交通流状态辨识系统框架分析
摘要：交通流状态辨识是动态交通管理中交通控制和交通诱导措施制定的基础。首先讨论了交通流状态辨识概念，然后分别概述了交通流短时预测和实时检测的内容和常用方法，最后遵循动态交通管理的基本思想，以交通事件管理为基础，探讨交通流状态辨识的系统框架。
关键词：交通流；系统辨识；系统设计
中图分类号：TB
文献标识码：A
文章编号：1672.3198（2013）04.0190.02
系统辨识，根据系统的输入输出来确定描述系统行为的数学模型，是现代控制理论中的一个分支。交通流状态辨识是动态交通管理实现的重要前提，基于当前交通流状况的辨识结果，采取具有针对性的交通控制和交通诱导措施，有效缓减乃至消除交通拥堵、提高道路通行能力、改善交通安全，以及降低城市环境污染。
动态交通管理（Dynamic Traffic Management）是智能交通运输系统（Intelligent Transportation Systems，ITS）中的一种先进管理手段，主要依赖于两大技术支持，分别是先进交通管理系统（Advanced Traffic Management Systems，ATMS）和先进出行者信息系统（Advanced Traveler Information Systems，ATIS）。动态交通管理主要有两种交通流调节策略，其一是被动策略，通过及时准确地判别出当前路网的异常状况，从而采取相应的交通控制和疏导等措施；其二为主动策略或诱导策略，通过连续预测出未来较短时间内的交通流状态，进而对可能出现的交通供需不平衡矛盾预先主动地采取一定措施进行缓解。不同调节策略对应不同的交通流状态辨识方法，其中，被动策略对应实时辨识，需要对交通流进行短时预测；而主动策略又对应预辨识，需要实时地检测交通流。
1交通流短时预测
交通流短时预测，是指根据交通数据的分析来预测未来一段时间内（一般不超过15min）的交通流状态。数据分析为预测提供了建模的信息，如模型选取、参数估计等。近年来，随着ITS的蓬勃发展，智能的交通控制与管理、实时交通流诱导以及交通流状态辨识成为其热门研究课题。短时交通流预测是实现这三者的关键，其预测结果的质量也直接关系到它们实施的效果。
从上世纪60年代开始，许多已经成熟应用的预测算法逐渐引入短时交通流预测领域。如，自回归算法（Auto Regression，AR），滑动平均算法（Moving Average，MA），自回归滑动平均算法（Auto Regression Moving Average，ARMA），等。随着该领域研究的不断深入，一大批更复杂、精度更高的预测算法又被提出来。概括起来大致包括五类：（1）统计理论方法，如时间序列法（Time Series）、回归分析法（Regression）、非参数回归法（Nonparametric Regression）、卡尔曼滤波法（Kalman Filtering），等；（2）神经网络理论（Neural Network），如动态递归神经网络方法、BP神经网络方法，等；（3）非线性预测方法，如尖点突变方法（Cusp Catastrophe）、小波理论（Wavelet）、分形理论（Fractal），等；（4）动态交通分配理论（Dynamic Traffic Assignment）；（5）微观交通仿真（Microscopic Traffic Simulation）。
对短时交通流进行预测，算法至少应具备这三个方面的性能：（1）可靠性，交通流量无疑会影响出行者的路线选择，而出行者的行为也会反作用于预测精度；（2）抗噪声能力，预测结果不受未来交通流的异常变化，其可靠性必须得到保证；（3）快速计算能力，计算对象为大量时空分布数据，及时处理为决策服务。
2交通流实时检测
交通流实时检测，是指及时检测出道路交通流的异常情况，准确地辨别交通堵塞发生的原因（常发性或偶发性）以及交通事件的性质（如可预测或不可预测），以便进一步采取相应的事件管理措施。
在交通堵塞类型中，常发性堵塞是一些区域在某些时间段由于交通需求较大而经常发生，该类型产生原因主要源自交通需求方面；偶发性堵塞是由于诸如交通事故或其它偶然事件发生（具有随机性）造成道路通过能力下降而发生，该类型又主要源自交通供给方面。一般来说，从不堵塞到堵塞要持续一段时间，刻画交通流的一些参数（如交通量、速度、车道占有率，等）在该过程中连续变化，而非突变。根据该性质可辨别交通堵塞的类型。例如，如果检测到堵塞发生前后的交通流参数在一定限度内变化，则可以认为常发性堵塞；否则为偶发性堵塞。另外，如果交通量不大的路段发生了堵塞，即使检测到参数值变化并不剧烈，仍认为偶发性堵塞而非常发性堵塞。由于常发性堵塞可事先预知，而偶发性堵塞只有事后才知道，故突发交通事件导致的偶发性交通堵塞的判别在交通流状态辨识中尤为重要。
造成偶发性交通堵塞的原因为一些影响正常交通运行的事件，其发生具有非重复性，具体又可分为可预测类和不可预测两类。前者一般如大型活动（如体育比赛、音乐会、演唱会等）、道路修建施工，等；后者又如交通事故、突发自然灾害，等。对于这些交通事件的管理属于交通管理范畴，伴随其发生、发展到结束的过程中，其事件管理一般经历事件检测、事件确认或监视、事件响应、事件清除、排队消散共五个阶段。其中，事件检测至为关键，只有及时准确地检测出发生的事件，才能采取后续的交通控制和交通诱导措施，以达到系统延误和改善道路网的通行性能。
由于交通流的异常变化与交通事件发生密切相关，因此自动事件检测（Automatic Incident Detection，AID）为交通流检测的研究的重点。从本质上来讲，事件检测即为模式识别问题（Pattern Recognition），一般涉及交通流参数（如平均速度、交通量、车道占有率等）的变化。目前，主要自动事件检测算法有，模式识别算法、统计理论算法（如指数平滑法、非参数回归法、变点统计法、贝叶斯法，等）、人工智能方法（如神经网络等）、交通流模型和小波理论，等。