论文部分内容阅读
摘要：城市交通的矛盾随着经济发展、城市扩张与交通需求增长而日益突出，智能交通系统也应运而生。在智能交通系统包含的交通管理、道路控制、驾驶员管理、车辆调度、高速公路等子系统当中，都离不开对交通流的监控与预测。由于城市交通的特殊要求，短期交通流预测对实际交通状况和模型运用更具有指导作用。本文着重介绍了卡尔曼滤波算法和小波分析算法，论述了这两种算法对城市交通生活中的重要作用，提供了交通流预测的新思路。
关键词：智能交通系统；交通流；预测
随着近些年经济的发展，城市规模日渐扩张，道路规划与施工的脚步也在加快，与此同时机动车的保有量保持一个快速增长的状态，由此导致的交通问题成为城市发展当中最重要的问题之一。就目前形势来看，交通需求量的增长远高于道路通行能力的供给，供给与需求间的矛盾日益突出，交通拥堵也成为在城市出行中，人们十分关心的问题。换而言之，能否妥善解决现代城市的交通问题，直接影响到人民总体生活水平的提高和国家经济的发展。
为此，从20世纪80年代开始，少数发达国家开始着手开发城市道路的交管系统，大力研究交通控制的技术。秉承着提高通行能力，缓解交通拥堵的目的，各个国家在1994年法国巴黎召开的世界智能交通大会上首次提出了智能交通系统的概念。智能交通系统采用最新的计算机技术、传感技术、现代通信技术以及最先进的人工智能技术，改变原有被动式的交通管控方式，对当前交通信息进行采集、加工、处理后进行必要的决策，营造出安全畅通的道路交通大环境。
目前智能交通系统主要包含七个研究领域：先进的交通管理系统；先进的驾驶员信息系统；先进的车辆控制系统；营运车辆调度管理系统；先进的公共交通系统；先进的城市间交通系统；自动高速公路系统。纵观主要的这个七个领域，可以看出智能综合交通系统将传统运输系统中人、车、路3个要素紧密结合在了一起。在提高整个交通运输系统的效率下，其中的关键问题就是对交通流的情况进行实时的管控与诱导，这就说明了交通流预测的基础地位。
交通流预测通俗来讲，就是根据系统检测所得数据等已有数据，依据t时刻预测出下一时刻t+△t的交通流，根据△t的长短不同，可将交通流预测划分为长期、中期、短期这三种交通流预测，因此所要求的精度、目的和侧重点都有所不同。其中长期与中期的交通流预测多用于交规，预测的间隔时间相对较长，在这个过程中可以忽略一些干扰因素，由此可给预测带来较大的便利。相比之下，短期的交通流预测多用于实时的诱导监控，这样交通流的变化过程有很强的随机性和不确定性，各种因素的作用性越强，其感染因素也不可随意忽略。这就要求交通流预测模型具有实时性、准确性、可靠性的特点。
随着人们对短期交通流预测的深入研究，在研究方向上逐渐形成两个大方向，一类是依据传统数学方法或物理方法建立预测模型；另一类是以先进科技技术方法建立的预测模型。本文将对常用的几个短期交通流预测的方法进行论述。
1 卡尔曼滤波算法
卡尔曼滤波是以20世纪60年代Kalman提出的滤波理论为基础，进一步提出来的数据自回归处理算法，在工程领域应用的比较广泛。卡尔曼滤波所依据状态方程递归和线性无偏均方差最小，对状态变量进行过滤掉噪声的最优的估计。
我们先假设对未知状态x下进行观测，进行的观测次数用t来计数，结果记为Wi，状态空间方程可以用Wi、xi表示：
xi=Ai-1xi-1+mi
Wi=Hi-1xi-1+ni
（Ai-1-系统矩阵；Hi-1-观测矩阵；mi-输入噪声；ni-观测噪声）
在获取现有状态的预测结果下，在现在测量值也得到后，将预测结果与现在状态值得到差值后，获得最优化估值：
xk=xk-1+Kk（Zk-Ak-1xk-1）
（Kk-卡尔曼增益）
卡尔曼滤波算法的适用性较为广泛，对渐变数据、突发数据都可以进行处理，在不同的假设状态下来处理不同问题，有效减少储存空间以及计算时长，这样的性质给在线分析带来极大的便利，但这种算法需要向量和矩阵的大量运算。尤其是在短期预测当中，交通流出现较强的随机性和不确定性，卡尔曼滤波算法的参数要进行调整，而调整的过程会消耗大量时间，由此会产生一定的后滞性。
2 小波分析预测算法
小波分析是在应用数学领域当中逐渐发展出来的新分支，对非线性的问题都有了较为成功的应用。小波是一个长度有限，平均值为零的波。对小波分析的过程实际上就是范围可变的窗口方法，可以起到细化与具象的作用，总体来说是比较好的信号处理方法。在道路交通控制中，短期预测中对实时数据处理中第一步就是去噪。小波去噪的过程中，含有噪声的交通流预测的一维模型可以写成如下的算式：
s（t）=f（t）+d（t）
t=0，1，…，n-1
（f（t）-实际信号；l（t）-噪声；α-噪声强度；S（t）总信号）
在对小波完成去噪之后，需要选取分解分层，对每层的小波系数完成重新架构并根据每层重构的数据建立相对应的交通预测模型，之后将每层所得到的预测模型所得结果进行加和，这样便可以得到最终预测结果。总体来说，小波分析预测模型在交通流预测方面通常会和其他模型一起混合使用，才具备更好的抗干扰能力以及鲁棒性，这方面仍有很大的研究空间。
3 结语
在城市发展过程当中，交通问题日益突出的情况下，由此近些年智能交通系统也在快速发展。在智能交通系统当中交通流预测是其重要的一个环节，尤其是对短期交通流的预测的准确性，直接影响到智能交通系统的实际作用。本文论述了两种现阶段情况下比较有效的短期交通流预测方法，卡尔曼滤波算法和小波分析算法。这两种方法目前在工科领域使用广泛，并在理论中具有很好的预测效果，但在实际道路交通中，面对各种各样突发事件和不均衡的交通流，仍存在准确率不高，预测周期长的问题，仍然需要对模型结合其他算法，进行进一步的改进。
关键词：智能交通系统；交通流；预测
随着近些年经济的发展，城市规模日渐扩张，道路规划与施工的脚步也在加快，与此同时机动车的保有量保持一个快速增长的状态，由此导致的交通问题成为城市发展当中最重要的问题之一。就目前形势来看，交通需求量的增长远高于道路通行能力的供给，供给与需求间的矛盾日益突出，交通拥堵也成为在城市出行中，人们十分关心的问题。换而言之，能否妥善解决现代城市的交通问题，直接影响到人民总体生活水平的提高和国家经济的发展。
为此，从20世纪80年代开始，少数发达国家开始着手开发城市道路的交管系统，大力研究交通控制的技术。秉承着提高通行能力，缓解交通拥堵的目的，各个国家在1994年法国巴黎召开的世界智能交通大会上首次提出了智能交通系统的概念。智能交通系统采用最新的计算机技术、传感技术、现代通信技术以及最先进的人工智能技术，改变原有被动式的交通管控方式，对当前交通信息进行采集、加工、处理后进行必要的决策，营造出安全畅通的道路交通大环境。
目前智能交通系统主要包含七个研究领域：先进的交通管理系统；先进的驾驶员信息系统；先进的车辆控制系统；营运车辆调度管理系统；先进的公共交通系统；先进的城市间交通系统；自动高速公路系统。纵观主要的这个七个领域，可以看出智能综合交通系统将传统运输系统中人、车、路3个要素紧密结合在了一起。在提高整个交通运输系统的效率下，其中的关键问题就是对交通流的情况进行实时的管控与诱导，这就说明了交通流预测的基础地位。
交通流预测通俗来讲，就是根据系统检测所得数据等已有数据，依据t时刻预测出下一时刻t+△t的交通流，根据△t的长短不同，可将交通流预测划分为长期、中期、短期这三种交通流预测，因此所要求的精度、目的和侧重点都有所不同。其中长期与中期的交通流预测多用于交规，预测的间隔时间相对较长，在这个过程中可以忽略一些干扰因素，由此可给预测带来较大的便利。相比之下，短期的交通流预测多用于实时的诱导监控，这样交通流的变化过程有很强的随机性和不确定性，各种因素的作用性越强，其感染因素也不可随意忽略。这就要求交通流预测模型具有实时性、准确性、可靠性的特点。
随着人们对短期交通流预测的深入研究，在研究方向上逐渐形成两个大方向，一类是依据传统数学方法或物理方法建立预测模型；另一类是以先进科技技术方法建立的预测模型。本文将对常用的几个短期交通流预测的方法进行论述。
1 卡尔曼滤波算法
卡尔曼滤波是以20世纪60年代Kalman提出的滤波理论为基础，进一步提出来的数据自回归处理算法，在工程领域应用的比较广泛。卡尔曼滤波所依据状态方程递归和线性无偏均方差最小，对状态变量进行过滤掉噪声的最优的估计。
我们先假设对未知状态x下进行观测，进行的观测次数用t来计数，结果记为Wi，状态空间方程可以用Wi、xi表示：
xi=Ai-1xi-1+mi
Wi=Hi-1xi-1+ni
（Ai-1-系统矩阵；Hi-1-观测矩阵；mi-输入噪声；ni-观测噪声）
在获取现有状态的预测结果下，在现在测量值也得到后，将预测结果与现在状态值得到差值后，获得最优化估值：
xk=xk-1+Kk（Zk-Ak-1xk-1）
（Kk-卡尔曼增益）
卡尔曼滤波算法的适用性较为广泛，对渐变数据、突发数据都可以进行处理，在不同的假设状态下来处理不同问题，有效减少储存空间以及计算时长，这样的性质给在线分析带来极大的便利，但这种算法需要向量和矩阵的大量运算。尤其是在短期预测当中，交通流出现较强的随机性和不确定性，卡尔曼滤波算法的参数要进行调整，而调整的过程会消耗大量时间，由此会产生一定的后滞性。
2 小波分析预测算法
小波分析是在应用数学领域当中逐渐发展出来的新分支，对非线性的问题都有了较为成功的应用。小波是一个长度有限，平均值为零的波。对小波分析的过程实际上就是范围可变的窗口方法，可以起到细化与具象的作用，总体来说是比较好的信号处理方法。在道路交通控制中，短期预测中对实时数据处理中第一步就是去噪。小波去噪的过程中，含有噪声的交通流预测的一维模型可以写成如下的算式：
s（t）=f（t）+d（t）
t=0，1，…，n-1
（f（t）-实际信号；l（t）-噪声；α-噪声强度；S（t）总信号）
在对小波完成去噪之后，需要选取分解分层，对每层的小波系数完成重新架构并根据每层重构的数据建立相对应的交通预测模型，之后将每层所得到的预测模型所得结果进行加和，这样便可以得到最终预测结果。总体来说，小波分析预测模型在交通流预测方面通常会和其他模型一起混合使用，才具备更好的抗干扰能力以及鲁棒性，这方面仍有很大的研究空间。
3 结语
在城市发展过程当中，交通问题日益突出的情况下，由此近些年智能交通系统也在快速发展。在智能交通系统当中交通流预测是其重要的一个环节，尤其是对短期交通流的预测的准确性，直接影响到智能交通系统的实际作用。本文论述了两种现阶段情况下比较有效的短期交通流预测方法，卡尔曼滤波算法和小波分析算法。这两种方法目前在工科领域使用广泛，并在理论中具有很好的预测效果，但在实际道路交通中，面对各种各样突发事件和不均衡的交通流，仍存在准确率不高，预测周期长的问题，仍然需要对模型结合其他算法，进行进一步的改进。