基于GPS的交通状况检测与预测研究

【摘 要】本文将GPS技术应用于城市交通状况检测，在分析交通状况检测现状的基础上，提出了基于GPS技术与GIS相结合的交通状况的实时检测。构建将遗传算法与高阶神经网络相结合的遗传-神经网络预测模型，实现了的城市交通状况实时预测。为智能交通系统的实现提供了必要的条件。

【关键词】GPS；GIS；遗传算法；高阶神经网络；预测模型

1 研究背景

1.1 GPS车速检测技术需求性分析

对交通状态进行实时监视与分析，及时可靠地发现路网道路上存在的交通运行问题，是改善道路交通运行效率，减小路网的道路交通阻塞的前提和基础。在现代交通工程技术中，交通参数正是表征道路交通状态的标量，因此，无论是智能交通系统，还是现代交通工程，都是以可靠而准确的交通参数检测为基础的。

本文重点针对目前城市现有少量、多类型的GPS浮动车及GPS浮动车检测周期较大的现实条件，研究基于GPS浮动车的城市路段平均速度估计技术，目的在于充分利用现有城市GPS浮动车检测数据，为交通部门提供实时可靠交通参数。

1.2 交通检测技术现状分析

2 交通状况信息数学建模

本研究模型吸取了交通流理论中经典和公认的模式，并由公路实地观测数据为例，确定参数。利用GPS提供的即时速度和相关时间信息，得到平均车速、交通流量、行程时间及车道占有率等交通状况信息，对城市交通管理提供重要依据。

2.1 平均车速

平均车速包括时间平均车速和区间平均车速，时间平均车速是指在特定的时间区间内，通过道路某一地点的所有车辆点速度的算术平均值。区间平均车速是指在特定的时间区间内，占据一定长度区间的所有车辆的速度平均值。

2.1.1 时间平均车速

设某一条道路上装有GPS的车辆数为n，每辆车的平均速度为 （i=1，2，3，...n）则所有车辆总平均速度为：

2.1.2 区间平均车速

区间平均车速，利用GIS（Geographical Information System）测得道路的长度、两端路口的经纬度等信息，进而知道车辆此时的位置。

设所测区间总长度为s，第i辆车的行程时间为 ，车辆经过第1端路口的时刻为 ，经过另1端路口的时刻为 ，则车辆的区间平均车速为：

其中，

得到 后，可以求得交通流量Q，算法如下。

2.2 交通流量

交通流量又称交通量，它与平均车速、车流密度统称为交通流三要素，其关系式为：

可见交通流量与车速成抛物线关系。具体分析如下：当车速很大接近自由速度 时，由于车辆数目较少，交通流量很小，随着车速的降低，车辆数的增加，交通流量逐渐增大。当车速达到临界车速 时，交通流量达到最大值 。之后，随着车辆数目的增加，车速进一步减小，道路呈现拥挤状态，交通流量随之减小，直至车速减小到0。无车辆通过，交通流量为0。图中虚线将曲线分成两部分，其中，上半部分即临界速度以下部分，代表道路畅通，下半部分代表道路拥挤。

2.3 交通状况其他信息

除了交通流量、平均车速等主要参数外，交通状态信息还包括行程时间、车道占有率等其他参数，利用GPS技术亦可方便的得到。

2.3.1 行程时间

行程时间和延误的调查结果，对全面评价一个区域内或沿一条选定路线的交通流动状态是十分有用的。根据延误的地点和类型以及交通阻滞的时间和频数，我们可以定义拥挤；采用前后对比调查，可以评价交通改善措施的有效性。

目前对以上时间参数的测量大都采用秒表作为工具，加之人为的因素，结果往往不够准确。GPS系统可以提供精确的车辆速度及时间信息，与GIS相配合，可以实现数据的自动采集，且结果相当精确。

2.3.2 车道占有率

3 基于GPS技术的道路交通状况判别方法

根据以上所建模型，可以用得到的交通状况信息来分析道路交通状况。

利用GPS可以方便的获得车辆的即时速度，而车速是研究整条路线的畅通程度与发生延误的原因或者整条道路通行能力的重要资料。因此，利用车辆速度，我们不但可以获得以上交通状况的有关信息，还可以直接获得车辆所在道路的车辆通过情况。

本文提出了1种城市交通状况的实时检测方法。利用GPS提供的精确信息，通过数学建模得到城市各路段或区域交通状况的实时信息，并对当前交通畅通或拥挤状况做出判断，具有高效率、高准确度等特点，可为交通管理部门及驾驶员提供准确信息，以便采取及时措施，极大的提高道路交通的安全性与高效性。

在此研究基础上，根据GPS提供的已有记录数据，我们还可以对下一时刻的交通状况做出判断，实现城市交通状况的实时预测，这可作为今后进一步的研究课题。

4 交通状况实时预测研究

在交通状况实时检测的基础上，进行有效的交通状况预测，是实现智能交通诱导和控制的重要基础。由于影响城市道路行程时间和交通流量等交通参数的因素具有高度的时变性和非线性的特点，所以很难给出比较精确的解析表达式并进行相应的标定。本文实现了遗传算法与高阶神经网络相结合的城市交通状况实时预测模型。运用遗传算法训练神经网络，由于遗传算法具有全局优化的能力，因此可以避免神经网络学习过程中陷入局部极小。

4.1 遗传-神经网络预测模型

用于交通状态预测的高阶神经网络HGNN，其结构设计和初始参数的确定是离线完成的。设输入为 ，即每个样本有n个输入自变量；该预测问题的输出为m维的，即 ；其导师信号为 ，即每个样本有m个因变量；共有 个样本。运用遗传算法确定高阶神经网络预测模型结构和初始参数的过程如下：

（1）基因编码。在遗传算法应用中，直接采用实数形式对参数进行编码。编码过程中以连接权重值作为基本基因进行编码。在HGNN遗传基因中， 表示从输入层节点i到隐层节点j之间的权值； 表示隐层节点j与输出层节点k之间的权值； 和 分别表示隐层节点1的域值和函数Sigmiod的可调参数，同理 、 和 、 ；而 、 和 、 则分别表示输出层智能神经元的域值和转移函数的可调参数。当上述基因取值一定时，就表示一个特定的高阶神经网络，可以由这些参数计算出网络的输出状态及误差。

（2）产生初始网络群体（Population）。设网络规模为 ，初始隐节点数为h（取相同值，也可以取不同值）。由随机数发生器分别产生（-1，1）和（（0，1）之间的随机数，为网络权值、阈值及转移函数的可变参数赋值。

（3）设有P个样本的输入输出向量对（输入、理想输出），将其施加到每个HGNN上，计算网络输出及误差。网络中各节点的输入和输出状态计算式为：

（4）复制操作（Reproduction），产生第一级中间群体。复制操作一般采用

赌的方式，即基于适合度的蒙特卡洛选择，使各世代的最佳个体保留到子代。对于 个网络构成的群体，可以得到 个系统误差 ，定义适合度 为：

运用蒙特卡洛方法，以 为依据进行网络样本选择，得到的新网络群体记为第一级中间群体，其总体状态（误差总和）优于原来的网络群体。

（5）交叉操作（Crossover），产生第二级中间群体。这是进行神经网络优化的核心步骤。交叉操作是试图使样本个体之间互相交换有效基因，来寻找更好的个体，反映一种质变的过程。所谓有效基因，应该是一种有效的基因功能团，而非任意位基因的随意组合。在遗传算法中，为了保持可行解集的稳健性，并不对所有个体进行交叉操作，而是预先设定一个交叉概率 ，运用蒙特卡洛法随机寻找需要交叉的个体、交叉点及交换的基因团。

（6）变异操作（Mutation），产生新的群体。通过交叉操作，可以得到新的网络个体集合。但为了得到全局最优解，还需要在结构一定的条件下，对己有可行解进行一定范围内的寻优。即通过随机改变可行解编码中的某个基因的取值，使目标值更加合理。按照预先设定的变异率 选择需要变异的个体网络，对其基因取值随机的进行增加或减少调整后，得到新的网络参数，形成第三级中间网络群体，并计算各网络的误差。标准遗传算法只进行一次变异，虽然最后也能找到全局最优，但收敛速度较慢。为了加快寻优速度，在交叉产生第二级中

间群体后，可以重复若干次变异操作，得到多个第三级中间网络群体。最后，按照误差最小原则，从第三级中间网络群体中选择出误差较小的 个网络构成新的群体。

（7）取min { }与预定判据比较，若达到精度要求，则结束网络训练过程：否则，用新一代网络集合更新上一个群体，转步骤（4）。

5 结论

本文提出了一种城市交通状况的实时检测方法，将GPS系统与城市交通状况的检测结合起来具有很强的启发性和实用性。可实时地检测城市各个路段和区域的交通状况信息对于实现城市的交通智能化交通诱导和控制，提供了必要而实时的交通信息反馈手段，具有十分重要的经济和社会效益。

更进一步，利用GPS不但可以获得交通状况的当前信息，判断当前交通畅通或拥挤状况，以此为基础，根据GPS提供的己有记录数据，还可以实现城市交通状况的实时预测，为交通管理部门及驾驶员提供准确信息。本文实现了遗传算法与高阶神经网络相结合的城市交通状况实时预测模型。

参考文献：

[1]万宇.基于GPS定位的浮动车样本数量确定方法研究[J].交通标准化，2006（8）.

[2]董均宇.基于GPS浮动车的城市路段平均速度估计技术研究[D].重庆大学，2006（12）.

[3]罗国豪.GPS定位监控信息系统在道路运输业中的应用[J].交通标准化，2005（9）.

[4]Park D， Rilett L. Forecasting multiple period freeway link travel times using modular neuralnetworks [J].Transportation Res Rec，1998.1617： 163-170.

[5]Lee S， Fambro D. Application of the subset ARIMA model for short- term freeway volumeforecasting [J]. Transportation Res Rec. 1999，1678： 179-188.

[6]Lin W. Agaussian maxium likelihood formulation for short- term forecasting of traffic flow

[J]. IEEE ITS Conference Proceedings， 2001：150-155.

[7]杨兆升，城市交通流诱导系统理论与模型[J].人民交通出版社，2000（1）.

注：张丽身份证号码为320705198212092527

作者简介：

沈鑫（1983-），男，工程师，南京轨道交通系统工程有限公司。总承包部副总经理。