城市道路交通流预测与交通状态识别方法研究

刘少华

摘   要：打造智能交通系统是信息时代背景下我国交通事业发展的重点目标，而城市道路交通流预测与交通状态识别是实时了解城市道路交通状况的基础，对于实现智能化交通出行有着重要意义。为此，文章以克拉玛依地区为例，针对当前技术条件下的城市道路交通流预测方法以及交通状态识别方法展开具体论述，以便为各地区分析与探索交通流预测方法以及交通状态识别方法提供参考与借鉴。

关键词：城市道路;交通流;预测;交通状态;识别

随着社会发展水平的提升，城市汽车保有量不断增加，公共交通、私家车、轨道交通的出行方式体系十分发达，但车辆出行总量的增加导致交通事故发生概率大大提升，目前已成为影响城市运行效率的重要因素之一，而且还会对民众的生命财产安全构成威胁。因此，在智能交通理念下，针对城市汽车保有量持续上升的发展趋势，提出了利用交通流的实时预测以及交通状态的实时识别，实时跟踪城市道路交通情况，展开评估与预警，对于缓解城市交通拥堵、道路安全、环境污染等问题有着重要的意义。

1    城市道路交通流预测方法分析

交通流是指在城市道路上因机动车行驶而汇聚的车流，长期预测交通流可以了解一个城市的交通出行规律、车辆分布情况，能够为城市施工、城市规划等工作的开展提供可靠的依据。目前，克拉玛依在城市道路交通流预测上主要采取短时交通流预测方法，是一种可以全面实时评估道路交通情况、预警道路拥堵情况、为城市车辆行驶规划路径的方法。其通过汇总历史交通流数据信息，对交通流的未来展开预测，之所以被称为短时交通流预测方法，主要是因其预测周期时间短，仅为15 min，可以及时更新预测情况，保障预测的现势性。短时交通流预测方法有两项内容。

1.1  以BP神经网络为核心的短时交通流预测方法

BP神经网络是现阶段智能发展领域中应用最为广泛的一种神经网络模型，通过对人脑神经元的抽象化构建神经单元数学模型，并根据逻辑展开连接、构成网络，再通过BP算法实现网络训练。以BP神经网络为核心的短时交通流预测方法具有随机性、动态性、时变性的特点与优势。

在实际应用过程中，BP神经网络具有极精准的预测度、良好的逻辑分析能力以及适应能力，其应用有以下步骤：第一步为训练数据预处理;第二步为使用已经完成建构的网络拓扑模型对训练样本以及网络的权值、参数进行更新与优化;第三步为使用已完成训练的模型展开预测。在预处理环节，需要对数据内容进行甄别与处理，避免失真数据对最终训练模型的干扰，常常通过统一数值取值空间、不全空值等方式进行处理，预处理后的训练数据不能直接作为训练样本，还需要通过神经网络拓扑结构进行数据交换，对其结构进行改造[1]。以BP神经网络为核心的短时交通流预测方法应用基本流程如图1所示。

1.2  以小波神经网络为核心的短时交通流预测方法

BP神经网络应用广泛，目前在人工智能、图像处理等领域的应用都相对成熟，人们也开始从简单应用向更深层次展开探究，导致BP神经网络的局部极小点、收敛速度慢等缺陷被暴露出来，针对BP神经网络存在的不足，展开深入探究，提出了小波神经网络。该神经网络以小波理论为基础，对现有的神经网络进行优化与改进，其在人工神经网络中的应用，具备利用单个神经元有限非线性处理激活函数的功能，有序组织众多有限处理单元形成网络，更适合应用到复杂问题的处理中[2]。从本质上来讲，小波神经网络可以根据要求构建具有针对性的数学模型，但构建过程中构建模式则要以小波神经网络模式为主，要求有输入/出以及隐含逻辑处理层，与BP神经网络相比小波基函数作为激活函数成为可能。

在实际应用过程中，可以根据短时交流数据的周期性以及随机性特征数据对小波网络拓扑结构设计提出要求，小波神经网络在选用激活函数时会自动选择具有高分辨率的Motlet小波基函数。应用的具体流程为：第一步对数据展开统一化处理，转换样本格式;第二步根据训练需求设定网络参数，如网络各层级神经元的权重、小波基函数伸缩改变量等;第三步对数据集进行分类，利用现有输入样本集合划分成期望输出模式以及训练模式两个向量集合;第四步在网络中输入训练样本，获得对应的输出值，并对比预测与期望输出两者差值，精准计算预测误差;第五步动态调节网络内部参数因子;第六步对网络训练结束标识进行判断，如果出现训练次数达到上限以及误差小于阈值的情况，可以展开下一步的操作，如果为其他标识则需要继续重复第四步骤;第七步为预测已经完成训练的小波网络，反归一化预测结果，获得最终预测结果。

2    城市道路交通状态识别方法分析

关于交通状态的内涵，在学术界并无准确定义，但从现有研究成果得出，交通状态是指利用交通流定量分析识别交通运行的一种客观状态，其识别的基础为采用广泛接受的参数。从狭义角度来理解，交通状态是形容机动车驾驶员与乘客内心状态的一种说法，但从广义角度上来看，交通状态并非某种客观状态，具有极强的主观性。目前，克拉玛依城市道路交通状态识别的研究中主要以模糊聚类算法为主。

聚类分析是通过分析数据之间的内在联系，将具有极高相似性的数据化归到相同簇中，再以簇为单位分析彼此之间的差异，模糊聚类算法是聚类分析的一种方法，能够实现数据的模糊处理，更适用于图像处理，能够基于初始图像展开深入分析。但是这种算法忽视了图像上下文中的空间信息，导致分析过程极易受到噪声的影响。而在模糊聚类算法中有一种方法被称为模糊C均值聚类算法，是在原有硬C均值聚类方法上改进获得的，是一種柔性的模糊划分方法，引入了模糊集合概念[3]，通过模糊隶属度矩阵的方式对分析对象展开描述、捋顺关系，更适用于现实世界。

在智能交通系统中要求实时识别交通状态，因此，需要运用先验知识状态分类节约识别方法运算时间，以便快速获得最终结果。基于此，模糊聚类算法应用的基本流程为：第一步选择合适、合理，能够对交通运行展开客观描述的参数，需要保障参数并未遭受过污染，最好从历史交通运行数据中提取。交通运行的最小周期通常以24 h为准，那么选择参数过程中时间跨度应以小于最小交通运行周期为准。第二步为基于模糊聚类算法展开数据分类，分类后可以获得聚类中心，其用每簇数据情况反馈交通运行状态，从而获得了以聚类中心为核心与代表的状态识别先验知识;第三步为实施采集交通数据，形成数据元组，通过隶属度函数计算出不同聚类中心的隶属度，计算不同交通状态的隶属度，其最大状态能反映出当前的实时交通状态情况。第四步为结果展示。

克拉玛依将模糊聚类技术作为挖掘数据的主要手段，并给予模式识别思想展开交通状态隶属度计算。计算过程如下：第一步假设先验知识聚类中心，如F=（F1，F2，...，FC），假定聚类中心内的参数个数为n，μ=（X1，X2，...，Xn），以欧式距离作为数据距离，设定在模糊聚类算法中有m=2参数，如果任意样本为x，可以获得隶属度计算式为：μ（x）=1/{（||Xk-Fik||2/||Xk-Fjk||2）}，1≤i≤c;通过隶属度的计算，最大隶属度表示交通状态，可以获得聚类中心表达式：u（x）=max（μi（x）），1≤i≤c。其中X表示聚类目、c表示聚类目对象类别、μi代表i聚类簇、m代表模糊指数。基于此，完成了x样本所述聚类簇的劃分以及隶属度分析，可以反馈出当前的交通状态。

3    结语

综上所述，城市道路交通运行十分复杂，想要条理清晰地反馈出运行状态以及交通流信息，有一定难度。但我国也在不断展开探索，目前在城市道路交通流预测以及交通状态识别上已取得了突出的成绩，BP神经网络、小波神经网络、模糊聚类算法都被运用于实践，文章以克拉玛依为例，对BP神经网络以及小波神经网络在交通流预测上的应用以及模糊聚类算法在交通状态识别上的运用进行了分析，希望可以为全国各地提供有益启示，完善交通流预测以及交通状态识别方法，以便推动我国智能交通系统的建设进程。

[参考文献]

[1]王金龙，马涛.基于RFID的城市道路交通流预测方法研究[J].中国新通信，2019（13）：123-124.

[2]陈明猜，於东军，戚湧.基于FOA-RBF网络的城市道路短时交通流预测[J].南京邮电大学学报（自然科学版），2018（2）：103-110.

[3]张晓阳，徐韬，张宜华，等.基于QPSO-RBF神经网络的混合交通流车速预测模型[J].公路，2019（1）：147-152.

Abstract：To build an intelligent transportation system is the key goal of Chinas transportation development under the background of the information age， and urban road traffic flow prediction and traffic state identification are the basis for real-time understanding of urban road traffic conditions， which is of great significance for the realization of intelligent transportation travel. For this reason， this paper takes Karamay area as an example， aiming at the current technical conditions of urban road traffic flow prediction methods and traffic state recognition methods， in order to provide reference for each area to analyze and explore traffic flow prediction methods and traffic state recognition methods.

Key words：urban road; traffic flow; prediction; traffic status; identification