短时交通流预测方法综述_高慧
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1 数据采集
最初的交通参数信息采集方法都是非自动的人 工采集方法, 包括人工观测法和摄影法等。自 20世 纪 30年代美国研制出 声控 式感应式交通信号控 制机以来, 交通量检测器技术得到了迅速发展, 特别 是近 20年来出现了大量的新型交通量检测器。交 通量检测器的种类很多, 主要有: 环形线圈检测器, 超声波检测器, 磁感应式检测器, 光辐射式检测器, 雷达检测器, 视频检测器等。目前应用较多的是环 形线圈检测器、超声波检测器和视频检测器。 1. 1 环形线圈检测器方法
径诱导, 以缩减出行时间, 减少交通拥挤。这种预测 称为短期预测 ( short- term forecasting) , 它是微观意 义上的, 与中观和宏观意义上的以小时、天、月甚至 是年计算的基于交通规划的战略预测 ( strateg ic forecasting) 是有本质区别的 [ 4- 5] 。
这类方法是用数理统计的方法处理交通历史数 据, 对交通流、交通速度、旅行时间等用于预测。一 般来说统计模型使用历史数据进行预测, 它假设未 来预测的数据与过去的数据有相同的特性。基于传 统统计理论的预测方法主要有历史平均模型 ( h istory average m odel) 、回归分析预测方法、时间序列模 型 ( tim e seria l mode l) 、卡尔曼滤波模型 ( kalm an fi-l tering m ode l) 、m arkov 预 测、极 大 似 然 估 计 模 型 ( m ax ium lide lihood form u lation m ode l) 等。
周期。在实际预测中, 大多数的时间序列都可以用 p, d, q 不超过 2的 ARIMA 模型描述。
在大量不间断数据的基础上, 此模型拥有较高
的预测精度, 但需要复杂的参数估计, 而且计算出的
参数不能移植。在实际情况中, 经常由于各种各样 的原因容易造成数据遗漏, 导致模型精度降低, 而且 依赖大量的历史数据, 成本很高 [ 11] 。
平均模型 ( MA )、自回 归滑 动平 均混 合模 型 ( AR-
MA ); 非线性平稳模型主要有: AR IMA 模型和 IMA 模型。
自回归求和滑动平均模型 [ 12 ] ( AR IMA ) 是一种
应用得最为广泛的时间序列模型, 是自回归模型和
滑动平均模型的混合形式。该模型不像其它时间序
列方法一样需要固定的初始化模拟, 它将某一时刻
பைடு நூலகம்
但是这些方法都面临着高维方程组的求解问题, 或 要求恢复过程满足广义平稳过程的假设, 难以满足 视频检测的实时性要求。由于神经网络在并行非线 性处理及大容量计算方面存在着巨大潜力, 因此被 用于解决图像处理领域内的多种问题。
基于 S 函数 的全并 行自反 馈 H opf ie ld 神 经网 络, 用 S 函数代替了分段线性函数, 使得网络能量能 够精确地达到最小, 且恢复过程快, 能保证图像恢复 的精度, 显示出较强的容错性 [ 1- 7] 。
文献标识码: A
交通系统 [ 1] 是支 持社会经济发 展的基础设施 和 循环系统 , 在社会经济系统中占有重要的地 位。交通问题解决的好与坏, 直接影响着国民经济 的发展与人民生活质量的提高。当今世界各国的大 城市无不存在着交通拥挤问题。交通问题在一定程 度上已经成为制约经济、社会稳定发展的 瓶颈 问 题。然而有限的土地和经济制约等使得道路建设不 可能达到相对满意的里程数, 所以就需要在不扩张 路网规模的前提下, 综合运用现代信息与通讯技术 等手段来提高交通运输的效率, 以提高交通路网的 通行能力。于是, 运用各种高新技术系统地解决道 路交通问题的思想就应运而生了, 这就是智能交通 系统 ITS( intelligent transport system ) [ 2- 3] 。
通常由于交通传感器硬件故障、噪声干扰和通 讯故障所引发错误数据的发生, 所以必须对错误数 据进行剔除, 否则这些错误数据会大大降低预测的 准确度。错误数据往往与正确数据的偏差非常大, 基于这个特点, 首先采用阀值法去除明显错误的数 据, 如果数据在阀值之内, 也未必是正确数据, 所以 还需进行基于多条规则的判断 [ 5 ] 。
交通控制与诱导系统是 IT S研究的热门核心课 题, 而实现交通流诱导系统的关键问题是实时准确 的交通流量预测, 即如何有效地利用实时交通数据 信息去滚动预测未来几分钟内的交通状况。其结果 可以直接送到先进的交通信息系统 ( AT IS) 和先进 的交通管理系统 ( ATM S) 当中, 给出行者提供实时 有效的信息, 帮助他们更好地进行路径选择, 实现路
判断规则如下: ( 1) 如果平均占有率为 0, 而流量不为 0, 应剔 除; ( 2) 如果流量为 0, 而平均占有率不为 0, 应剔 除; ( 3) 平均车长判断法: 如果采用交通机理公式 由流量、速度、占有率得出平均车长, 如果所得的车 长小于等于 5米或者大于等于 12米 ( 此时重型车辆 占居优势 ), 那么这条记录是正确的。 经过此数据过滤若不能成为精简的数据, 还可 以通过数据密集度这个指标来评价历史数据库中数 据的分布是否符合要求, 以提高算法的实时性。 2. 2 图像采集与处理 当用视频检测器来采集交通数据的时候, 通常 系统采用图像采集卡, 可将摄像头拍摄的视频图像 转换为 BMP 格式的数字图像存储在计算机内存中。 在交通参数的视频监测系统中, 运动模糊是造成图 象退化的主要原因, 所 以要对运动图 像进行恢复。 传统的图像恢复方法有很多: 如基于 Bayes估计的 恢复方法、基于调和理论的迭代算法和滤波方法等,
的最优估计系数 ^, 从而利用 y = ^ 0 +
d
j= 1 ^ j (X ij -
xj
)
进行估计,
其中
{
(
X
T i
,
Yi ),
i=
1, 2,
, n } 为观测
值, X i = (X i1, X i2, , X id )T, K a ( ) 为 概率 密 度函
数, 常为高斯分布函数。
回归分析预测方法是在可以获得多路段交通数
第 22 卷第 1期 2008年 1月
济南大学学报 (自然科学版 ) JOURNAL OF UN IVERSITY O F JINAN ( Sc.i & T ech )
文章编号: 1671- 3559( 2008) 01- 0088- 07
短时交通流预测方法综述
V o.l 22 N o. 1 Jan. 2008
高 慧 1, 赵建玉1, 贾 磊 2
( 1. 济南大学 控制科学与工程学院, 山东 济南 250022; 2. 山东大学 控制科学与工程学院, 山东 济南 250061 )
摘 要: 以交通流预测研 究的步 骤为主 线, 对 短时 交通流 预
测的方法进行研究。对现存预 测方法进行了分类分析: 基于
统计理论的方法、基于神 经网络 的方法、基于 非线 性理论 的
第 1期
高 慧, 等: 短时交通流预测方法综述
89
利用此方 法可检测正在行驶或正在远离的车 辆, 但不能检测处于检测范围内的静止车辆。 1. 3 视频检测器方法
视频检测器主要由摄像机和图像识别单元 ( 含 计算机 ) 组成, 其工作原理是: 由 CCD 摄像机连续摄 的两帧图像 ( 数字图像 ) , 对其全部或部分区域进行 比较, 如有差异则说明检测范围内有运动物体, 从而 检测出通过的车辆, 采集交通量。
收稿日期: 2007- 05- 21 基金项目: 国 家自 然 科学 基金 ( 60674062); 济南 大学 博 士基 金
( B0608 ); 济南大学科研基金 ( Y 0601 )。 作者简介: 高 慧 ( 1982 - ), 女, 山 东 德州 人, 硕 士 生; 赵建 玉
( 1966- ) , 女, 山东临沂人, 副教授, 硕士生导师。
超声波检测 器 [ 1] 是通过 接收由超声波 探头发 出并经过车辆反射的超声波来检测车辆的。超声波 检测器的工作原理可分为两种: 传播时间差法和多 普勒法。
传播时间差法, 超声波检测器的探头向路面发 射超声波然后接受其反射波, 当有车辆时, 超声波会 经车辆反射提前返回。多普勒法, 超声波探头向空 间发射超声波同时接收信号, 如果有移动物体, 那么 接收到的反射波信号就会呈现多普勒效应。
方法以及基于新兴 技术的 预测方 法。将人工 神经 网络模 型
与其他领域的研究相 结合的 综合预 测模型 要比单 一神经 网
络预测模型、常规预测模 型的预 测效果 好; 基 于非 线性理 论
的预测方法有较好的 发展前景。
关键词: 智能交通; 数据采集; 数据预处理; 交通流预测
中图分类号: U 491. 112
90
济 南 大 学 学 报 (自然科学版 )
第 22卷
立多元回归预测模型受到了极大重视。
该方法可描述为: 设 X 为观测值集, Y 为预测值
集, xT = (x1, x2, , xd ) Rd , 求一组使 目标函数
n
i= 1 { Yi - 0 -
d j= 1
(X ij - xj ) } 2KB (X i - x ) 最小
环形线圈检测器 [ 6] 出现于 20世纪 60年代, 是 目前交通控制中应用最广的交通量检测器。该检测 器是一种基于电磁感应原理的车辆检测器, 它的传 感器是一个埋设在路面下、通有一定交变电流的环 形线圈。当车辆通过线圈或停在线圈上时, 车辆引 起线圈回路电感量的变化, 检测器可检测出该变化, 基于此原理采集交通量。 1. 2 超声波检测器方法
据的基础上, 建立起各路段参数之间的线性回归方 程, 当数据有限时, 此方法无法实现。
3. 1. 2 时间序列预测方法
时间序列模型是描述时间序列统计特性的一种
常用方法, 它是参数化模型处理动态随机数据的一 种实用方法。主要有线性平稳模型和非线性平稳模
型。线性平稳模型主要有: 自回归模型 ( AR ) 、滑动
3 预测方法
据统计, 目前应用于各个控制领域的预测模型 和方法己将近 300余种, 其中一些预测方法在中、长 期交通流预测的应用中取得了较好的预测效果。但 短时交通流呈现出高度的非线性、时变性和不确定 性, 使 得 各 种 单 一 预 测方 法 的 预 测 精 度 难 以 提 高 [ 8] 。
较早期的预测方法主要有: 自回归模型 ( AR )、 滑动平 均模 型 ( MA ) 、自 回归 滑动 平均 模型 ( ARMA) 、历史平均模型 ( HA ) 和 Box - Cox 法等等。随 着该领域研究的逐渐深入, 又出现了一批更复杂的、 精度更高的预测方法。总结起来, 大概可以分成 4 类方法: 基于传统统计理论的方法、基于神经网络的 方法、基于非线性理论的方法和基于新兴技术的预 测方法。 3. 1 基于传统统计理论的方法
研究较早的历史平均模型方法简单, 但精度较 差, 虽然可以在一定程度内解决不同时间、不同时段 里的交通流变化问题, 但静态的预测有其先天性的 不足, 因为它不能解决非常规和突发的交通状况, 如 交通事故等。 3. 1. 1 回归分析预测方法
回归分析预测方 法 [ 9- 10] 是一种通过分 析事物 之间的因果关系和影响程度进行预测的方法, 常用 于对多条路段进行分析, 其中运用逐步回归方法建
2 数据预处理
当利用一些实际数据建立数学模型时, 有时不 能直接使用这些数据, 而要经过数据预处理。由于 交通参数的数值较大, 应对其进行一定的预处理, 通 过这些处理可以有效缩短交通流预测模型的预测时 间。同样短时交通流预测也需要进行数据的预处理 工作, 以提高预测精度及实时性。 2. 1 阀值法和基于多条规则的判断
的交通流量看成是更为一般的非平稳随机序列。
AR IMA 有 3个模型参数 p, d, q, 其预测模型可
写成: l y ( t) = ( y ( t - 1) + + p y ( t - p ) + ( t ) - 1
( t- 1) - - p ( t- p ) ) 式中: p 为自回归周期; d 为差分阶数; q 为移动平均
3. 1. 3 卡尔曼滤波方法 ( ka lm an filter ing m ethod) 卡尔曼滤波理论 [ 14- 15] 是 K alm an于 1960年提
最初的交通参数信息采集方法都是非自动的人 工采集方法, 包括人工观测法和摄影法等。自 20世 纪 30年代美国研制出 声控 式感应式交通信号控 制机以来, 交通量检测器技术得到了迅速发展, 特别 是近 20年来出现了大量的新型交通量检测器。交 通量检测器的种类很多, 主要有: 环形线圈检测器, 超声波检测器, 磁感应式检测器, 光辐射式检测器, 雷达检测器, 视频检测器等。目前应用较多的是环 形线圈检测器、超声波检测器和视频检测器。 1. 1 环形线圈检测器方法
径诱导, 以缩减出行时间, 减少交通拥挤。这种预测 称为短期预测 ( short- term forecasting) , 它是微观意 义上的, 与中观和宏观意义上的以小时、天、月甚至 是年计算的基于交通规划的战略预测 ( strateg ic forecasting) 是有本质区别的 [ 4- 5] 。
这类方法是用数理统计的方法处理交通历史数 据, 对交通流、交通速度、旅行时间等用于预测。一 般来说统计模型使用历史数据进行预测, 它假设未 来预测的数据与过去的数据有相同的特性。基于传 统统计理论的预测方法主要有历史平均模型 ( h istory average m odel) 、回归分析预测方法、时间序列模 型 ( tim e seria l mode l) 、卡尔曼滤波模型 ( kalm an fi-l tering m ode l) 、m arkov 预 测、极 大 似 然 估 计 模 型 ( m ax ium lide lihood form u lation m ode l) 等。
周期。在实际预测中, 大多数的时间序列都可以用 p, d, q 不超过 2的 ARIMA 模型描述。
在大量不间断数据的基础上, 此模型拥有较高
的预测精度, 但需要复杂的参数估计, 而且计算出的
参数不能移植。在实际情况中, 经常由于各种各样 的原因容易造成数据遗漏, 导致模型精度降低, 而且 依赖大量的历史数据, 成本很高 [ 11] 。
平均模型 ( MA )、自回 归滑 动平 均混 合模 型 ( AR-
MA ); 非线性平稳模型主要有: AR IMA 模型和 IMA 模型。
自回归求和滑动平均模型 [ 12 ] ( AR IMA ) 是一种
应用得最为广泛的时间序列模型, 是自回归模型和
滑动平均模型的混合形式。该模型不像其它时间序
列方法一样需要固定的初始化模拟, 它将某一时刻
பைடு நூலகம்
但是这些方法都面临着高维方程组的求解问题, 或 要求恢复过程满足广义平稳过程的假设, 难以满足 视频检测的实时性要求。由于神经网络在并行非线 性处理及大容量计算方面存在着巨大潜力, 因此被 用于解决图像处理领域内的多种问题。
基于 S 函数 的全并 行自反 馈 H opf ie ld 神 经网 络, 用 S 函数代替了分段线性函数, 使得网络能量能 够精确地达到最小, 且恢复过程快, 能保证图像恢复 的精度, 显示出较强的容错性 [ 1- 7] 。
文献标识码: A
交通系统 [ 1] 是支 持社会经济发 展的基础设施 和 循环系统 , 在社会经济系统中占有重要的地 位。交通问题解决的好与坏, 直接影响着国民经济 的发展与人民生活质量的提高。当今世界各国的大 城市无不存在着交通拥挤问题。交通问题在一定程 度上已经成为制约经济、社会稳定发展的 瓶颈 问 题。然而有限的土地和经济制约等使得道路建设不 可能达到相对满意的里程数, 所以就需要在不扩张 路网规模的前提下, 综合运用现代信息与通讯技术 等手段来提高交通运输的效率, 以提高交通路网的 通行能力。于是, 运用各种高新技术系统地解决道 路交通问题的思想就应运而生了, 这就是智能交通 系统 ITS( intelligent transport system ) [ 2- 3] 。
通常由于交通传感器硬件故障、噪声干扰和通 讯故障所引发错误数据的发生, 所以必须对错误数 据进行剔除, 否则这些错误数据会大大降低预测的 准确度。错误数据往往与正确数据的偏差非常大, 基于这个特点, 首先采用阀值法去除明显错误的数 据, 如果数据在阀值之内, 也未必是正确数据, 所以 还需进行基于多条规则的判断 [ 5 ] 。
交通控制与诱导系统是 IT S研究的热门核心课 题, 而实现交通流诱导系统的关键问题是实时准确 的交通流量预测, 即如何有效地利用实时交通数据 信息去滚动预测未来几分钟内的交通状况。其结果 可以直接送到先进的交通信息系统 ( AT IS) 和先进 的交通管理系统 ( ATM S) 当中, 给出行者提供实时 有效的信息, 帮助他们更好地进行路径选择, 实现路
判断规则如下: ( 1) 如果平均占有率为 0, 而流量不为 0, 应剔 除; ( 2) 如果流量为 0, 而平均占有率不为 0, 应剔 除; ( 3) 平均车长判断法: 如果采用交通机理公式 由流量、速度、占有率得出平均车长, 如果所得的车 长小于等于 5米或者大于等于 12米 ( 此时重型车辆 占居优势 ), 那么这条记录是正确的。 经过此数据过滤若不能成为精简的数据, 还可 以通过数据密集度这个指标来评价历史数据库中数 据的分布是否符合要求, 以提高算法的实时性。 2. 2 图像采集与处理 当用视频检测器来采集交通数据的时候, 通常 系统采用图像采集卡, 可将摄像头拍摄的视频图像 转换为 BMP 格式的数字图像存储在计算机内存中。 在交通参数的视频监测系统中, 运动模糊是造成图 象退化的主要原因, 所 以要对运动图 像进行恢复。 传统的图像恢复方法有很多: 如基于 Bayes估计的 恢复方法、基于调和理论的迭代算法和滤波方法等,
的最优估计系数 ^, 从而利用 y = ^ 0 +
d
j= 1 ^ j (X ij -
xj
)
进行估计,
其中
{
(
X
T i
,
Yi ),
i=
1, 2,
, n } 为观测
值, X i = (X i1, X i2, , X id )T, K a ( ) 为 概率 密 度函
数, 常为高斯分布函数。
回归分析预测方法是在可以获得多路段交通数
第 22 卷第 1期 2008年 1月
济南大学学报 (自然科学版 ) JOURNAL OF UN IVERSITY O F JINAN ( Sc.i & T ech )
文章编号: 1671- 3559( 2008) 01- 0088- 07
短时交通流预测方法综述
V o.l 22 N o. 1 Jan. 2008
高 慧 1, 赵建玉1, 贾 磊 2
( 1. 济南大学 控制科学与工程学院, 山东 济南 250022; 2. 山东大学 控制科学与工程学院, 山东 济南 250061 )
摘 要: 以交通流预测研 究的步 骤为主 线, 对 短时 交通流 预
测的方法进行研究。对现存预 测方法进行了分类分析: 基于
统计理论的方法、基于神 经网络 的方法、基于 非线 性理论 的
第 1期
高 慧, 等: 短时交通流预测方法综述
89
利用此方 法可检测正在行驶或正在远离的车 辆, 但不能检测处于检测范围内的静止车辆。 1. 3 视频检测器方法
视频检测器主要由摄像机和图像识别单元 ( 含 计算机 ) 组成, 其工作原理是: 由 CCD 摄像机连续摄 的两帧图像 ( 数字图像 ) , 对其全部或部分区域进行 比较, 如有差异则说明检测范围内有运动物体, 从而 检测出通过的车辆, 采集交通量。
收稿日期: 2007- 05- 21 基金项目: 国 家自 然 科学 基金 ( 60674062); 济南 大学 博 士基 金
( B0608 ); 济南大学科研基金 ( Y 0601 )。 作者简介: 高 慧 ( 1982 - ), 女, 山 东 德州 人, 硕 士 生; 赵建 玉
( 1966- ) , 女, 山东临沂人, 副教授, 硕士生导师。
超声波检测 器 [ 1] 是通过 接收由超声波 探头发 出并经过车辆反射的超声波来检测车辆的。超声波 检测器的工作原理可分为两种: 传播时间差法和多 普勒法。
传播时间差法, 超声波检测器的探头向路面发 射超声波然后接受其反射波, 当有车辆时, 超声波会 经车辆反射提前返回。多普勒法, 超声波探头向空 间发射超声波同时接收信号, 如果有移动物体, 那么 接收到的反射波信号就会呈现多普勒效应。
方法以及基于新兴 技术的 预测方 法。将人工 神经 网络模 型
与其他领域的研究相 结合的 综合预 测模型 要比单 一神经 网
络预测模型、常规预测模 型的预 测效果 好; 基 于非 线性理 论
的预测方法有较好的 发展前景。
关键词: 智能交通; 数据采集; 数据预处理; 交通流预测
中图分类号: U 491. 112
90
济 南 大 学 学 报 (自然科学版 )
第 22卷
立多元回归预测模型受到了极大重视。
该方法可描述为: 设 X 为观测值集, Y 为预测值
集, xT = (x1, x2, , xd ) Rd , 求一组使 目标函数
n
i= 1 { Yi - 0 -
d j= 1
(X ij - xj ) } 2KB (X i - x ) 最小
环形线圈检测器 [ 6] 出现于 20世纪 60年代, 是 目前交通控制中应用最广的交通量检测器。该检测 器是一种基于电磁感应原理的车辆检测器, 它的传 感器是一个埋设在路面下、通有一定交变电流的环 形线圈。当车辆通过线圈或停在线圈上时, 车辆引 起线圈回路电感量的变化, 检测器可检测出该变化, 基于此原理采集交通量。 1. 2 超声波检测器方法
据的基础上, 建立起各路段参数之间的线性回归方 程, 当数据有限时, 此方法无法实现。
3. 1. 2 时间序列预测方法
时间序列模型是描述时间序列统计特性的一种
常用方法, 它是参数化模型处理动态随机数据的一 种实用方法。主要有线性平稳模型和非线性平稳模
型。线性平稳模型主要有: 自回归模型 ( AR ) 、滑动
3 预测方法
据统计, 目前应用于各个控制领域的预测模型 和方法己将近 300余种, 其中一些预测方法在中、长 期交通流预测的应用中取得了较好的预测效果。但 短时交通流呈现出高度的非线性、时变性和不确定 性, 使 得 各 种 单 一 预 测方 法 的 预 测 精 度 难 以 提 高 [ 8] 。
较早期的预测方法主要有: 自回归模型 ( AR )、 滑动平 均模 型 ( MA ) 、自 回归 滑动 平均 模型 ( ARMA) 、历史平均模型 ( HA ) 和 Box - Cox 法等等。随 着该领域研究的逐渐深入, 又出现了一批更复杂的、 精度更高的预测方法。总结起来, 大概可以分成 4 类方法: 基于传统统计理论的方法、基于神经网络的 方法、基于非线性理论的方法和基于新兴技术的预 测方法。 3. 1 基于传统统计理论的方法
研究较早的历史平均模型方法简单, 但精度较 差, 虽然可以在一定程度内解决不同时间、不同时段 里的交通流变化问题, 但静态的预测有其先天性的 不足, 因为它不能解决非常规和突发的交通状况, 如 交通事故等。 3. 1. 1 回归分析预测方法
回归分析预测方 法 [ 9- 10] 是一种通过分 析事物 之间的因果关系和影响程度进行预测的方法, 常用 于对多条路段进行分析, 其中运用逐步回归方法建
2 数据预处理
当利用一些实际数据建立数学模型时, 有时不 能直接使用这些数据, 而要经过数据预处理。由于 交通参数的数值较大, 应对其进行一定的预处理, 通 过这些处理可以有效缩短交通流预测模型的预测时 间。同样短时交通流预测也需要进行数据的预处理 工作, 以提高预测精度及实时性。 2. 1 阀值法和基于多条规则的判断
的交通流量看成是更为一般的非平稳随机序列。
AR IMA 有 3个模型参数 p, d, q, 其预测模型可
写成: l y ( t) = ( y ( t - 1) + + p y ( t - p ) + ( t ) - 1
( t- 1) - - p ( t- p ) ) 式中: p 为自回归周期; d 为差分阶数; q 为移动平均
3. 1. 3 卡尔曼滤波方法 ( ka lm an filter ing m ethod) 卡尔曼滤波理论 [ 14- 15] 是 K alm an于 1960年提