大數(shù)據(jù)下城市交通狀態(tài)分析與預(yù)測研究綜述

大數(shù)據(jù)下城市交通狀態(tài)分析與預(yù)測研究綜述摘要：隨著我國汽車保有量不斷增加，城市道路擁堵、交通管理問題日益凸顯?；诖髷?shù)據(jù)對城市交通的預(yù)測，能夠幫助交通管理部門更好的進(jìn)行交通管理決策的制定。本文總結(jié)了國內(nèi)外交通大數(shù)據(jù)城市交通狀態(tài)分析與預(yù)測研究現(xiàn)狀，探究大數(shù)據(jù)背景下城市交通狀態(tài)分析與預(yù)測方法的發(fā)展，得出結(jié)論可結(jié)合大數(shù)據(jù)進(jìn)行交通狀態(tài)分析，以提高短時交通流預(yù)測精度的。關(guān)鍵詞：城市交通；交通大數(shù)據(jù)；交通狀態(tài)分析；交通量預(yù)測前言近幾年，得益于物聯(lián)網(wǎng)、云計算、無人駕駛以及5G技術(shù)的發(fā)展，各種數(shù)據(jù)、信息不斷被利用和發(fā)掘，大數(shù)據(jù)時代已經(jīng)到來理。在交通領(lǐng)域，現(xiàn)有的大數(shù)據(jù)在交通領(lǐng)域已經(jīng)得到廣泛應(yīng)用，包括公交、地鐵系統(tǒng)刷卡數(shù)據(jù)、手機信令數(shù)據(jù)、車輛GPS數(shù)據(jù)、道路監(jiān)控設(shè)備采集得到的數(shù)據(jù)等，宏觀上，這些數(shù)據(jù)被用于城市治理、城市規(guī)劃等諸多方面，微觀上，交通大數(shù)據(jù)也為交叉口信號配時、相位設(shè)計、交通管制等提供理論支持。交通大數(shù)據(jù)發(fā)展隨著移動互聯(lián)網(wǎng)、大數(shù)據(jù)等新興的技術(shù)不斷推薦研究，深入發(fā)展、智能交通的提出，促使交通大數(shù)據(jù)成為了研究焦點。對上海市的第五次出行調(diào)查，研究內(nèi)容的交通大數(shù)據(jù)包括道路定點傳感器、公交車GPS、公交IC卡等。以大連市公交車統(tǒng)計數(shù)據(jù)為例，4000余輛公交車10秒間隔的定位數(shù)據(jù)為20G/天，公交IC卡數(shù)據(jù)為9G/天[1、2]。在國內(nèi)，徐紅海[3]等人將交通大數(shù)據(jù)與智慧高速結(jié)合，提出了基于交通大數(shù)據(jù)的智慧交通新方案。該方案將現(xiàn)有的各種傳感器數(shù)據(jù)以及實時交通數(shù)據(jù)進(jìn)行接入和深度挖掘,能提供更準(zhǔn)確的實時測量、趨勢預(yù)測和歷史先驗數(shù)據(jù)，根據(jù)實時交通數(shù)據(jù)進(jìn)行動態(tài)化、實時化的出行路徑規(guī)劃服務(wù)。楊厚新[4]等人提出了一種基于交通大數(shù)據(jù)的存儲式應(yīng)用平臺，針對交通數(shù)據(jù)存儲、挖掘等進(jìn)行優(yōu)化。劉佳[5]等人基于移動通信信令的大數(shù)據(jù)，提出了一種基于通信大數(shù)據(jù)刻畫交通出行人群動向的解決方案，以及該方案在公共交通行業(yè)的應(yīng)用。交通狀態(tài)分析在交通狀態(tài)分析方面，姜桂艷[6]等采用大數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)算法，以交通流量、車輛運行速度、道路占有率、車頭時距等作為自變量對模型進(jìn)行訓(xùn)練，提出了一種針對高速公路的交通狀態(tài)分析算法。Smith等采用季節(jié)性ARIMA模型，基于高速公路的交通數(shù)據(jù)，對比近鄰模型，發(fā)現(xiàn)ARIMA模型雖然復(fù)雜，但是優(yōu)于近鄰模型。Bing等在基于交通流的混沌特性上，提出一種基于組合函數(shù)和相關(guān)向量機結(jié)合的交通流預(yù)測模型。Yuan和Mills定義了局部交通狀態(tài)對于整個交通網(wǎng)絡(luò)的影響所具有的權(quán)重，進(jìn)而提出了一種針對大規(guī)模路網(wǎng)的交通流時空模型。孫維亞[7]和Zhang對交通流模式的分布進(jìn)行詳細(xì)分析，針對不同時段、不同位置的交通流波動，提出一個模型進(jìn)行分析。同時，城市交通管理部門、企業(yè)也通過大數(shù)據(jù)來保證道路交通通暢、減少事故發(fā)生，這都是基于交通狀態(tài)分析而衍生出的方案[8、9]。4．交通流預(yù)測近年來，隨著計算機軟件技術(shù)的不斷創(chuàng)新與提高，計算機算法的不斷創(chuàng)新，機器學(xué)習(xí)，深度學(xué)習(xí)方法已經(jīng)在交通運輸領(lǐng)域廣泛運用。4.1國外研究B.Dhivyabharath將自回歸模型應(yīng)用于交通流預(yù)測領(lǐng)域。Williams使用季節(jié)性自回歸積分滑動平均模型來預(yù)測道路短時交通流，實驗證明該模型預(yù)測效果優(yōu)于神經(jīng)網(wǎng)絡(luò)，缺點是在分析數(shù)據(jù)特征時忽略了數(shù)據(jù)的時效性，所以隨著預(yù)測時間的變長，模型的準(zhǔn)確率會急劇下降。Yang提出了一種基于多步預(yù)測的混合深度學(xué)習(xí)和經(jīng)驗?zāi)Ｊ椒纸獾臅r間序列模型，可以及時有效地預(yù)測未來交通流的狀態(tài)。GaetanoFusco使用貝葉斯網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)的組合模型，反映了交通變量之間的時間和空間相關(guān)性。MarcoLippi等設(shè)計了諸多短期交通流組合預(yù)測模型。XieJ和ChoiYK使用人工神經(jīng)網(wǎng)絡(luò)對路段歷史數(shù)據(jù)和實時數(shù)據(jù)建模預(yù)測，優(yōu)點是充分反映了數(shù)據(jù)的周期性和時效性，缺點是為了保持學(xué)習(xí)的效果和預(yù)測精度，必須有大量的數(shù)據(jù)做支撐，而數(shù)據(jù)量越大運算量也越大，訓(xùn)練模型耗時越長。Moreno等人采用FCM算法對瞬時速度數(shù)據(jù)進(jìn)行聚類劃分等級，能夠獲得隸屬度矩陣和聚類中心，從而獲得路段平均速度。從而實現(xiàn)對路段路況預(yù)測，但是該研究由于沒有考慮到其它公共交通如公交車，BRT等線路車輛在非正常行駛狀態(tài)下瞬時速度的變化對模型聚類效果的影響，這嚴(yán)重影響了預(yù)測精度。4.2國內(nèi)研究齊璐[10]改進(jìn)了梯度下降法，結(jié)合灰狼算法對小波神經(jīng)網(wǎng)絡(luò)的小波因子進(jìn)行優(yōu)化，改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的小波因子，進(jìn)行短時交通流的預(yù)測，實驗結(jié)果表明在穩(wěn)定性和精度方面此模型具有良好效果。黃恩潭[11]利用人工蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行短時交通流預(yù)測，通過差分進(jìn)化算法和遺傳算法對人工蜂群算法進(jìn)行優(yōu)化，加快人工蜂群在算法后期的收斂速度，增強局部搜索能力。寇飛[12]改進(jìn)了人工魚群的行為，在循環(huán)神經(jīng)網(wǎng)絡(luò)中考慮時間序列的自相關(guān)性利用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，發(fā)揮了人工魚算法的尋優(yōu)特性和神經(jīng)網(wǎng)絡(luò)的誤差反傳的優(yōu)越性。石睿[13]用BP神經(jīng)網(wǎng)絡(luò)改進(jìn)粒子濾波算法的狀態(tài)轉(zhuǎn)移方程，使預(yù)測算法在一定程度上降低了過擬合的風(fēng)險。5.結(jié)論文章歸納和總結(jié)了基于交通大數(shù)據(jù)的交通狀態(tài)分析和基于大數(shù)據(jù)的短時交通流預(yù)測的國內(nèi)外發(fā)展現(xiàn)狀，發(fā)現(xiàn)現(xiàn)有的BP神經(jīng)網(wǎng)絡(luò)算法在短時交通流的預(yù)測領(lǐng)域預(yù)測精度較低，基于大數(shù)據(jù)挖掘技術(shù)的短時交通流預(yù)測更加準(zhǔn)確，可基于大數(shù)據(jù)對交通流的時間特性、周期特性、空間特性以及交通流的組成進(jìn)行分析，對交通流的狀態(tài)相關(guān)因素進(jìn)行相關(guān)性分析，研究交通道路節(jié)點間交通流時間序列的相關(guān)性，包括時間序列上的日相關(guān)性、周相關(guān)性和空間范圍內(nèi)的互相關(guān)性與相似性，提高預(yù)測精度。參考文獻(xiàn)：[1]孫章,顧保南．交通大數(shù)據(jù)來自何方,如何利用[J]．城市軌道交通研究,2014,17(11):4-14.[2]李欣,羅慶,孟德友．基于時空權(quán)重相關(guān)性的交通流大數(shù)據(jù)預(yù)測方法[J]．北京大學(xué)學(xué)報(自然科學(xué)版),2017,53(04):775-782.[3]徐紅海智慧高速交通大數(shù)據(jù)探討[J].技術(shù),(2017).[4]楊厚新.湖北交通運輸大數(shù)據(jù)存儲應(yīng)用平臺設(shè)計與實[J].測繪與空間地理信息,(2021)[5]劉佳.通信大數(shù)據(jù)在公共交通行業(yè)的應(yīng)用.[J].信息技術(shù)與信息化.(2021)[6]姜桂艷，溫慧敏，楊兆升．高速公路交通事件自動檢測系統(tǒng)與算法設(shè)計[J].交通運輸工程學(xué)報,2001,1(1):77-81.[7]孫維亞，周凌焱，宋志豪．基于GIS的城市交通流時空特征分析[J].地理空間信息.2014,12(02):76-78.[8]李清泉，楊必勝，鄭年波.時空一體化GIS-T數(shù)據(jù)模型與應(yīng)用方法[J].武漢大學(xué)學(xué)報(信息科學(xué)版).2007(11):1034-1041.[9]陳晉，史培軍，李京.時空一體化數(shù)據(jù)的TGIS設(shè)計的初步探討[J].環(huán)境遙感.1995(02):143-151.[10]齊璐.基于改進(jìn)灰狼算法的小波神經(jīng)網(wǎng)絡(luò)短時交通流預(yù)測[D].成都:西南交通大學(xué),2017