金楠森，劉美玲 ，2，谷欣然，韓雨彤

1.東北林業(yè)大學(xué) 信息與計(jì)算機(jī)工程學(xué)院，哈爾濱 150040

2.哈爾濱工程大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，哈爾濱 150001

1 引言

智慧交通是以大數(shù)據(jù)、云計(jì)算、衛(wèi)星導(dǎo)航等新興IT技術(shù)產(chǎn)業(yè)為基礎(chǔ)，具有更方便公眾出行的，優(yōu)化的交通運(yùn)輸管理體系，通過數(shù)據(jù)的積累和傳遞，更好地開發(fā)和利用數(shù)據(jù)的一種綠色、便捷、安全、暢通的交通模式。

隨著城市經(jīng)濟(jì)的發(fā)展和人們生活節(jié)奏的加快，我國(guó)整體道路運(yùn)輸?shù)母咚侔l(fā)展，機(jī)動(dòng)車增速過快，交通擁堵已經(jīng)成為“不治之癥”，如何緩解交通擁堵問題迫在眉睫。人們無法掌握出行路段的實(shí)際情況，不能合理地選擇出行方式和安排出行時(shí)間，導(dǎo)致某時(shí)間段內(nèi)人車流密度膨脹，是造成交通擁堵的一大成因，要想解決擁堵問題，首先要對(duì)活動(dòng)人口和車流進(jìn)行有效處理。此時(shí)，能夠?qū)π旭偮肪€進(jìn)行有效的時(shí)間預(yù)估就顯得尤為重要。

時(shí)間預(yù)測(cè)看重的主要是精確度和實(shí)效性，現(xiàn)有的一些傳統(tǒng)方法存在一定的缺陷，如對(duì)車輛進(jìn)行時(shí)間預(yù)測(cè)時(shí)，通常利用的都是歷史通行時(shí)間數(shù)據(jù)或假設(shè)情況來建立算法；忽略車輛的運(yùn)行狀態(tài)以及道路在某時(shí)刻的真實(shí)情況。

國(guó)外在二十世紀(jì)五六十年代，開始在城市周邊布設(shè)檢測(cè)裝置，收集道路信息，20世紀(jì)90年代開始對(duì)浮動(dòng)車系統(tǒng)有了一定的研究。我國(guó)從2000 年開始，由于浮動(dòng)車數(shù)據(jù)日趨增加，對(duì)浮動(dòng)車系統(tǒng)的一系列研究也已經(jīng)成為熱點(diǎn)問題。有效地預(yù)估車輛的通行時(shí)間對(duì)交通出行有極大的好處，目前對(duì)時(shí)間預(yù)測(cè)的研究常用的有以下方法：

基于歷史數(shù)據(jù)的預(yù)測(cè)模型。Smith 等人[1]提出了基于歷史數(shù)據(jù)的預(yù)測(cè)模型用來預(yù)測(cè)車輛的到達(dá)時(shí)間，主要是使用大量的歷史數(shù)據(jù)，并假設(shè)交通模式為循環(huán)變化，以車輛的第一次達(dá)到時(shí)間為基礎(chǔ)在固定位置進(jìn)行測(cè)算；Lin 等[2]主要是根據(jù)真實(shí)到達(dá)時(shí)間和公交汽車提供的時(shí)刻表之間的誤差校對(duì)，針對(duì)郊區(qū)出行者，對(duì)公共汽車的到站時(shí)間進(jìn)行實(shí)時(shí)預(yù)測(cè)；涂麗佳[3]利用歷史數(shù)據(jù)建立后綴索引樹的存儲(chǔ)結(jié)構(gòu)，根據(jù)歷史數(shù)據(jù)提供的通行時(shí)間的結(jié)果，在該種存儲(chǔ)結(jié)構(gòu)下可以快速地獲取子路徑序列和相應(yīng)的軌跡通行時(shí)間。

變量衰減預(yù)測(cè)模型。Chien等人[4]通過大量由獨(dú)立變量構(gòu)成的函數(shù)建立多變量模型，估算出非獨(dú)立變量的值，即根據(jù)車輛的始終點(diǎn)的距離、時(shí)間差、中途滯留的時(shí)間等變量作為獨(dú)立變量，由衰減模型的原理，建立預(yù)測(cè)模型。

基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。常見的神經(jīng)網(wǎng)絡(luò)有BP、RBF、AML等多種類型。早有研究證明了利用神經(jīng)網(wǎng)絡(luò)得到的結(jié)果與其他的預(yù)測(cè)算法相比準(zhǔn)確度更高。基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型需要經(jīng)歷訓(xùn)練和預(yù)測(cè)兩個(gè)階段，在訓(xùn)練階段的有監(jiān)督學(xué)習(xí)模式下，神經(jīng)網(wǎng)絡(luò)重調(diào)連接在每層的權(quán)值來獲取理想的輸出期望。Lin和Yang 等人[5]針對(duì)于不同時(shí)間窗口下的車輛運(yùn)行特征和交叉路口信號(hào)燈對(duì)車輛的影響建立了兩層的神經(jīng)網(wǎng)絡(luò)進(jìn)行研究；蔣渭忠等人[6]建立3 層BP 神經(jīng)網(wǎng)絡(luò)模型，利用MATLAB軟件確定隱含層神經(jīng)元數(shù)目為9個(gè)，并利用預(yù)測(cè)樣本驗(yàn)證了模型的可行性，得到誤差在10%之內(nèi)的結(jié)果。

Kalman濾波模型。Kalman濾波模型屬于一種優(yōu)化的自回歸算法，因?yàn)槠涓咝?、用途廣等特點(diǎn)已經(jīng)被廣泛應(yīng)用了幾十年。Wall 等人[7]利用Kalman 濾波對(duì)西雅圖市的車輛進(jìn)行追蹤記錄，結(jié)合歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)，通過統(tǒng)計(jì)學(xué)的知識(shí)預(yù)測(cè)時(shí)間，獲得時(shí)間分布狀態(tài)。

基于隱馬爾可夫模型的預(yù)測(cè)模型。歐陽黜霏[8]用非參估計(jì)方法將隱馬爾可夫模型擴(kuò)展為無限狀態(tài)模型能夠?qū)?shí)時(shí)的數(shù)據(jù)進(jìn)行在線預(yù)測(cè)。

基于支持向量機(jī)的預(yù)測(cè)模型。主要用來解決非線性的問題，避免了人工神經(jīng)網(wǎng)絡(luò)里的結(jié)構(gòu)問題。Yu 和Yang[9]利用支持向量機(jī)，結(jié)合了天氣、時(shí)間等5個(gè)因素，用前車的行駛速度預(yù)測(cè)之后路段上車輛的行程時(shí)間。

除了以上方法，唐俊[10]還利用地圖匹配技術(shù)，提出經(jīng)驗(yàn)?zāi)B(tài)分解與SVR結(jié)合的時(shí)間預(yù)測(cè)方法；朱國(guó)華[11]將數(shù)據(jù)分為靜態(tài)行程時(shí)間數(shù)據(jù)、歷史監(jiān)測(cè)數(shù)據(jù)和無檢測(cè)器路段數(shù)據(jù)，劃分時(shí)間間隔，并給第t個(gè)時(shí)間間隔設(shè)施權(quán)值計(jì)算行程時(shí)間；李勍等人[12]用K臨近法結(jié)合歷史數(shù)據(jù)預(yù)測(cè)時(shí)間，并用時(shí)間協(xié)方差對(duì)預(yù)測(cè)的時(shí)間進(jìn)行校準(zhǔn)；邢雪等人[13]則引入預(yù)測(cè)強(qiáng)度并基于預(yù)測(cè)強(qiáng)度進(jìn)行聚類預(yù)測(cè)時(shí)間；以及部分針對(duì)公共汽車進(jìn)行預(yù)測(cè)時(shí)間的方法。

近些年來對(duì)時(shí)間預(yù)測(cè)有了更深參層次的研究，曹天揚(yáng)和申莉[14]以路阻函數(shù)為基礎(chǔ)，提取了流量和車速與路段行駛時(shí)間之間的數(shù)學(xué)關(guān)系，建立了適用于最小二乘法求解的預(yù)測(cè)函數(shù)；尹紀(jì)軍、王棟梁等人[15]通過采樣周期計(jì)算量歷史旅行時(shí)間值、實(shí)際旅行時(shí)間值與平滑系數(shù)的關(guān)系，確定了短期旅行時(shí)間的預(yù)測(cè)值，呂路[16]從事件狀態(tài)下交通流統(tǒng)計(jì)特性出發(fā)，建立了波動(dòng)理論-BP神經(jīng)網(wǎng)絡(luò)事件狀態(tài)下快速路行程時(shí)間預(yù)測(cè)組合模型計(jì)算行程時(shí)間。

現(xiàn)有的研究在智慧交通預(yù)測(cè)時(shí)間[17]方向已經(jīng)取得了一定的成果，但是由于非傳感器記錄的車輛信息中變量較少及它的不確定性等因素，預(yù)測(cè)通行時(shí)間的研究方法并不能很好地得到所需要的結(jié)果。本文考慮到車輛特征狀態(tài)這一影響因素，并結(jié)合車輛行駛速度構(gòu)建雙參卷積速度理論模型，利用分割軌跡后車輛的加速度計(jì)算通過時(shí)間，為城市居民出行安排提供了合理的理論依據(jù)。

2 基于密度劃分的雙參卷積理論模型分析與研究

2.1 模型成立分析

（1）數(shù)據(jù)預(yù)處理：對(duì)數(shù)據(jù)集中重復(fù)、不穩(wěn)定等數(shù)據(jù)進(jìn)行篩選清洗，定義數(shù)據(jù)抽樣規(guī)則并將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集兩部分。

（2）模型建立前參數(shù)準(zhǔn)備。路段中各車輛相鄰軌跡點(diǎn)間的距離和行駛速度是建立實(shí)驗(yàn)?zāi)Ｐ?、預(yù)測(cè)結(jié)果的必要條件，通過分析建立公式來計(jì)算待測(cè)變量。

（3）速度突變值處理：由于對(duì)待測(cè)變量的研究使結(jié)果中出現(xiàn)異常的突變值，通過箱線圖結(jié)合R語言對(duì)數(shù)據(jù)結(jié)果進(jìn)行范圍規(guī)劃，去除異常突變值。

（4）基于皮爾遜的載客相關(guān)性研究：利用皮爾遜相關(guān)系數(shù)研究車輛載客情況和行駛速度之間的相關(guān)性，根據(jù)結(jié)果特征建立速度模型。

（5）基于密度劃分的雙參卷積理論模型：結(jié)合車輛載客情況和行駛速度，調(diào)整設(shè)置合適的卷積模板，建立雙層卷積理論速度模型。

（6）設(shè)置修正因子：因?yàn)橹皇褂秒p參卷積理論模型得到的結(jié)果有一定的誤差，所以設(shè)置特征修正因子，提高實(shí)驗(yàn)結(jié)果的精確度。

（7）預(yù)測(cè)通行時(shí)間：將實(shí)驗(yàn)長(zhǎng)路段進(jìn)行軌跡分割，使用雙參卷積理論模型得到相應(yīng)的理論均值速度，利用速度-加速度模型預(yù)測(cè)車輛的初始通行時(shí)間，最后使用修正因子進(jìn)行修正得到最終的道路通行時(shí)間。

2.2 雙參卷積速度理論模型的分析建立

2.2.1 數(shù)據(jù)預(yù)處理

本文使用的是成都市1.4萬輛出租車，將近14億條的GPS軌跡數(shù)據(jù)，數(shù)據(jù)中包含有出租車ID，經(jīng)度，緯度，載客狀態(tài)（0 表示無載客，1 表示載客），時(shí)間這5 個(gè)參數(shù)。清洗掉其中重復(fù)和異常的記錄，忽略了00：00：00—05：59：59這一時(shí)間窗口內(nèi)的數(shù)據(jù)。本文中，實(shí)現(xiàn)的是預(yù)測(cè)某路段的通行時(shí)間，為了更有利于實(shí)驗(yàn)的進(jìn)行，定義了如下實(shí)驗(yàn)道路的抽樣規(guī)則：

（1）不選取含有異常車速（如時(shí)速極高或突變）的路段；

（2）在實(shí)驗(yàn)路段的起點(diǎn)和終點(diǎn)，保證車輛不會(huì)有停留時(shí)間。

將所有的數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集兩部分。對(duì)實(shí)驗(yàn)數(shù)據(jù)做如下基礎(chǔ)定義：

（1）假設(shè)車長(zhǎng)對(duì)車輛速度的計(jì)算沒有影響；

（2）司機(jī)的駕駛行為均良好，沒有交通異常事件發(fā)生；

（3）不考慮天氣因素和車輛自身狀態(tài)因素以及乘客在上下車時(shí)的停留時(shí)間。

2.2.2 基礎(chǔ)均值速度

本部分主要介紹建模準(zhǔn)備階段的參數(shù)的求解過程。

根據(jù)數(shù)據(jù)中的已知變量，即軌跡點(diǎn)的經(jīng)緯度，使用坐標(biāo)轉(zhuǎn)換法把經(jīng)緯度投影到二維坐標(biāo)系中。由于數(shù)據(jù)集的數(shù)據(jù)記錄間隔是1 s，所以兩個(gè)連續(xù)軌跡點(diǎn)之間的距離可以認(rèn)為是直線距離。最后結(jié)合歐式距離計(jì)算公式計(jì)算得到某一路段上同一車輛每?jī)蓚€(gè)相鄰軌跡點(diǎn)間的車輛距離。

將訓(xùn)練集和測(cè)試集一同使用上述坐標(biāo)轉(zhuǎn)換法進(jìn)行處理，并將處理后的訓(xùn)練集數(shù)據(jù)進(jìn)行篩選，得到實(shí)驗(yàn)路段的各車輛數(shù)據(jù)設(shè)為矩陣P：

其中，m代表著路段有m輛車，實(shí)驗(yàn)路段各車輛軌跡點(diǎn)最多的軌跡點(diǎn)個(gè)數(shù)記為n。角標(biāo)i,j代表的是這一路段第i輛車的第j個(gè)記錄，即第i輛車的第j個(gè)軌跡點(diǎn)。Numi,j代表的是第i輛車的序號(hào)，xi,j代表的是投影后的x坐標(biāo)，yi,j代表的是投影后的y坐標(biāo)，Ti,j代表的是記錄時(shí)間，ci,j代表的是該車輛的載客狀態(tài)。

計(jì)算前一個(gè)軌跡點(diǎn)和后一個(gè)軌跡點(diǎn)之間的距離和時(shí)間Li,j和Ti,j：

本文利用大量數(shù)據(jù)驗(yàn)證得出較好的時(shí)間間隔，規(guī)定：

根據(jù)相鄰的兩個(gè)軌跡點(diǎn)間的相關(guān)數(shù)據(jù)，由公式（5）計(jì)算基礎(chǔ)均值速度為：

實(shí)驗(yàn)得到的基礎(chǔ)均值速度Vi,j可構(gòu)成速度數(shù)據(jù)集。

2.2.3 速度突變值處理

在上述實(shí)驗(yàn)設(shè)計(jì)中，為了計(jì)算簡(jiǎn)便，將車輛數(shù)據(jù)集中，因此必然出現(xiàn)相鄰的兩個(gè)軌跡點(diǎn)分屬于不同的車輛，即前一輛車的最后一個(gè)軌跡點(diǎn)數(shù)據(jù)和后一輛車的第一個(gè)軌跡點(diǎn)數(shù)據(jù)被作為同一輛車的數(shù)據(jù)處理計(jì)算，此類情況計(jì)算得到的基礎(chǔ)均值速度會(huì)出現(xiàn)異常（速度突變），為了消除該種情況對(duì)實(shí)驗(yàn)結(jié)果的影響，通過箱線圖來輔助去除速度數(shù)據(jù)集中的異常速度。

將邊界值定義為Di，其對(duì)應(yīng)位置定義為Wi,N代表的是數(shù)據(jù)集序列中包含的項(xiàng)數(shù)。

（1）定義下四分位數(shù)、中位數(shù)、上四分位數(shù)分別為D1、D2、D3，它們所對(duì)應(yīng)位置的數(shù)值分別為W1、W2、W3。

①邊界值對(duì)應(yīng)位置：

②邊界值的數(shù)值：

（2）將上限和下限以及四分位數(shù)分別定義為D4、D5、W。

①四分位距W：

②上限D(zhuǎn)4：

③下限D(zhuǎn)5：

由以上限界值構(gòu)建箱線圖去除異常值。

2.2.4 皮爾遜系數(shù)分析研究載客相關(guān)性

皮爾遜相關(guān)系數(shù)r描述的是兩個(gè)變量間相關(guān)性強(qiáng)弱的程度，r的絕對(duì)值越大，表明相關(guān)性越強(qiáng)。

通常情況下通過表1 中相關(guān)系數(shù)取值范圍判斷變量的相關(guān)強(qiáng)度。

表1 皮爾遜相關(guān)系數(shù)

為了充分利用車輛的部分特征狀態(tài)，本文實(shí)驗(yàn)選擇將車輛的載客情況作為影響因素之一，判斷載客情況與基礎(chǔ)均值速度之間是否有相關(guān)性。

其中，r表示所求的兩個(gè)變量之間的相關(guān)系數(shù)，n表示軌跡點(diǎn)數(shù)，Vi,j表示速度數(shù)據(jù)集中的基礎(chǔ)均值速度值，表示數(shù)據(jù)集中所有速度的平均值；Ni,j表示載客情況，值為0或1，表示載客情況值的平均值。

2.2.5 雙參卷積理論模型

實(shí)驗(yàn)證明速度與載客情況之間的相關(guān)性存在，則利用這兩個(gè)參量來建立以下的雙參卷積理論模型。建模結(jié)果定義為理論均值速度，分別為載客時(shí)的理論均值速度v1和不載客時(shí)的理論均值速度v2。

（1）將速度數(shù)據(jù)集中的基礎(chǔ)均值速度分為載客和不載客兩種情況，分別設(shè)置為載客速度矩陣z1和不載客速度矩陣z2。實(shí)驗(yàn)路段中每個(gè)車輛都有一個(gè)z1和z2。

z矩陣中的元素都是車輛速度，根據(jù)相應(yīng)車輛載客與否的軌跡點(diǎn)數(shù)來確定相應(yīng)的矩陣大小n1、n2，比如實(shí)驗(yàn)路段中第i號(hào)車擁有15 個(gè)載客的軌跡點(diǎn)數(shù)，擁有25個(gè)不載客的軌跡點(diǎn)數(shù)，那么相應(yīng)的n1、n2為4 和5，矩陣元素空缺用均值來填補(bǔ)。

（2）設(shè)置動(dòng)態(tài)自適應(yīng)3×3的卷積核模板A：

以載客速度矩陣z1為例進(jìn)行卷積運(yùn)算，假設(shè)n1=5，則可以形成9個(gè)3×3的矩陣序列X：

對(duì)9個(gè)矩陣序列X分別進(jìn)行中值濾波運(yùn)算，每個(gè)矩陣得到一個(gè)輸出值Pa(a=1,2,…,9)，則A矩陣中的值為：

最終計(jì)算得到9 個(gè)3×3 的卷積模板A，分別對(duì)應(yīng)著9 個(gè)矩陣序列X。

（3）依次使用9個(gè)卷積模板A與和其對(duì)應(yīng)的矩陣序列X，進(jìn)行9 次計(jì)算，設(shè)每次計(jì)算得到的結(jié)果為x，最后得到 9 個(gè)x的值。

（4）9個(gè)x最終構(gòu)成一個(gè)新的3×3的矩陣X*，這樣就達(dá)到了降維的效果，并設(shè)置新的卷積核模板A：

用X*矩陣和卷積核模板A進(jìn)行卷積運(yùn)算，得到某一輛車的載客理論均值速度v1。

（5）對(duì)于不載客速度矩陣z2，假設(shè)n2=5，同理計(jì)算得到對(duì)應(yīng)車輛的不載客理論均值速度v2。

（6）最后對(duì)于實(shí)驗(yàn)路段所有車輛的z1和z2求平均得到各路段最終的載客理論均值速度和不載客理論均值速度。

2.2.6 實(shí)驗(yàn)路段時(shí)間預(yù)測(cè)

實(shí)驗(yàn)將所選實(shí)驗(yàn)路段進(jìn)行軌跡分割，分為上、中、下游三段，并分別對(duì)三段道路上的車輛進(jìn)行速度計(jì)算，得到載客時(shí)的理論均值速度VZ1、VZ2、VZ3 和不載客時(shí)的速度VnZ1、VnZ2、VnZ3。利用理論均值速度結(jié)合加速度計(jì)算得到通行時(shí)間。

2.2.7 設(shè)置修正因子

經(jīng)過測(cè)試集測(cè)試，實(shí)驗(yàn)使用雙參卷積模型計(jì)算得到的時(shí)間與車輛通行的真實(shí)時(shí)間之間存在一定誤差，為了使預(yù)估結(jié)果更接近真實(shí)情況，本文通過定義修正因子來提高精度，減小誤差。

由于實(shí)驗(yàn)道路長(zhǎng)度為1.4 km，每輛車的行駛軌跡始末點(diǎn)的距離都不一樣，因此按照行駛軌跡始末點(diǎn)的距離，分為14種不同情況。例如，當(dāng)某輛車的軌跡始末點(diǎn)的距離在0～100 m 之間時(shí)，將這輛車劃到第一種情況；當(dāng)某輛車的軌跡始末點(diǎn)的距離在100～200 m之間時(shí)，將這輛車劃到第二種情況；當(dāng)某輛車的軌跡始末點(diǎn)的距離在1 300～1 400 m之間時(shí)，將這輛車劃到最后一種情況，且每種情況里包含的相關(guān)數(shù)據(jù)構(gòu)成一個(gè)數(shù)據(jù)集，并根據(jù)修正因子分別對(duì)由每個(gè)數(shù)據(jù)集算出來的時(shí)間進(jìn)行修正。

在針對(duì)整段長(zhǎng)為1.4 km的路段時(shí)，某輛車通過的時(shí)間T使用對(duì)應(yīng)的修正因子Flag修正。

修正后時(shí)間T′：

n為這輛車通過這段路時(shí)被記錄的軌跡點(diǎn)的個(gè)數(shù)。

對(duì)最終結(jié)果評(píng)價(jià)指標(biāo)，采用絕對(duì)百分比精度公式計(jì)算結(jié)果精確度：

M代表百分比精確度，n代表實(shí)驗(yàn)路段的車輛數(shù)，T代表實(shí)驗(yàn)經(jīng)過雙參卷積模型和修正因子處理后得到的最終預(yù)測(cè)時(shí)間，T真代表測(cè)試集中兩軌跡點(diǎn)間的真實(shí)時(shí)間。M的值越大代表精度越高，結(jié)果更加接近測(cè)試集里的真實(shí)時(shí)間。

3 實(shí)驗(yàn)結(jié)果分析

3.1 速度異常調(diào)整

圖1 為箱線圖的結(jié)果，縱坐標(biāo)代表速度值，由圖可以明顯看出，箱線圖的上下限控制在0～80 km/h，因此將速度值大于80 km/h的定義為異常值并去除。

圖1 實(shí)驗(yàn)路段速度值的箱線圖結(jié)果分析

3.2 路段處理及分割依據(jù)

本文實(shí)驗(yàn)在特定時(shí)間窗口內(nèi)的實(shí)驗(yàn)路段的GPS 軌跡點(diǎn)投影如圖2所示。

由圖2 可以看出在選定道路上，車輛密度較大，車輛軌跡點(diǎn)分布密集且均勻，因此將此路段按照上、中、下游進(jìn)行軌跡分割。保證路段上的軌跡點(diǎn)數(shù)目被平均分配，即三段路包含的軌跡點(diǎn)數(shù)目相同。

3.3 皮爾遜系數(shù)分析研究載客相關(guān)性

車輛行駛速度與載客情況的相關(guān)性分析如表2所示。

圖2 實(shí)驗(yàn)路段的車流密度投影及子路段劃分

第一列為車輛編號(hào)，第二列為兩個(gè)變量，分別是速度(speed)和載客情況(cp)。每輛車速度變量后對(duì)應(yīng)的5個(gè)數(shù)值為不同載客情況下的速度值，而載客變量后對(duì)應(yīng)的5 個(gè)數(shù)值表示的是車輛是否載客（0 表示不載客，1表示載客）。最后一列數(shù)據(jù)r表示的是相關(guān)系數(shù)。

由車輛行駛速度與載客情況之間的相關(guān)性，分析得到以下結(jié)論：

當(dāng)r＞0 時(shí)，表示載客(cp=1)的平均速度比不載客(cp=0)時(shí)的平均速度大，且r絕對(duì)值越大，相差越明顯。

當(dāng)r＜0 時(shí)，表示不載客(cp=0)的平均速度比載客(cp=1)時(shí)的平均速度大，且r絕對(duì)值越大，相差越明顯。

當(dāng)載客情況一致時(shí)，即選取的車輛的5 組值均為0或1時(shí)，r的值為0。

3.4 模型建立及結(jié)果實(shí)現(xiàn)

利用基于密度劃分的雙參卷積理論模型算出的速度結(jié)果如圖3所示。

圖3 不同載客情況下實(shí)驗(yàn)路段的速度結(jié)果顯示

對(duì)實(shí)驗(yàn)路段進(jìn)行中心點(diǎn)標(biāo)記，如圖4所示。

圖4 預(yù)測(cè)道路劃分情況顯示

令路段中心點(diǎn)a、b、c的速度為已知的載客（不載客）理論均值速度VZ1、VZ2、VZ3(VnZ1、VnZ2、VnZ3)，根據(jù)車輛行駛的情況，計(jì)算每段路的加速度并計(jì)算通行時(shí)間。

表2 速度與載客情況的相關(guān)性分析結(jié)果

在 L1 與 L4 路段車輛為勻速行駛，L2 與 L3 路段車輛進(jìn)行相應(yīng)的加速或減速行駛。因?yàn)閷?shí)驗(yàn)數(shù)據(jù)沒有恰好處于兩端的車輛軌跡數(shù)據(jù)，所以根據(jù)各車輛起點(diǎn)和終點(diǎn)所在位置使用相應(yīng)的速度和加速度進(jìn)行計(jì)算，再經(jīng)過相應(yīng)的修正因子進(jìn)行修正得到該車輛從起點(diǎn)到終點(diǎn)所用的通行時(shí)間。

3.5 修正因子修正誤差

采用絕對(duì)百分比精度公式計(jì)算可知，①結(jié)果的精度在60%左右，但改進(jìn)后的方法②結(jié)合修正因子后得到結(jié)果的精確度如圖5所示，實(shí)驗(yàn)預(yù)估的車輛通過某段路的時(shí)間與真實(shí)時(shí)間之間達(dá)到了90%左右，精度得到了有效的提高，充分證明本文實(shí)驗(yàn)的方法有較高的準(zhǔn)確性、可用性和真實(shí)性，較準(zhǔn)確地接近車輛真實(shí)的通過時(shí)間。

圖5 改進(jìn)前后時(shí)間精確度結(jié)果對(duì)比

4 總結(jié)及展望

本文根據(jù)原始數(shù)據(jù)集中僅有的車輛經(jīng)緯度和點(diǎn)時(shí)間數(shù)據(jù)，建立算法得到必需參量軌跡點(diǎn)間距和車輛行駛速度?；趥鹘y(tǒng)的時(shí)間預(yù)測(cè)研究方法的不足，融入了新的車輛的運(yùn)行特征：載客情況。在構(gòu)建速度模型時(shí)，將傳統(tǒng)的卷積運(yùn)算設(shè)置為雙參量，為了適應(yīng)卷積運(yùn)算的模板移動(dòng)，用9 個(gè)不同的模板動(dòng)態(tài)實(shí)現(xiàn)卷積過程，使模型的有效性和準(zhǔn)確性不會(huì)受限于車輛行駛速度的多變性。

改進(jìn)的修正因子考慮了車輛不同時(shí)刻軌跡始末點(diǎn)的不同和軌跡的不確定性，對(duì)始末點(diǎn)位置進(jìn)行歸類，并在時(shí)間預(yù)估模型中起到了一定的優(yōu)化作用，使預(yù)測(cè)的通行時(shí)間與真實(shí)通行時(shí)間的精確度達(dá)到80%以上，有效地提高了車輛出行安排的合理化和層次化。

基于本文基礎(chǔ)，下一步將對(duì)交通狀況更為復(fù)雜的可變長(zhǎng)路段進(jìn)行分析建模，嘗試考慮將車輛異常點(diǎn)數(shù)據(jù)融入數(shù)據(jù)集作進(jìn)一步研究，并結(jié)合天氣、駕駛員行為、交通信號(hào)燈等不確定因素豐富實(shí)驗(yàn)?zāi)Ｐ?，大范圍地模擬真實(shí)路網(wǎng)，改進(jìn)對(duì)單一路段預(yù)測(cè)時(shí)間的模型為由出發(fā)點(diǎn)到目的地之間的時(shí)間預(yù)測(cè)模型。對(duì)城市交通道路時(shí)間預(yù)測(cè)研究奠定更扎實(shí)穩(wěn)定的理論基礎(chǔ)，具有較強(qiáng)的推動(dòng)力與發(fā)展價(jià)值。