一種交通擁堵指數(shù)智能計算方法

周燕華

摘 要：交通擁堵與許多因素密切相關，具有強烈的隨機性、偶然性，導致當前交通擁堵指數(shù)計算誤差大，可靠性差等問題，為了提高交通擁堵指數(shù)計算精度，提出了基于支持向量機的交通擁堵指數(shù)智能計算方法。先分析當前交通擁堵指數(shù)智能計算的研究進展，找到引起交通擁堵指數(shù)計算效果的原因，然后采集一段時間的交通擁堵指數(shù)序列，引入支持向量機對交通擁堵指數(shù)序列進行建模與分析，找到交通擁堵指數(shù)變化規(guī)律，最后采用具體仿真實驗與其它交通擁堵指數(shù)智能計算方法進行了對照實驗。結(jié)果表明，這種方法降低了交通擁堵指數(shù)計算誤差，為可以為交通管理者提供有價值的信息，有利于緩解交通擁堵問題，具有比較明顯的優(yōu)越性。

關鍵詞：交通管理系統(tǒng); 擁堵指數(shù); 智能計算; 數(shù)據(jù)挖掘

中圖分類號： TP391

文獻標志碼： A

Abstract：The traffic congestion is closely related to many factors， it is with strong randomness and contingency which may lead to a lot of problems such as large calculation error and poor reliability of traffic congestion index. In order to improve the calculation accuracy of traffic congestion index， an intelligent calculation method of traffic congestion index based on support vector machine is proposed. Firstly， the paper analyzes the research progress of intelligent calculation of traffic congestion index， and finds out the causes of the calculation effect of traffic congestion index， then collects the traffic congestion index series for a period of time， introduces improved support vector machine to model and analyze the traffic congestion index series， and finds out the change law of traffic congestion index， finally uses specific simulation experiments and other traffic congestion index intelligence for comparison. The calculation method is used in the control experiment. The results show that this method can reduce the calculation error of traffic congestion index， provide valuable information for traffic managers， and alleviate the traffic congestion problem， which has obvious advantages.

Key words：Traffic management system; Congestion index; Intelligent computing; Data mining

0 引言

隨著我國經(jīng)濟水平的不斷提高，人們的生活水平也得到大幅度的改善，很多家庭均擁有了汽車，機動車的數(shù)量急劇增加，道路上交通量也不斷上升，經(jīng)常出現(xiàn)了道路交通擁堵現(xiàn)象，尤其是上下班的擁者成為常態(tài)，使得高峰期交通事故增加，影響了城市的運轉(zhuǎn)效率[1-3]。為了對一個城市的擁堵狀況進行定量評價，以提高城市的運轉(zhuǎn)效率，大多數(shù)城市建立了交通監(jiān)測系統(tǒng)，其中擁堵指數(shù)作為一種十分重要的路網(wǎng)運行評價指標，因此對擁堵指數(shù)進行計算和估計研究，可以掌握了交通擁堵模式的規(guī)律，具有重要的理論和實際價值[4]。

針對擁堵指數(shù)計算問題，近幾十年以來，國內(nèi)外許多交管理部門和學者進行了大量的研究，已經(jīng)有一些擁堵指數(shù)計算方法。美國、日本、歐洲等發(fā)達國家的研究時間比較早，基本建立了一套完整的交通管理擁堵指數(shù)計算系統(tǒng)，但是國內(nèi)對擁堵指數(shù)計算問題的重視程度不夠，主要是一些針對一些大城市的擁堵指數(shù)進行了研究，如北京、上海等，因此還有許多問題有待進一步解決[5]。最初擁堵指數(shù)通過一些專家進行計算，它們主要憑借自己的知識和經(jīng)驗，對一個城市的擁堵指數(shù)進行分析，該方法的計算時間比較長，而且容易出錯，導致城市的擁堵指數(shù)計算精度比較低，同時由于城市的道路機動車數(shù)量越來越多，無法及時得到城市的擁堵指數(shù)，不能動態(tài)描述城市道路交通態(tài)勢[6];隨后有學者提出基于聚類分析算法的擁堵指數(shù)計算方法，聚類分析算法可以挖掘交通運行數(shù)據(jù)間的內(nèi)在聯(lián)系，能夠直觀地反映出城市路網(wǎng)交通擁堵情況[7]，但是聚類分析算法是一種線性建模方法，認為交通運行數(shù)據(jù)間是一種固定的線性關系，而實際上交通運行數(shù)據(jù)間是一種隨機性很強的變化關系，導致聚類分析算法的擁堵指數(shù)計算精度有待提高[8]。最近，有學者提出基于人工神經(jīng)網(wǎng)絡的擁堵指數(shù)計算方法，人工神經(jīng)網(wǎng)絡由于模擬人的大腦思維進行工作，可以對交通運行數(shù)據(jù)間的聯(lián)系進行高精度的擬合，擁堵指數(shù)計算結(jié)果要優(yōu)于人工方式或者聚類分析算法，但是由于其要求交通運行歷史數(shù)據(jù)的量比較大，使得擁堵指數(shù)計算成本高，而且其擁堵指數(shù)計算結(jié)果極不穩(wěn)定[9，10]。

為了解決當前擁堵指數(shù)計算過程存在的問題，以獲得更優(yōu)的交通擁堵指數(shù)計算結(jié)果，提出了支持向量機的交通擁堵指數(shù)智能計算方法，并采用仿真實驗與其它方法進行了對照實驗。結(jié)果表明，改進支持向量機可以減少交通擁堵指數(shù)計算誤差，提高了交通擁堵指數(shù)計算精度，交通擁堵指數(shù)計算結(jié)果要明顯優(yōu)于對比方法。

1 支持向量機的交通擁堵指數(shù)智能計算方法

1.1 支持向量機算法

支持向量機的工作原理為：找到一個超平面，其以對數(shù)據(jù)點進行有效分割，且點與該超平面的距離越遠越好。設數(shù)據(jù)集為：{xi，yi}，i=1，2，…，l，當xi為正類時，yi=1，不然yi=-1，支持向量機的目標就是找到值函數(shù)g（x），根據(jù)g（x）構(gòu)造一個決策函數(shù)，具體為式（1）。

為了測試本文設計通擁堵指數(shù)智能計算優(yōu)越性，采用BP神經(jīng)網(wǎng)絡的交通擁堵指數(shù)智能計算方法進行對比實驗。采用通擁堵指數(shù)智能計算精度和運行時間作為性能評價指標。支持向量機的核函數(shù)選擇徑向基函數(shù)，確定其參數(shù)C=100.983，σ=1.863。

2.2 結(jié)果與分析

本文方法和BP神經(jīng)網(wǎng)絡的交通擁堵指數(shù)智能計算精度如圖2所示。

對圖2的交通擁堵指數(shù)智能計算精度進行對比和分析，可以發(fā)現(xiàn)，本文方法的交通擁堵指數(shù)智能計算精度平均值為96.45%，BP神經(jīng)網(wǎng)絡的交通擁堵指數(shù)智能計算精度平均值為：91.29%，相對于BP神經(jīng)網(wǎng)絡，本文方法的精度提升了大約5.26%，有效降低了通擁堵指數(shù)智能計算誤差。

統(tǒng)計本文方法和BP神經(jīng)網(wǎng)絡的交通擁堵指數(shù)智能計算方法的運行時間，結(jié)果如圖3所示。

對圖3的運行時間進行對比和分析可以發(fā)現(xiàn)，本文交通擁堵指數(shù)智能計算方法的訓練時間和測試時間均要少于BP神經(jīng)網(wǎng)絡，減少了交通擁堵指數(shù)計算復雜度，大幅度提升了交通擁堵指數(shù)計算效果。

3 總結(jié)

多種因素綜合作者，使得交通擁堵變化過程十分復雜，為了解決當前交通擁堵指數(shù)計算方法存在的一些局限性，提出了基于支持向量機的交通擁堵指數(shù)智能計算方法，與其它方法的對比實驗結(jié)果表明，本文方法是一種效率高、精度高的交通擁堵指數(shù)計算方法，計算結(jié)果的誤差要遠遠小于對比方法，可以應用于實際交通智能管理系統(tǒng)中，具有較高的實際應用價值。

參考文獻

[1] 王征. 多維空間BP神經(jīng)網(wǎng)絡的節(jié)假日高速公路網(wǎng)節(jié)點擁堵預測分析[J].公路， 2016， 61（4）： 162-169.

[2] 陳星光，廖瑞輝，李卓君.城市交通擁堵及供需耦合性平衡的測度[J].統(tǒng)計與決策， 2014，8（5）： 4-8.

[3] 劉夢涵，于雷，張雪蓮，等. 基于累積Logistic回歸道路交通擁堵強度評價模型[J].北京交通大學學報，2008，32（6）：52-56.

[4] 李澤鈞，邸小建，翁劍成，等. 基于擁堵時空特征的區(qū)域分類與評價方法研究[J].公路交通科技，2019，36（2）：121-127.

[5] 熊勵，楊淑芬，張蕓. 大數(shù)據(jù)背景下基于5S的城市交通擁堵評價模型研究[J].運籌與管理， 2018， 27（1）：117-124.

[6] 熊勵，陸悅，楊淑芬.城市道路交通擁堵預測及持續(xù)時間研究[J].公路，2017，62（11）：125-134.

[7] 王忠浩，張靜，肖建力.基于交通指數(shù)云圖的宏觀交通流分析方法綜述[J].上海理工大學學報， 2017，39（4）：353-357.

[8] 諸云，王建宇，高寧波，等. 基于擁堵辨識的城市路網(wǎng)優(yōu)化模型[J].東南大學學報（自然科學版）， 2017，47（3）：607-612.

[9] 韋清波，何兆成，鄭喜雙，等. 考慮多因素的城市道路交通擁堵指數(shù)預測研究[J].交通運輸系統(tǒng)工程與信息， 2017， 17（1）：74-81.

[10] 楊杰，朱邦培，吳宏偉.基于Storm的高速公路實時交通指數(shù)評估方法的研究與實現(xiàn)[J].計算機應用研究，2017，34（9）：2707-2713.

（收稿日期：2019.05.09）