文獻檢索課程結(jié)課論文

1、文獻檢索和數(shù)據(jù)庫利用結(jié)課論文題目：短時行程時間預(yù)測綜述姓 名： 學(xué) 院： 專 業(yè)： 學(xué) 號： 聯(lián)系方式： 指導(dǎo)教師： 摘要日益增多的機動車數(shù)和嚴峻的交通擁堵促使智能交通的發(fā)展，智能交通系統(tǒng)中的重要的一項基本功能是交通參數(shù)的預(yù)測，如行程時間的預(yù)測。行程時間預(yù)測的準確性直接關(guān)系到出行者的路徑選擇，進而影響選擇路段的交通運行狀況。行程時間的預(yù)測是實現(xiàn)先進的交通管理系統(tǒng)（ATMS）、先進的交通信息系統(tǒng)（ATIS）的前提，對智能交通（ITS）的發(fā)展起著重要的作用。本文主要工作是闡述和總結(jié)近幾十年來人們在行程時間預(yù)測方法上的研究結(jié)果，對研究結(jié)果進行縱向時間順序和橫向研究方法的比較，在此基礎(chǔ)上總結(jié)研究趨勢，

2、針對現(xiàn)有研究方法的不足和行程時間本身的多模式特性，提出自己有關(guān)行程時間預(yù)測方法的觀點，并提出基于動態(tài)張量填充的行程時間預(yù)測框架。第一章 前言 隨著經(jīng)濟的發(fā)展，人們生活水平的提高，機動車使用量也日益增加，這加劇了交通擁堵，交通擁堵在導(dǎo)致出行者時間和金錢花費增加的同時，還加劇了環(huán)境污染，影響了整個城市交通的正常運行。擁堵收費等政策性措施已經(jīng)不能從根源上解決交通擁堵問題。基于擁堵等交通問題重重出現(xiàn)，集先進的信息技術(shù)、通訊技術(shù)、傳感技術(shù)、控制技術(shù)以及計算機技術(shù)為一體，旨在緩解交通阻塞、提高路網(wǎng)通過能力、減輕環(huán)境污染、減少交通事故、降低能源消耗的高效的智能運輸系統(tǒng)得到大家的關(guān)注。行程時間預(yù)測是智能交通不

3、可分割的部分，起著至關(guān)重要的作用。 行程時間預(yù)測的重要性在許多有關(guān)交通運輸?shù)奈恼吕锒加斜惶峒?；隨著交通發(fā)展中“以人為本”的思想逐漸盛行，一套不僅可用于交通管理和控制優(yōu)化，還可為出行者提供準確交通信息的智能交通系統(tǒng)（ITS）亟需完善 李樹廣, 劉允才. 智能交通的發(fā)展與研究J. 微型電腦應(yīng)用,2005,06:1-6.，這直接引發(fā)了人們對交通短時行程時間預(yù)測的興趣。于此同時，計算機技術(shù)的進步和交通硬件設(shè)施的完善為行程時間預(yù)測提供了客觀的技術(shù)條件。正是由于智能交通的發(fā)展和交通設(shè)備技術(shù)條件的完善，越來越多的研究著眼于行程時間等交通參數(shù)數(shù)據(jù)的恢復(fù)和預(yù)測。顧名思義，行程時間預(yù)測是指利用現(xiàn)有的信息對未知時間

4、、空間段的行駛時間進行預(yù)測的過程。行程時間預(yù)測包括高速公路行程時間預(yù)測、城市道路網(wǎng)預(yù)測等；從預(yù)測所利用到的數(shù)據(jù)來看，可以分為長時（long-term）行程時間預(yù)測和短時（short-term）行程時間預(yù)測。由于行程時間是動態(tài)隨機變量，不僅與歷史行程時間存在一定的相關(guān)性，與現(xiàn)時的行程時間之間也有較強的關(guān)系；預(yù)測時間點與測量時間點間隔太大，意味著與預(yù)測多點時間與現(xiàn)時行程時間的相關(guān)性越弱；因此，在感興趣范圍內(nèi)，近期行程時間預(yù)測比遠期行程時間預(yù)測更有意義，更具時效性。因此大多數(shù)行程時間預(yù)測集中在短時行程時間預(yù)測 Lili Du, Srinivas Peeta, Yong Hoon Kim. An ad

5、aptive information fusion model to predict the short-term link travel time distribution in dynamic traffic networksJ. Transportation Research Part B, 2 012, 46(1): 235-252.。人們嘗試利用將不同領(lǐng)域的預(yù)測或者數(shù)據(jù)特征提取方法應(yīng)用行程時間預(yù)測。最初人們考慮到行程時間是隨時間變化而變化的變量，利用統(tǒng)計學(xué)方法進行預(yù)測；隨著研究的深入，基于時空狀態(tài)的神經(jīng)網(wǎng)絡(luò)模型開始應(yīng)用于行程時間預(yù)測；而后，基于時空的多變量行程時間預(yù)測方法也相繼誕生。

6、盡管目前的行程時間預(yù)測方法和模型已經(jīng)被證實得到比較好的預(yù)測結(jié)果，但是，這些方法大多只考慮到單個影響變量，或者考慮到多變量，引入矩陣進行預(yù)測；而行程時間不僅與時間空間有關(guān)，還因為人們“日出而作，日落而息”的生活以及工作日的分布存在著很強的周期特性，有著天周期，周周期，路徑相關(guān)等特性；這些特性僅僅用線性或者非線性回歸都不能提??；本文將在對以前的方法做綜述總結(jié)的基礎(chǔ)上，對未來的行程時間預(yù)測方法提出建議。旨在提出更加精確的、穩(wěn)定的行程時間預(yù)測方法，為智能化交通管理和提供智能化的實時信息做準備。第二章 行程時間預(yù)測方法概述自十九世紀八十年代以來，行程時間預(yù)測就作為智能交通系統(tǒng)不可分割的部分，備受人們關(guān)注

7、。追溯至今，短時行程時間預(yù)測已有35左右年的歷史。人們不斷嘗試將新的方法應(yīng)用于行程時間預(yù)測。2.1 時間軸縱向發(fā)展首先從縱向發(fā)展角度來看，最初投入應(yīng)用的是經(jīng)典統(tǒng)計學(xué)方法，而后是數(shù)據(jù)驅(qū)動的交通流參數(shù)模型化方法，這兩種方法一般都是在假設(shè)交通條件比較穩(wěn)定的情況下進行預(yù)測，如回歸整數(shù)移動平均模型 (ARIMA) Yang J. A Study of Travel Time Modeling via Time Series AnalysisC/ Proceedings of IEEE Conference on Control Applications. Canada: Toronto, 2005, A

8、ugust 28-31:855 - 860.- M. S. Ahrmed., Cook A.R. Analysis of freeway traffic time-series data by using Box-Jenkins techniquesJ. Transportation Research Record 722, 1979, 19.；接著，智能化計算方法和機器學(xué)習(xí)法被應(yīng)用，如神經(jīng)網(wǎng)絡(luò)模型 LEE Y. Freeway Travel Time Forecast Using Artifical Neural Networks With Cluster MethodC/12th Inte

9、rnational Conference on Information Fusion USA: Seattle, WA, 2009, July 6-9:1331 - 1338.-=-0-Park, D., Rilett, L., and Han, G. Spectral basis neural networks for real-time travel time forecastingJ. J. Transp. Eng,1999, 125(6): 515523 Innamaa S. Short-Term Prediction of Travel Time using Neural Netwo

10、rks on an Interurban HighwayJ. Transportation, 2005, 32(6):49-669. ，支持向量回歸模型（support vector regression，簡稱SVR） Vanajakshi, L, Madras I, etal. Support Vector Machine Technique for the Short Term Prediction of Travel TimeC. In telligent Vehicles Symposium. Istanbul. Turkey: IEEE press, 2007: 600 - 605.

11、 - Chun-Hsin Wu, Jan-Ming Ho, D. T. Lee. Travel-Time Prediction With SupportVector RegressionJ. IEEE transaction on intelligent transportation, 2004, 5(4):276-281. 。Vlahogianni et al. (2004) Vlahogianni, E.I., Golias J.C., Karlaftis, M.G. Short-term traffic forecasting: overview of objectives and me

12、thodsJ. Transportation Reviews, 2004, 24 (5):533557.對2003年以前的預(yù)測方法進行了總結(jié)，Adeli (2001) Adeli, H. Neural networks in civil engineering: 19892000J. Computer-Aided Civil and Infrastructure Engineering, 2001, 16:126142. 對神經(jīng)網(wǎng)絡(luò)預(yù)測進行了總結(jié)?？v向比較可以得出，初步研究主要集中于高速公路，應(yīng)用的是單一因變量統(tǒng)計模型，存在很多的不足。目前，人們正在積極努力地探索新的方法應(yīng)用于行程時間預(yù)測中，

13、Eleni I. Vlahogianni（2013） E. I. Vlahogianni, M. G. Karlaftis, and J. C. Golias. Short-term trafc forecasting: Where we are and where were goingJ. Transportation Research Part C: Emerging Technologies, 2014.對近幾十年的行程時間預(yù)測做了全面的縱向比較，并列表分類陳述了主要的研究結(jié)果，表格就2006至2012年間的行程時間預(yù)測方法的應(yīng)用范圍、預(yù)測參數(shù)、數(shù)據(jù)獲取方式、變量數(shù)目、預(yù)測模型、優(yōu)化方法

14、輸出數(shù)值內(nèi)容等做出明確的分類。綜述中提到，目前人們在行程時間預(yù)測上的主要研究趨勢集中為：（1）提供適應(yīng)性強的算法和預(yù)測方法，比如對天氣等影響因素有適應(yīng)能力；（2）高速公路、主干道和網(wǎng)狀公路等多層次預(yù)測用新的方法和整合的混合數(shù)據(jù)進行行程時間預(yù)測；（3）提高數(shù)據(jù)質(zhì)量；（4）將模型和數(shù)據(jù)驅(qū)動相結(jié)合；（5）用統(tǒng)計學(xué)知識建立協(xié)同關(guān)系，用以建立模型；（6）多種預(yù)測模型相結(jié)合，并與單一模型結(jié)果相比較；（7）增強模型的適應(yīng)能力；（8）實現(xiàn)完全智能化等。由縱向比較的結(jié)果可以得出現(xiàn)階段人們集中研究的趨勢的變化。但是最本質(zhì)的思想一直沒變，就是提高數(shù)據(jù)的質(zhì)量、預(yù)測結(jié)果的精度和智能化程度。無論是傳統(tǒng)的統(tǒng)計學(xué)方法還是數(shù)據(jù)

15、驅(qū)動模型等，都是以提供高精度和高穩(wěn)定性的預(yù)測結(jié)果為目的的。盡管如此，不同方法之間還是有差異的，考慮的因素越周全，預(yù)測的結(jié)果自然也會更接近真實值。因此，我們對行程時間預(yù)測方法做一個橫向發(fā)展概述。2.2 橫向預(yù)測方法比較橫向比較主要從人們考慮因素的方面和多少以及所用方法上的差異，及收獲的效果展開。由于考慮的重點不同，幾乎每一篇文章中都提到不同的橫向方法都不一樣。如Ta-Yin Hu etc.(2012) Hu T Y, Tong C, Liao T Y, et al. Simulation-assignment-based travel time prediction model for traf

16、fic corridorsJ. IEEE Transactions on Intelligent Transportation Systems, 2012, 13(3): 1277-1286.應(yīng)該根據(jù)預(yù)測模型的不同將行程時間預(yù)測方法分為：（1）統(tǒng)計學(xué)方法；（2）交通流預(yù)測模型；（3）神經(jīng)網(wǎng)絡(luò)模型；（4）卡爾曼濾波模型；（5）基于交通仿真的預(yù)測模型五大類。也有人根據(jù)預(yù)測時引入?yún)?shù)的形式和數(shù)量不同，將行程時間預(yù)測分為：參數(shù)化回歸模型、非參數(shù)化回歸模型、仿真混合模型等。由于考慮到不同的方面，形形色色的分類相繼出現(xiàn)。實際上，以前的分類大多大同小異，大多是從預(yù)測模型上作比較。但是，很少有人考慮到根據(jù)行程

17、時間本身的特性以及預(yù)測數(shù)據(jù)的之間相關(guān)性分類的方法。下面我的橫向比較將從如何更多地獲取交通行程時間數(shù)據(jù)之間的相關(guān)性并結(jié)合行程時間本身的特性展開。最初的行程時間預(yù)測中，人們僅僅考慮到行程時間隨時間變化而變化的規(guī)律，即單純的時間序列法（time series），這些方法有自回歸移動平均模型、卡爾曼濾波算法 朱中, 楊兆升. 基于卡爾曼濾波理論的實時行程時間預(yù)測模型J. 系統(tǒng)工程理論與實踐, 1999, 19(9): 74-78.和非參數(shù)回歸預(yù)測模型 LI Z P, YU H, LIU Y C, et al. An improved adaptive exponential smoothing mod

18、el for short-term travel time forecasting of urban arterial streetJ. Acta automatica sinica, 2008, 34(11): 1404-1409.等；以自回歸移動平均模型為例，該方法先用歷史行程時間進行自回歸得：Xt=1Xt-1+2Xt-2+pXt-p+Zt，其中，=1,2,3,p是模型的參數(shù)，即自回歸系數(shù)；然后利用移動平均再求預(yù)測時間： Xt=1Zt-1+2Zt-2+qZt-q+Zt。其中，=1,2,3,q是模型的參數(shù)，即移動平均次數(shù)；z(t)是觀測時間的干擾，服從高斯分布。然后將兩個模型結(jié)合得：1-Bd

19、BXt=(B)Zt ,為自回歸移動平均整合模型。即為自回歸移動平均整合模型?？梢钥闯?，該模型主要依據(jù)歷史行程時間序列來預(yù)測將來的行程時間，預(yù)測的結(jié)果是時間序列向量。Abbas Khosravi等人 Khosravi A, Mazloumi E, Nahavandi S, et al. A genetic algorithm-based method for improving quality of travel time prediction intervalsJ. Transportation Research Part C: Emerging Technologies, 2011, 19(

20、6): 1364-1376.提出，將GA（genetic algorithm-based）方法用于提高行程時間預(yù)測的精度，此法通過統(tǒng)計學(xué)上的置信區(qū)間變化以及“優(yōu)勝劣汰”的思想逐步找出最合適的預(yù)測模型；貝葉斯模型 Fei X, Lu C C, Liu K. A bayesian dynamic linear model approach for real-time short-term freeway travel time predictionJ. Transportation Research Part C: Emerging Technologies, 2011, 19(6): 1306-

21、1318.在考慮到先驗時間值對時間影響的同時，引進后驗時間值對行程時間預(yù)測影響，其動態(tài)線性模型為：狀態(tài)等式和觀測等式。狀態(tài)等式為zt=zt-1Gt+(t)，觀測等式為Yt=F(t)Tzt+v(t)，、都是白噪聲，(t)是變化誤差，v(t)是測量誤差，均服從正態(tài)分布。F(t)T是z(t)的設(shè)計函數(shù)；G(t)是z(t)的變化函數(shù)；動態(tài)線性模型在貝葉斯預(yù)測模型中通過初始化數(shù)據(jù)、先驗值估計、預(yù)測、后驗值計算以及實時更新來獲取預(yù)測的時間。貝葉斯動態(tài)模型克服了只用歷史行程時間為依據(jù)的缺點，引入了先驗時間值和觀測值，它是基于時間變動特性進行預(yù)測方法中的一種。Ta-Yin Hu等人提出利用交通流理論及交通仿真

22、進行行程時間預(yù)測，實質(zhì)上也是基于交通流理論的統(tǒng)計學(xué)方法；于宏程 干宏程, 汪晴, 范炳全. 基于宏觀交通流模型的行程時間預(yù)測J. 上海理工大學(xué)學(xué)報, 2008, 30(5): 409-413.等人利用宏觀交通流模型進行行程時間預(yù)測。Xiaoyan Zhang等人 Zhang X, Rice J A. Short-term travel time prediction J. Transportation Research Part C: Emerging Technologies, 2003, 11(3): 187-210.提出時間序列變化法，利用線性回歸估算出真實的未來行程時間與利用交通流理論

23、預(yù)測所得時間之間的線性關(guān)系。這些方法均是基于統(tǒng)計學(xué)的回歸或者比較篩選法，其預(yù)測結(jié)果均是時間向量。與時間序列法類似，支持向量回歸（SVR）和神經(jīng)網(wǎng)絡(luò)（ANNS）預(yù)測也是考慮輸入歷史數(shù)據(jù)和預(yù)測數(shù)據(jù)之間的關(guān)系，不對行程時間本身的特征做量化分析，其結(jié)果大多是間向量序列。其中，神經(jīng)網(wǎng)絡(luò)模型利用神經(jīng)網(wǎng)絡(luò)模型里用智能計算機算法找出輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的映射關(guān)系，進而進行預(yù)測，與傳統(tǒng)的時間序列法相比較，神經(jīng)網(wǎng)絡(luò)模型不需要利用統(tǒng)計學(xué)方法對數(shù)據(jù)進行統(tǒng)計分析，計算比較快，但是由于神經(jīng)網(wǎng)絡(luò)模型類似于“黑匣子”，我們不知道模型確切的對應(yīng)關(guān)系，它只是一種基于機器學(xué)習(xí)過程的結(jié)果，因此不能排除神經(jīng)網(wǎng)絡(luò)模型本身的缺點，即需要

24、對原始數(shù)據(jù)進行大量培訓(xùn)，以得到映射關(guān)系。為了使輸入神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)需要的培訓(xùn)時間減少，提高運算的速度，有人在利用神經(jīng)網(wǎng)絡(luò)模型之前，先用其他的數(shù)學(xué)方法構(gòu)建數(shù)學(xué)結(jié)構(gòu)，如Yunlong Zhang & Hancheng Ge(2012) Yu W, Li X. Fuzzy identification using fuzzy neural networks with stable learning algorithms J. Fuzzy Systems, IEEE Transactions, 2004, 12(3): 411-420.提出TSKFNN，先將數(shù)據(jù)輸入模糊系統(tǒng)進行處理，形成簇團，然

25、后輸入到神經(jīng)網(wǎng)絡(luò)系統(tǒng)，進行行程時間預(yù)測。J. W. C. van Lint Van Lint J W C. Online learning solutions for freeway travel time prediction J. Intelligent Transportation Systems, IEEE Transactions, 2008, 9(1): 38-47.提出實時在線的卡爾曼濾波模型，先通過卡爾曼模型對數(shù)據(jù)進性分析處理，再將處理結(jié)果作為神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，意在神經(jīng)網(wǎng)絡(luò)模型冗長的培訓(xùn)時間。這些工作的目的在于克服神經(jīng)網(wǎng)絡(luò)模型冗長培訓(xùn)時間的缺點，目的在于提高預(yù)測的經(jīng)度和效

26、率。但是，無論是經(jīng)過處理的混合神經(jīng)網(wǎng)絡(luò)模型還是未經(jīng)過的原始神經(jīng)網(wǎng)絡(luò)模型，都是利用輸入數(shù)據(jù)數(shù)列預(yù)測時間序列向量。支持向量回歸模型在預(yù)測過程中，考慮到行程時間因為受交通因為特征的影響，呈現(xiàn)明顯的周模式、天模式現(xiàn)象。支持向量回歸先通過內(nèi)積定義的線性變換將輸入的數(shù)據(jù)變換到一個高位空間，然后找到廣義最優(yōu)分類面，將數(shù)據(jù)分離，輸出結(jié)果為所有結(jié)果的線性組合。既支持向量回歸等效于神經(jīng)網(wǎng)絡(luò)模型和統(tǒng)計學(xué)方法的結(jié)合，它利用機器學(xué)習(xí)找到行程時間的周模式、天模式特性，再做線性組合，但是沒有考慮各個模式之間的相關(guān)性提取及其對預(yù)測結(jié)果的影響。K最近鄰(k-Nearest Neighbour，KNN)分類算法 Gong X,

27、Wang F. Three improvements on knn-npr for traffic flow forecasting A. In: The IEEE 5th International Conference on Intelligent Transportation SystemsC. 2002,736-740.，是最簡單的機器學(xué)習(xí)算法之一，也是一個在理論上已經(jīng)比較成熟的方法。其主要思路：如果一個樣本在特征空間中的k個最相似(即特征空間中最鄰近)的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別。也就是通過一定條件限制找到與預(yù)測行程時間特征最相近的歷史行程時間數(shù)據(jù)，以之來預(yù)

28、測未來的行程時間。有人考慮到行程時間不僅與時間序列有關(guān)，還與所處的空間狀態(tài)有關(guān)，因此在基于時間的基礎(chǔ)上，考慮到空間上交通結(jié)構(gòu)的影響，將時空狀態(tài)引入到行程時間預(yù)測。Mehmet Yildirimoglu（2013） Yildirimoglu M, Geroliminis N. Experienced travel time prediction for congested freeways J. Transportation Research Part B: Methodological, 2013, 53: 45-63.在經(jīng)驗時間預(yù)測中利用到了交通數(shù)據(jù)預(yù)測中的各種方法，包括瓶頸識別、聚類劃分、

29、估計隨機擁堵等。其中，聚類劃分中用到主成分分析，提取多變量的主要成分及相關(guān)性。北京交通的邵春福等人 邵春福, 張魁麟. 基于實時數(shù)據(jù)的網(wǎng)狀城市快速路行駛時間預(yù)測方法研究J. 土木工程學(xué)報, 2003, 36(1): 16-20.提出基于時間空間的實時數(shù)據(jù)的網(wǎng)狀城市快速路行駛時間預(yù)測方法研究；Lili Du（2010） Du L, Peeta S, Kim Y H. An adaptive information fusion model to predict the short-term link travel time distribution in dynamic traffic netw

30、orksJ. Transportation Research Part B: Methodological, 2012, 46(1): 235-252.利用自適應(yīng)信息混合模型進行行程時間預(yù)測，預(yù)測中考慮行程時間隨時間變化的同時，還考慮到不同路段（link）的行程時間分布以及各路段行程時間分布之間的相互關(guān)聯(lián)性，即從時空狀態(tài)上預(yù)測行程時間。這些方法的輸入和輸出量中不僅包括行程時間的時間特征還包括它的空間特征。Tsuyoshi Id´e等人 Idé T, Kato S. Travel-Time Prediction Using Gaussian Process Regressio

31、n: A Trajectory-Based ApproachC/ SDM. Philadelphia:SIAM, 2009:1183-1194.利用高斯模型進行行程時間預(yù)測，此方法主要是通過GPS實時軌跡跟蹤，以獲取空間信息用于預(yù)測，是在綜合考慮路徑空間及時間對行程時間的影響基礎(chǔ)上進行預(yù)測。J. Chang等人 Chang J, Chowdhury N K, Lee H. New travel time prediction algorithms for intelligent transportation systemsJ. Journal of intelligent and fuzzy

32、systems, 2010, 21(1): 5-7.提出了專用于ITS的行程時間預(yù)測方法，此方法結(jié)合簡單的傳統(tǒng)貝葉斯分類和新規(guī)定的分類對速同一路徑上的速度場進行分類，路徑的行程時間即為所有路段行程時間之和，這種方法也是在考慮路徑空間影響的基礎(chǔ)上進行預(yù)測，預(yù)測結(jié)果為時間空間組合向量。第三章 總結(jié)及建議通過時間縱向比較，我們可以清楚看到行程時間的發(fā)展歷史脈絡(luò)，通過橫向方法的比較，我們很容易發(fā)現(xiàn)，考慮到交通行為本身的特征，行程時間預(yù)測方法上仍然存在不足和需要改善的地方。從第2節(jié)中預(yù)測方法概述可開看出，預(yù)測方法可以分為：基于時間序列，即僅僅考慮時間變動特性的預(yù)測、考慮到行程時間周期性的預(yù)測方法、以及考

33、慮時空雙重因素影響的行程時間預(yù)測。 根據(jù)第2節(jié)中提到的歷史行程時間預(yù)測方法，以及各種方法之間的相互比較，可以明顯地看出預(yù)測方法的發(fā)展趨勢，同時，也會發(fā)現(xiàn)其中的一些不足之處，本節(jié)內(nèi)容主要是對前文中提到的預(yù)測方法作總結(jié)，并提出相應(yīng)的建議，為后續(xù)提出更新穎、效果更好的方法最準備。3.1 基于時間序列，即僅僅考慮時間變動特性的預(yù)測 由于行程時間隨時間變化而變化的特征十分明顯，因此，和預(yù)測其他交通數(shù)據(jù)一樣，早期的行程預(yù)測方法一般將時間數(shù)據(jù)構(gòu)建成簡單的時間序列，再利用一些統(tǒng)計模型，智能方法挖掘行程時間的時間模式變化特征來預(yù)測未來的行程時間，如第2節(jié)中提到的自回歸移動平均模型。這類預(yù)測方法的模型可以用下列等

34、式來表示：T(t),T(t+1),T(t+h)=f(T(t-1),T(t),T(t+W) （3-1）在這類方法中，僅僅考慮到時間的影響，輸入數(shù)據(jù)為歷史時間數(shù)據(jù)流向量， 只是時間維度上的一個向量。其中，h表示預(yù)測區(qū)間的長度，而W表示所需歷史行程時間數(shù)據(jù)的寬度，f()表示預(yù)測的行程時間和歷史行程時間之間的對應(yīng)關(guān)系。對于諸如自回歸移動平均等參數(shù)化或者非參數(shù)化回歸模型，利用統(tǒng)計學(xué)方法得到f()的映射關(guān)系，而對神經(jīng)網(wǎng)絡(luò)，則利用機器智能學(xué)習(xí)法得到期間的映射關(guān)系。這類方法在第二章節(jié)中均有介紹。3.2 基于行程時間時空數(shù)據(jù)的行程時間預(yù)測相鄰路段時間行程時間以及同一路段上下游交通流行駛時間之間都存在一定的關(guān)系。

35、比如，一個路口分行的兩條相鄰路段，當一個路段因交通擁而造成行程時間非常大時，道路使用者會傾向于選擇相鄰路段或者路徑行駛，導(dǎo)致交通使用者選擇相鄰路段，而使得相鄰路段的行程時間增加。智能交通是一個大的運輸網(wǎng)絡(luò)，應(yīng)該提供廣泛的行程時間預(yù)測 Wunderlich K E, Kaufman D E, Smith R L. Link travel time prediction for decentralized route guidance architecturesJ. Intelligent Transportation Systems, IEEE Transactions, 2000, 1(1):

36、 4-14.。第2節(jié)中，我們提到支持向量回歸、自適應(yīng)混合信息模型以及北京交通的邵春福等人提出基于時間空間的實時數(shù)據(jù)的網(wǎng)狀城市快速路行駛時間預(yù)測方法研究，這些方法都是根據(jù)行程數(shù)據(jù)和交通行為本身的特征，在時間因素的基礎(chǔ)上，行考慮程時間空間特性的影響。這類方法可以用以下數(shù)學(xué)模式來表示：Tl1,tTli,t+hTl1,TTli,t+h=f(Tl1,t-1Tli,t+wTl1,t-1Tli,t+w) （3-2）與3.1中數(shù)學(xué)模型對應(yīng)的參數(shù)意義類似，只是，在這里，行程時間預(yù)測是基于二維矩陣進行，即 。其中， 表示需要預(yù)測的路網(wǎng)空間的集合；w和h同樣對應(yīng)于所需歷史行程時間的長度和預(yù)測區(qū)間的寬度。3.3結(jié)合行

37、程時間的多周期性進行預(yù)測 行程時間是交通數(shù)據(jù)的一種，和其他交通數(shù)據(jù)類似，行程時間具有多周期特性 Kwon J, Coifman B, Bickel P. Day-to-day travel-time trends and travel-time prediction from loop-detector dataJ. Transportation Research Record: Journal of the Transportation Research Board, 2000, 1717(1): 120-129.- Jiang X, Adeli H. Wavelet PacketAutoc

38、orrelation Function Method for Traffic Flow Pattern AnalysisJ. Computer-Aided Civil and Infrastructure Engineering, 2004, 19(5): 324-337.，因此在進行行程時間預(yù)測時，可以充分利用其多周期特性以獲取更多的信息。考慮到這一因素，人們在原有的預(yù)測方法中加入周期性約束。Angshuman Guin Guin, A. Travel Time Prediction Using a Seasonal Autoregressive Integrated Moving Aver

39、age Time Series Mode C/Proceedings of the IEEE Intelligent Transportation Systems Conference, Toronto: IEEE, 2006, 17-20 September: 493-498.在2006年提出季節(jié)性的ARMIRA模型，即SARMIRA模型，加入了季節(jié)周期性的約束，并通過估算MAE（絕對誤差）、MAPE（平均絕對誤差率）和RMSEP（標準差）計算分析得出，SARMIRA模型比傳統(tǒng)簡單的ARMIRA模型獲得更加好的預(yù)測結(jié)果。3.4 總結(jié)現(xiàn)有方法并提出建議行程時間預(yù)測最重要的是提取未來行程時間與歷史數(shù)據(jù)之間的相關(guān)性以及行程時間本身的特性。Cheol Oh 和 Seri Park Oh C, Park S. Investigating the effects of daily travel t