1、基于精確傳感網絡的智能交通系統交通流模型摘要:首先介紹了基于精確傳感網絡的智能交通系統(its)相對于傳統交通流傳感器網絡的優勢；然后基于組合預測理論對這類網絡的基本交通流模型進行了研究，在模型中引入了更加精確的交通流物理量，包括旅行時間、路段上游及下游的分類交通流量等變量，使所建立模型的可解釋信息量更加豐富和易懂，該模型算法為動態算法。交通實測數據實驗證明模型的擬合精度較高，擬合值與真值的平均絕對誤差值控制在9s以內，平均相對誤差值控制在5%以內，綜合各個時段來看，預測的準確度都在90%以上。最后總結了基于精確傳感器網絡的智能交通系統在實際交通應用中的重大價值。關鍵詞:精確傳感網絡; 智能交

2、通系統；旅行時間; 分類交通流量; 交通流模型wang tao*, li zhishuschool of computer science, sichuan university， chengdu sichuan 610064, china;2.school of information science and technology, chengdu university, chengdu sichuan 610106，chinaabstract:in the present paper, the advantage of precise sensor network compared to

3、the traditional sensor network is introduced firstly. then the traffic flow model of precise sensor network is built, to improve the interpretability of the model, the precise license plate identification data are used, variables such as the space travel time and the classified traffic flow are intr

4、oduced. the established model is dynamic in essence. the experimental results show that the fitting accuracy is higher and the mean absolute error between fitted and standard value is less than 9 seconds, the mean relative error is less than 5%, the model has a high degree of accuracy above 90%. fin

5、ally, the applications of precise sensor network in real traffic environment are concluded.the advantage of precise sensor network compared to the traditional sensor network was introduced firstly. then the traffic flow model of precise sensor network was built. to improve the interpretability of th

6、e model, the precise license plate identification data were used, and the variables such as the space travel time and the classified traffic flow were introduced. the established model was dynamic in essence. the experimental results show that the fitting accuracy is higher and the mean absolute err

7、or between fitted and standard value is less than 9 seconds, and the mean relative error is less than 5%. the model has a high degree of accuracy above 90%. finally, the great value of precise sensor network in real traffic environment was summarized.key words:precise sensor network; intellignet tra

8、nsport system (its); travel time; classified traffic flow; traffic flow model0引言隨著傳感器、嵌入式技術和短距離無線通信技術的進展，人類能夠實現物理世界更深入的感知。2005年國際電信聯盟(international telecommunication union, itu)提出了“the internet of things”(iot)的概念1，描述了新形勢下“人”、“機”和“物”全面互聯和可能全面實現“普適計算”(pervasive computing)理念的前景。2008年，ibm進一步提出了“智慧地球”(sm

9、art planet)的理念，預示了未來在現代科技的支撐下在人類社會實現“更深入的感知、更廣泛的互聯互通和更深入的智能化處理”帶來的全球新面貌2。“智慧地球”概念的延伸，也派生出了智慧城市、智慧電力、智慧醫療、智慧城市交通和智慧軌道交通等新概念。隨著我國國民經濟的發展，大、中城市的汽車(特別是私車)的數量有了數量級的增長。以成都為例，2010年汽車數量已經突破240萬輛，其中私車已超過82萬輛，目前仍然保持著迅速增長的勢頭，每天新增牌照的汽車為1500輛。盡管各城市隨著面積擴大，一方面新建了若干外部環路，對城區街道進行大量的擴建和改造；另一方面，又通過不斷改善地面公共交通系統，新建或新增地下交

10、通系統來緩解對地面交通的壓力。但是，城市道路交通擁塞現象并未得到根本的解決。借鑒國外利用現代科技改善城市交通管理的經驗，國內許多城市也開始探討“智慧城市交通”問題。智慧城市交通的基本理念是通過對車輛位置和運動規律的感知，通過合理的疏導提高道路的流通量，利用城市紅綠燈系統充分發揮道路的利用率，盡可能縮短在城區任一位置到達目的地的時間。傳統的改進交通方法是通過經驗和統計數據，通過單行道或禁止某方向轉彎的方式來實現的。這種方式由于統計數據的嚴重滯后和人工調度的方式實時性差，很難達到理想的效果，必須利用現代科技，及時掌握道路車輛位置、運動規律和擁塞狀況，對疏導交通提供預測，進行預報，并將相關信息反饋給

11、駕駛員和反映到紅綠燈的控制控制策略上。傳統的車輛檢測手段包括地感線圈、微波雷達、攝像機、紅外以及激光檢測技術，也有人采用射頻識別（radio frequency identification,rfid）或地理位置定位系統(global positioning system,gps)。最常用的基于攝像機或地感線圈的 “計數型”技術，誤差較大，且較難分別車輛類型，更不能將對車輛的識別與車輛個體直接掛鉤，而難以提供對相關部門和個人的服務，因此需要“更精確感知技術”。rfid技術和gps系統能夠做到精確定位與識別，但必須要求每臺車輛安置相應的設備，實現起來難度較大。四川大學開發的以車牌識別為基礎的傳感

12、技術，卻不需要在車輛上增加任何設備而做到對車輛的精確定位，從而能夠為城市交通調度控制管理、為用戶提供交通狀況服務、為跟蹤盜車和套牌車等提供理想的服務。盡管在通過精確車輛感知、定位的前提下，能夠及時地獲得城市道路車輛數量、分布規律和運動軌跡，但是，如何配合紅綠燈系統如何對車輛進行合理、高效的調度管理，則必須研究車輛交流通模型。本文以筆者的研究工作為背景探討智能交通系統（intellignet transport system，its）的交通流模型，以達到實現智能化控制管理的目的。1精確傳感網絡its的交通流模型交通流模型研究的對象是特定時間和空間條件下交通流的變化規律，其研究的主題是交通的三個主

13、要參數：流量、速度、密度的調查方法，分布特性及三參數之間的關系模型。在傳統的交通流理論模型3中，如greenshields線性模型、greenberg阻塞流對數模型、underwood自由流指數模型、drake模型及drew模型等，在二維平面基礎上建立流量、速度、密度三參數關系模型，但是由于這類模型所依賴的參數數量有限，也就導致其擴展能力有限。傳統交通流模型的基本關系圖如圖1所示，在圖1(a)中將“流量q速度v密度k”曲面圖分別向三個平面投影就可以得到基本的“流量q速度v”、“流量q密度k”以及“速度v密度k”關系圖；而圖1(b)則是基于ngsim的交通流實測數據對傳統交通流模型的擬合驗證。基

14、于突變理論4的交通流模型將分析擴展到了三維或者更高維度的空間5，燕尾突變理論交通流模型6通過引入時間變量更加完善了突變理論交通流模型的框架，但是隨著維度的增加，對這類模型的解釋相對復雜。近年來，基于統計理論、灰色系統、人工神經元網絡以及混沌方法的交通流模型的研究得到了廣泛的重視7-10，但是當樣本變量，以及分析問題的角度發生了變化時，這類基于單一理論的交通流模型會出現不適應的情況。特別是隨著交通流檢測設備的發展，可以直接檢測到的交通量已經超過了傳統意義上的三參數的范圍，例如基于精確號牌識別的道路交通流檢測器，可以直接檢測到的交通流參數包括旅行時間(travel time)、重型車流量(heav

15、y vehicle flow)、小型車流量(passenger car flow)、車頭時距等交通參數。那么在交通流參數增加的情況下，如何突破傳統的三參數模型，并將交通流模型擴展到更高的維度；特別是如何建立旅行時間這種更加直觀的交通參數與其他交通量之間的函數關系，這是值得研究的問題。基于組合預測的交通模型的算法流程如圖2所示，總體來講算法分為三大步驟:1)在所獲取的原始數據的基礎上，對數據進行預處理，消除錯誤數據和噪聲數據，使用直方圖法對交通態勢進行直觀分析;2)對時間片樣本均值數據進行聚類分析，將交通規律相似的樣本歸納到同一個簇中，簇用其所在的時段表示;3)按簇使用主成分分析法（princi

16、pal component analysis，pca）剔除非關鍵變量，并建立道路服務水平關鍵影響變量的分時段多元線性回歸方程。該算法是動態算法，一旦多元線性回歸方程的預測精度下降，則要去掉過期數據，重新加載最新數據。1.1數據樣本的符號化通過在一個道路路段的上游處和下游處設置號牌識別設備11-12可以采集到:1)路段上游的分類交通流量(包括重型車流量fob，小型車流量fos)、車頭時距ho;2)路段下游的分類交通流量(包括重型車流量fdb，小型車流量fds)、車頭時距hd；3)重型車輛比例hv；4)旅行時間則是對統計時間片內通過路段的車輛的行駛時間取樣本均值，記為ts，則精確號牌識別數據的樣本

17、結構可以表示為xu=(ts;fos,fob,ho,fds,fdb,hd,hv)，其中ts稱為因變量，其取值代表了路段的服務水平。xv=(fos,fob,ho,fds,fdb,hd,hv)稱為自變量集合。取m天歷史數據，樣本統計間隔為nsmin，全天可分的時間片總數為n:1.2基于層次聚類分析的時段劃分為了提高多元線性回歸方程的精度，按時變規律把交通數據劃分為具有相近交通流特征的簇，在簇內建立多元線性回歸模型，每一個簇對應了一個特定的時段。進行聚類分析時從u.j中選擇變量os,ob,ho,ts，這四個分量都是區間標度變量，采用基于歐氏距離的離差平方和法進行層次聚類時，設gp與gq可并類為gr，即

18、gr=gp,gq，則gr與任一類gk的距離為:d2kr=pd2kp+qd2kq+d2pq+|d2kpd2kq|(5)其中:p=ni+npni+nr，q=ni+nqni+nr，=nini+nr，=0,ni表示其所在的類中的樣本數。該聚類算法具有單調性，并具有空間擴張性質13。在每個時段內都具有相似的交通規律，對每個時段ti，其對應的簇表示為：xuij; i=1,2,m, jti(6)其中自變量集合表示為：xvij; i=1,2,m, jti(7)1.3主成分分析過程1.3.1構建交通變量的主分量對每一個時段ti對應的簇xvij(i=1,2,，m, jti)進行主成分分析14-16，設ti中的時間

19、片的數量為num(ti)，則樣本數為n=m×num(ti)，那么主成分分析的原理就是要將樣本向量進行正交變換，重新構造綜合變量，通過考察各個綜合變量的方差，以及構成綜合變量的原始變量的權重來決定是否保留該原始變量。綜合變量的構建方法如式(8)所示:3)將r的p個特征值按順序從大到小排列為: 1>2>p0，則特征值對應的特征向量組成的矩陣即為要求的正交陣，可以表示為c=c1,c2,cp，并且ci(i=1,2,p)為列向量。變量x1,x2,xp經過正交變換后，得到新的隨機向量即為要求的主向量y，主向量中的變量y1,y2,yp互不相關，并且主分量yi的方差等于i(i=1,2,p

20、)。1.3.2剔除非關鍵變量在pca中，作為自變量的原始交通變量組成的集合為xv，但是這些自變量之間往往會存在著相關關系，即共線或近似共線的問題，這樣建立起來的回歸模型穩定性差，會給各個變量的回歸系數估計值帶來不穩定性，通過考察每一個主分量的方差占全部總方差的比例(稱為貢獻度)，找出貢獻度最小的主分量中權重最大的原始變量。如果某個主分量的貢獻度非常小，而構成該主分量的原始變量中，某個交通量的權重又很大，則要考慮將這個交通變量剔除掉。主分量yi的貢獻度按式(13)計算，即：=i/(pi=1i); i=1,2,p(13)剩余的變量與旅行時間構建回歸方程，首先采用方差分析，即f檢驗法對所建立的回歸方

21、程進行顯著性檢驗，然后考察所建的回歸方程的復相關系數rm。如果復相關系數較高，并且f檢驗非常顯著時，就認為所選擇的變量集合是最佳變量集合。1.4分時段建立回歸方程旅行時間數據可以反映出車輛在整個路段上行駛時的特征，代表了所選路段的服務水平，以旅行時間作為因變量與影響路段服務水平的關鍵交通變量構建多元線性回歸方程，最終的回歸方程可以理解為一個分段函數，在不同的時段(簇)分別調用該時段對應的回歸方程進行交通控制和預測。分時回歸模型如式(14)所示:則某一個具體時段的回歸方程fi(xc)(i=1,2,m)的一般形式可以用ts=xc+表示，其中:xc表示在該時段影響旅行時間的關鍵向量，ts為旅行時間，

22、 表示待估參數的集合，為隨機項。2交通流模型實驗2.1交通樣本數據獲取為了獲取滿足樣本格式xu的交通變量，在北京的遠通橋西到四惠橋東的快速路上取得進城方向30d的完整交通實測數據，經過數據預處理后，得到按15min等間隔采樣的多元樣本數據。則由式(1)、(2)可得到原始樣本數據集合，并表示為:xuij; i=1,2,30, j=1,2,96(15)將30d樣本數據按相同的采樣時間片對每一個變量都計算其均值，由式(4)可得:u.j=13030i=1xuij; j=1,2,96(16)2.2直方圖分析對u.j(j=1,2,96)進行時間序列分析，橫軸為15min等間隔取樣時所在的時間片。直方圖分析

23、中可以看到比較明顯的多個高峰和平峰時段，高峰時段的平均車頭時距較短。圖5為旅行時間的按時間序列的分布圖，旅行時間驟增的時間片則表示道路處于交通擁擠狀態(同步流或寬運動堵塞17-19,21-22。路段上游和路段下游處的分類交通流量態勢如圖3，交通密度態勢如圖4。由于交通現象的隨機性和復雜性，從全天的時段分布上來看，旅行時間、流量和交通密度在時間序列上的分布特征并不完全對應。2.3時段劃分采用聚類分析算法，并結合直方圖對聚類結果進行了校正，將出現的孤立點劃分到離它最近的時段中去，將全天的交通劃分為如式(17)所示的各個時段。分時段進行主成分分析時，t1時段得到了與其他時段不同的關鍵變量。2.4t1

24、時段的關鍵變量在t1時段將特征值排序后其貢獻率及其累積率如表1所示。從表1中可以看出主分量y7所對應的特征值最小，由pca的分析原理可知主分量y7的貢獻率是最低的，該主分量的方差對應的特征向量如c7所示，則y7=c7xv，c7=(01389, 08022, 00002, 00625, 05731, 00400, 02032)。從方差最小的主分量y7中刪除權重最大的一個原始變量，即刪除在路段上游測量得到的大車流量fob，對應的權重系數為0.8022。刪除變量fob后，對剩余的變量再進行主成分分析，再次刪除方差最小的主分量中權重最大的原始變量，即路段下游的大車流量fdb。按此方式對剩余的原始變量進

25、行有限步的主成分分析，將按順序依次刪除如下的原始變量，分別為fob、fdb、hd、 hv。最后只保留了原始自變量fos、fds以及ho，根據主成分分析的原理，在暢行時段，剩余的這三個變量基本保留了7個變量的信息。從表3的分析結果可以看出在t1時段考慮路段上下游的小型車流量和路段上游的平均車頭時距的情況下建立的回歸方程非常顯著，xv,1=(fos,fds,ho)即為t1時段得到的關鍵變量集合。從實際的交通意義來看，在t1時段，當車輛之間的平均車頭時距較大(交通密度相對較小)時，車輛之間的相互作用很小，駕駛員可以按其期望的速度行駛，旅行時間的取得依賴于駕駛人員的駕駛習慣，一般來講激進型的駕駛員的車

26、速相對較快，保守型駕駛員的車速相對較慢。通過考察路段上游處平均車頭時距ho和路段下游處平均車頭時距hd在主變量y1中的權重系數，分別為03197和03028，如果用平均車頭時距來表示交通密度，則說明在交通密度較大時旅行時間會延長。將理論分析結果與基本圖(從圖3到圖5)分析結果相比較，可以看出理論分析的結果和基本圖分析的結果非常吻合。在構成主分量y1的原始自變量中，權重系數最大的兩個值分別是路段上游處小型車流量fos，路段上游處的重型車流量fob，分別為04200和04013。這就說明了，路段上游處的車流量對路段旅行時間的影響是最明顯的。使用pca方法以下變量將按順序從原始變量的集合x中刪除，即

27、fds、fdb以及hd。剩余的原始變量的集合表示為向量xr,cong=(fos,fob,ho,hv)。從表3的分析結果可以看出，從t2到t5時段，變量fos,fob,ho,hv就代表了大部分的信息量，向量xr,cong中的變量與旅行時間ts建立回歸方程非常顯著，可以作為關鍵變量集合。從實際的交通意義來看，在擁擠交通狀態下，可以通過控制路段上游的車流量和重型車的數量來得到期望的旅行時間，從而得到期望的道路服務水平。2.6分時段建立回歸方程將各時段的關鍵變量與旅行時間建立多元線性回歸方程，并將建立的回歸方程的各項指標總結為如表3所示的結果。可以看出，分時段使用關鍵變量建立的多元線性回歸方程的復相關

28、系數的平均值大于90%，f檢驗值的平均值大于30，均得到了非常顯著的效果，并且所建立的回歸方程具有結構簡單、穩定和易于控制的優點。2.7回歸擬合驗證為了驗證所建立的回歸方程，在相同的路段重新取得第31d的旅行時間的真值ts與旅行時間的估計值t 進行對比分析，估計值的獲取是分時段分別進行，再組合成全天的旅行時間預測值的曲線，如圖6所示。3結語本文闡述了基于精確傳感網絡its的概念，并建立了這類網絡的基本交通流模型，該網絡與傳統的交通流檢測網絡相比，其特點如下。1)可以精確地識別每一個具體的車輛，從而使信息量更加豐富完備，可以為交通的建設者、監管者、組織實施者和出行者提供實時的精準服務。

29、2)可以建立更加精確的并符合中國交通特征的交通流模型，并在模型中引入了旅行時間、分類交通量、車頭時距等交通量，從而擴展了傳統的交通流模型，并可以提供更加精確的信息用于交通指揮調度。例如在對擁擠時段第1主分量的分析過程中可以看到，重型車輛占交通總量的9.5%，但是其對交通的影響與占絕大多數的小型車的影響權重是相近的，從而為重型車輛對交通流的影響找到了其理論依據。3)由于可以得到路段旅行時間這一比流量更直觀方便的重要的實時交通動態信息，出行者可以方便地累加達到目的地所經過的路段的平均旅行時間而得到實際到達所需時間的最佳估計4)可以檢測到車輛的牌照號碼、顏色以及車標，上述信息在上傳至指揮中心以后又可

30、以提供其他的服務，如通過查對同一時間出現在不同檢測點的汽車號牌，查處套牌車輛；通過分析對比車輛的行駛軌跡，查處非法運營車輛等等。總之，從“智慧地球”到“感知中國”，作為新興產業和科技創新的代表，物聯網已經成為新形勢下國際競爭的制高點，在“物聯網”技術發展和推動下，基于精確傳感網絡的its將會更好地提升交通指揮和調度的效能，并給出行者帶來更加精確的交通誘導和導航信息，并使交通系統更加“智能、安全、和諧以及節能”。參考文獻:1itu internet report, the internet of things eb/ol. 2010-10-01. 2ibm商業價值研究院. 智慧地球贏在中國eb/ol. 2011-06-12. 3尤曉偉，張恩杰， 張青喜. 現代道路交通工程學m. 北京：清華大學出版社，2008: 47-55.4王英平，王殿海，楊少輝，等.突變理論在交通流分析理論中應用綜述j.交通運輸系統工程與信息，2005，5(6):68-71.5張亞平，張起森.尖點突變理論在交通流預測中的應用j.系統工程學報，2000，1