基于时间序列模型的城市交通拥堵情况预测方法.pdf

信息与电脑2023年第10 期Information&Computer计算机工程应用技术基于时间序列模型的城市交通拥堵情况预测方法任山山买欣蕾（黄河交通学院基础教学部，河南焦作摘要：城市交通拥堵情况预测序列多为单层级处理，导致预测结果误差较大，为此提出基于时间序列模型的城市交通拥堵情况预测方法。首先，进行预测指标选取及数据采集，采用多目标的方式扩大预测范围；其次，设计多目标预测序列，进行交通拥堵状态判别及无量纲化处理；最后，构建时间序列交通拥堵情况预测模型，并进行对比分析。测试结果表明，该预测方法的针对性较强，能够将预测绝对误差控制在1.5以下，具有实际应用价值。关键词：时间序列；序列模型；城市交通；拥堵情况；预测方法中图分类号：U491.14Prediction Method of Urban Traffic Congestion Based on the Time-series Model454950)文献标识码：A文章编号：10 0 3-97 6 7（2 0 2 3）10-0 0 1-0 3REN Shanshan,MAI Xinlei(Department of Basic Education,Huanghe Jiaotong University,Jiaozuo Henan 454950,China)Abstract:The prediction sequence of urban traffic congestion is mostly processed at a single level,resulting insignificant errors in the prediction results.Therefore,a time series model based method for predicting urban traffic congestionis proposed.Firstly,select prediction indicators and collect data,using a multi-objective approach to expand the predictionrange.Secondly,design a multi-objective prediction sequence for traffic congestion state discrimination and dimensionlessprocessing.Finally,construct a time series traffic congestion prediction model and conduct comparative analysis.The testresults show that the prediction method has strong pertinence and can control the absolute error of prediction below 1.5,whichhas practical application value.Keywords:time series;sequence model;urban transportation;congestion situation;prediction methods0引言随着生活水平的提高，机动车数量增长迅速，城市交通拥堵情况日益严重。传统城市交通拥堵情况预测方法多为单向预测形式，虽然能实现设定的预测任务及目标，但是预测范围受不同程度的限制，获得的结果存在较大的误差-1。针对此问题，提出基于时间序列模型的城市交通拥堵情况预测方法。时间序列模型指自回归移动平均模型，是目前较为平稳且精准度高的定向整合模型 4-6 。将该技术与城市交通拥堵情况预测工作进行融合、应用，能够加强对交通拥堵情况及信息的掌握，提高交通路网的实际利用率以及运行能力，为后续相关技术发展及完善奠定基础 7。收稿日期：2 0 2 3-0 3-18作者简介：任山山（1993一），女，河南平顶山人，硕士研究生，助教。研究方向：应用数学。1设计城市交通拥堵情况时间序列模型预测方法1.1预测指标选取及数据采集城市交通拥堵涉及很多因素，预测过程应遵循全面性原则、明确性原则、实用性原则。基础性预测指标及参数如表1所示。表1基础性预测指标及参数基础性预测指标定值预测标准预测耗时/s0.25单元预测值17.55交通量转换比2.10占有率/%40.33可预测程度单元范围之内可预测全覆盖式可预测可调整预测标准0.1616.351.6035.161信息与电脑计算机工程应用技术Information&Computer1.2设计多目标预测序列传统的预测模型多采用矩阵形式展开预测，虽能实现预期目标，但效率较低，而多目标的预测序列针对性较强，可计算每个指标，有利于提高实际预测效率。依据各路段情况，计算出权重值，表达式为H=m+1-nxZmw+nW=1式中：H为权重值；m为预测范围；n为定向预测基准值；w为预测频次；为拥堵路段；为定值差。进行序列拥堵路段的标定及划分，形成循环性预测标准。设置预测序列执行层级，分为道路畅通、中度拥堵、重度拥堵。构建预测框架，获取对应预测数据及信息，实现多目标预测序列的设计应用。1.3交通拥堵状态判别及无量纲化处理城市交通拥堵变动有明显的规律，根据实际情况判断交通拥堵状态，如表2 所示。表2 交通拥堵层级数值标准设定表加权拥堵空间交通拥堵层级延时指数占有率/%/（辆/km)道路畅通6.31中度拥堵8.11重度拥堵9.63根据表2，对获取结果进行无量纲化处理。采用无量纲化测算形式计算指标值，表达式为9+(1-),M=9xa-02式中：M为无量纲化指标值；9为正向处理范围；为交通流密度平均值；为重叠覆盖距离；为拓扑值。结合实际交通预测需求及标准的变化，设计完整的预测标准体系。1.4构建时间序列交通拥堵情况预测模型采集基础数据及信息导入初始模型中，形成细化控制结构，如图1所示。基础预测节点布设2023年第10 期城市交通主干道一一中度拥堵路段1(1)内环支线干道一中度拥堵图1城市交通路网细化处理结构图根据图1搭建预测框架，建立时间序列层级，划定6个时间预测阶段，通过时间特征进行交通拥堵变量的采集和分析。综合时间序列模型，设计多目标预测矩阵，测定此时的权重值，建立时间序列变动预测程序。利用模糊预交通流密度测框架计算交通流密度，表达式为30.212545.114049.3552（2）外环干道一一轻度拥堵K=Vi+-Vi+x332(1-x)+V2式中：K为交通流密度；VI和V2为初始预测序列范围和实测预测序列范围；为预测时段；入为预测次数；x为可感应时段偏差。将其设定为模型的交通流密度限值标准，根据该指标的变动情况分析某一时段的交通情况，完成时间序列交通拥堵情况预测模型的构建。1.5采用LSTM循环处理实现预测任务采用长短期记忆网络（Long Short Term Memory，LSTM）循环处理的方式，实现预测任务。LSTM循环结构如图2 所示。根据图2 设计LSTM循环结构，将获取的预测结果和初始的标准进行对比，确保预测结果的精准性与可靠性，最终实现预测处理。(3）初始预测数据及信息采集预测标准是额定设置时间序列同时标定路段确保预测结果LSTM循环修正精准通过预测模型测算出模糊结果图2 LSTM循环结构2信息与电脑2023年第10 期Information&Computer计算机工程应用技术2方法测试采用对比方式展开分析，选定G城市交通网作为测试的主要目标对象，将传统Softmax函数增强卷积神经网络交通情况预测组和传统拓扑时变交通情况预测组，与文章提出的时间序列模型城市交通拥堵情况预测组进行对比分析。2.1测试准备将测试道路时间段划分为6 个，提取每个时间段的交通拥堵特征，判断拥堵程度。借助MATLAB神经网络工具设计多方向的预测感应程序，测定各时间段的交通量，各路段的交通量如表3所示。2.2测试过程及结果分析利用节点采集实时的交通数据，分析此时的基本路况。设定6 个测试周期，每周期为1d，计算预测结果7.56.04.5的绝对误差，表达式为H=+8o-(1+ty)S0=1式中：H为预测结果的绝对误差；为交通量；为感应距离；o为预测频次；t为延误指数。测试结果如图3所示。表3各路段的交通量时间段交通量/辆08:0009:008509:0010:004510:0013:006513:0016:004016:0018:007518:0024:0050传统Softmax函数增强卷积神经网络交通情况预测组统传统拓扑时变交通情况预测组时间序列模型城市交通拥堵情况预测组(4)平均速度/（km/h）16.318.215.714.515.613.83.0可控预测标1.5准1.5以下0 08:0009:009:0010:00 10:0013:00 13:0016:00 16:0018:00 18:0024:00预测时段图3测试结果从图3可以看出，时间序列模型城市交通拥堵情况预测组的预测绝对误差始终控制在1.5以下，说明该预测方法的针对性较强，具有较高的应用价值。3结语针对传统城市交通拥堵情况预测方法误差较大的问题，提出基于时间序列模型的城市交通拥堵情况预测方法。该方法利用模糊预测框架计算交通流密度，能够更快速标定出交通拥堵的具体位置，为后续相关预测技术的发展及创新提供借鉴。参考文献1陈悦，杨柳，李帅，等.基于Softmax函数增强卷积神经网络一双向长短期记忆网络框架的交通拥堵预测算法 J.科学技术与工程,2 0 2 2,2 2(2 9):12 917-12 92 6.2梁军，彭嘉恒.考虑路网拓扑时变的交通拥堵自适应预测方法研究 J.中国公路学报,2 0 2 2,35(9):157-17 0.3张明，李永义，谢晶晶.EA-GRU模型在城市交通行程时间预测中的应用 J.南京工业大学学报（自然科学版),2 0 2 2,44(4):412-418.4徐韬，祝烨，谢晓忠，等.基于全过程的偶发性拥堵消散时间预测模型 J.工业工程,2 0 2 2,2 5(3):157-16 3.5黄承锋，陈一铭，李元龙.基于改进GA算法的高速公路交通拥堵状况预测 .吉林大学学报（信息科学版),2 0 2 2,40(2):198-2 0 5.6赵晓华，元航，姚莹，等.基于可解释机器学习框架的快速路立交出口风险预测及致因解析 .东南大学学报（自然科学版),2 0 2 2,52(1):152-16 1.7崔鹏雨，刘锐，王方超.一种应用协同导航技术的交通拥堵度计算与危险预测方法 J.测绘科学技术学报,2 0 2 1,38(5):441-447.3一