基于移動定位數(shù)據(jù)和群智感知的城市交通態(tài)勢預(yù)測方法

摘" 要：當前對于城市交通態(tài)勢預(yù)測多采用注意力機制算法，但該方法易受到交通特征指標二次離差波動量的影響，導(dǎo)致預(yù)測精度較低。為此，論文提出基于移動定位數(shù)據(jù)和群智感知的城市交通態(tài)勢預(yù)測方法。以移動定位數(shù)據(jù)為基礎(chǔ)，選取能夠表征城市交通狀況的總量特征、相對特征與動態(tài)特征，并將特征指標進行按序加權(quán)處理，以消除其二次離差波動量，結(jié)合交通態(tài)勢接口數(shù)據(jù)對路段特征進行分類，并計算特征指標隸屬度，由此構(gòu)建交通態(tài)勢預(yù)測模型，基于此，采用群智感知技術(shù)對預(yù)測模型的控制參數(shù)進行優(yōu)化，從而求取交通態(tài)勢值，并將計算結(jié)果與交通態(tài)勢等級劃分標準相比較，以明確交通態(tài)勢等級，進而實現(xiàn)城市交通態(tài)勢預(yù)測。對比試驗結(jié)果表明，將所提方法應(yīng)用于城市交通態(tài)勢預(yù)測中，能夠獲取較高的預(yù)測精度。

關(guān)鍵詞：移動定位數(shù)據(jù)；群智感知技術(shù)；城市交通；交通態(tài)勢預(yù)測

中圖分類號：U491.14

文獻標志碼：A

文章編號" 1000-5269（2025）01-0091-07

DOI：10.15958/j.cnki.gdxbzrb.2025.01.13

收稿日期：2024-04-26

基金項目：云南省科技廳《云南省數(shù)字交通重點實驗室》資助項目（202205AG070008）

作者簡介：祿鎧銑（1990—），男，工程師，碩士，研究方向：交通工程，E-mail：Avakaixian@163.com.

*通訊作者：祿鎧銑，E-mail：Avakaixian@163.com.

道路里程和機動車流量不斷增加，從而加劇了城市交通擁堵程度。城市交通擁堵事故頻發(fā)，不僅影響人們出行，也威脅著人們的生命安全。因此，運用技術(shù)手段對城市交通狀況進行評價，對優(yōu)化城市交通控制系統(tǒng)具有重要意義。

相陽等采用AI技術(shù)對交通流狀態(tài)進行智能檢測。該方法基于城市交通流的歷史數(shù)據(jù)對未來交通態(tài)勢進行模擬，并結(jié)合決策樹算法完成交通狀態(tài)預(yù)測。此方法雖然能夠彌補傳統(tǒng)交通狀態(tài)預(yù)測方法的預(yù)測效率，但由于缺少分析交通特征的時空依賴性，導(dǎo)致預(yù)測精度不高；曲栩等提出了基于廣義時空圖卷積網(wǎng)絡(luò)的交通態(tài)勢預(yù)測方法，其通過選取車輛速度分布、車輛分位速度差為研究指標，并根據(jù)交通態(tài)勢風險值之間的非映射關(guān)系建立預(yù)測模型，實現(xiàn)對交通未來發(fā)展趨勢的預(yù)測。但該方法在面對交通特征指標二次離差波動量時存在預(yù)測精度較低的問題。

針對以上分析，本文引入移動定位數(shù)據(jù)和群智感知技術(shù)，以獲取更多樣化和準確的數(shù)據(jù)，從而提高預(yù)測模型的精度和可靠性。采用特征指標的按序加權(quán)處理方法，消除二次離差波動量的影響，減小預(yù)測誤差。結(jié)合交通態(tài)勢接口數(shù)據(jù)，對路段特征進行分類，并計算特征指標的隸屬度，從而構(gòu)建更準確的交通態(tài)勢預(yù)測模型。使用群智感知技術(shù)對預(yù)測模型的控制參數(shù)進行優(yōu)化，進一步提高了預(yù)測精度和穩(wěn)定性。

1" 城市交通態(tài)勢預(yù)測方法設(shè)計

1.1nbsp; 基于移動定位數(shù)據(jù)的交通狀態(tài)特征提取

城市交通狀況的特征指標可以從不同維度反映路網(wǎng)交通的運行狀況，且易于獲取，計算復(fù)雜度低，能夠滿足交通狀態(tài)預(yù)測模型的需求，從而實現(xiàn)對城市交通狀態(tài)全面、準確、方便的評估。

本文基于移動定位數(shù)據(jù)提取城市交通狀況特征指標。通過確定路段內(nèi)移動數(shù)據(jù)的相鄰定位點之間的距離，確定移動定位數(shù)據(jù)的地圖匹配，進而搜索最佳移動定位路徑。路段移動定位數(shù)據(jù)的存儲結(jié)構(gòu)如圖1所示。

城市交通安全狀況的特征提取目前主要分為總指標、動態(tài)指標、相對指標等。不同類別的指標能夠從不同角度描述一段時間內(nèi)交通事故的嚴重程度、水平和發(fā)展趨勢，并且上述指標在時間維

度上可以進一步細分為年度、月度、季度和周數(shù)據(jù)，如圖2所示。

總量指標具有較高的波動性和隨機性，且數(shù)據(jù)突變點較多，是最具可比性的指標。因此，本文使用移動定位數(shù)據(jù)對交通基站數(shù)據(jù)進行預(yù)處理，并以Excel格式進行存儲，主要包括時間段、通信狀態(tài)字段、用戶號碼字段和位置號碼字段等信息。移動定位數(shù)據(jù)示例如表1所示。

城市交通狀態(tài)特征指標是基于移動定位數(shù)據(jù)，通過實時采集交通軌跡數(shù)據(jù)，結(jié)合地理信息系統(tǒng)與相關(guān)編程軟件提取的。各指標的計算方式如下。

1）交通流量。路段交通流量可以間接反映單位時間內(nèi)斷面流過的交通流量大小，計算公式為

q1=n1t1（1）

式中：n1表示在統(tǒng)計時間間隔t1內(nèi)采集到的移動定位信息的數(shù)據(jù)量。

2）路段交通密度。可以理解為在單位長度的路段上，移動設(shè)備覆蓋的最遠距離的平均值，該特征指標能夠衡量一定空域單元里移動定位數(shù)據(jù)的密度，計算公式為

k1=nklk（2）

式中：nk表示在一定時間間隔內(nèi)移動設(shè)備與基站的最遠距離，描述的是在一定時間段內(nèi)，移動設(shè)備在空間中所覆蓋的距離；lk表示監(jiān)測路段的長度，是固定的長度，表示路段的起點和終點之間的距離。

3）交通接近率?？梢岳斫鉃榻煌范翁綔y器與某一點之間的接近程度，即探測器之間距離與飛行高度的比值。該特征指標能夠表征路段交通密集程度，其計算公式為

d1=（xi-yj）2+（yi+yj）2s1+（zi+zj）2s0（3）

式中：（xi，yi，zi）表示交通路段探測器i的空間位置坐標，其量綱是長度；（xj，yj，zj）表示交通路段探測器j的空間位置坐標，其量綱是長度；s1、s0分別表示探測器i和j的飛行高度，描述探測器相對于地面的高度，同樣具有長度的量綱。

4）交通飽和度。該特征縱坐標屬于城市交通態(tài)勢的基礎(chǔ)性指標。預(yù)測時間內(nèi)的交通飽和度越大，交通狀態(tài)越擁擠，其計算公式為

f1=qtc1（4）

式中：qt表示待測路段交通量的平均值；c1表示交通容量限制閾值。

根據(jù)以上計算與分析過程，本文將提取出的城市交通態(tài)勢特征指標構(gòu)造成特征集合，即Ω={q1，k1，d1，f1}，接下來以特征指標集合為基礎(chǔ)，構(gòu)建城市交通態(tài)勢預(yù)測模型。

1.2" 城市交通態(tài)勢預(yù)測模型構(gòu)建

城市交通流的交通速度與交通流量，在時間與空間上都具有一定的相關(guān)性，且當前路段的交通狀況也與其上下游有關(guān)。因此，可根據(jù)這一原理，考慮交通環(huán)境對交通數(shù)據(jù)的影響，建立交通態(tài)勢預(yù)測模型。

針對預(yù)測模型，首先需要采集交通流數(shù)據(jù)，其中包含的主要字段如表2所示。

根據(jù)路段名稱與方向信息，能夠確定某一車輛所處的路段，并進而確定同一車輛在該路段的行駛速度，即

v1=L0T1-T0（5）

式中：L0表示車輛行駛距離；T1、T0分別表示車輛駛出與駛?cè)朐撀范蔚臅r間。

結(jié)合交通態(tài)勢特征指標，可以將原始數(shù)據(jù)轉(zhuǎn)換為空間序列，即

S=v1axΩ（6）

式中：ax表示x個交通態(tài)勢特征指標對應(yīng)的權(quán)重；Ω表示特征指標集合。因此，S中包含了空間信息。

將交通數(shù)據(jù)的空間序列與時間序列進行拼接處理，可以得到t0時刻新的輸入時間序列為

y0=Sg1pt+bc（7）

式中：g1表示時間序列的影響因子；pt表示偏置項；bc表示調(diào)整常數(shù)。

將交通數(shù)據(jù)的時間序列按序加權(quán)，并同時結(jié)合數(shù)據(jù)的二次離差與特征指標的相對大小變化量，消除指標的二次離差波動量，得到交通流量矩陣，公式如下：

minQ0=ph-1dc∑y0xc（8）

式中：ph表示同一時段的數(shù)據(jù)點數(shù)信息；dc表示數(shù)據(jù)樣本的時域；xc表示數(shù)據(jù)二次離差系數(shù)。

參考相關(guān)研究結(jié)果，基于城市交通態(tài)勢接口數(shù)據(jù)，對交通運行特征進行標準化處理。

rc=minQ0brht（9）

式中：br表示待測時段的行程時間指數(shù)；ht表示路段的自由流速。

將道路交叉口附近的像素點進行銳化處理，以保證路段交通數(shù)據(jù)中包含緩堵隊列的路徑分布長度。則在特征點集N中，起點為ni、終點為nj的數(shù)據(jù)像素長度可定義為

αij=rc∑Sk（ni-nj）（10）

式中：Sk表示第k個特征點的距離權(quán)值。

利用差分方法將路段的同向、反向與垂直分布形態(tài)進行分類，則路段的分類特征可表示為

Γ=（αijβ0）2φ0u1（11）

式中：β0表示特征點的限定因子；φ0表示路段鄰域系數(shù)；u1表示領(lǐng)域的展開寬度。

基于上式，引入道路方向定義，即

D=ΓD+，0≤δ0≤180°

ΓD-，180°≤δ0≤360°（12）

式中：D+、D-分別表示正向道路與反向道路集合；δ0表示以正東方向為起始邊，逆時針旋轉(zhuǎn)的角度值。

某交通安全態(tài)勢評價因子的隸屬度為

Rf=D-z02π（13）

式中：z0表示評價等級分界點。

由此構(gòu)建的城市交通態(tài)勢預(yù)測模型為

Ψ=∑RfSfWt（14）

式中：Sf表示交通安全態(tài)勢指標的權(quán)重向量；Wt表示特征指標的特征向量。

基于城市交通態(tài)勢特征指標，采集交通流數(shù)據(jù)，通過對原始數(shù)據(jù)進行時空序列轉(zhuǎn)換與標準化處理，并結(jié)合交通流矩陣，構(gòu)建交通態(tài)勢預(yù)測模型，為后續(xù)實現(xiàn)交通狀態(tài)預(yù)測奠定基礎(chǔ)。

1.3" 基于群智感知的交通態(tài)勢預(yù)測

在完成城市交通態(tài)勢預(yù)測模型后，為獲取更加精確的交通態(tài)勢預(yù)測結(jié)果，采用群智感知技術(shù)對模型參數(shù)進行優(yōu)化，并通過輸入交通擁堵數(shù)據(jù)來輸出交通態(tài)勢指數(shù)，實現(xiàn)交通態(tài)勢預(yù)測。基于群智感知技術(shù)的交通態(tài)勢預(yù)測流程如圖3所示。

將監(jiān)測到的城市交通數(shù)據(jù)信息劃分為試驗集與訓(xùn)練集，并利用下列公式計算流速粒度。

=jn3+12Ψ，n3＞γ0

j（n3+1）/2+j（n3/2）2Ψ，n3≤γ0（15）

式中：n3表示試驗樣本數(shù)；γ0表示訓(xùn)練樣本數(shù)；j表示路網(wǎng)劃分個數(shù)；Ψ表示預(yù)測模型。

基于網(wǎng)格思想，考慮到路段的實際寬度，對道路網(wǎng)格進行提取，即

Hw=ap（16）

式中：Hw表示道路網(wǎng)格矩陣；ap表示有效激活函數(shù)。

擬合道路中心點，即

Z=Ix∑Hwc1（17）

式中：Ix表示密度閾值；c1表示比例系數(shù)。

進而可計算出路段網(wǎng)格的質(zhì)心坐標為

A=ZC1（18）

式中：C1表示系數(shù)矩陣。

為提高預(yù)測結(jié)果精度，結(jié)合網(wǎng)格質(zhì)心坐標與流速粒度，得到預(yù)測模型的最優(yōu)控制參數(shù)為

θ=F21/A（19）

式中：F1表示路段被劃分的個數(shù)。

最后，訓(xùn)練預(yù)測模型，求取交通態(tài)勢指數(shù)，即

ζ=θw0∑μ（20）

式中：μ、w0分別表示模型擬合系數(shù)與衰減系數(shù)。

根據(jù)相關(guān)標準與規(guī)范，將城市交通狀況根據(jù)交通態(tài)勢指數(shù)劃分為4個等級，具體如表3所示。

將公式（20）計算出的城市交通態(tài)勢指數(shù)與上表中的劃分標準進行比較，從而確定交通擁堵等級，由此實現(xiàn)城市交通態(tài)勢預(yù)測。

2" 試驗論證分析

為測試本文提出的方法在測試交通態(tài)勢預(yù)測中的有效性，設(shè)計對比試驗，引入其他方法進行對比，根據(jù)試驗結(jié)果分析本文方法的預(yù)測性能。

2.1" 試驗準備

試驗選取某城市中心城區(qū)主干路與次干路兩個路段進行試驗，具體如圖4所示。

如上圖所示，試驗預(yù)測的目標路段為主干路和次干路。黑框區(qū)域代表試驗中涉及的上下游范圍，通過提取交通流的特征指標來分析指標間的時空相關(guān)性特征。在試驗段上每5 m安裝一個檢測器，并將檢測到的車速以5 min的間隔進行一次劃分，總共得到300個數(shù)據(jù)點。

選取2023年1—6月試驗路段的三個具有代表性的時段作為研究時間，包括出行高峰期、冬季雨雪霧天氣頻繁時段和交通正常時段。以上述時段收集的交通流量數(shù)據(jù)為基礎(chǔ)數(shù)據(jù)，結(jié)合經(jīng)常出行的用戶作為分析對象，通過獲取用戶從路段駛?cè)氲今偝霾糠值男谐?，過濾移動定位數(shù)據(jù)，并提取交通狀況特征指標，具體如表4所示。

由于在該示例中排除了非可通信系統(tǒng)的擁堵路段，因此，結(jié)合道路網(wǎng)絡(luò)可通信系統(tǒng)擁堵程度的量化方法，使用MATLAB自編程序計算路段上下游不同時間相鄰路段的擁堵傳播與路網(wǎng)系統(tǒng)擁堵程度的相關(guān)度，結(jié)果分別為2.10和3.14?；谠撚嬎憬Y(jié)果，構(gòu)建交通狀況預(yù)測模型，為了提高模型遷移數(shù)據(jù)后的泛化能力，利用性能測量系統(tǒng)采集實時站點流量數(shù)據(jù)，包括各站點的地理位置信息、道路延誤指標數(shù)據(jù)等共52 345條數(shù)據(jù)。使用上述數(shù)據(jù)的前10%作為驗證集，其余數(shù)據(jù)作為測試集來訓(xùn)練模型。

2.2" 試驗說明

根據(jù)交通流理論和城市交通狀況分析要求，以2 min為時間單位對實測交通數(shù)據(jù)流進行交通流數(shù)據(jù)統(tǒng)計，使用獨立閾值判斷方法來消除數(shù)據(jù)中的零值和異常值，并補充缺失的數(shù)據(jù)；以1 min為單位對正常數(shù)據(jù)進行分類和標準化，并將每個數(shù)據(jù)集的工作日和周末數(shù)據(jù)分開作為數(shù)據(jù)輸入。

本試驗基于TensorFlow 1.9.0的Python 3.6.7實現(xiàn)，并在Linux服務(wù)器上進行試驗的編譯和測試。在對參數(shù)整定進行了多次比較試驗后，本文算法最終確定的模型輸入通道數(shù)為3，輸出通道數(shù)為16；使用RMSprop最小化100輪的均方誤差來訓(xùn)練模型，批量大小為20，初始學(xué)習率為0.002；模型輸入的歷史時間窗格為30 min，預(yù)測的未來時間窗格為10、20和30 min。

2.3" 交通態(tài)勢預(yù)測結(jié)果分析

基于以上試驗準備與相關(guān)參數(shù)的設(shè)定，將試驗樣本集與模型訓(xùn)練學(xué)習樣本集輸入交通態(tài)勢模型中，并通過路網(wǎng)與道路中心點的提取以及路網(wǎng)質(zhì)心坐標的擬合，優(yōu)化模型的控制參數(shù)，以此得到試驗路段的交通態(tài)勢安全值，通過分析出行高峰期、冬季雨雪霧天氣頻繁時段和交通正常時段三個時段預(yù)測結(jié)果與實際結(jié)果差異，從而分析本文方法在不同情況下的預(yù)測效果，結(jié)果如圖5所示。

如圖5所示，利用本文方法對三種情況下試驗路段交通態(tài)勢進行預(yù)測，計算得到的安全態(tài)勢值分布曲線與實測值曲線的趨勢均表現(xiàn)一致，兩條曲線的擬合程度較高，說明本文方法在不同情況下均能夠較為準確地預(yù)測出城市交通態(tài)勢狀況，預(yù)測精度較高。

2.4" 交通態(tài)勢預(yù)測誤差對比試驗分析

為進一步證實本文設(shè)計的方法在交通態(tài)勢預(yù)測精度方面的優(yōu)越性能，采用神經(jīng)網(wǎng)絡(luò)算法（方法1）、支持向量機算法（方法2）作為本文方法的對比方法，分別將以上三種方法應(yīng)用于試驗路段交通態(tài)勢預(yù)測中，并計算不同方法的預(yù)測相對誤差，計算公式如下：

ε=∑y1-y2y2（21）

式中：y1、y2分別表示預(yù)測值與實際值。

利用上式計算對照組方法與本文方法對于交通態(tài)勢預(yù)測的相對誤差，結(jié)果如圖6所示。

根據(jù)圖6可以看出，相比于其他兩種方法，利用本文方法對路段交通態(tài)勢進行預(yù)測得到的預(yù)測相對誤差更小，在同一天的不同時刻，本文方法的預(yù)測相對誤差始終保持在0.2%以下，而方法1與方法2的預(yù)測相對誤差均超過了0.4%。分析原因可知，方法1與方法2建立的預(yù)測模型無法很好地擬合原始交通流數(shù)據(jù)的特征，使得在一些真實流量較大的交通情景下，預(yù)測精度偏低。綜合比較試驗結(jié)果可知，本文提出的交通態(tài)勢預(yù)測方法能夠以較高精度預(yù)測城市交通態(tài)勢，預(yù)測效果較好，對提高交通效率、改善交通安全具有實際參考意義。

3" 結(jié)論

針對常規(guī)預(yù)測方法對城市交通態(tài)勢預(yù)測精度低的缺陷，本文提出基于移動定位數(shù)據(jù)和群智感知的城市交通態(tài)勢預(yù)測方法。經(jīng)過實例分析得出以下結(jié)論：

1）能夠以較高的預(yù)測精度準確預(yù)測城市交通態(tài)勢狀況。

2）具有更小的預(yù)測相對誤差，能夠提供更可靠的交通態(tài)勢預(yù)測結(jié)果。

因此，本研究的方法提高了預(yù)測模型的穩(wěn)定性和精度，對于城市交通的安全運營與乘客安全出行具有一定的指導(dǎo)意義。

參考文獻：

相陽， 陳曉靜. 基于AI的交通流狀態(tài)智能檢測與擁堵態(tài)勢分析. 江蘇科技信息， 2023， 40（15）： 54-57， 61.

曲栩， 甘銳， 安博成，等. 基于廣義時空圖卷積網(wǎng)絡(luò)的交通群體運動態(tài)勢預(yù)測. 交通運輸工程學(xué)報， 2022， 22（3）： 79-88.

朱承元， 張澈， 管建華. 基于改進支持向量機的空域交通態(tài)勢識別方法. 交通信息與安全， 2023， 41（2）： 76-85.

李忠. 多目標跟蹤雷達技術(shù)在交通態(tài)勢感知中的應(yīng)用. 中國交通信息化， 2023（4）： 129-131， 139.

劉潔， 舒國明， 石鑫，等. 基于Kernel-KNN高速公路異常交通態(tài)勢預(yù)測研究. 公路， 2023， 68（2）： 232-236.

相迎宵， 李軼珂， 劉吉強，等. 面向降頻污染攻擊的智能交通擁堵態(tài)勢量化分析. 軟件學(xué)報， 2023， 34（2）： 833-848.

段力偉， 冉松民， 陳瑞雪，等. 基于梯度提升決策樹的城市軌道交通網(wǎng)絡(luò)運營態(tài)勢綜合評估方法. 城市軌道交通研究， 2022， 25（8）： 32-35.

翟藝陽， 羅昱偉， 張馳，等. 基于收費站數(shù)據(jù)的交通事故態(tài)勢感知判別. 公路交通科技， 2023， 40（5）： 211-220.

陳波， 劉電， 呂洪燕，等. 基于圖像識別技術(shù)的高速公路隧道交通態(tài)勢分析. 中國交通信息化， 2021（8）： 129-132.

劉川， 袁伯龍. 基于WOS數(shù)據(jù)庫的文獻計量分析的城市交通事故態(tài)勢研究. 交通節(jié)能與環(huán)保， 2021， 17（2）： 66-72.

劉晶鑫， 唐婕， 曹瑾鑫. 基于機器學(xué)習的城市交通態(tài)勢評估與預(yù)測方法研究. 內(nèi)蒙古大學(xué)學(xué)報（自然科學(xué)版）， 2021， 52（2）： 198-205.

姜山， 丁治明， 徐馨潤，等. 面向路網(wǎng)交通流態(tài)勢預(yù)測的圖神經(jīng)網(wǎng)絡(luò)模型. 計算機科學(xué)與探索， 2021， 15（6）： 1084-1091.

王靜， 王寧. 基于Bisecting K-Means聚類的公路交通流狀態(tài)劃分方法. 數(shù)字技術(shù)與應(yīng)用， 2023， 41（7）： 92-93， 119.

閔雪峰. 關(guān)于自動駕駛車輛系統(tǒng)獲取交通運行狀態(tài)的方法研究. 交通世界， 2023（19）： 13-15.

劉春生， 曹蓉， 王曉晗，等. 基于門架數(shù)據(jù)的高速公路運行狀態(tài)評價研究. 山東科學(xué)， 2023， 36（3）： 100-107.

（責任編輯：于慧梅）

A Method for Predicting Urban Traffic Situation Based onMobile

Location Data and Group Intelligence Perception

LU Kaixian*， DU Huiyu， TIAN Rundong， LI Yin， ZHANG Chengmi

（Yunnan Yuntong Digital Link Technology Co.， Ltd.， Kunming 650100， China）

Abstract：

Currently， attention mechanism algorithms are commonly used for urban traffic situation prediction， but this method is susceptible to the influence of the momentum of the secondary dispersion wave of traffic characteristic indicators， resulting in low prediction accuracy. To this end， a method for predicting urban traffic situations based on mobile positioning data and swarm intelligence perception is proposed. Based on mobile positioning data， select total， relative， and dynamic features that can characterize urban traffic conditions， and weight the feature indicators in order to eliminate their secondary deviation fluctuations. Combine the traffic situation interface data to classify road segment features and calculate the membership degree of the feature indicators， thereby constructing a traffic situation prediction model. Based on this， using swarm intelligence perception technology to optimize the control parameters of the prediction model， the traffic situation values are obtained， and the calculation results are compared with the traffic situation level classification standards to clarify the traffic situation level and achieve urban traffic situation prediction. The comparative experimental results show that applying the proposed method to urban traffic situation prediction can achieve high prediction accuracy.

Key words：

mobile positioning data; group intelligence perception technology; urban transportation; traffic situation prediction