文獻(xiàn)檢索課程結(jié)課

本文格式為Word版，下載可任意編輯——文獻(xiàn)檢索課程結(jié)課

《文獻(xiàn)檢索和數(shù)據(jù)庫利用》結(jié)課論文

題目：短時行程時間預(yù)計(jì)綜述

姓名：學(xué)院：專業(yè)：學(xué)號：聯(lián)系方式：指導(dǎo)教師：

摘要

日益增多的機(jī)動車數(shù)和嚴(yán)峻的交通擁堵促使智能交通的發(fā)展，智能交通系統(tǒng)中的重要的一項(xiàng)基本功能是交通參數(shù)的預(yù)計(jì)，如行程時間的預(yù)計(jì)。行程時間預(yù)計(jì)的確鑿性直接關(guān)系到出行者的路徑選擇，進(jìn)而影響選擇路段的交通運(yùn)行狀況。行程時間的預(yù)計(jì)是實(shí)現(xiàn)先進(jìn)的交通管理系統(tǒng)（ATMS）、先進(jìn)的交通信息系統(tǒng)（ATIS）的前提，對智能交通（ITS）的發(fā)展起著重要的作用。本文主要工作是闡述和總結(jié)近幾十年來人們在行程時間預(yù)計(jì)方法上的研究結(jié)果，對研究結(jié)果進(jìn)行縱向時間順序和橫向研究方法的比較，在此基礎(chǔ)上總結(jié)研究趨勢，針對現(xiàn)有研究方法的不足和行程時間本身的多模式特性，提出自己有關(guān)行程時間預(yù)計(jì)方法的觀點(diǎn)，并提出基于動態(tài)張量填充的行程時間預(yù)計(jì)框架。

第一章前言

隨著經(jīng)濟(jì)的發(fā)展，人們生活水平的提高，機(jī)動車使用量也日益增加，這加

劇了交通擁堵，交通擁堵在導(dǎo)致出行者時間和金錢花費(fèi)增加的同時，還加劇了環(huán)境污染，影響了整個城市交通的正常運(yùn)行。擁堵收費(fèi)等政策性措施已經(jīng)不能從根源上解決交通擁堵問題。基于擁堵等交通問題重重出現(xiàn)，集先進(jìn)的信息技術(shù)、通訊技術(shù)、傳感技術(shù)、控制技術(shù)以及計(jì)算機(jī)技術(shù)為一體，旨在緩解交通阻塞、提高路網(wǎng)通過能力、減輕環(huán)境污染、減少交通事故、降低能源消耗的高效的智能運(yùn)輸系統(tǒng)得到大家的關(guān)注。行程時間預(yù)計(jì)是智能交通不可分割的部分，起著至關(guān)重要的作用。

行程時間預(yù)計(jì)的重要性在大量有關(guān)交通運(yùn)輸?shù)奈恼吕锒加斜惶峒?；隨著交

通發(fā)展中“以人為本〞的思想逐漸盛行，一套不僅可用于交通管理和控制優(yōu)化，還可為出行者提供確鑿交通信息的智能交通系統(tǒng)（ITS）亟需完善[1]，這直接引發(fā)了人們對交通短時行程時間預(yù)計(jì)的興趣。于此同時，計(jì)算機(jī)技術(shù)的進(jìn)步和交通硬件設(shè)施的完善為行程時間預(yù)計(jì)提供了客觀的技術(shù)條件。

正是由于智能交通的發(fā)展和交通設(shè)備技術(shù)條件的完善，越來越多的研究著眼于行程時間等交通參數(shù)數(shù)據(jù)的恢復(fù)和預(yù)計(jì)。顧名思義，行程時間預(yù)計(jì)是指利用現(xiàn)有的信息對未知時間、空間段的行駛時間進(jìn)行預(yù)計(jì)的過程。行程時間預(yù)計(jì)

1

包括高速馬路行程時間預(yù)計(jì)、城市道路網(wǎng)預(yù)計(jì)等；從預(yù)計(jì)所利用到的數(shù)據(jù)來看，可以分為長時（long-term）行程時間預(yù)計(jì)和短時（short-term）行程時間預(yù)計(jì)。由于行程時間是動態(tài)隨機(jī)變量，不僅與歷史行程時間存在一定的相關(guān)性，與現(xiàn)時的行程時間之間也有較強(qiáng)的關(guān)系；預(yù)計(jì)時間點(diǎn)與測量時間點(diǎn)間隔太大，意味著與預(yù)計(jì)多點(diǎn)時間與現(xiàn)時行程時間的相關(guān)性越弱；因此，在感興趣范圍內(nèi)，近期行程時間預(yù)計(jì)比遠(yuǎn)期行程時間預(yù)計(jì)更有意義，更具時效性。因此大多數(shù)行程時間預(yù)計(jì)集中在短時行程時間預(yù)計(jì)[2]。

人們嘗試?yán)脤⒉煌I(lǐng)域的預(yù)計(jì)或者數(shù)據(jù)特征提取方法應(yīng)用行程時間預(yù)計(jì)。最初人們考慮到行程時間是隨時間變化而變化的變量，利用統(tǒng)計(jì)學(xué)方法進(jìn)行預(yù)計(jì)；隨著研究的深入，基于時空狀態(tài)的神經(jīng)網(wǎng)絡(luò)模型開始應(yīng)用于行程時間預(yù)計(jì)；而后，基于時空的多變量行程時間預(yù)計(jì)方法也相繼誕生。盡管目前的行程時間預(yù)計(jì)方法和模型已經(jīng)被證明得到比較好的預(yù)計(jì)結(jié)果，但是，這些方法大多只考慮到單個影響變量，或者考慮到多變量，引入矩陣進(jìn)行預(yù)計(jì)；而行程時間不僅與時間空間有關(guān)，還由于人們“日出而作，日落而息〞的生活以及工作日的分布存在著很強(qiáng)的周期特性，有著天周期，周周期，路徑相關(guān)等特性；這些特性僅僅用線性或者非線性回歸都不能提取；本文將在對以前的方法做綜述總結(jié)的基礎(chǔ)上，對未來的行程時間預(yù)計(jì)方法提出建議。旨在提出更加確切的、穩(wěn)定的行程時間預(yù)計(jì)方法，為智能化交通管理和提供智能化的實(shí)時信息做準(zhǔn)備。

其次章行程時間預(yù)計(jì)方法概述

自十九世紀(jì)八十年代以來，行程時間預(yù)計(jì)就作為智能交通系統(tǒng)不可分割的部分，備受人們關(guān)注。追溯至今，短時行程時間預(yù)計(jì)已有35左右年的歷史。人們不斷嘗試將新的方法應(yīng)用于行程時間預(yù)計(jì)。

2.1時間軸縱向發(fā)展

首先從縱向發(fā)展角度來看，最初投入應(yīng)用的是經(jīng)典統(tǒng)計(jì)學(xué)方法，而后是數(shù)據(jù)驅(qū)動的交通流參數(shù)模型化方法，這兩種方法一般都是在假設(shè)交通條件比較穩(wěn)定的狀況下進(jìn)行預(yù)計(jì)，如回歸整數(shù)移動平均模型(ARIMA)[3]-[4]；接著，智能化計(jì)算方法和機(jī)器學(xué)習(xí)法被應(yīng)用，如神經(jīng)網(wǎng)絡(luò)模型[5]-[7]，支持向量回歸模型

2

[8]-[9]

（supportvectorregression，簡稱SVR）。Vlahogiannietal.(2023)[10]對2023

年以前的預(yù)計(jì)方法進(jìn)行了總結(jié)，Adeli(2023)[11]對神經(jīng)網(wǎng)絡(luò)預(yù)計(jì)進(jìn)行了總結(jié)?？v向比較可以得出，初步研究主要集中于高速馬路，應(yīng)用的是單一因變量統(tǒng)計(jì)模型，存在好多的不足。目前，人們正在積極努力地摸索新的方法應(yīng)用于行程時間預(yù)計(jì)中，EleniI.Vlahogianni（2023）[12]對近幾十年的行程時間預(yù)計(jì)做了全面的縱向比較，并列表分類陳述了主要的研究結(jié)果，表格就2023至2023年間的行程時間預(yù)計(jì)方法的應(yīng)用范圍、預(yù)計(jì)參數(shù)、數(shù)據(jù)獲取方式、變量數(shù)目、預(yù)計(jì)模型、優(yōu)化方法輸出數(shù)值內(nèi)容等做出明確的分類。綜述中提到，目前人們在行程時間預(yù)計(jì)上的主要研究趨勢集中為：（1）提供適應(yīng)性強(qiáng)的算法和預(yù)計(jì)方法，譬如對天氣等影響因素有適應(yīng)能力；（2）高速馬路、主干道和網(wǎng)狀馬路等多層次預(yù)計(jì)用新的方法和整合的混合數(shù)據(jù)進(jìn)行行程時間預(yù)計(jì)；（3）提高數(shù)據(jù)質(zhì)量；（4）將模型和數(shù)據(jù)驅(qū)動相結(jié)合；（5）用統(tǒng)計(jì)學(xué)知識建立協(xié)同關(guān)系，用以建立模型；（6）多種預(yù)計(jì)模型相結(jié)合，并與單一模型結(jié)果相比較；（7）加強(qiáng)模型的適應(yīng)能力；（8）實(shí)現(xiàn)完全智能化等。

由縱向比較的結(jié)果可以得出現(xiàn)階段人們集中研究的趨勢的變化。但是最本質(zhì)的思想一直沒變，就是提高數(shù)據(jù)的質(zhì)量、預(yù)計(jì)結(jié)果的精度和智能化程度。無論是傳統(tǒng)的統(tǒng)計(jì)學(xué)方法還是數(shù)據(jù)驅(qū)動模型等，都是以提供高精度和高穩(wěn)定性的預(yù)計(jì)結(jié)果為目的的。盡管如此，不同方法之間還是有差異的，考慮的因素越周全，預(yù)計(jì)的結(jié)果自然也會更接近真實(shí)值。因此，我們對行程時間預(yù)計(jì)方法做一個橫向發(fā)展概述。

2.2橫向預(yù)計(jì)方法比較

橫向比較主要從人們考慮因素的方面和多少以及所用方法上的差異，及收獲的效果展開。由于考慮的重點(diǎn)不同，幾乎每一篇文章中都提到不同的橫向方法都不一樣。如Ta-YinHuetc.(2023)[13]應(yīng)當(dāng)根據(jù)預(yù)計(jì)模型的不同將行程時間預(yù)計(jì)方法分為：（1）統(tǒng)計(jì)學(xué)方法；（2）交通流預(yù)計(jì)模型；（3）神經(jīng)網(wǎng)絡(luò)模型；（4）卡爾曼濾波模型；（5）基于交通仿真的預(yù)計(jì)模型五大類。也有人根據(jù)預(yù)計(jì)時引入?yún)?shù)的形式和數(shù)量不同，將行程時間預(yù)計(jì)分為：參數(shù)化回歸模型、非參數(shù)化回歸模型、仿真混合模型等。由于考慮到不同的方面，形形色色的分類相繼出現(xiàn)。實(shí)際上，以前的分類大多大同小異，大多是從預(yù)計(jì)模型上作比較。

3

但是，很少有人考慮到根據(jù)行程時間本身的特性以及預(yù)計(jì)數(shù)據(jù)的之間相關(guān)性分類的方法。下面我的橫向比較將從如何更多地獲取交通行程時間數(shù)據(jù)之間的相關(guān)性并結(jié)合行程時間本身的特性展開。

最初的行程時間預(yù)計(jì)中，人們僅僅考慮到行程時間隨時間變化而變化的規(guī)律，即單純的時間序列法（timeseries），這些方法有自回歸移動平均模型、卡爾曼濾波算法[14]和非參數(shù)回歸預(yù)計(jì)模型[15]等；以自回歸移動平均模型為例，該

方

法

先

用

歷

史

行

程

時

間

進(jìn)

行

自

回

歸

得

：

，其中，是模型的參

數(shù)，即自回歸系數(shù)；然后利用移動平均再求預(yù)計(jì)時間：

。其中，

即移動平均次數(shù)；合得：

是模型的參數(shù)，

是觀測時間的干擾，聽從高斯分布。然后將兩個模型結(jié)

,為自回歸移動平均整合模型。即為自回歸移

動平均整合模型?？梢钥闯?，該模型主要依據(jù)歷史行程時間序列來預(yù)計(jì)將來的行程時間，預(yù)計(jì)的結(jié)果是時間序列向量。AbbasKhosravi等人[16]提出，將GA（geneticalgorithm-based）方法用于提高行程時間預(yù)計(jì)的精度，此法通過統(tǒng)計(jì)學(xué)上的置信區(qū)間變化以及“優(yōu)勝劣汰〞的思想逐步找出最適合的預(yù)計(jì)模型；貝葉斯模型[17]在考慮到先驗(yàn)時間值對時間影響的同時，引進(jìn)后驗(yàn)時間值對行程時間預(yù)計(jì)影響，其動態(tài)線性模型為：狀態(tài)等式和觀測等式。狀態(tài)等式為

，觀測等式為

白噪聲，設(shè)計(jì)函數(shù)；

是變化誤差，是

，?(t)、?(t)都是

是

的

是測量誤差，均聽從正態(tài)分布。

的變化函數(shù)；動態(tài)線性模型在貝葉斯預(yù)計(jì)模型中通過初

始化數(shù)據(jù)、先驗(yàn)值估計(jì)、預(yù)計(jì)、后驗(yàn)值計(jì)算以及實(shí)時更新來獲取預(yù)計(jì)的時間。貝葉斯動態(tài)模型戰(zhàn)勝了只用歷史行程時間為依據(jù)的缺點(diǎn)，引入了先驗(yàn)時間值和觀測值，它是基于時間變動特性進(jìn)行預(yù)計(jì)方法中的一種。Ta-YinHu等人提出利用交通流理論及交通仿真進(jìn)行行程時間預(yù)計(jì)，實(shí)質(zhì)上也是基于交通流理論的統(tǒng)計(jì)學(xué)方法；于宏程[18]等人利用宏觀交通流模型進(jìn)行行程時間預(yù)計(jì)。XiaoyanZhang等人[19]提出時間序列變化法，利用線性回歸估算出真實(shí)的未來行程時間與利用交通流理論預(yù)計(jì)所得時間之間的線性關(guān)系。這些方法均是基于統(tǒng)計(jì)學(xué)的回歸或者比較篩選法，其預(yù)計(jì)結(jié)果均是時間向量。

與時間序列法類似，支持向量回歸（SVR）和神經(jīng)網(wǎng)絡(luò)（ANNS）預(yù)計(jì)也是

4

forecasting:Whereweareandwhereweregoing[J].TransportationResearchPartC:EmergingTechnologies,2023.

[13]HuTY,TongC,LiaoTY,etal.Simulation-assignment-basedtraveltimepredictionmodelfortrafficcorridors[J].IEEETransactionsonIntelligentTransportationSystems,2023,13(3):1277-1286.

[14]朱中,楊兆升.基于卡爾曼濾波理論的實(shí)時行程時間預(yù)計(jì)模型[J].系統(tǒng)工程理論與實(shí)踐,1999,19(9):74-78.

[15]LIZP,YUH,LIUYC,etal.Animprovedadaptiveexponentialsmoothingmodelforshort-termtraveltimeforecastingofurbanarterialstreet[J].Actaautomaticasinica,2023,34(11):1404-1409.

[16]KhosraviA,MazloumiE,NahavandiS,etal.Ageneticalgorithm-basedmethodforimprovingqualityoftraveltimepredictionintervals[J].TransportationResearchPartC:EmergingTechnologies,2023,19(6):1364-1376.

[17]FeiX,LuCC,LiuK.Abayesiandynamiclinearmodelapproachforreal-timeshort-termfreewaytraveltimeprediction[J].TransportationResearchPartC:EmergingTechnologies,2023,19(6):1306-1318.

[18]干宏程,汪晴,范炳全.基于宏觀交通流模型的行程時間預(yù)計(jì)[J].上海理工大學(xué)學(xué)報,2023,30(5):409-413.

[19]ZhangX,RiceJA.Short-termtraveltimeprediction[J].TransportationResearchPartC:EmergingTechnologies,2023,11(3):187-210.

[20]YuW,LiX.Fuzzyidentificationusingfuzzyneuralnetworkswithstablelearningalgorithms[J].FuzzySystems,IEEETransactions,2023,12(3):411-420.[21]VanLintJWC.Onlinelearningsolutionsforfreewaytraveltimeprediction[J].IntelligentTransportationSystems,IEEETransactions,2023,9(1):38-47.[22]GongX,WangF.Threeimprovementsonknn-nprfortrafficflowforecasting[A].In:TheIEEE5thInternationalConferenceonIntelligentTransportationSystems[C].2023,736-740.

[23]YildirimogluM,GeroliminisN.Experiencedtraveltimepredictionforcongestedfreeways[J].TransportationResearchPartB:Methodological,2023,53:

10

45-63.

[24]邵春福,張魁麟.基于實(shí)時數(shù)據(jù)的網(wǎng)狀城市快速路行駛時間預(yù)計(jì)方法研究[J].土木工程學(xué)報,2023,36(1):16-20.

[25]DuL,PeetaS,KimYH.Anadaptiveinformationfusionmodeltopredicttheshort-termlinktraveltimedistributionindynamictrafficnetworks[J].TransportationResearchPartB:Methodological,2023,46(1):235-252.

[26]IdéT,KatoS.Travel-TimePredictionUsingGaussianProcessRegression:ATrajectory-BasedApproach[C]//SDM.Philadelphia:SIAM,2023:1183-1194.[27]ChangJ,ChowdhuryNK,LeeH.Newtraveltimepredictionalgorithmsforintelligenttransportationsystems[J].Journalofintelligentandfuzzysystems,2023,21(1):5-7.

[28]WunderlichKE,KaufmanDE,SmithRL.Linktraveltimepredictionfordecentralizedrouteguidancearchitectures[J].IntelligentTransportationSystems,IEEETransactions,2000,1(1):4-14.

[29]KwonJ,CoifmanB,BickelP.Day-to-daytravel-timetrendsandtravel-timepredictionfromloop-detectordata[J].TransportationResearchRecord:JournaloftheTransportationResearchBoard,2000,1717(1):120-129.

[30]JiangX,AdeliH.WaveletPacket‐AutocorrelationFunctionMethodforTrafficFlowPatternAnalysis[J].Computer-AidedCivilandInfrastructureEngineering,2023,19(5):324-337.

[31]Guin,A.TravelTimePredictionUsingaSeasonalAutoregressiveIntegratedMovingAverageTimeSeriesMode[C]//ProceedingsoftheIEEEIntelligentTransportationSystemsConference,Toron