基于駕駛員路徑選擇行為的突發(fā)交通流預(yù)測(cè)

陳岳明 楊帆

摘 要：針對(duì)異常突發(fā)事件下駕駛員的路徑選擇特性，分析異常突發(fā)事件下駕駛員路徑選擇和到達(dá)交通流之間的關(guān)系，探索異常突發(fā)事件下城市交通流特征的變化規(guī)律，以期實(shí)現(xiàn)在突發(fā)事件下側(cè)能夠?qū)Τ鞘械缆范唐诮煌鬟M(jìn)行精準(zhǔn)預(yù)測(cè)。仿真算例表明，預(yù)測(cè)模型可以較好的進(jìn)行道路區(qū)域網(wǎng)絡(luò)交流預(yù)測(cè)。

關(guān)鍵詞：交通流預(yù)測(cè) 路徑選擇 異常突發(fā)事件

中圖分類號(hào)：U491 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2016）03（c）-0062-03

Abstract：Aiming at the characteristics of route choice by drivers under abnormal states， the relationship between the arrival flow and the route choice under abnormal states is analyzed， and the changing features of the traffic flow under abnormal states are studied， so that accurate predictions may be obtained.The simulation results show that the proposed approach is applicable and effective.

Key Words：Traffic flow forecasting；Route choice；Abnormal states

在異常突發(fā)事件下，需要對(duì)城市道路交通網(wǎng)絡(luò)的交通流進(jìn)行實(shí)時(shí)誘導(dǎo)和控制，關(guān)鍵是需要對(duì)異常事件下的交通流進(jìn)行預(yù)測(cè)，這也是智能交通系統(tǒng)的一個(gè)重要組成部分[1]。同時(shí)，由于在異常事件下，交通流會(huì)呈現(xiàn)出不同的復(fù)雜性和不確定性，因此，要進(jìn)行精準(zhǔn)的預(yù)測(cè)并不容易。近些年來(lái)，國(guó)內(nèi)外學(xué)者們?cè)诮煌黝A(yù)測(cè)領(lǐng)域進(jìn)行了大量的研究工作，取得廣泛應(yīng)用的模型有回歸預(yù)測(cè)模型、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、卡爾曼濾波模型、歷史均值模型、時(shí)間序列模型和模糊控制模型等[2-5]。

在異常突發(fā)事件情況下，需要對(duì)交通流進(jìn)行預(yù)測(cè)，前提是要對(duì)突發(fā)事件下的交通流特征進(jìn)行分析，得到準(zhǔn)確的交通流到達(dá)分布，因此，需要考慮駕駛員路徑選擇因素。針對(duì)異常突發(fā)事件下駕駛員的路徑選擇特性，分析異常突發(fā)事件下駕駛員路徑選擇和到達(dá)交通流之間的關(guān)系，就可以探索異常突發(fā)事件下城市交通流特征的變化規(guī)律，用其對(duì)突發(fā)事件下上游交通流到達(dá)分布進(jìn)行修正，從而可以得到異常突發(fā)事件下上游交通流的到達(dá)特性分布。同時(shí)結(jié)合基于跳轉(zhuǎn)ARIMA模型[6]進(jìn)行路段交通流預(yù)測(cè)，實(shí)現(xiàn)對(duì)路網(wǎng)交通流的預(yù)測(cè)。

1 異常突發(fā)事件下駕駛員路徑選擇

駕駛員在得知發(fā)生異常突發(fā)事件后，反應(yīng)一般包括兩個(gè)方面：一方面駕駛員對(duì)安全的注意有一定程度的上升，駕駛會(huì)變得更加謹(jǐn)慎；另一方面駕駛員普遍表現(xiàn)出對(duì)事件的關(guān)心和對(duì)交通擁擠的擔(dān)心。調(diào)查數(shù)據(jù)顯示[7]，駕駛員在得知城市道路異常突發(fā)事件（以事故為例）發(fā)生后，最感興趣的信息排名是：第一，交通事故在哪里發(fā)生（44.7%）；第二，事故是哪種類型（19.7%）；第三，事故還需要多長(zhǎng)時(shí)間排除，而對(duì)預(yù)測(cè)行程時(shí)間等預(yù)測(cè)信息因缺乏應(yīng)用體驗(yàn)而不太信任，絕大多數(shù)駕駛員仍習(xí)慣于自行判斷行程時(shí)間。

一般情況下，描述駕駛員路徑選擇行為時(shí)，常用的模型是離散選擇模型（Discrete Choice Model）。離散選擇模型通常包括概率單位（Probit）模型和分對(duì)數(shù)（Logit）模型。Probit模型雖然理論上較為嚴(yán)密，但因計(jì)算困難而應(yīng)用不多。相比較而言，Logit模型更加簡(jiǎn)單易用。Logit模型中最簡(jiǎn)單的形式為多項(xiàng)式Logit模型，該模型可以通過(guò)隨機(jī)效用理論判別分析、刺激-反應(yīng)過(guò)程模型或熵模型推出。多項(xiàng)式模型具有IIA特性[8]（Independence from Irrelevant Alternation），即任兩個(gè)選擇項(xiàng)的選擇概率之比與其他選擇項(xiàng)的狀態(tài)無(wú)關(guān)。

駕駛員行為和對(duì)其行為觀測(cè)都存在隨機(jī)性，路線對(duì)于駕駛員的效用也是隨機(jī)的。在使用Logit模型描述駕駛員選擇行為過(guò)程中，駕駛員的路線選擇概率由路線的效用決定，各路線之間的效用是獨(dú)立的，且路線的效用由駕駛員對(duì)路線的熟悉程度、預(yù)期行程時(shí)間等決定。由Logit模型描述的駕駛員路線選擇概率模型為：

當(dāng)城市交通道路發(fā)生異常突發(fā)事件后，決定駕駛員路徑選擇行為的是駕駛員自身屬性所構(gòu)成的靜態(tài)屬性（包括對(duì)路線的熟悉程度、行駛距離、出行目的、個(gè)人駕駛習(xí)慣和安全意識(shí)等）和駕駛現(xiàn)場(chǎng)的動(dòng)態(tài)屬性（包括異常事件發(fā)生的地點(diǎn)、事故類型、平均車(chē)速和平均排隊(duì)長(zhǎng)度等）兩者的共同作用。駕駛員在得知到相關(guān)信息后，根據(jù)自身駕駛習(xí)慣和出行目的估計(jì)出行程時(shí)間與期望行程時(shí)間做對(duì)比，在認(rèn)為是安全的情況下選擇合適的路徑。因此可以假想，駕駛員的主要路徑選擇行為是按照預(yù)估行程時(shí)間來(lái)進(jìn)行選擇，并且行程時(shí)間主要由駕駛員對(duì)路徑熟悉程度來(lái)決定。則在異常突發(fā)事件情況下，駕駛員路徑選擇選擇概率模型可以描述為：

其中，為駕駛員對(duì)道路熟悉程度的量化指標(biāo)，取值范圍為[0～1]；為對(duì)路線行程時(shí)間的預(yù)測(cè)值效用值，可取成預(yù)測(cè)時(shí)間的倒數(shù)。

為簡(jiǎn)化計(jì)算，可以不考慮駕駛員選擇特性之間的差異，即認(rèn)為駕駛員對(duì)路線熟悉程度相同，則參數(shù)可以取一定值。如，=0表示駕駛員對(duì)道路相當(dāng)陌生；=1表示對(duì)道路非常了解，因此可以取一適當(dāng)?shù)慕y(tǒng)一值來(lái)簡(jiǎn)化計(jì)算，得出異常突發(fā)事件下駕駛員路徑選擇模型。

2 異常突發(fā)事件下城市路段交通流特性

在進(jìn)行交通流預(yù)測(cè)和交通疏散時(shí)，需要預(yù)測(cè)某些具體的交通流特性，并且希望能使用現(xiàn)有的數(shù)據(jù)或假設(shè)的數(shù)據(jù)進(jìn)行預(yù)測(cè)。一般來(lái)說(shuō)，到達(dá)流分布可以是最能描述交通流特性的特性參數(shù)。然而實(shí)際情況中對(duì)車(chē)輛到達(dá)率的觀測(cè)有一定的難度，且觀測(cè)得出數(shù)據(jù)在一定程度有失真，因此，考慮首先得出其他交通特性參數(shù)的分布，進(jìn)而根據(jù)兩者之間的轉(zhuǎn)換關(guān)系得出到達(dá)率的分布。在實(shí)際檢測(cè)中，短時(shí)間內(nèi)比較容易得到的是車(chē)頭時(shí)距分布，其分布可以比較容易的擬合。車(chē)頭時(shí)距和到達(dá)流量之間的轉(zhuǎn)換關(guān)系為：

式中，為到達(dá)流量，單位為輛/h；為車(chē)頭時(shí)距，單位為s。

時(shí)距分布是連續(xù)型分布，對(duì)應(yīng)的到達(dá)流量是離散型分布。兩者分別屬于間隔分布和計(jì)數(shù)分布。若用表示車(chē)頭時(shí)距分布，用表示到達(dá)流量分布，則通過(guò)兩種分布之間的關(guān)系可得：

式中，是的階卷積；為指累計(jì)到達(dá)的車(chē)輛；為時(shí)刻累計(jì)到達(dá)的車(chē)輛數(shù)。

若能確切知道到每一時(shí)距分布對(duì)應(yīng)的到達(dá)分布，則就只須觀測(cè)時(shí)距分布而輕易地得到到達(dá)交通流的分布。由于移位負(fù)指數(shù)分布克服了負(fù)指數(shù)分布的車(chē)頭時(shí)距越趨于零時(shí)其出現(xiàn)概率越大這一缺點(diǎn)，即移位負(fù)指數(shù)分布具有比負(fù)指數(shù)分布更好的特性，采用移位負(fù)指數(shù)來(lái)擬合正常交通狀態(tài)下自由流交通特性。

其中，為累計(jì)車(chē)輛數(shù)；為最小車(chē)頭時(shí)距；為平均車(chē)頭時(shí)距；為時(shí)段內(nèi)到達(dá)的車(chē)輛數(shù)。

當(dāng)路段發(fā)生異常突發(fā)事件后，在事發(fā)點(diǎn)上游形成車(chē)輛排隊(duì)，駕駛員通過(guò)自己的路徑選擇行為選擇不同的路徑出行，使得一部分交通流量會(huì)轉(zhuǎn)移到其他道路上，從而事發(fā)點(diǎn)上游車(chē)輛到達(dá)量會(huì)有一定的變化。即此時(shí)上游到達(dá)流由兩部分組成：正常交通狀態(tài)下道路交通流量和異常事件發(fā)生后上游到達(dá)流量的改變值，后者主要由于駕駛員的路徑選擇行為決定。

對(duì)于異常突發(fā)事件下上游交通到達(dá)流，設(shè)正常交通狀態(tài)下上游到達(dá)交通流分布為，駕駛員路徑選擇函數(shù)為，則異常交通狀態(tài)下上游到達(dá)交通流分布為：

式中，α，β為調(diào)整參數(shù)通過(guò)實(shí)際路段的通行能力進(jìn)行確定。

由式（13）得出異常突發(fā)事件下事發(fā)點(diǎn)上游到達(dá)交通流的分布，由此可以計(jì)算得出異常突發(fā)事件下導(dǎo)致上游到達(dá)率發(fā)生變化后上游車(chē)輛的到達(dá)率。

3 算例分析

構(gòu)造路網(wǎng)結(jié)構(gòu)圖如圖1所示。

首先，需要確定μi和σi，根據(jù)對(duì)交通流數(shù)據(jù)序列的分析和觀察，可以設(shè)定參數(shù)值如表1所示。利用模型進(jìn)行預(yù)測(cè)，進(jìn)行預(yù)測(cè)結(jié)果觀察。

采用某路段的交通流數(shù)據(jù)來(lái)自北京市交通管UTC/SCOOT系統(tǒng)，選取某區(qū)域作為實(shí)驗(yàn)點(diǎn)。根據(jù)上面設(shè)定的參數(shù)，按照基于跳轉(zhuǎn)ARIMA模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖2所示。

為評(píng)價(jià)模型的精度，實(shí)驗(yàn)同時(shí)采用相對(duì)的數(shù)據(jù)用其他4種模型進(jìn)行預(yù)測(cè)，結(jié)果如表2所示。

4 結(jié)語(yǔ)

考慮到異常突發(fā)事件下交通流序列特征，引入駕駛員路徑選擇行為來(lái)實(shí)現(xiàn)路段交通流預(yù)測(cè)，因?yàn)樵诘缆范氯偷缆讽樛ㄇ闆r下，駕駛員的路徑選擇行為對(duì)交通流預(yù)測(cè)結(jié)果有較大影響。同時(shí)在預(yù)測(cè)中，借助于路口車(chē)輛的轉(zhuǎn)彎比例矩陣的時(shí)間穩(wěn)定性和數(shù)值穩(wěn)定性假設(shè)，模型由此得到的結(jié)果形式比較簡(jiǎn)單，容易操作，仿真算例表明模型有一定的優(yōu)越性。因此，對(duì)城市路網(wǎng)交通狀態(tài)分析和應(yīng)急交通疏散都有重要意義。

參考文獻(xiàn)

[1] 李衛(wèi)平.智能交通技術(shù)應(yīng)用[M].北京：人民交通出版社，2006.

[2] Sheu J B，Chou Y H，Shen L J.A stochastic estimation approach to real-time prediction of incident effects on freeway traffic congestion[J].Transportation Research Part B： Methodological，2001，35（6）：579-592.

[3] Wang Y，Papageorgiou M.Real-time freeway traffic state estimation based on extended Kalman filter：a general approach[J].Transportation Research Part B： Methodological，2005，39（2）：141-167.

[4] 趙凜，張星臣.基于Agent仿真的ATIS條件下路徑選擇行為研究[J].系統(tǒng)仿真學(xué)報(bào)，2007，19（7）：1590-1593.

[5] 張和生.基于多源數(shù)據(jù)的交通狀態(tài)分析方法研究[D].北京：清華大學(xué)自動(dòng)化系，2006.

[6] 陳岳明，蕭德云.擁堵條件下的路網(wǎng)交通流預(yù)測(cè)[J].儀器儀表學(xué)報(bào)，2008，29（8）：111-116.

[7] 曾松，楊曉光.駕駛員異常交通信息響應(yīng)特性的分析[J].同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版，2000，28（3）：301-305.

[8] 陸化普.交通規(guī)劃理論與方法[M].北京：清華大學(xué)出版社，2006.