大数据环境下基于交通需求分析的城市道路交通状态实时预测关键问题研究

The real-time traffic state prediction of urban road is an important premise for the traffic administrative department to make control strategy, to provide information service and to implement traffic guidance. It is not only one of the basic scientific problems in the field of intelligent transportation, but also one of the difficulties to be conquered. This proposal puts forward the new idea of utilizing the traffic demand analysis in big data environments to guide the real-time traffic state prediction, that is, on the basis of large amount of heterogeneous traffic big data, we make real-time mining of the urban crowd travel intentions and preferences, and capture the traffic demand combining with the traditional model to construct the real-time traffic state prediction model of urban road. The main research contents include: researches about the analysis of travel intentions based on multi-source big data; the urban travel preferences and traffic demand analysis researches based on dynamic clustering; researches about the matching and association of traffic demand and regional characteristics; researches about the real-time traffic state prediction model of urban road based on the fusion of multi-source data. This proposal carries out theoretical researches basing on the theory of data mining, intelligent computing and so on, also selects typical cities to do empirical researches. The expected results of researches will have important theoretical and practical significance on exploring the collaborative evolution of urban road traffic state and traffic demand, expanding the application of big data technology in the field of intelligent transportation, and improving the urban transportation planning and management as well as the scientific level of decision-making.

城市道路交通状态的实时预测，是交通管理部门制定控制策略、提供信息服务、实施交通指挥的重要前提。它不仅是智能交通领域的基础科学问题之一，也是亟待解决的难点之一。本项目提出结合大数据环境下的交通需求分析进行交通状态实时预测的新思路，即：基于海量异构交通大数据，实时挖掘城市人群的出行意向、出行偏好并获取交通需求，与传统预测模型相融合构建城市道路交通状态实时预测模型。研究内容包括：基于多源大数据的个体出行意向分析研究；基于动态聚类的城市人群出行偏好及交通需求分析研究；交通需求与区域特征的匹配、关联分析研究；基于多源数据融合的城市道路交通状态实时预测模型研究。项目基于数据挖掘、智能计算等理论方法开展理论研究，同时选取典型城市开展实证研究。预期研究成果对于发掘城市道路交通状态与交通需求的协同演化规律，拓展大数据技术在智能交通领域的应用，提升城市交通规划、管理决策的科学水平，具有重要的理论和应用价值。

大数据环境下的城市道路交通状态实时预测，不仅给传统的预测模式带来了挑战，在预测方法及相关分析方面也提出了很多需要研究的问题。本项目提出一种大数据环境下融合交通需求信息的道路交通状态实时预测的新思路，即：基于海量异构交通大数据，实时挖掘城市人群的出行意向、出行偏好并获取交通需求，与传统预测模型相融合构建城市道路交通状态实时预测模型。研究内容包括：基于多源大数据的个体出行意向分析研究；基于动态聚类的城市人群出行偏好及交通需求分析研究；交通需求与区域特征的匹配、关联分析研究；基于多源数据融合的城市道路交通状态实时预测模型研究。该项目针对上述内容进行研究，并取得了如下成果：1、基于出行轨迹识别的交通需求表征及扰动影响分析方法，具体包括，基于出行轨迹识别的方式出行意向分析、交通需求与区域特征的匹配、关联分析研究，等；2、出行特征与交通需求的关联分析，具体包括，动态聚类算法研究、基于动态聚类的出行特征分析，等；3、需求信息与区域特征的融合方法，具体包括，信息对出行者的影响分析方法、信息变化对道路交通流状态影响及传递过程、交通参数变化对区域路网的影响分析方法，等；4、大数据环境下的关键预测方法，具体包括，交通出行数据的变点识别方法、基于机器学习和基线漂移思想的预测方法、面向大数据的城市交通运行评价方法，等。项目基于数据挖掘、智能计算等理论方法开展理论研究，同时选取典型城市场景开展实证研究。研究成果对于发掘城市道路交通状态与交通需求的协同演化规律，拓展大数据技术在智能交通领域的应用，提升城市交通规划、管理决策的科学水平，具有一定的理论和应用价值。