城市道路交通拥堵预测及持续时间研究.docx

城市道路交通拥堵预测及持续时间研究.docx

《城市道路交通拥堵预测及持续时间研究.docx》由会员分享，可在线阅读，更多相关《城市道路交通拥堵预测及持续时间研究.docx（15页珍藏版）》请在冰豆网上搜索。

城市道路交通拥堵预测及持续时间研究

熊励陆悦杨淑芬

上海大学管理学院

摘 要：

针对城市道路交通拥堵及持续时间辨识问题,提取平均旅行速度、平均旅行时间、平均延迟时间、早晚高峰、星期数等交通拥堵关键影响因素,构建了基于MapReduce的多元对数线性回归交通拥堵预测模型和基于生存分析的交通拥堵持续时间模型,并利用上海快速路段交通数据集进行模型有效性验证。

试验结果表明,拥堵预测模型预测值与实际值拟合度在0.96以上,能较好地量化道路交通运行拥堵程度;拥堵持续时间模型可以辨识出拥堵分布和持续时间特征,为制定交通拥堵的控制和疏导策略提供指导性建议。

关键词：

城市交通拥堵;MapReduce多元线性回归;拥堵持续时间;生存分析;

收稿日期：

2017-03-06

基金：

上海市教委科研创新项目,项目编号14ZS085

Research on the Urban TrafficCongestion Predication and Time ofDuration

XIONGLiLUYueYANGShu-fen

SchoolofManagement,ShanghaiUniversity;

Abstract：

Inordertoaccuratelypredictthereal-timestatusofurbantrafficcongestionandtimeofduration,inthispaperthekeyfactorsoftrafficcongestionareextractedsuchastravelspeed,travelpeaktime,delaytime,morningpeak,eveningpeakandweekdays,andthe

trafficcongestionpredictionmodelisestablishedbasedonMapReducemultivariatelogarithmlinearregressionandtrafficcongestiondurationmodelthroughsurvivalanalysismethod.TheexperimentsareverifiedbytrafficbigdataofShanghaiexpresswaysections.Theresultsshowthatthefitnessofcongestionpredictionmodelbetweenactualandestimatedvaluesisabove0.96,whichcanbetterquantifythedegreeoftrafficcongestion;besides,thecongestiondurationmodelcanidentifythecharacteristicsoftrafficcongestiondistributionandduration,whichwillprovideguidancefortrafficcontrolandstrategies.

Keyword：

trafficcongestion;MapReducemultivariatelogarithmlinearregression;congestionduration;analysisofsurvival;

Received：

2017-03-06

交通拥堵问题一直困扰着城市的发展,大数据的出现,能让交通拥堵情况变得事先可知,出行者可以根据路况及未来路况做出选择,从而规避拥堵路段。

现阶段交通研究中,交通拥堵预测模型较少结合大数据技术,且较少研究交通拥堵持续时间。

然而用户出行不仅关心哪条道路拥堵,也关心道路拥堵将会持续多久。

因此,本文提出了基于MapReduce的多元对数线性回归模型和基于生存分析的交通拥堵持续时间模型,并利用上海快速路段交通数据集进行模型有效性验证,以期给城市交通拥堵问题分析提供新范式和有效途径。

1相关研究综述

1.1交通拥堵影响因素指标

近年来,国内外学者对交通拥堵评价及预测做了大量研究,主要包括出行时间、路段速度、交通流、交通密度等指标,见表1。

综合上述分析,现有的交通拥堵评价指标大多数单纯地从路网结构、车流量、路段速度等单一要素出发,没有综合考虑交通时间情境要素对城市交通拥堵的影响,使得传统的城市交通拥堵评价模型不能全面、准确反映交通拥堵状况。

1.2交通拥堵预测模型

目前,国内外学者对城市交通拥堵问题的研究主要集中在车联网技术应用、交通流分析和交通拥堵因素研究等方面,并充分利用了通信设备、路段速度、交通流等主要交通指标。

关于判断交通拥堵方面,Andrea等人（2017）使用GPS跟踪器和智能手机识别交通拥堵和事故[1];Yu等人（2016）利用基于密度的道路占用率、步行速度和车速来描述校园道路情况,并使用BP神经网络和马尔科

夫模型来预测道路拥堵,试验准确率高达96%[2];Kong等人（2016）通过浮动车轨迹数据和基于模糊综合评价的粒子群优化算法识别和预测城市交通拥堵[3];

Bauza和Gozalvez（2013）基于车辆与车辆、车辆与基础设施节点间信息交换来检测道路交通拥堵,其拥堵检测概率高达90%以上[4];关于交通拥堵影响因素和评价模型,王妍颖和黄宇（2016）提出从平均旅行时间和自由流旅行时间的比值、确保95%准时到达的走行时间和自由流走行时间的比值、延误、拥堵时间和拥堵路段数五方面构建北京拥堵指标体系[5];Kersys（2015）研究了出行时间、出行需求变化和车流量等指标对交通拥堵评价影响[6];杨柳青等人

（2014）基于拥堵路段数量、交通流量和路网拓扑结构等因素构建了路网拥堵评估模型[7]。

综上所述,分析影响交通拥堵的相关因素,确定交通拥堵评价指标体系,构建交通拥堵预测模型,是解决交通拥堵的重要途径之一。

表1各国交通拥堵指数指标 下载原表

在“互联网+”、大数据驱动下,大数据、云计算等技术正成为解决交通拥堵的有效途径。

邬贺铨院士（2014）指出,将大数据技术应用于智慧交通领域,将对优化交通信息系统、判别交通拥堵原因、预测交通状况产生足够价值[8]。

胡宇舟等人（2014）提出了基于Storm的云计算,用以实时处理轨道交通客流大数据,从而提高了售检票系统效率[9]。

代亮等人（2014）构建了大数据自动化测试框架用以处理交通信息大数据[10]。

Wibisono等人（2016）利用快速增量

树漂移检测模型使交通大数据可视化并预测交通流[11];Yu等人（2015）通过

GPS大数据,基于监督学习方法构建用户出行模式,用以判断交通状况[12]。

Shi和Abdel-Aty（2015）利用探测器搜集交通大数据,运用随机森林和贝叶斯技术实现了实时交通拥堵预测[13]。

覃雄派等人（2012）针对交通数据量大与

结构多元化,探讨了如何用MapReduce技术进行交通大数据分析与并行处理[14]。

综上所述,大数据能有效缓解城市交通拥堵问题,通过研究交通拥堵分布特征与交通拥堵预测模型,预测交通流,从而为用户提供实时交通信息服务,提高道路通行力。

现阶段智慧交通研究中,交通拥堵预测模型较少结合大数据技术,因此,亟待全面探讨大数据背景下交通拥堵问题。

1.3交通拥堵时间研究

国内外学者针对智慧交通拥堵时间主要从时间差别定价、拥堵时间特征、交通评价模型等方面进行研究。

在时间差别定价方面,陈坚等人（2014）针对公共交通出行时间需求不均衡问题,基于双层规划模型构建了公交时间差别定价模型,研究指出实行高峰增加票价同时平峰降低票价的方案有助于缓解交通压力

[15]。

Liu等人（2016）针对用户旅行时间的不确定性,基于可降解交通网络,构建了多层次用户需求时间均衡模型,根据用户弹性需求进行定价[16]。

在拥堵时间特征方面,Ramezani等人（2012）利用马尔科夫链准确获取主干线出行时间分布特征,从而为缓解交通拥堵提供对策建议[17]。

周映雪等人（2013）

构建了基于风险的交通拥堵持续时间模型,以北京交通为例,分析了工作日与周末、早高峰与晚高峰等不同时段的交通拥堵持续时间特征[18]。

在交通评价模型方面,NeilaBhouri等人（2013）以交通流与交通时间为重要因素构建交通影响评价指标,并以巴黎高速公路大数据研究了斜坡计量策略对旅行时间变异性的影响[19]。

梁超等人（2013）将交通时间延误作为重要因素,构建了基于车辆可变折算系数的网络均衡模型[20]。

李晓东等人（2014）构建了城市交通时间最短路径模型,该模型能实现交通信号控制下各车最短时间路径计算,从而达到缓解交通拥堵目的[21]。

综合上述分析,目前对于交通拥堵时间的研究,大多数集中于时间差别定价,

拥堵时间特征,拥堵评价模型等研究,对于拥堵持续时间的特征分布研究较少。

然而,交通拥堵持续时间的长短及分布特征会直接影响市民的出行路线选择。

因此,研究交通拥堵持续时间分布特征,能对出行者路径选择、交通管理者疏导交通提供重要依据。

本文创新性地将MapReduce框架与多元对数线性回归算法结合,构建交通拥堵预测模型,提高交通拥堵预测速度与准确性。

同时创新性地将生存分析理论应用于交通领域,构建基于生存分析的交通拥堵持续时间模型,研究交通拥堵持续时间分布特征,为出行者提供完善的交通信息服务。

2基于MapReduce城市交通拥堵预测模型

本文基于MapReduce技术,结合多元对数线性回归算法,构建了基于

MapReduce的多元对数线性回归的交通拥堵预测模型,用于提高交通拥堵预测模型的准确性与实时性。

2.1交通拥堵模型指标

本文在选取交通拥堵模型指标时考虑了时间情景,选取了平均旅行速度、平均旅行时间、平均延迟时间、早晚高峰、星期数等多元化关键影响因素作为交通拥堵模型指标,其具体定义如下。

（1）平均旅行速度。

平均旅行速度是在同一时段、同一路程内所有机动车辆行车速度平均值,单位为km/h,平均旅行速度是评价道路拥挤程度的重要指标[22],其计算公式如下所示:

式中:

表示平均旅行速度,km/h;L表示行车路程,km;N为每小时通过的机动车数量;t为通过第i辆车所需时间。

（2）平均旅行时间。

平均旅行时间是指在单位路程里所有车辆所耗费的时间平均值,平均旅行时间与交通拥堵程度成负相关关系,平均旅行时间越长,说明交通拥堵越严重,平均旅行时间越短,说明交通越畅通,其公式如下所示:

式中:

为平均旅行时间,h;L表示行车路程,km;N为每小时通过的机动车数量;vi为第i辆车的速度。

（3）平均延迟时间。

平均延迟时间是指某单位路程里,车辆因某些外界因素（恶劣天气、交通事故等）所损失的时间,h。

平均延迟时间能反映交通畅通情况及排队情况,是反映交通拥堵程度的重要指标[23],其计算公式为:

式中:

Tl为平均延时时间;