万方数据
第40卷第9期同济大学学报(自然科学版)
Vol_40No.9
2012年9月
JOURNALOFTONGJIUNI、,ERSITY(NA,nmAI.ScIENcE)
Sep.2012
文章编号:0253—374X(2012)09—1323—06
DOI:10.3969/j.issn.0253—374x.2012.09.008
道路网交通流状态变化趋势判别方法
董春娇1’2,邵春福2,谢坤1,李慧轩2
(1.田纳西大学交通研究中心,田纳西诺克斯维尔37996;2.北京交通大学城市交通复杂系统理论与技术教育部重点实验室,北京100044)
摘要:根据城市快速路交通流参数实测数据所表征的交通流granulationwhichismadeupbyL,RandUparameters.状态特性,结合基本图和三相交通流理论,将道路网交通流Then。ElmanneuralnetworkiSemployedtorealizetraffic状态划分为自由流状态、拥挤流状态和阻塞流状态.在此基statespredictionwiththreeparametersoffuzzyinformation
础上,采用模糊信息粒化的思想,以道路网检测断面数为窗granulation
as
inputting.Subsequently,trafficstates
口,设计三角形模糊隶属函数,将同时段的道路网交通流状compositeindex
is
calculated
by
the
prediction
result
to
态映射为含有低边界值L、中值R和高边界值u三参数的模identifythetrafficstates.Finally,theempiricalresearches
糊信息粒.以模糊信息粒为输入,建立Elman网络模型预测proceedby
taking
a
region
in
Beijing
urbanexpressway交通流状态变化趋势.依据预测结果计算道路网交通流状态network,theresearch
results
show
thatthe
proposed
综合指数,判别未来时段道路网交通流状态,并以北京市某methodologycan
realize
identificationof
traffic
states
variationin
road
network,theidentification
一区域路网为例进行实证性研究.研究结果表明:所提出的accuracy
iS
93.33%,however,the
idenfification
accuracy
of
SVM
方法能够实现道路网交通流状态变化趋势判别,准确率为methodon
thesameconditioniS86.67%.
93.33%,同等条件下支持向量机模型判别准确率仅为86.
67%.
Key
words:traffic
states;trend
identification;fuzzy
informationgranulation;Elmannetwork
关键词:交通流状态;趋势判别;模糊信息粒;Elman网络
中图分类号:U
491
文献标识码:A
交通流状态判别有多种方法,从简单的人工巡
Identificationof
Traffic
StateVariationTrend
逻判别方法到紧急电话、移动电话判别方法,从闭路
inRoadNetwork
电视判别方法到全自动电子监视判别方法等等.这
些方法都能够在一定程度、一定范围内发现道路上
DONG
Chunjia01“,SHAOChunfu2,XIE
Kunl,LI
存在的交通拥堵状况.
I-Iuixuan2
最早开发并投入使用的交通流状态判别算法是
(1.CenterforTransportationResearch,theUniversityofTennessee,
KnoxvilleTN
37996,USA;2.MOEKeyLaboratoryforUrban
以判别突发交通事件为主要功能的加利福尼亚算
Transportation
ComplexSystemsTheoryandTechnology,Beijing
法.经过实践和进一步的深入研究,1978年Payne
JiaotongUniversity,Beijing100044,China)
和TignorEl]公布了10种基于最初的加州算法的改
进算法,其中性能最好的是加州78算法和加州8
o
Abstraet:Underthetheoreticalframeworksofboth
the
算法.1993年Chassiakos和StephanedesL21开发了
traditionalfundamentaldiagramapproachandnewly—developed一种低通滤波算法,采用移动平均的方法去除交通
three—phasetraffictheory,withregardtothecharacteristicsoftraffic
flow
based
on
detection
data。traffic
flowwas
流参数实测数据中的噪声和高频成分,只保留低频splittingintothreetrafficstates,whichincludefreetraffic,数据实现对交通拥挤的判别.同年Abdulhaic3]建立congestedtrafficand
jamtraffic.Inthelightoftrafficstates
了概率神经网络(PNN)对突发交通事件进行判别.definition,firstly,trafficflowparametersofroadnetworkat同年Antoniades和Stephanedes[4]开发了一种单监
the
same
instant
iS
transformed
to
fuzzy
information
测站交通事件判别算法(SSID),运用统计分析中的
收稿日期:2011一06一13
基金项目:国家自然科学基金(50778015);国家“九七三”重点基础研究发展规划(2006CB705500)
第一作者:董春娇(1982),女,博士后助理研究员,工学博士,主要研究方向为智能交通系统、交通安全以及城市交通规划与管理
E-mail:dongchj2006@163.com
通讯作者:邵春福(1957),男,教授,博士生导师,工学博士,主要研究方向为交通规划、智能交通系统及交通安全.
E-mail:cfshao@bjtu,edu.cn
同济大学学报(自然科学版)
第40卷
万方数据
T检验方法分析单个监测站占有率数据差异实现对突发交通事件的判别.综上所述,早期的交通流状态判别算法主要以突发交通事件为研究对象,大部分都以感应线圈采集的交通流量、占有率和地点速度等交通流数据为基础,所采用的技术方法主要包括决策树、统计分析、平滑滤波等常规方法.经过近40
年的发展,模糊理论、专家系统、模式识别、人工神经网络等人工智能技术已经成为交通流状态判别算法
设计的重要手段,除了常规交通检测器能够提供的
交通量、地点速度和占有率外,间接交通流状态判别算法设计的信息基础还包括车头时距、车辆的瞬时
速度与行程时间、交通流的平均行程时间与平均行
程速度等.交通流参数检测技术的发展为交通流状
态判别算法有效性的提高创造了条件.
本文在交通流状态界定的基础上,采用模糊粒
化的方法,将同时段道路网交通流状态参数映射为
含有低边界值L、中值R和高边界值【,三参数的模
糊信息粒,并建立Elman网络模型对其变化趋势进
行预测,基于预测结果,计算道路网交通流状态综合指数,将交通流状态划分为自由流状态、拥挤流状态
和阻塞流状态,以期为不同状态下的交通流短时预测方法、控制及诱导策略提供技术支持.
1
交通流状态变化趋势预测方法
1.1交通流状态
道路交通流特性可用交通流状态描述,交通流在不同状态下呈现出不同的特征.基于我国城市快
速路交通流特性,结合基本图和三相交通流理
论[s一引,可将交通流划分为自由流状态、拥挤流状态和阻塞流状态,如图1所示.图中,Qr。。为交通流率最
大值(即自由流状态下交通流率临界值),(乙。为时间占有率最大值(即阻塞流状态下占有率临界值).
围1城市快速路交通流状态划分
Fig.1
Trafficflowstatessplitting
on
urban
expressway
3种交通流状态下的交通特征为:①自由流状
态——交通流率较小,道路上行驶的车辆基本上不
受或少受其他车辆的影响,可以保持较高的车速;②
拥挤流状态
车辆行驶速度受到前车的制约,但
车流行驶状态比较稳定,且本身具有一定的抗干扰
能力,该状态下交通流率可以达到最大值,当交通需
求继续增加,会使车流产生较大的波动,车流运行速
度出现显著下降,交通流呈现出很大的波动性;③
阻塞流状态——交通流密度较大,速度受前车制约性强,车辆行驶自由度小,车速稳定性较差,显示出
较大的波动性,当交通流率继续增加,车流会出现走走停停现象.
1.2交通流状态变化趋势预测方法
交通流状态变化趋势预测是基于交通流参数实测值以预测交通流状态变化趋势和未来时段的交通
流状态.本文基于模糊信息粒化的思想,将同一时段
的道路网交通流参数映射为包含L,R,U三参数的
模糊信息粒,建立Elman网络模型对三参数进行预测,判别未来时段交通流状态,其方法流程如图2所
示.图中,0f。,0吣。和Oj。分别为自由流、拥挤流和
阻塞流状态下时间占有率临界值,K为道路网交通流状态综合指数.
2
交通流状态模糊信息粒化
2.1模糊信息粒化方法
信息粒化(informationgranulation,IG)研究信
息粒化的形成、表示、粗细、语义解释等,通过不可区分性、功能相近性、相似性、函数性等划分对象集合啪.模糊信息粒是以模糊集表示的信息粒,用模糊集方法对时间序列进行模糊信息粒化,主要分两个
步骤:划分窗口和模糊化.划分窗121就是将时间序列分割成若干子序列,作为操作窗口;模糊化则是将产生的每一个窗VI进行模糊化,生成一个个模糊集.这
两种广义模式结合在一起就是模糊信息粒化,称为
f-粒化.在严粒化中,最为关键的是模糊化的过程,
也就是在所给的窗口上建立一个合理的模糊集,使
其能够取代原来窗口中的数据,本文采用派垂驰(W.Pedrycz)的粒化方法.
对于给定的时间序列,考虑单窗口问题,即把整
个时序X看成是一个窗口进行模糊化.模糊化的任
务是在X上建立一个模糊信息粒子P,即一个能够
合理描述X的模糊概念G(以X为论域的模糊集合),确定了G也就确定了模糊信息粒子P
声尘z是G
(1)
第9期
董春娇,等:道路网交通流状态变化趋势判别方法
万方数据
基
于
Elman
的模糊粒子预测
交通
流状态变化趋势预
测
-●----一L-●_---●‘●---●---一一●-●-_●●一-●-●----一一_,●●●-一一-
图2交通流状态变化趋势判别方法流程
Fig.2
Flowchartoftrafficstatesvariationidentification
因此模糊化过程本质上就是确定一个函数A的本文建立模糊信息粒子的基本思想:①模糊信的最佳平衡,可考虑建立如下关于A的一个函数:
Q—MA/Na
(2)
常用的模糊信息粒子有:三角形、梯形、高斯形、
用三角形模糊信息粒子作为描述同一时段道路网交
通流状态,其隶属函数如下;
fO,z<盘
A(z,n,b,(.)一_《
I篙,口≤z≤bl两C--3。,6<z≤c
(3)
lo,z>f
式中:A为隶属函数;a为三角形模糊信息粒子最小值;6为三角形模糊信息粒子中值;c为三角形模糊信息粒子最大值.
2.2交通流状态模糊信息粒子计算
交通流状态是占有率的单值函数,因此以占有
率为输入,判别交通流状态变化趋势.设研究范围内
共有m个断面,则t时段共有O,,O。,…,O。个值反映交通流状态,借助模糊信息粒化的思想,建立三角形
模糊信息粒子模型,将同一时段的占有率映射为包
含3个参数(U,R,L)的模糊信息粒子描述道路网交通流状态,具体步骤为:
步骤1将同一时段的占有率O。,O:,…,O。按从小到大重新排序,设排序后的时间序列为0一(o,,
02,…,O。).
步骤2确定三角形模糊信息粒子参数R.
R反映的是道路网交通流状态变化的平均趋势,可按下式计算:
R一{生挚,以一2m
rom,n一2m+1
‘4’
步骤3确定三角形模糊信息粒子参数L.
L反映的是道路网交通流状态变化区间的最低值,其值既要小于R,又应具有独立性,计算公式为
f
L一』
ImaxI垒型
f∑A(o。)1
l
R~L
J
l
I
(5)
∑A(o;)
l
L
2×芏竺L一一R
m
步骤4确定三角形模糊信息粒子参数UU反映的是道路网交通流状态变化区间的最高值,其值既要大于R,又应具有独立性,计算公式为
f
u—J
{maxl垒型
f∑A(ot)1
l
u~R
J
1.
l
(6)
∑A(o。)
I
L
2×堕兰L一一R
m
通过模糊信息粒子的计算,将反映道路网交通
过程,A是模糊概念G的隶属函数.通常粒化时首先
确定模糊概念的基本形式,然后确定具体的隶属函
数A.
息粒子能够合理地代表原始数据;②模糊信息粒子要有一定的特殊性.为满足上述两个要求,找到两者满足建立模糊信息粒子的基本思想②.
其中,MA满足建立模糊信息粒子的基本思想①,NA
抛物形等.其中三角形模糊信息粒子形式简单,且参
数设置和交通流状态变化趋势具有相似性.本文采
同济大学学报(自然科学版)
第40卷
万方数据
流状态变化的占有率时间序列转化为具有3个参数的状态区间,为交通流状态变化趋势判别提供输入参数.
3基于模糊信息粒化的道路网交通流
状态变化趋势判别
结合模糊信息粒化结果,建立Elman网络模型对三参数进行预测,判别交通流状态变化趋势.
Elman网络是Elman于1990年提出的,该模型在前
馈网络的隐含层中增加一个承接层,作为延时算子,以达到记忆的目的,从而使系统具有适应时变特性
的能力,能直接反映系统动态过程特性[8’9].
Elman网络一般分为4层:输入层、中间层(隐含层)、承接层和输出层,如图3所示,图中符号含义见式(7),(8)和(9)的参数解释.输人层的单元仅起
信号传输作用,输出层单元起线性加权作用,隐含层
单元的传递函数可采用线性或非线性函数,承接层
又称为状态层,它用来记忆隐含层单元前一时段的输出值并返回给输入,可认为是延时算子。
承接层4
图3
Elman网络结构图
Fig.3
StructureofElmanneuralnetwork
Elman网络的特点是隐含层的输出通过承接层
的延迟与存储,自联到隐含层的输入.这种自联方式
使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而
达到了动态建模的目的.基于Elman网络的模糊信
息粒子预测模型如下:
y(忌)一g(w3z(尼))
(7)z(尼)一f(wlz。(忌)+训2(口(是一1)))
(8)
z。(忌)一x(k一1)
(9)
式中:Y,z,a,z。分别为m维输出节点向量、竹维中
间层节点单元向量、r维时间序列输入向量和7"1维反馈状态向量;硼。,叫。,训,分别表示中间层到输出层、
输入层到中间层、承接层到中间层的连接权值;
g(・)为输出神经元的传递函数,是中间层输出的线性组合;厂(・)为中间层神经元的传递函数,常采用
S函数,即厂(z)一1/(1+e一).Elman网络学习指标函数采用如下误差平方和函数:
E(叫)一∑Ey。(训)一五(叫)]2
(10)
式中:E(训)为学习指标函数;Y。(叫)为目标输出向
量真值;五(叫)为目标输出向量预测值.
基于模糊信息粒化的Elman网络交通流状态变
化趋势判别主要步骤为:
步骤l建立Elman网络模型对模糊信息粒子
进行预测;
步骤2根据预测的模糊信息粒子,计算道路网交通流状态综合指数,结合交通流状态划分阈值,判
别道路网交通流状态.
应用于交通流状态变化趋势预测的道路网交通流状态综合指数计算方法如下:
f(R升-+“。)/2,
‰一l…
I(R升1+L件1)/2,
‰1屯卅卜㈨r--L,)>0(11)【
(U件1一L卧1)~(U—L:)≤0
式中,K州为t+1时刻道路网交通流状态综合指数.根据计算的道路网交通流状态综合指数可判别道路网交通流状态变化趋势.
实证性研究
以图4所示预测范围内9个断面24h以2rain
为时间间隔的交通流占有率数据,数据为6
480×1
型矩阵,按照模糊信息粒化模型对原始数据进行模糊信息粒化.本文将9个断面的交通流占有率数据作为一个窗口大小,将同一时段的占有率模糊粒化
为L,R,U三个参数,结果如图5所示.
北
令
憋
∽拶_陬酝三环
●预测断面—-预测流向
一辅助断面一+辅助流向
图4区域快速路网示意图
Fig.4
Atestexpresswaynetwork
粒化后的3个参数均服从占有率的时间变化规
第9期
董春娇,等:道路网交通流状态变化趋势判别方法
万方数据
律,其中,L描述的是道路网交通流状态变化的最小
值;R描述的是道路网交通流状态变化的平均水平;U描述的是道路网交通流状态变化的最大值.
605040
j鹫
基30梨
2010
090
180270
360450540630730
粒化窗口数目
图5模糊信息粒化结果图
Fig.5
Resultofoffuzzyinformationgrain
根据模糊信息粒化结果,建立Elman网络模型对模糊信息粒子进行预测.训练输入样本为719×3
型矩阵,训练输出样本为719×3型矩阵,即以前一
时段的模糊信息粒子作为输入,预测下一时段模糊
信息粒子值,根据输入、输出样本的数据特征,设计Elman网络输入节点为3,输出节点为3,隐层节点数由试算法确定,初步设定隐层节点数为4—11,然
后用训练样本集合对Elman网络模型进行训练测
试,评价其预测效果,选择出最优模型.表1为不同
隐层节点下训练的Elman网络模型性能.
表1不同隐层节点下Elman网络性能比较
Tab.1
ComparisonofElmanNNperformance
fordifferencehiddennote
由表1可知,隐层节点数为7的Elman网络性能最好,因此采用隐层节点数为7的Elman网络用
于模糊信息粒子的变化趋势预测.
以预测范围内1h的交通流实测数据模糊粒化
值作为测试样本,利用训练得到的Elman模型,对测试样本L,R,U进行回归预测,结果如图6a所示。由图6a可知,R参数的预测效果最好,U参数预测有
偏大的趋势,而L参数预测有偏小的趋势,3个参数预测的平均绝对百分比误差(mean
absolute
percentage
error,MAPE)与平均绝对偏差(mean
absolute
deviation,MAD)如表2所示.
表2基于Elman网络的模糊信息粒子预测误差
Tab.2
Prediction
error
offuzzyinformation
grainwithElmanNN
根据预测得到的L,R及U按式(11)计算道路网综合状态指数,采用Of,。一22%,0c。一54%,O。
=80%作为道路网交通流状态判别阈值,判别结果
如图6b所示,其中0f,。,0c。和Q。分别为根据实测值估算的自由流、拥挤流和阻塞流状态下时间占有率临界值.30个时问序列中共存在2次误判,判别准
确率为93.33%.
蔷藿箍j醛
篓模糊信息粒实际值M
a模糊信息粒子回归预测结果
时间序列/min
b道路网交通流状态判别结果
图6基于Elman网络的交通流状态变化趋势判别
Fig.6
Identificationresult
oftraffic
states
on
expresswaynetwork
with
Elman
neural
ngtwork
为了比较方法的有效性,以图4所示预测范围
内9个断面24h的交通流数据作为训练集建立交通流状态判别支持向量机(SVM)模型,训练集数据为
6
480×3型矩阵,建模过程采用交叉验证方法优化
模型中的惩罚参数f和核函数y.优化后的SVM模
型可以使训练集交通流状态判别结果准确率达到
同济大学学报(自然科学版)
第40卷
99.83%.采用优化的SVM模型,在相同条件下对道性研究,研究结果表明,本文提出的方法能够实现道路网交通流状态变化趋势的预测判别,准确率为
93.33%,同等条件下SVM模型判别准确率仅为
86.67%.
路网交通流状态进行判别,结果如图7所示.由于是以当前时段的交通流参数判别未来时段的交通流状
态,因此存在一定的时滞性,30个时间序列中共存在4次误判,判别准确率为86.67%.通过对比发现,本文提出的交通流状态变化趋势判别方法,判别准确
参考文献:
万方数据
率高,且优于基于SVM的方法.
时间序列/min
图7基于SVM的快速路网交通流状态判别结果
Fig.7
Identificationresultofexpresswaynetwork
trafficstateswithSVMModel
5
结语
(1)基于城市快速路交通流实测数据,结合基
本图和三相交通流理论,将城市快速路交通流状态划分为自南流状态、阻塞流状态和拥挤流状态.
(2)应用模糊信息粒化的方法,以道路网检测断面数为窗口,设计三角形模糊隶属函数,将同一时段的道路网交通流占有率映射为含有R,L和U三参数的模糊信息粒子表征道路网交通流状态变化趋
势.
(3)建立Elman网络模型,以模糊信息粒参数
R,L和U为输入,预测道路网交通流状态变化趋
势,在此基础上计算道路网交通流状态综合指数,判别道路网交通流状态.
(4)以北京市某一区域路网为例,进行了实证
[13
[2]Chassiakos
E3]Abdulhai
[4]Antoniades
Es]BorisE63
1-73候方国,胡圣武.模糊信息粒化理论在空间信息系统地位的探
E8]DONGf9]董春娇,邵春福,熊志华,等.基于Elman神经网络的道路网
PayneHJ,TignorSC.Freewayincident-detectionalgorithmsbased
on
decisiontreeswith
statesU5.Transportation
Research
Record682,1978:30.
AP,Stephanedes,YJ.Smoothingalgorithmsfor
incidentdetection[J].TransportationResearch
Record1394,
1993:8,
B.A
neuro-genetic—baseduniversity
transferable
freeway
incident
detection
framework[J].Transportation
ReseatchRecord1859,1996:171.
C
N,Stephanedes
Y
J.Single—stationincident
detectionalgorithm(SSID)forsparselyinstrumentedfreeway
sites[C]//Applicationsof
Advanced
Technologies
to
TransportationEngineering,NewYork:ASCE,t995:218.
SKerner.Three—phasetraffictheoryandhighwaycapacity
EJ].Physica
A,2004,333:379.
Boris
SKerner,SergeyLKlenov,AndreasHiller.Empirical
testof
a
microscopicthree—phasetraffictheory
EJ].Nonlinear
Dynamics,2007,49:525,
讨[J].测绘与空间地理信息,2004,27(3):14.
HOUFangguo,HUShengwu.Study
on
thepositionofTGIFin
spatialinformation
system[J].Geomatics&Spatial
Information
Technology,2004.27(3):14.
Chunjiao。sl讼o
Chunfu,LIXia.Short-termtrafficflow
forecasting
of
road
network
based
on
spatml・temporal
characteristicsoftraffic
flow[c]//2009w砌World
Congress
on
Computer,Scienceand
Information
Engineering,Los
Angeles:Is.n.],2009:645.
短时交通流预测方法[J].交通运输系统工程与信息,2010,10
(1):145.
DONGChunjiao,SHAOChnnfu,XIONGZhihua,eta1.Short.
termtrafficflowforecastingofroadnetworkbased
on
Elman
neural
network[j].Journal
of
TransportationSystems
EngineeringandInformationTechnology,2010,10(1):145.
道路网交通流状态变化趋势判别方法
作者:作者单位:刊名:英文刊名:年,卷(期):
董春娇, 邵春福, 谢坤, 李慧轩, DONG Chunjiao, SHAO Chunfu, XIE Kun, LI Huixuan
董春娇,DONG Chunjiao(田纳西大学交通研究中心,田纳西诺克斯维尔37996;北京交通大学城市交通复杂系统理论与技术教育部重点实验室,北京100044), 邵春福,李慧轩,SHAO Chunfu,LI Huixuan(北京交通大学城市交通复杂系统理论与技术教育部重点实验室,北京,100044), 谢坤,XIE Kun(田纳西大学交通研究中心,田纳西诺克斯维尔37996)
同济大学学报(自然科学版)
Journal of Tongji University(Natural Science)2012,40(9)
参考文献(9条)
1. Payne H J;Tignor S C Freeway incident-detection algorithms based on decision trees with states 19782. Chassiakos A P;Stephanedes,Y J Smoothing algorithms for incident detection 1993
3. Abdulhai B A neuro-genetic-based university transferable freeway incident detection framework 1996
4. Antoniades C N;Stephanedes Y J Single-station incident detection algorithm (SSID) for sparsely instrumented freeway sites 19955. Boris S Kerner Three-phase traffic theory and highway capacity 2004
6. Boris S Kerner;Sergey L Klenov;Andreas Hiller Empirical test of a microscopic three-phase traffic theory 20077. 候方国;胡圣武 模糊信息粒化理论在空间信息系统地位的探讨[期刊论文]-测绘与空间地理信息 2004(03)
8. DONG Chunjiao;SHAO Chunfu;LI Xia Short-term traffic flow forecasting of road network based on spatial-temporal characteristics of traffic flow 20099. 董春娇;邵春福;熊志华 基于Elman神经网络的道路网短时交通流预测方法[期刊论文]-交通运输系统工程与信息 2010(01)
本文链接:http://d.g.wanfangdata.com.cn/Periodical_tjdxxb201209008.aspx
万方数据
第40卷第9期同济大学学报(自然科学版)
Vol_40No.9
2012年9月
JOURNALOFTONGJIUNI、,ERSITY(NA,nmAI.ScIENcE)
Sep.2012
文章编号:0253—374X(2012)09—1323—06
DOI:10.3969/j.issn.0253—374x.2012.09.008
道路网交通流状态变化趋势判别方法
董春娇1’2,邵春福2,谢坤1,李慧轩2
(1.田纳西大学交通研究中心,田纳西诺克斯维尔37996;2.北京交通大学城市交通复杂系统理论与技术教育部重点实验室,北京100044)
摘要:根据城市快速路交通流参数实测数据所表征的交通流granulationwhichismadeupbyL,RandUparameters.状态特性,结合基本图和三相交通流理论,将道路网交通流Then。ElmanneuralnetworkiSemployedtorealizetraffic状态划分为自由流状态、拥挤流状态和阻塞流状态.在此基statespredictionwiththreeparametersoffuzzyinformation
础上,采用模糊信息粒化的思想,以道路网检测断面数为窗granulation
as
inputting.Subsequently,trafficstates
口,设计三角形模糊隶属函数,将同时段的道路网交通流状compositeindex
is
calculated
by
the
prediction
result
to
态映射为含有低边界值L、中值R和高边界值u三参数的模identifythetrafficstates.Finally,theempiricalresearches
糊信息粒.以模糊信息粒为输入,建立Elman网络模型预测proceedby
taking
a
region
in
Beijing
urbanexpressway交通流状态变化趋势.依据预测结果计算道路网交通流状态network,theresearch
results
show
thatthe
proposed
综合指数,判别未来时段道路网交通流状态,并以北京市某methodologycan
realize
identificationof
traffic
states
variationin
road
network,theidentification
一区域路网为例进行实证性研究.研究结果表明:所提出的accuracy
iS
93.33%,however,the
idenfification
accuracy
of
SVM
方法能够实现道路网交通流状态变化趋势判别,准确率为methodon
thesameconditioniS86.67%.
93.33%,同等条件下支持向量机模型判别准确率仅为86.
67%.
Key
words:traffic
states;trend
identification;fuzzy
informationgranulation;Elmannetwork
关键词:交通流状态;趋势判别;模糊信息粒;Elman网络
中图分类号:U
491
文献标识码:A
交通流状态判别有多种方法,从简单的人工巡
Identificationof
Traffic
StateVariationTrend
逻判别方法到紧急电话、移动电话判别方法,从闭路
inRoadNetwork
电视判别方法到全自动电子监视判别方法等等.这
些方法都能够在一定程度、一定范围内发现道路上
DONG
Chunjia01“,SHAOChunfu2,XIE
Kunl,LI
存在的交通拥堵状况.
I-Iuixuan2
最早开发并投入使用的交通流状态判别算法是
(1.CenterforTransportationResearch,theUniversityofTennessee,
KnoxvilleTN
37996,USA;2.MOEKeyLaboratoryforUrban
以判别突发交通事件为主要功能的加利福尼亚算
Transportation
ComplexSystemsTheoryandTechnology,Beijing
法.经过实践和进一步的深入研究,1978年Payne
JiaotongUniversity,Beijing100044,China)
和TignorEl]公布了10种基于最初的加州算法的改
进算法,其中性能最好的是加州78算法和加州8
o
Abstraet:Underthetheoreticalframeworksofboth
the
算法.1993年Chassiakos和StephanedesL21开发了
traditionalfundamentaldiagramapproachandnewly—developed一种低通滤波算法,采用移动平均的方法去除交通
three—phasetraffictheory,withregardtothecharacteristicsoftraffic
flow
based
on
detection
data。traffic
flowwas
流参数实测数据中的噪声和高频成分,只保留低频splittingintothreetrafficstates,whichincludefreetraffic,数据实现对交通拥挤的判别.同年Abdulhaic3]建立congestedtrafficand
jamtraffic.Inthelightoftrafficstates
了概率神经网络(PNN)对突发交通事件进行判别.definition,firstly,trafficflowparametersofroadnetworkat同年Antoniades和Stephanedes[4]开发了一种单监
the
same
instant
iS
transformed
to
fuzzy
information
测站交通事件判别算法(SSID),运用统计分析中的
收稿日期:2011一06一13
基金项目:国家自然科学基金(50778015);国家“九七三”重点基础研究发展规划(2006CB705500)
第一作者:董春娇(1982),女,博士后助理研究员,工学博士,主要研究方向为智能交通系统、交通安全以及城市交通规划与管理
E-mail:dongchj2006@163.com
通讯作者:邵春福(1957),男,教授,博士生导师,工学博士,主要研究方向为交通规划、智能交通系统及交通安全.
E-mail:cfshao@bjtu,edu.cn
同济大学学报(自然科学版)
第40卷
万方数据
T检验方法分析单个监测站占有率数据差异实现对突发交通事件的判别.综上所述,早期的交通流状态判别算法主要以突发交通事件为研究对象,大部分都以感应线圈采集的交通流量、占有率和地点速度等交通流数据为基础,所采用的技术方法主要包括决策树、统计分析、平滑滤波等常规方法.经过近40
年的发展,模糊理论、专家系统、模式识别、人工神经网络等人工智能技术已经成为交通流状态判别算法
设计的重要手段,除了常规交通检测器能够提供的
交通量、地点速度和占有率外,间接交通流状态判别算法设计的信息基础还包括车头时距、车辆的瞬时
速度与行程时间、交通流的平均行程时间与平均行
程速度等.交通流参数检测技术的发展为交通流状
态判别算法有效性的提高创造了条件.
本文在交通流状态界定的基础上,采用模糊粒
化的方法,将同时段道路网交通流状态参数映射为
含有低边界值L、中值R和高边界值【,三参数的模
糊信息粒,并建立Elman网络模型对其变化趋势进
行预测,基于预测结果,计算道路网交通流状态综合指数,将交通流状态划分为自由流状态、拥挤流状态
和阻塞流状态,以期为不同状态下的交通流短时预测方法、控制及诱导策略提供技术支持.
1
交通流状态变化趋势预测方法
1.1交通流状态
道路交通流特性可用交通流状态描述,交通流在不同状态下呈现出不同的特征.基于我国城市快
速路交通流特性,结合基本图和三相交通流理
论[s一引,可将交通流划分为自由流状态、拥挤流状态和阻塞流状态,如图1所示.图中,Qr。。为交通流率最
大值(即自由流状态下交通流率临界值),(乙。为时间占有率最大值(即阻塞流状态下占有率临界值).
围1城市快速路交通流状态划分
Fig.1
Trafficflowstatessplitting
on
urban
expressway
3种交通流状态下的交通特征为:①自由流状
态——交通流率较小,道路上行驶的车辆基本上不
受或少受其他车辆的影响,可以保持较高的车速;②
拥挤流状态
车辆行驶速度受到前车的制约,但
车流行驶状态比较稳定,且本身具有一定的抗干扰
能力,该状态下交通流率可以达到最大值,当交通需
求继续增加,会使车流产生较大的波动,车流运行速
度出现显著下降,交通流呈现出很大的波动性;③
阻塞流状态——交通流密度较大,速度受前车制约性强,车辆行驶自由度小,车速稳定性较差,显示出
较大的波动性,当交通流率继续增加,车流会出现走走停停现象.
1.2交通流状态变化趋势预测方法
交通流状态变化趋势预测是基于交通流参数实测值以预测交通流状态变化趋势和未来时段的交通
流状态.本文基于模糊信息粒化的思想,将同一时段
的道路网交通流参数映射为包含L,R,U三参数的
模糊信息粒,建立Elman网络模型对三参数进行预测,判别未来时段交通流状态,其方法流程如图2所
示.图中,0f。,0吣。和Oj。分别为自由流、拥挤流和
阻塞流状态下时间占有率临界值,K为道路网交通流状态综合指数.
2
交通流状态模糊信息粒化
2.1模糊信息粒化方法
信息粒化(informationgranulation,IG)研究信
息粒化的形成、表示、粗细、语义解释等,通过不可区分性、功能相近性、相似性、函数性等划分对象集合啪.模糊信息粒是以模糊集表示的信息粒,用模糊集方法对时间序列进行模糊信息粒化,主要分两个
步骤:划分窗口和模糊化.划分窗121就是将时间序列分割成若干子序列,作为操作窗口;模糊化则是将产生的每一个窗VI进行模糊化,生成一个个模糊集.这
两种广义模式结合在一起就是模糊信息粒化,称为
f-粒化.在严粒化中,最为关键的是模糊化的过程,
也就是在所给的窗口上建立一个合理的模糊集,使
其能够取代原来窗口中的数据,本文采用派垂驰(W.Pedrycz)的粒化方法.
对于给定的时间序列,考虑单窗口问题,即把整
个时序X看成是一个窗口进行模糊化.模糊化的任
务是在X上建立一个模糊信息粒子P,即一个能够
合理描述X的模糊概念G(以X为论域的模糊集合),确定了G也就确定了模糊信息粒子P
声尘z是G
(1)
第9期
董春娇,等:道路网交通流状态变化趋势判别方法
万方数据
基
于
Elman
的模糊粒子预测
交通
流状态变化趋势预
测
-●----一L-●_---●‘●---●---一一●-●-_●●一-●-●----一一_,●●●-一一-
图2交通流状态变化趋势判别方法流程
Fig.2
Flowchartoftrafficstatesvariationidentification
因此模糊化过程本质上就是确定一个函数A的本文建立模糊信息粒子的基本思想:①模糊信的最佳平衡,可考虑建立如下关于A的一个函数:
Q—MA/Na
(2)
常用的模糊信息粒子有:三角形、梯形、高斯形、
用三角形模糊信息粒子作为描述同一时段道路网交
通流状态,其隶属函数如下;
fO,z<盘
A(z,n,b,(.)一_《
I篙,口≤z≤bl两C--3。,6<z≤c
(3)
lo,z>f
式中:A为隶属函数;a为三角形模糊信息粒子最小值;6为三角形模糊信息粒子中值;c为三角形模糊信息粒子最大值.
2.2交通流状态模糊信息粒子计算
交通流状态是占有率的单值函数,因此以占有
率为输入,判别交通流状态变化趋势.设研究范围内
共有m个断面,则t时段共有O,,O。,…,O。个值反映交通流状态,借助模糊信息粒化的思想,建立三角形
模糊信息粒子模型,将同一时段的占有率映射为包
含3个参数(U,R,L)的模糊信息粒子描述道路网交通流状态,具体步骤为:
步骤1将同一时段的占有率O。,O:,…,O。按从小到大重新排序,设排序后的时间序列为0一(o,,
02,…,O。).
步骤2确定三角形模糊信息粒子参数R.
R反映的是道路网交通流状态变化的平均趋势,可按下式计算:
R一{生挚,以一2m
rom,n一2m+1
‘4’
步骤3确定三角形模糊信息粒子参数L.
L反映的是道路网交通流状态变化区间的最低值,其值既要小于R,又应具有独立性,计算公式为
f
L一』
ImaxI垒型
f∑A(o。)1
l
R~L
J
l
I
(5)
∑A(o;)
l
L
2×芏竺L一一R
m
步骤4确定三角形模糊信息粒子参数UU反映的是道路网交通流状态变化区间的最高值,其值既要大于R,又应具有独立性,计算公式为
f
u—J
{maxl垒型
f∑A(ot)1
l
u~R
J
1.
l
(6)
∑A(o。)
I
L
2×堕兰L一一R
m
通过模糊信息粒子的计算,将反映道路网交通
过程,A是模糊概念G的隶属函数.通常粒化时首先
确定模糊概念的基本形式,然后确定具体的隶属函
数A.
息粒子能够合理地代表原始数据;②模糊信息粒子要有一定的特殊性.为满足上述两个要求,找到两者满足建立模糊信息粒子的基本思想②.
其中,MA满足建立模糊信息粒子的基本思想①,NA
抛物形等.其中三角形模糊信息粒子形式简单,且参
数设置和交通流状态变化趋势具有相似性.本文采
同济大学学报(自然科学版)
第40卷
万方数据
流状态变化的占有率时间序列转化为具有3个参数的状态区间,为交通流状态变化趋势判别提供输入参数.
3基于模糊信息粒化的道路网交通流
状态变化趋势判别
结合模糊信息粒化结果,建立Elman网络模型对三参数进行预测,判别交通流状态变化趋势.
Elman网络是Elman于1990年提出的,该模型在前
馈网络的隐含层中增加一个承接层,作为延时算子,以达到记忆的目的,从而使系统具有适应时变特性
的能力,能直接反映系统动态过程特性[8’9].
Elman网络一般分为4层:输入层、中间层(隐含层)、承接层和输出层,如图3所示,图中符号含义见式(7),(8)和(9)的参数解释.输人层的单元仅起
信号传输作用,输出层单元起线性加权作用,隐含层
单元的传递函数可采用线性或非线性函数,承接层
又称为状态层,它用来记忆隐含层单元前一时段的输出值并返回给输入,可认为是延时算子。
承接层4
图3
Elman网络结构图
Fig.3
StructureofElmanneuralnetwork
Elman网络的特点是隐含层的输出通过承接层
的延迟与存储,自联到隐含层的输入.这种自联方式
使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而
达到了动态建模的目的.基于Elman网络的模糊信
息粒子预测模型如下:
y(忌)一g(w3z(尼))
(7)z(尼)一f(wlz。(忌)+训2(口(是一1)))
(8)
z。(忌)一x(k一1)
(9)
式中:Y,z,a,z。分别为m维输出节点向量、竹维中
间层节点单元向量、r维时间序列输入向量和7"1维反馈状态向量;硼。,叫。,训,分别表示中间层到输出层、
输入层到中间层、承接层到中间层的连接权值;
g(・)为输出神经元的传递函数,是中间层输出的线性组合;厂(・)为中间层神经元的传递函数,常采用
S函数,即厂(z)一1/(1+e一).Elman网络学习指标函数采用如下误差平方和函数:
E(叫)一∑Ey。(训)一五(叫)]2
(10)
式中:E(训)为学习指标函数;Y。(叫)为目标输出向
量真值;五(叫)为目标输出向量预测值.
基于模糊信息粒化的Elman网络交通流状态变
化趋势判别主要步骤为:
步骤l建立Elman网络模型对模糊信息粒子
进行预测;
步骤2根据预测的模糊信息粒子,计算道路网交通流状态综合指数,结合交通流状态划分阈值,判
别道路网交通流状态.
应用于交通流状态变化趋势预测的道路网交通流状态综合指数计算方法如下:
f(R升-+“。)/2,
‰一l…
I(R升1+L件1)/2,
‰1屯卅卜㈨r--L,)>0(11)【
(U件1一L卧1)~(U—L:)≤0
式中,K州为t+1时刻道路网交通流状态综合指数.根据计算的道路网交通流状态综合指数可判别道路网交通流状态变化趋势.
实证性研究
以图4所示预测范围内9个断面24h以2rain
为时间间隔的交通流占有率数据,数据为6
480×1
型矩阵,按照模糊信息粒化模型对原始数据进行模糊信息粒化.本文将9个断面的交通流占有率数据作为一个窗口大小,将同一时段的占有率模糊粒化
为L,R,U三个参数,结果如图5所示.
北
令
憋
∽拶_陬酝三环
●预测断面—-预测流向
一辅助断面一+辅助流向
图4区域快速路网示意图
Fig.4
Atestexpresswaynetwork
粒化后的3个参数均服从占有率的时间变化规
第9期
董春娇,等:道路网交通流状态变化趋势判别方法
万方数据
律,其中,L描述的是道路网交通流状态变化的最小
值;R描述的是道路网交通流状态变化的平均水平;U描述的是道路网交通流状态变化的最大值.
605040
j鹫
基30梨
2010
090
180270
360450540630730
粒化窗口数目
图5模糊信息粒化结果图
Fig.5
Resultofoffuzzyinformationgrain
根据模糊信息粒化结果,建立Elman网络模型对模糊信息粒子进行预测.训练输入样本为719×3
型矩阵,训练输出样本为719×3型矩阵,即以前一
时段的模糊信息粒子作为输入,预测下一时段模糊
信息粒子值,根据输入、输出样本的数据特征,设计Elman网络输入节点为3,输出节点为3,隐层节点数由试算法确定,初步设定隐层节点数为4—11,然
后用训练样本集合对Elman网络模型进行训练测
试,评价其预测效果,选择出最优模型.表1为不同
隐层节点下训练的Elman网络模型性能.
表1不同隐层节点下Elman网络性能比较
Tab.1
ComparisonofElmanNNperformance
fordifferencehiddennote
由表1可知,隐层节点数为7的Elman网络性能最好,因此采用隐层节点数为7的Elman网络用
于模糊信息粒子的变化趋势预测.
以预测范围内1h的交通流实测数据模糊粒化
值作为测试样本,利用训练得到的Elman模型,对测试样本L,R,U进行回归预测,结果如图6a所示。由图6a可知,R参数的预测效果最好,U参数预测有
偏大的趋势,而L参数预测有偏小的趋势,3个参数预测的平均绝对百分比误差(mean
absolute
percentage
error,MAPE)与平均绝对偏差(mean
absolute
deviation,MAD)如表2所示.
表2基于Elman网络的模糊信息粒子预测误差
Tab.2
Prediction
error
offuzzyinformation
grainwithElmanNN
根据预测得到的L,R及U按式(11)计算道路网综合状态指数,采用Of,。一22%,0c。一54%,O。
=80%作为道路网交通流状态判别阈值,判别结果
如图6b所示,其中0f,。,0c。和Q。分别为根据实测值估算的自由流、拥挤流和阻塞流状态下时间占有率临界值.30个时问序列中共存在2次误判,判别准
确率为93.33%.
蔷藿箍j醛
篓模糊信息粒实际值M
a模糊信息粒子回归预测结果
时间序列/min
b道路网交通流状态判别结果
图6基于Elman网络的交通流状态变化趋势判别
Fig.6
Identificationresult
oftraffic
states
on
expresswaynetwork
with
Elman
neural
ngtwork
为了比较方法的有效性,以图4所示预测范围
内9个断面24h的交通流数据作为训练集建立交通流状态判别支持向量机(SVM)模型,训练集数据为
6
480×3型矩阵,建模过程采用交叉验证方法优化
模型中的惩罚参数f和核函数y.优化后的SVM模
型可以使训练集交通流状态判别结果准确率达到
同济大学学报(自然科学版)
第40卷
99.83%.采用优化的SVM模型,在相同条件下对道性研究,研究结果表明,本文提出的方法能够实现道路网交通流状态变化趋势的预测判别,准确率为
93.33%,同等条件下SVM模型判别准确率仅为
86.67%.
路网交通流状态进行判别,结果如图7所示.由于是以当前时段的交通流参数判别未来时段的交通流状
态,因此存在一定的时滞性,30个时间序列中共存在4次误判,判别准确率为86.67%.通过对比发现,本文提出的交通流状态变化趋势判别方法,判别准确
参考文献:
万方数据
率高,且优于基于SVM的方法.
时间序列/min
图7基于SVM的快速路网交通流状态判别结果
Fig.7
Identificationresultofexpresswaynetwork
trafficstateswithSVMModel
5
结语
(1)基于城市快速路交通流实测数据,结合基
本图和三相交通流理论,将城市快速路交通流状态划分为自南流状态、阻塞流状态和拥挤流状态.
(2)应用模糊信息粒化的方法,以道路网检测断面数为窗口,设计三角形模糊隶属函数,将同一时段的道路网交通流占有率映射为含有R,L和U三参数的模糊信息粒子表征道路网交通流状态变化趋
势.
(3)建立Elman网络模型,以模糊信息粒参数
R,L和U为输入,预测道路网交通流状态变化趋
势,在此基础上计算道路网交通流状态综合指数,判别道路网交通流状态.
(4)以北京市某一区域路网为例,进行了实证
[13
[2]Chassiakos
E3]Abdulhai
[4]Antoniades
Es]BorisE63
1-73候方国,胡圣武.模糊信息粒化理论在空间信息系统地位的探
E8]DONGf9]董春娇,邵春福,熊志华,等.基于Elman神经网络的道路网
PayneHJ,TignorSC.Freewayincident-detectionalgorithmsbased
on
decisiontreeswith
statesU5.Transportation
Research
Record682,1978:30.
AP,Stephanedes,YJ.Smoothingalgorithmsfor
incidentdetection[J].TransportationResearch
Record1394,
1993:8,
B.A
neuro-genetic—baseduniversity
transferable
freeway
incident
detection
framework[J].Transportation
ReseatchRecord1859,1996:171.
C
N,Stephanedes
Y
J.Single—stationincident
detectionalgorithm(SSID)forsparselyinstrumentedfreeway
sites[C]//Applicationsof
Advanced
Technologies
to
TransportationEngineering,NewYork:ASCE,t995:218.
SKerner.Three—phasetraffictheoryandhighwaycapacity
EJ].Physica
A,2004,333:379.
Boris
SKerner,SergeyLKlenov,AndreasHiller.Empirical
testof
a
microscopicthree—phasetraffictheory
EJ].Nonlinear
Dynamics,2007,49:525,
讨[J].测绘与空间地理信息,2004,27(3):14.
HOUFangguo,HUShengwu.Study
on
thepositionofTGIFin
spatialinformation
system[J].Geomatics&Spatial
Information
Technology,2004.27(3):14.
Chunjiao。sl讼o
Chunfu,LIXia.Short-termtrafficflow
forecasting
of
road
network
based
on
spatml・temporal
characteristicsoftraffic
flow[c]//2009w砌World
Congress
on
Computer,Scienceand
Information
Engineering,Los
Angeles:Is.n.],2009:645.
短时交通流预测方法[J].交通运输系统工程与信息,2010,10
(1):145.
DONGChunjiao,SHAOChnnfu,XIONGZhihua,eta1.Short.
termtrafficflowforecastingofroadnetworkbased
on
Elman
neural
network[j].Journal
of
TransportationSystems
EngineeringandInformationTechnology,2010,10(1):145.
道路网交通流状态变化趋势判别方法
作者:作者单位:刊名:英文刊名:年,卷(期):
董春娇, 邵春福, 谢坤, 李慧轩, DONG Chunjiao, SHAO Chunfu, XIE Kun, LI Huixuan
董春娇,DONG Chunjiao(田纳西大学交通研究中心,田纳西诺克斯维尔37996;北京交通大学城市交通复杂系统理论与技术教育部重点实验室,北京100044), 邵春福,李慧轩,SHAO Chunfu,LI Huixuan(北京交通大学城市交通复杂系统理论与技术教育部重点实验室,北京,100044), 谢坤,XIE Kun(田纳西大学交通研究中心,田纳西诺克斯维尔37996)
同济大学学报(自然科学版)
Journal of Tongji University(Natural Science)2012,40(9)
参考文献(9条)
1. Payne H J;Tignor S C Freeway incident-detection algorithms based on decision trees with states 19782. Chassiakos A P;Stephanedes,Y J Smoothing algorithms for incident detection 1993
3. Abdulhai B A neuro-genetic-based university transferable freeway incident detection framework 1996
4. Antoniades C N;Stephanedes Y J Single-station incident detection algorithm (SSID) for sparsely instrumented freeway sites 19955. Boris S Kerner Three-phase traffic theory and highway capacity 2004
6. Boris S Kerner;Sergey L Klenov;Andreas Hiller Empirical test of a microscopic three-phase traffic theory 20077. 候方国;胡圣武 模糊信息粒化理论在空间信息系统地位的探讨[期刊论文]-测绘与空间地理信息 2004(03)
8. DONG Chunjiao;SHAO Chunfu;LI Xia Short-term traffic flow forecasting of road network based on spatial-temporal characteristics of traffic flow 20099. 董春娇;邵春福;熊志华 基于Elman神经网络的道路网短时交通流预测方法[期刊论文]-交通运输系统工程与信息 2010(01)
本文链接:http://d.g.wanfangdata.com.cn/Periodical_tjdxxb201209008.aspx