nancy(1984)[5]利用时间序列分析技术分析预测有缺
Cetin和Comert(2006)[6]提出了一种能考虑
ARIMA预测模型。时间序列模型

卡尔曼滤波在数学上是一种统计估算方法，通过处理一系列带有误差的实际测量数据而
它利用由状态方程和观测方程组成的状态空间模型来描述交通
Iwao
[7]提出了基于卡尔曼滤波理论的交通流预测模型。戴施华等(2005)[8]利用交通
因为卡尔曼滤波可以进行数据
它把上下游交通流量的情况在算法中考虑，使得卡尔曼滤波法
预测适应性更强。毕竟卡尔曼滤波理论是基于线


基于非线性系统理论的方法
5
其不确定性和非线性变化特点要求预测方法不能采用线性系统理论，必须采用

只需要足够的历史数据，通过寻找历史数据中与当
，并用“近邻”下个时段的数据作为预测值。Davis等(1991)[9]将其应用
Taehyung Kim等(2005)[10]提出了一种改进的近邻非参数回归方法预测交通
尤其适合有特殊事件发生时的短时交通流预测。但该法要求

小波分析是20世纪80年代中期发展起来的一门新兴的数学分析方法，因小波具有良好
能聚焦到信号的任一局部细节，所以很多研究者将其应用于混沌、非
2002年贺国光等[11]提出了一种基于
因此更多的用于与其他方法组合预测交通流量，比如分别与卡尔曼滤波、神经网
[12][13]。
混沌是指在确定性系统中出现的一种貌似无规则、类似随机的现象，对于确定性的非线
混沌不是简单的无序，其中蕴含各种周期解。
组成系统的各个方面之间存在复杂的非线性关系，在交
1989年Disbro 和Frame最早将混沌引入交通领域。混沌
不能长期预测。基于混沌的预测主要以混沌理论、分形理论、耗散理论、
如Attoor Sanju Nair等(2001)[14]得出了交通数据具有混沌特性，可
宗春光(2003)[15]等给出了一种基于相空间重构理论的短期交通流
李宏萍(2004)[16]采用最大Lyapuhnov指数以流率序列为例进行混沌交通流预测。XUE
等(2008)[17]利用混沌理论对多项式进行改进，建立了对交通量的短时间尺度的一步预
5分钟时间尺度的交通量进行预测。
1967年Benoit Mandelbrot 最早提出的理论。分形是具有以下典型性质的集
F：集合F是不规则的，其整体和局部都不能用传统的微积分或几何语言来描述；F通常具
F在某种
分形是刻画混沌运动的直观的几何语言。短时
因此近年来用分形理论来进行短时交通流预测。既可以直接用分形的
也可以根据分形的自相似特征采用最近邻法。承向军等(2010)
, 采用基于分形的方法缩短预测时间、提高预测精度。

基于知识发现模型的方法
是近年来发展起来的智能模型，故单独

分类，主要用来针对复杂的非线性大系统进行预

本质上是大规
神经网络模拟人脑神经元的活动，每个神经元根据自身接
其输出又作为网络结构中与之相联的其他神经元的输入。神经
得到输出对输入的一种映射关系，给
该方法不需要任何经验公式，即使不清楚预测问题的内部
1993年，
首次将神经网络引入交通预测领域。由于神经网络具有自学习能力、自适应、
较强的容错性和鲁棒性等特性，神经网络被大量用于交通流预测领域。已用于短期
BP神经网络、递归神经网络、径向基RBF神经
时间延迟神经网络模型、多层反馈神经网络，谱分析人工神经网络、对偶传播神经网
[19]-[ 30]等。虽然神经网络模型在交通流预测领域应用较
但是也存在很多不足：神经网络的学习模式需要大量的原始数据的训练，数据不足或数
训练网络结果只适应于被训练样本数据路段，对于路
数据处理量过大。隐层神经元的数量由经验获得，隐层节太点少可能
隐层节点太多计算时间长，降低网络推广能力。神经网络是一种依赖于经验的启
其学习过程采用经验风险最小化原则，在小样本情况下，容易出现过学习现象从

20世纪90年代
N.Vapnick等人提出。它具备完备的理论基础和出色的学习性能，根据结构风险最
从本质上提高了学习机的泛化能力，不存在局部最小问题，并且运用核
优于传统的基于经验风险最小化的常规神经网络方法，支持向
目前，支持向量机被引入交通流预测，用以解决神经
比如：王继生等(2004)[23]对比支持向量机和神经网络在交通流预测的效果；
(2005)[24]采用支持向量机进行交通流实时预测；姚智胜等(2006)[25]和杨兆升等
[26]均提出了支持向量机的短时交通状态和交通流量的预测模型。Wei-Chiang
[27]运用支持向量机合并退火算法进行交通流预测。
基于动态交通分配的方法
[29]。在动态交通分配中需要将时变的OD交通量按照一定的规则合理地
以体现交通流传播的特性。动态交通分配模型，根据分配中路径选择
[ 36 ]。两
前者以实现每个用户出行的走行费用

最优控制理论模型和以变分方程为基础的模
[29]。动态交通分配模型有明确的目标函数和约束条件，所得结果精确度较高。这
但实际却很难捕捉

基于交通仿真模型的方法
20世纪60年代以来,随着计算机技术的进步而发展起来的采用计算机数字
,道路交通仿真是再现交通流时间和空
根据选取交通流模型的不同，交通仿真模型分为基于宏观、基于微观和

它视交通为大量车辆构成的可压缩
研究许多车辆的集体平均行为，比如气体动力学模型、流体力学模型；微观
它以单个车辆为单位，假设驾驶员只对

前方车辆的
模拟道路上前后车跟随的单车运动规律，比如跟驰模型、换道模型、元胞自
中观模型介于宏观和微观两种模型之间，它既能从宏观上描述交通流三个参数之

不能直
主要提供一种估计动态旅行时间的方法或交通流、占有率和旅行时间之
通常仿真模型与其他方法合作进行交通流预测，通常仿真模型与其他方
如将仿真模型与动态交通分配模型相结合的启发式模型，既能评价
捕捉多种交通网络动态特性，也能有效地描述交通控制信息对交通流的影
[29]。如马云龙等(2009)[30]利用车头时距分布模型与OD矩
Jennifer McCrea(2009)[ 31]利

研究趋势
交通系统是一个复杂的巨系统，在经过了几十年的研究，提出了几百种算法后，学界仍
每种模型都有其适应场合和局限性，因此研究人员需要继续寻

1）综合模型的应用
综合模型是指以一种预测模型为主，再引入一种算法对该模型的某几个参数进行处理和
从而得到更精确的预测结果。比如分别以灰色理论、人工神经网络、支持向量机等为

灰色预测方法适应于预测变化趋势较为明显的时间序列，对随机波动大的时间序列则无
GM(1,1)模型拟合系统发展变化趋势，再对随机波动
克服了灰色理论的不足。遗传优化灰色预测模型先用遗传
GM(1,1)模型参数优化，以改善灰色模型的预测效果。模糊优化灰色预测模型引入加
ω,建立GM(1,1,ω)预测模型。
遗传算法具有全局搜索、收敛速度快的特点。将遗传算法与神经网络结合的遗传神经网
不仅能发挥神经网络的泛化映射能力，而且能使神经网络克服收敛速度慢和易陷入局部
小波神经网络利用小波方法将交通信息中的高频部分和低频部分分离，再用神
从而提高预测精度。粗神经是按照粗糙集理论的
粗神经网络建立在粗神经元的基础之上神经网络。小波神经网

基于粗糙集理论的支持向量机预测克服了支持向量机在训练大数据量样本时速度较慢
基于小波分解和支持向量回归的交通流预测模型将数据分解重构叠加，提高了预测

交通流预测的综合模型还有很多，如分形与混沌结合，小波和卡尔曼滤波结合，混沌与

2）组合模型的应用
组合模型可以弥补单一预测方法不准确的缺陷，减少风险性。组合模
组合模型的结果取决于多种预测方法的结果，综合模型是指预测算法的
组合模型预测按照组合方式的不同，分为线性组合和
[32]。
但更复杂，因此线性变权
非线性组合是将不同的预测模型结果作为一个非线性函数的输入


3）时空相关性的研究
道路网中的多个断面之间的交通流数据具有时空演化规律，找出路段交通流数据的相关
批量预测路

段的交通流量，可提高对大规模路网众多路段交通流的预测速度和预测效率。
主要方法为：相关系数计算法、聚类分析和多

通过统计学的相关系数法可获得路段
用来表示数据间的相关程度。要获得路网各路段的相关程
计算量大且繁琐。聚类分析
比如可采用最近邻算法，利用欧几里德距离计算出以各路段交通流
(2010)[33]
将各路段表示为欧式空间中的点，以
Wanli Min(2010)[34]考虑路网的时
GARCH模型来实现实时交通流预测。
4）单断面向多断面、路网扩展的研究
并未考虑其他上下游路段和相邻交叉口的影响，预测往往受到单点信息量不
对于不确定性较强的交通系统而言，将上下游路段和相邻交叉口的交通流一起考
卡尔曼滤波算法、支持向量机回归算法和混沌时间序列算法都是可以考虑
而神经网络则以相关性较强的局部路网为研究对象。近年来交通流预测的方
这种点到线至面的变化标志着算

5）单步预测向多步预测发展的研究
短期交通流预测中一般只进行一步预测，对于连续的多步预测研究较少，预测的时长
从动态决策的角度看，在未来一段时间内，交通状态的发展趋势预测更重要。仅提供
需要建立具有多步预测功能的模型。曹凤萍(2008)[35]分析了

6）基于反馈的动态预测
短期交通流预测的目的主要为交通控制或交通诱导服务，若路口信号灯控制策略与交
交通流拥挤预测结果将帮助路口信号灯控制策略的改变，而路口信
对下一时间间隔的交通流的预测产生影响。同样
当路段交通流预测信息在交通诱导系统中发布后会因为出行者交通行为的改变而改变
影响下一时间间隔的交通流的预测。因此应研究适应这两种具有反馈的短时交
Train K(2003)[36] 采用计量经济学中的离

结束语
作为交通控制和交通诱导的基础，短期交通流预测工作十分重要，但由于交通系统的复
短期交通流预测的研究又是一个非常困难的课题，因此对其的研究是艰巨的和长期的。
但研究其发展过程可发现近年来出现了以下的演化趋势：微观
从有参方法到无参方法的演化；由静态预测方法向动态预测方法的
从非智能模型向智能模型的演化；将出行者的出行选择行为加入预测模型考虑；从只
由不考虑路网信息发布对

经过几十年的研究，今后对短期交通流预测的研究仍然还有许多问题需要考虑：如何对
如何在预测模型中对交通流机制和规律进行揭
而密度、速度和占有率是很重要的反映交通状态的参数，如

但是如何识别和评价将各预测方法
也无一定的成果，因此今后加强此类研究将



陆海亭，张宁，黄卫，夏井新. 短时交通流预测方法研究

进展[J]. 交通运输工程与信息
,2009,17(4):84-91
高慧，赵建玉，贾磊. 短时交通流预测方法综述[J]. 济南大学学报（自然科学
,2008,22(1):88-94
陆锋，郑年波，段滢滢，张健钦. 出行信息服务关键技术研究进展与问题探讨[J]. 中国
, 2009,14(7):1219-1229
戴施华，周欣荣.Kalman滤波理论在短时交通预测上的应用[J].哈尔滨商业大学学报(自
),2005, 21(6):728-730
th
贺国光，马寿峰，李宇.基于小波分解与重构的交通流短时预测法[J]. 系统工程理论与
2003,22(9):101-106
. Fuzzy-neural network traffic predicition framework with

–384
宗春光，宋靖雁，任江涛，胡坚明. 基于相空间重构的短时交通流预测研究[J].公路交
2003,20(4):71-75
李宏萍. 城市快速路交通流分形特性研究. 哈尔滨工业大学硕士学位论文，2004
承向军，刘 军，马敏书. 基于分形理论的短时交通流预测算法[J]. 交通运输系统工程
2010,10(14):106-110
高为,陆百川,贠天鹂,谭伟. 基于时空特性和RBF神经网络的短时交通流预测[J]. 交通信
,2011,29(1):16-19
杨立才，贾磊. 粗神经网络及其在交通流预测中的应用[J].公路交通科技，2004，
徐启华，丁兆奎. 交通流量的递归神经网络实时预测模型研究[J]. 公路交通科技, 2004,
王继生，高宝成，时良平. 支持向量机在交通预测中的应用[J]. 信息技术，2004,28（4）：
徐启华，杨瑞. 支持向量机在交通流量实时预测中的应用[J]. 公路交通科技，2005,
姚智胜，邵春福，高永亮. 基于支持向量回归机的交通状态短时预测方法研究[J]. 北京
2006,30(3):19-22
杨兆升，王媛，管青. 基于支持向量机方法的短时交通流量预测方法[J]. 吉林大学学报
,2006,36(6):881-884
–2107
邵春福. 交通规划原理[M]. 北京： 中国铁道出版社，2004,209-220.
胡婷，于雷，赵娜乐. 动态交通分配理论研究综述[J].交通标准化,2010,220(5):6-10
马云龙, 王 坚，任子晖.基于微观仿真的快速路短时交通流预测研究[J]. 系统仿真学
,2009,21(14):4501-4503
Jennifer McCrea, Salissou Moutari. A hybrid macroscopic-based model for traffic flow in
许伦辉，傅惠. 交通信息智能预测理论与方法[M]. 北京：科学出版社，2009,157-167
姚智胜，熊志华，邵春福. 交通流短时预测的相关性研究[J]. 交通运输系统工程与信息，
（2）：117-121
Min, Laura Wynter. Real-time road traffic prediction with spatio-temporal
–616
曹凤萍. 城市道路交通参数短时多步预测方法研究[D]. 硕士学位论文. 吉林大学,2008.
51008196）；上海市重点学科项目（S30504）
1971－），女，四川泸州人，汉族，博士生，副教授，研究方向：智能交
数据挖掘。
(1942-),男，江苏丹阳人，汉族，教授，博导，研究方向：智能交通、城市规

划
200433 上海市国顺东路179弄43号301室