摘要:隨著社會的發展，交通事故、交通堵塞、環境污染和能源消耗等問題日趨嚴重。多年來，世界各國的城市交通專家提出各種不同的方法，試圖緩解交通擁堵問題。交通流預測在智能交通系統中一直是一個熱門的研究領域，幾十年來，專家和學者們用各種方法建立了許多相對精確的預測模型。本文在提出交通流短期預測模型應具備的特性的基礎上，討論了幾類主要模型的結果和精確度。

關鍵詞:交通流預測;模型;展望

20世紀80年代，我國公路建設項目交通量預測研究尚處于探索成長階段，交通量預測主要采用個別推算法，又可分為直接法和間接法。直接法是直接以路段交通量作為研究對象；間接法則是以運輸量作為研究對象，最后轉換為路段交通量。

進入90年代后，我國的公路建設項目，特別是高速公路建設項目的交通量分析預測多采用“四階段”預測，該法以機動車出行起訖點調查為基礎，包括交通量的生成、交通分布、交通方式選擇和交通量分配四個階段。

幾十年來，世界各國的專家和學者利用各學科領域的方法開發出了各種預測模型用于短時交通流預測，總結起來，大概可以分為六類模型：基于統計方法的模型、動態交通分配模型、交通仿真模型、非參數回歸模型、神經網絡模型、基于混沌理論的模型、綜合模型等。這些模型各有優缺點，下面分別進行分析與評價。

一、基于統計方法的模型

這類模型是用數理統計的方法處理交通歷史數據。一般來說統計模型使用歷史數據進行預測，它假設未來預測的數據與過去的數據有相同的特性。研究較早的歷史平均模型方法簡單，但精度較差，雖然可以在一定程度內解決不同時間、不同時段里的交通流變化問題，但靜態的預測有其先天性的不足，因為它不能解決非常規和突發的交通狀況。線性回歸模型方法比較成熟，用于交通流預測，所需的檢測設備比較簡單，數量較少，而且價格低廉，但缺點也很明顯，主要是適用性差、實時性不強，單純依據預先確定的回歸方程，由測得的影響交通流的因素進行預測，只適用于特定路段的特定流量范圍，且不能及時修正誤差。當實際情況與參數標定時的交通狀態相差較遠時，預測誤差將會增大，而在線標定多元線性回歸的參數又比較困難。同時，在將主要影響因素量化的過程中還存在著一些不確定性。

二、交通仿真模型

一般來說，交通仿真模型把車輛當作實體，用計算機模擬實際道路交通情況，對道路的交通狀況進行仿真，得到道路預測的交通信息。因此，嚴格意義上說，交通仿真模型不能用于交通流預測的目的，因為它需要輸入用于預測的交通流數據。而且，交通仿真模型不能實現實時性。然而，一旦交通流量數據能夠通過其他的方法預測得到后，仿真模型可以提供一種估計動態旅行時間的方法。換句話說，仿真模型提供了一個交通流、占有率和旅行時間之間關系的一個模擬實際的計算方法。

三、基于動態交通分配的模型

當使用傳統的仿真模型時， DTA模型通過采集到的交通流數據和出行者出行選擇的行為用于估計隨時間變化的網絡的狀態。DTA模型通常分為以下三種：以數學為基礎、以變分方程為基礎、以主觀控制理論為基礎或者以仿真為基礎的啟發式模型。所有這些方法的共同點是他們都是以傳統的靜態的交通分配的假設解決隨時間變化的動態交通流問題，并且對任何一個網絡沒有一個方法是通用的方法。

動態交通分配是按照一定的準則將動態交通需求量合理地分配到路網上，從而得到路段實時交通量的方法，實現降低交通擁擠程度和提高路網運行效率的目的。此類方法目標明確，理論清晰，但也存在以下不足之處：①假設條件苛刻，在實際路網中無法得到相應信息或取得信息的代價昂貴；②某些模型的解釋性雖然較好，但無法求解或求解難度大，優化時間長；③過分強調精確的系統最優或用戶最優分配結果，加大了模型求解的難度，也不適合在大規模路網上實現應用。

四、非參數回歸模型

非參數回歸模型也叫做多元回歸模型，是一種多條路段分析方法，這是對單條路段分析的擴展。所謂單條路段分析是基于以前的本路段和幾條相鄰路段的交通流量信息對該路段進行交通流量預測。它所應用的場合是：不需要先驗知識，只需足夠的歷史數據。它尋找歷史數據中與當前點相似的“近鄰”，并用那些“近鄰”預測下一個時段的流量。該算法認為系統所有的因素之間的內在聯系都蘊涵在歷史數據中，因此直接從歷史數據中得到信息而不是為歷史數據建立一個近似模型。也就是說非參數建模沒有將歷史數據作平滑處理，因此，在有特殊事件發生時，較適合。

五、神經網絡模型

神經網絡是一種新興的數學建模方法，它具有識別復雜非線性系統的特性，交通系統是復雜巨系統，因此神經網絡比較適合于交通領域應用。它采用典型的“黑箱”式學習模式，很適合交通流預測的應用，它不需要任何經驗公式，就能從已有數據中自動的歸納規則，獲得這些數據的內在規律，即使不清楚預測問題的內部機理，只要有大量的輸入、輸出樣本，經神經網絡“黑箱”內部自動調整后，便可建立良好的輸入、輸出映射模型。

但正是由于神經網絡的這種“黑箱”式學習模式，所以通過神經網絡不能獲得容易被人接受的輸入/輸出關系，而且在訓練過程中需要大量的原始數據，數據不足會導致不好的預測結果；訓練完成的網絡只適合于當前研究路段，當道路條件和交通狀況改變時，訓練完成的網絡將不再適用，也不能用于其他路段，故推廣能力差；同時，神經網絡的學習算法采用經驗風險最小化原理(ERM)，不能使期望風險最小化，在理論上存在缺陷。

六、基于混沌理論的模型

混沌學是一門新興學科，混沌理論研究的是非線性動力學系統的混沌。混沌(Chaos)是指一種貌似無規則的運動，指在確定性非線性系統中，不需附加任何隨機因素亦可出現類似隨機的行為(內在隨機性)。混沌的最大特點就在于系統的演化對初始條件十分敏感，也就是著名的“蝴蝶效應”。混沌理論研究的目的是揭示貌似隨機的現象背后可能隱藏的簡單規律，以求利用這些普遍遵循的共同規律來解決一大類復雜系統的問題。復雜系統所表現的非線性動力學性質，是混沌存在的根源。混沌現象是可以短期預測，而長期不能預測的。對于交通的預測，也表現出了這一點，交通流可以短期預測，但不可長期預測。理論上講，復雜系統中總是存在著混沌，交通流系統是人的群體參與的開放的復雜巨系統，因此交通中存在著混沌。

通過上述對各種交通流預測模型的比較和分析，可看出任何一個模型都具有其優勢和缺點。沒有理論證明哪種模型用于哪種交通狀態最好，單個模型有局限性，所以用綜合模型進行預測將是交通流預測領域的發展趨勢。另外，交通系統本質上是人、車、路綜合作用的一個復雜巨系統，是一個開放、遠離平衡的系統、是一個具有自組織特性的、“組織”與 “自組織”交互作用貫穿全過程的動態系統；系統內部存在著非線性的相互作用、系統的內部過程具有不可逆性，所以基于非線性系統理論的綜合模型用于短期交通流預測將有很廣闊的應用前景。

參考文獻：

[1] 劉靜，關偉. 交通流預測方法綜述 [J]. 公路交通科技，2004(3)：82-85

[2] 楊兆升. 城市交通流誘導系統理論與模型 [B]. 人民交通出版社，2000

總結

以上是生活随笔為你收集整理的python交通流预测算法_对各种交通流预测模型的简要分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。