论文部分内容阅读
摘要：现如今，智能交通系统（ITS）能最大限度地发挥现有交通基础设施的潜力，缓解拥堵、保护环境、改进安全、降低能耗、提高效率，被认为是本世纪解决交通问题最重要的措施之一。ITS涉及许多技术领域，但其关键技术就是要向车辆、出行者及交通管理控制者提供交通网络的实时动态的交通状态信息，并诱导交通流，而此技術的理论核心就是动态交通网络模型及算法。
关键词：ITS；时空交通网络；智能交通诱导系统；动态交通状态信息
引言
智能交通（ITS）是将人工智能技术、自动控制技术、计算机技术、先进的信息通信技术及传感器技术等有效的集成，并应用于整个地面交通管理系统而建立的一种大范围、全方位发挥作用的综合交通运输管理系统，包括先进交通管理系统（ATMS）、先进的驾驶员信息系统（ATIS）、先进公共运输系统（APTS）、出行指导系统等。
1 智能交通大诱导信息系统概述
智能交通系统是将先进的信息技术、数据通讯传输技术、电子控制技术及计算机处理技术等综合运用于整个交通运输管理体系。通过对交通信息的实时采集、传输和处理，借助各种科技手段和设备，从而使交通设施得以充分利用并能够提高交通效率和安全，最终使交通运输服务和管理智能化，实现交通运输的集约式发展。
交通诱导信息系统是智能交通管理系统功能体现的关键之一。交通诱导信息系统是智能交通管理系统中各个子系统相互协调作用，对交通信息进行采集、处理和分析，并向交通管理者和出行者提供所需的有效信息。信息采集、信息处理机诱导信息的生成和诱导信息的发布，构成智能化城市交通诱导信息系统。
2 动态网络交通理论存在的问题
动态网络交通理论存在的问题：（1）动态交通需求参数、路阻函数和路段流入流出率函数及其参数必须预先给定，不能与实时交通检测信息接口，不具备实时在线条件；（2）假设动态出行路径只依赖于当前交通状况信息，不具备真正的预测功能，给出的动态出行路径与用户实际经历的路径相去甚远，不能支持交通诱导和疏导。（3）由于离线的固有缺陷，不能与交通紧急事件信息系统接口，缺乏环境适应性和对交通拥堵预警支持。（4）假定网络通行能力为静态，用若千个孤立的路阻函数间接反映拥挤。实际上，实时网络通行能力随着交通状态（流量、密度等）的波动而发生改变，即网络使用过程中的通行能力是动态的，交通流状态是动态交通需求与动态通行能力相互作用的结果。
3 智能交通诱导系统中动态交通信息预测方法
3.1 时间序列模型
时间序列分析主要指采用参数模型对观测到的有序随机数据进行分析和处理的一种数据处理方法。其预测原理是将预测对象随时间变化形成的数据序列看成一个随机时间序列，该序列的未来发展变化与对象历史变化存在依赖性和延续性，包括自回归模型、滑动平均模型、自回归综合滑动平均模型等。其中单变量ARIMA是典型的时间序列方法，适用于短时交通信息预测，它实际上是用二项式差分消除了非平稳时序中的多项式趋向，从系统角度分析，就是分离出了系统中相同的一阶环节，从而可以按照平稳时序建模，ARIMA适用于稳定的交通流。
3.2 神经网络模型
神经网络是一种并行的、分布式的智能信息处理方法，具有非线性映射和联想记忆功能，非常适合解决强非线性、时变系统的预测问题。目前，在交通信息预测方向的神经网络预测研究主要分为三个层次：
1）将某一类神经网络方法直接用于短时交通信息预测的方法有：例如BP神经网络、RBF神经网络、时滞神经网络等；
2）将两种或多种神经网络相结合的混合预测模型：例如神经网络集成方法；
3）将神经网络与其他方法结合，进行综合预测的方法：例如模糊神经网络、粗神经网络、以及小波神经网络等。粗神经网络建立在粗神经元基础上，基于粗糙集理论和近似概念建立的粗神经元可以看作由两个存在重叠的常规神经元组成。粗神经网络中的常规神经元对应于确定性变量，如交通流量密度、速度以及行程时间，粗神经元用于描述不确定性变量或变量波动情况，如偶发事故、天气原因引起的交通流参数波动。小波神经网络是在小波分析基础上提出的前馈网络，与传统神经网络的区别是隐含层节点激励函数不是Sigmoid函数而是小波函数。
3.3 非参数回归
非参数回归是利用模式匹配算法，找到一组与输入数据相对应的数据或相似的数据来预测，对应关系不需要精确的函数表达式，而是一个近似的关系。在每次模式匹配算法中，随着输入数据模式变化，这个近似的关系也会有变化，从而达到动态预测的目的。非参数回归方法本质上是一种数据驱动的智能方法，认为系统所有因素之间的内在联系都蕴含在历史数据中，从大量的历史数据样本中找到所需的匹配数据，依赖匹配数据预测。
非参数回归方法的优点是：1）不需要先验和大量的参数识别，不必确定任何模型参数，只需要足够的历史数据，寻找历史数据中与当前点相似的近邻，并用这些近邻预测下一时段的流量；2）应对突发事件能力强，预测准确性和误差分布较好算法原理清晰，鲁棒性好，尤其适用于交通状态不稳定时的系统预测。非参数回归方法的缺点是：存储的历史数据较多时查找近似点的效率就会降低，影响预测速度，另外交通环境变化时导致状态和流量的对应关系发生变化，需要更新数据库信息。
3.4 混沌预测
交通系统是一个复杂的大系统，它表现出来的非线性动力学性质之一就是混沌现象。实际上，在一个较短的时间段内（例如10分钟），每条道路的车流量、路口总体流量和交通控制网络流量的变化具有丰富的内部层次有序结构，有很强的规律可寻，是一种介于随机和确定性之间的现象，即混沌。具体来说，车辆间的非线性跟驰和交通系统的状态参数的变化都存在混沌现象。
基于混沌理论的进行交通信息短时预测主要以混沌理论、分形理论、耗散理论、协同理论、自组织理论等为基础，利用混沌理论中的相空间重构、奇怪吸引子、分形方法等建立预测模型。研究可分为两个方面：基于交通流理论模型的混沌研究和基于实测交通流数据的混沌研究。混沌时间序列预测方法有：全域预测、局域预测、加权零阶局域预测、加权一阶局域预测、基于最大Lyapunov指数的预测、自适应预测等方法。
4 动态网络交通理论研究的发展趋势
（1）关于动态网络交通配流问题，近年来的研究在理论上的成果虽然很显著，但与之相关的理论问题以及实际应用时面临的难题还很多，有必要进一步开展深入的研究。另外，为将动态交通配流用于实际交通网络，开发更为有效的计算方法及应用软件也很重要。
（2）对预测型用户最优模型的研究，预测型模型与实际情况更为接近，而目前还没有足够准确的表达式来表述其定义的最优条件。
（3）利用动态网络交通配流模型确定道路通行费，使城市路网达到系统最优，缓解交通拥堵状况，道路通行费的确定可以通过动态系统最优模型与动态用户最优模型联合起来确定。这种动态的道路通行费与传统的静态通行费由很大的差别，它是根据路网交通分布形态确定的。
（4）研究如何将交通控制、路径诱导等系统的影响集成至动态网络交通配流中去。由于实时自适应交通控制系统和路径诱导系统的迅猛发展，将会影响出行者的路径选择行为，甚至于影响交通流的分布形态。因此这些影响应该反映到动态网络配流中去。从另一个角度讲，动态网络交通配流应该成为交通控制系统以及路径诱导系统的技术基础。
参考文献
[1]王嘉宁.基于动态路径规划的城市医疗废弃物回收研究[D].大连海事大学，2015.
[2]管德永.先进的城市交通信号控制理论模型和实施技术研究[D].吉林大学，2003.
（作者单位：上海电科智能系统股份有限公司）
关键词：ITS；时空交通网络；智能交通诱导系统；动态交通状态信息
引言
智能交通（ITS）是将人工智能技术、自动控制技术、计算机技术、先进的信息通信技术及传感器技术等有效的集成，并应用于整个地面交通管理系统而建立的一种大范围、全方位发挥作用的综合交通运输管理系统，包括先进交通管理系统（ATMS）、先进的驾驶员信息系统（ATIS）、先进公共运输系统（APTS）、出行指导系统等。
1 智能交通大诱导信息系统概述
智能交通系统是将先进的信息技术、数据通讯传输技术、电子控制技术及计算机处理技术等综合运用于整个交通运输管理体系。通过对交通信息的实时采集、传输和处理，借助各种科技手段和设备，从而使交通设施得以充分利用并能够提高交通效率和安全，最终使交通运输服务和管理智能化，实现交通运输的集约式发展。
交通诱导信息系统是智能交通管理系统功能体现的关键之一。交通诱导信息系统是智能交通管理系统中各个子系统相互协调作用，对交通信息进行采集、处理和分析，并向交通管理者和出行者提供所需的有效信息。信息采集、信息处理机诱导信息的生成和诱导信息的发布，构成智能化城市交通诱导信息系统。
2 动态网络交通理论存在的问题
动态网络交通理论存在的问题：（1）动态交通需求参数、路阻函数和路段流入流出率函数及其参数必须预先给定，不能与实时交通检测信息接口，不具备实时在线条件；（2）假设动态出行路径只依赖于当前交通状况信息，不具备真正的预测功能，给出的动态出行路径与用户实际经历的路径相去甚远，不能支持交通诱导和疏导。（3）由于离线的固有缺陷，不能与交通紧急事件信息系统接口，缺乏环境适应性和对交通拥堵预警支持。（4）假定网络通行能力为静态，用若千个孤立的路阻函数间接反映拥挤。实际上，实时网络通行能力随着交通状态（流量、密度等）的波动而发生改变，即网络使用过程中的通行能力是动态的，交通流状态是动态交通需求与动态通行能力相互作用的结果。
3 智能交通诱导系统中动态交通信息预测方法
3.1 时间序列模型
时间序列分析主要指采用参数模型对观测到的有序随机数据进行分析和处理的一种数据处理方法。其预测原理是将预测对象随时间变化形成的数据序列看成一个随机时间序列，该序列的未来发展变化与对象历史变化存在依赖性和延续性，包括自回归模型、滑动平均模型、自回归综合滑动平均模型等。其中单变量ARIMA是典型的时间序列方法，适用于短时交通信息预测，它实际上是用二项式差分消除了非平稳时序中的多项式趋向，从系统角度分析，就是分离出了系统中相同的一阶环节，从而可以按照平稳时序建模，ARIMA适用于稳定的交通流。
3.2 神经网络模型
神经网络是一种并行的、分布式的智能信息处理方法，具有非线性映射和联想记忆功能，非常适合解决强非线性、时变系统的预测问题。目前，在交通信息预测方向的神经网络预测研究主要分为三个层次：
1）将某一类神经网络方法直接用于短时交通信息预测的方法有：例如BP神经网络、RBF神经网络、时滞神经网络等；
2）将两种或多种神经网络相结合的混合预测模型：例如神经网络集成方法；
3）将神经网络与其他方法结合，进行综合预测的方法：例如模糊神经网络、粗神经网络、以及小波神经网络等。粗神经网络建立在粗神经元基础上，基于粗糙集理论和近似概念建立的粗神经元可以看作由两个存在重叠的常规神经元组成。粗神经网络中的常规神经元对应于确定性变量，如交通流量密度、速度以及行程时间，粗神经元用于描述不确定性变量或变量波动情况，如偶发事故、天气原因引起的交通流参数波动。小波神经网络是在小波分析基础上提出的前馈网络，与传统神经网络的区别是隐含层节点激励函数不是Sigmoid函数而是小波函数。
3.3 非参数回归
非参数回归是利用模式匹配算法，找到一组与输入数据相对应的数据或相似的数据来预测，对应关系不需要精确的函数表达式，而是一个近似的关系。在每次模式匹配算法中，随着输入数据模式变化，这个近似的关系也会有变化，从而达到动态预测的目的。非参数回归方法本质上是一种数据驱动的智能方法，认为系统所有因素之间的内在联系都蕴含在历史数据中，从大量的历史数据样本中找到所需的匹配数据，依赖匹配数据预测。
非参数回归方法的优点是：1）不需要先验和大量的参数识别，不必确定任何模型参数，只需要足够的历史数据，寻找历史数据中与当前点相似的近邻，并用这些近邻预测下一时段的流量；2）应对突发事件能力强，预测准确性和误差分布较好算法原理清晰，鲁棒性好，尤其适用于交通状态不稳定时的系统预测。非参数回归方法的缺点是：存储的历史数据较多时查找近似点的效率就会降低，影响预测速度，另外交通环境变化时导致状态和流量的对应关系发生变化，需要更新数据库信息。
3.4 混沌预测
交通系统是一个复杂的大系统，它表现出来的非线性动力学性质之一就是混沌现象。实际上，在一个较短的时间段内（例如10分钟），每条道路的车流量、路口总体流量和交通控制网络流量的变化具有丰富的内部层次有序结构，有很强的规律可寻，是一种介于随机和确定性之间的现象，即混沌。具体来说，车辆间的非线性跟驰和交通系统的状态参数的变化都存在混沌现象。
基于混沌理论的进行交通信息短时预测主要以混沌理论、分形理论、耗散理论、协同理论、自组织理论等为基础，利用混沌理论中的相空间重构、奇怪吸引子、分形方法等建立预测模型。研究可分为两个方面：基于交通流理论模型的混沌研究和基于实测交通流数据的混沌研究。混沌时间序列预测方法有：全域预测、局域预测、加权零阶局域预测、加权一阶局域预测、基于最大Lyapunov指数的预测、自适应预测等方法。
4 动态网络交通理论研究的发展趋势
（1）关于动态网络交通配流问题，近年来的研究在理论上的成果虽然很显著，但与之相关的理论问题以及实际应用时面临的难题还很多，有必要进一步开展深入的研究。另外，为将动态交通配流用于实际交通网络，开发更为有效的计算方法及应用软件也很重要。
（2）对预测型用户最优模型的研究，预测型模型与实际情况更为接近，而目前还没有足够准确的表达式来表述其定义的最优条件。
（3）利用动态网络交通配流模型确定道路通行费，使城市路网达到系统最优，缓解交通拥堵状况，道路通行费的确定可以通过动态系统最优模型与动态用户最优模型联合起来确定。这种动态的道路通行费与传统的静态通行费由很大的差别，它是根据路网交通分布形态确定的。
（4）研究如何将交通控制、路径诱导等系统的影响集成至动态网络交通配流中去。由于实时自适应交通控制系统和路径诱导系统的迅猛发展，将会影响出行者的路径选择行为，甚至于影响交通流的分布形态。因此这些影响应该反映到动态网络配流中去。从另一个角度讲，动态网络交通配流应该成为交通控制系统以及路径诱导系统的技术基础。
参考文献
[1]王嘉宁.基于动态路径规划的城市医疗废弃物回收研究[D].大连海事大学，2015.
[2]管德永.先进的城市交通信号控制理论模型和实施技术研究[D].吉林大学，2003.
（作者单位：上海电科智能系统股份有限公司）