基于交通大数据的城市道路交通状态短时预测研究

As a core technology in intelligent transportation system, high prediction accuracy of road traffic condition can improve road traffic efficiency, ease traffic congestion - the urgent economic and social problems. This project intends to use big data analysis to solve the problem caused by road traffic condition prediction method applied in urban road network such as poor robustness, small coverage, and there exists lags between the real situation and the prediction. The main research scope includes the following aspects: designing representation method of multi-source heterogeneous mass transportation data to improve memory and calculation efficiency; modeling traffic state changing rule with whole data to reveal the spatial domain relationship under network traffic status; studying data complexity and designing effective extraction of modeling data. Based on the above algorithm and implementation of the model, a highly efficient, accurate urban road network traffic condition prediction platform covering a wide range will be built. And their performance and reliability will be evaluated by theoretical analysis and experimental evaluation of the real road network.

道路交通状态预测是智能交通系统的核心技术之一,有助于提高道路交通运行效率,缓解交通拥堵这一当前亟待解决的经济社会问题。本课题拟采用大数据分析的思路，解决道路交通状态预测方法在城市路网应用中存在的鲁棒性差、覆盖范围小、实时性低等问题，主要研究内容包括：设计多源异类海量交通数据的表示方法，提高存储和计算的效率；建模全数据模式下的交通状态变化规律，揭示路网交通状态的时空域关系；研究数据复杂性问题，设计建模数据的有效抽取方法；基于以上算法和模型的实现，构建一个高效、准确、覆盖范围广的城市路网交通状态预测平台，并通过理论分析和真实路网中的实验评估上述模型和算法的性能和可靠性。

道路交通状态短时预测是智能交通系统的核心技术之一，有助于交通管理部门加强交通流诱导，帮助驾乘人员选择合理通行路线，提高道路交通运行效率。本项目采用路面和车辆上安装的传感器获取的交通数据，力图解决道路交通状态预测方法在城市路网应用中存在的鲁棒性差、覆盖范围小、实时性低等问题。.本项目的研究内容从交通大数据的表示研究、全数据模式下的交通状态变化规律研究以及数据复杂性问题研究三个方面展开:.a.在交通大数据的表示方法研究方面。研究了出租车GPS计算交通状态的有效性问题，提出了一种基于采集数据数量的优化方法，估计和预测准确率提高了15%；研究了多源交通数据的高效存储和并行处理，提出了线性可排序的四叉树索引方法和基于HBASE架构的交通大数据并行处理框架，使得GPS点数据和路段匹配的存储效率提高了15%，在多节点情形下能满足实时性要求。.b.在全数据模式下的交通状态变化规律研究方面。采用真实路网数据，宏观角度研究了全路网不同道路交通状态在空间域和时间域上的变化规律，提出了基于时空相关性的交通状态预测方法，采用宁波市鄞州区真实数据进行了验证实验，预测准确率超过90%；微观角度研究了短时车辆运行轨迹分析，并应用于实时的车辆碰撞预警，在高实时性要求下，准确率超过85%；.c.在数据复杂性问题研究方面。研究了传感器部署位置和预测覆盖度的问题，提出了一种基于GMM模型的交通数据采集设备的部署方法该方法把城市道路抽象成加权有向连通图，其中路段为图中的节点，在交通状态（速度）上有一定关系的节点之间由边相连。在数据覆盖率小于40%的情况下，全路网的短时预测准确率大于80%。.通过本项目的研究解决了交通GPS大数据的高效处理、时空域关系模型等关键问题。高准确性、高实时性和高覆盖率的短时预测方法和数据处理框架，为ITS领域的相关研究工作提供新的思路和方法，具有较强的应用意义和理论价值。