本站原创
摘要： 为了改善利用SCATS交通数据估计路段行程时间的效果，通过分析SCATS实际交通数据获取时间间隔不一致的特征，构建了SCATS交通数据虚拟时间序列，将利用因子分析法提取的累计贡献率在85%以上的主因子作为交通模式特征向量的构成要素，用欧氏距离作为当前交通模式特征向量和历史交通模式特征向量相似性的测度指标，以路段行程时间估计误差最小为目标选取当前交通模式的近邻数，对交通模式之间距离的倒数进行归一化处理，确定了相似交通模式的行程时间权重，设计了基于SCATS交通数据的路段行程时间估计方法.实例结果表明：与多元线性回归方法相比，本文方法估计的路段行程时间平均绝对误差、平均绝对百分比误差和均方根误差分别平均减少了9.68 s、8.07%和
： ATrel Time Estimation Method Using SCATS
路段行程时间是反映道路交通状态最为直观有效的交通参数，是进行交通拥挤管理和动态路径诱导的重要基础，在智能交通系统中有着广泛的应用.感应线圈是目前应用最为广泛的交通数据采集手段，以此为基础的路段行程时间估计方法一直是国际交通工程领域的重要研究课题之一.
目前，在基于感应线圈数据的路段行程时间估计方法中，针对高速公路等连续流交通设施的研究成果较多[24]，由于受交通信号控制、复杂车辆组成及道路环境等因素的影响，针对间断流交通设施的相关研究成果较少，而且多沿袭针对连续流交通设施的研究思路[57]，以布设在距离停车线较远位置的线圈获得的固定采样间隔的流量、速度、道路占有率等数据为基础，建立延误估计模型，间接估计路段行程时间，或者直接建立路段行程时间的估计模型.
悉尼自适应交通控制系统（Sydney coordinated adaptive traffic system， SCATS）是世界范围内应用最广泛的交通信号控制系统之一，利用其交通数据对行程时间进行估计，对于低成本改善交通控制、交通诱导和交通指挥的协调性具有重要的现实意义.由于SCATS中线圈布设位置及获取的交通数据种类均具有特殊性，目前相关研究成果还较少，且均检测设SCATS线圈能够按照某种固定的采样间隔提供交通数据，甚至以目前尚无法提供的某些数据为前提.例如，检测设SCATS线圈经过调西南交通大学学报第48卷第2期姜桂艳等：基于kNN和SCATS交通数据的路段行程时间估计方法整后可输出2 s内的流量数据[8]；检测设SCATS线圈可提供5 min采样间隔的地点速度和时间占有率数据[9]等.这些检测设均不符合SCATS系统的实际情况，在短期内难以通过工程手段加以实现.
k近邻（knearest neighbor， kNN）算法是一种以最相似样本和模式识别为基础的非参数回归方法，在分类和估计等领域得到了广泛应用.其中，特征向量的选取是影响kNN算法效果的关键因素之一.现有成果基本都是采用人工方法确定特征向量的组成，不仅主观性强、劳动强度大，而且极易存在信息冗余.
针对上述问题，本文将首先对SCATS实际交通数据的特征进行深入分析，在提出并构建虚拟时间序列的基础上，将kNN算法与因子分析算法相结合，设计了一种路段行程时间估计方法，并采用某特大城市SCATS实际交通数据进行了验证和对比分析
路段行程时间估计的时间尺度通常为5、10或15 min等固定时间间隔[1113]，但在SCATS中获取交通数据的时间间隔却不严格一致，这增加了设计有效路段行程时间估计方法的难度.
考虑到多元线性回归（multiple linear regression， MLR）是目前城市道路路段行程时间估计中应用最广泛的方法之一[5]，因此，将其选为对比方法，对本文方法的有效性进行验证.以前述约定的标定集合和测试集合数据为基础，采用本文方法和MLR方法，对组合路段AC和CA进行路段行程时间估计，相应的误差指标如表1所示.
从表1中可以看出，在分别以标定数据集合和测试数据集合为基础估计路段行程时间时，本文方法针对两个实验路段的3种误差指标均明显优于MLR方法.在测试数据集合中，与多元线性回归方法相比，本文方法路段行程时间估计结果的MAE、MAPE、RMSE平均值（组合路段AC与CA的平均值）减少了9.68 s、8.07%、
需要说明的是，受目前工程条件的限制，本文未能对自然路段行程时间的估计效果进行分析，本文方法在其他道路上的应用效果也有待进一步验证.参考文献：ITH B L， HOLT R B， PARK B B. Trel time estimation for urban freeway performance measurement： understanding and improving upon the extrapolation method[C]∥Transportation Research Board 83rd Annual Meeting. Washington D C： National Research Council， 2004： 120.
TURNER S M， EISELE W L， BENZ R J， et al. Trel time data collection handbook， VA 22161 USA[R]. Springfield： National Technical Information Service， 1998.
[3]PALACHARLA P V， NELSON P C. Application of fuzzy logic and neural networks for dynamic trel time estimation[J]. International Transactions in Operational Research， 1999（6）： 145160.
[4]NAM D H， DREW D R. Traffic dynamics： methods for estimating freeway trel times in realtime from flow measurements[J]. Journal of Transportation Engineering， ASCE， 1996， 122（3）： 185191.
[5]VAN A B， VAN J M， MUSTE M R， et al. Trel time estimation in the GERDIEN project[J]. International Journal of Forecasting， 1997（13）： 7385.
[6]XIE C， CHEU R L， LEE D H. Calibrationfree arterial link speed estimation model using loop data[J]. Journal of Transportation Engineering， ASCE， 2001， 127（6）： 507514.
[7]张和生，张毅，胡东成. 路段平均行程时间估计方法[J]. 交通运输工程学报，2008，8（1）： 8996.
ZHANG Hesheng， ZHANG Yi， HU Dongcheng. Estimation method of erage trel time for road sections[J]. Journal of Traffic and Transportation Engineering， 2008， 8（1）： 8996.
[8]CHEU R L， LIU Q， LEE D. Arterial trel time estimation using SCATS detectors[C]∥Proceedings of the 7th International Applications of Advanced Technologies in Transportation Engineering. Cambridge： American Society of Civil Engineers， 2002： 3239.
[9]姜桂艳，李继伟，张春勤. 城市主干路拥挤路段基于地点交通参数的行程速度估计[J]. 吉林大学学报：工学版，2010，40（5）： 12031208.
JIANG Guiyan， LI Jiwei， ZHANG Chunqin. Trel speed estimation for congested arterial road segment based on spot traffic parameters[J]. Journal of Jilin University： Engineering and Technology Edition， 2010， 40（5）： 12031208.
[10]MACK Y P. Local properties of kNN regression estimates[J]. SIAM， Journal Algebraic and Discrete Methods， 1981， 2（3）： 311323.
[11]姜桂艳，李继伟，张春勤. 城市主干路路段行程时间估计的BPR修正模型[J]. 西南交通大学学报，2010，45（1）： 124129.
JIANG Guiyan， LI Jiwei， ZHANG Chunqin. Modified BPR functions for trel time estimation of urban arterial road segment[J]. Journal of Southwest Jiaotong University， 2010， 45（1）： 124129.
[12]CHANG W A， RAMRISHNA R S. A genetic algorithm for shortest path routing problem and the sizing of populations[J]. IEEE Transactions on Evolutionary Computation， 2002， 6（6）： 566 579.
[13]张赫，杨兆升，王炜. 基于实时交通流信息的中心式动态路径诱导系统行车路线优化技术研究[J]. 公路交通科技，2004，21（9）： 9194.
ZHANG He， YANG Zhaosheng， WANG Wei. Research on vehicle route optimization of centrally dynamic route guidance systems based on real time traffic flow inform
[14]薛薇. SPSS统计分析方法及应用[M]. 北京：电子工业出版社，2004： 132156.
（中文编辑：秦萍玲英文编辑：兰俊思）
4.5 s.
关键词： 悉尼自适应交通控制系统；路段行程时间估计；k近邻算法；因子分析： ATrel Time Estimation Method Using SCATS
路段行程时间是反映道路交通状态最为直观有效的交通参数，是进行交通拥挤管理和动态路径诱导的重要基础，在智能交通系统中有着广泛的应用.感应线圈是目前应用最为广泛的交通数据采集手段，以此为基础的路段行程时间估计方法一直是国际交通工程领域的重要研究课题之一.
目前，在基于感应线圈数据的路段行程时间估计方法中，针对高速公路等连续流交通设施的研究成果较多[24]，由于受交通信号控制、复杂车辆组成及道路环境等因素的影响，针对间断流交通设施的相关研究成果较少，而且多沿袭针对连续流交通设施的研究思路[57]，以布设在距离停车线较远位置的线圈获得的固定采样间隔的流量、速度、道路占有率等数据为基础，建立延误估计模型，间接估计路段行程时间，或者直接建立路段行程时间的估计模型.
悉尼自适应交通控制系统（Sydney coordinated adaptive traffic system， SCATS）是世界范围内应用最广泛的交通信号控制系统之一，利用其交通数据对行程时间进行估计，对于低成本改善交通控制、交通诱导和交通指挥的协调性具有重要的现实意义.由于SCATS中线圈布设位置及获取的交通数据种类均具有特殊性，目前相关研究成果还较少，且均检测设SCATS线圈能够按照某种固定的采样间隔提供交通数据，甚至以目前尚无法提供的某些数据为前提.例如，检测设SCATS线圈经过调西南交通大学学报第48卷第2期姜桂艳等：基于kNN和SCATS交通数据的路段行程时间估计方法整后可输出2 s内的流量数据[8]；检测设SCATS线圈可提供5 min采样间隔的地点速度和时间占有率数据[9]等.这些检测设均不符合SCATS系统的实际情况，在短期内难以通过工程手段加以实现.
k近邻（knearest neighbor， kNN）算法是一种以最相似样本和模式识别为基础的非参数回归方法，在分类和估计等领域得到了广泛应用.其中，特征向量的选取是影响kNN算法效果的关键因素之一.现有成果基本都是采用人工方法确定特征向量的组成，不仅主观性强、劳动强度大，而且极易存在信息冗余.
针对上述问题，本文将首先对SCATS实际交通数据的特征进行深入分析，在提出并构建虚拟时间序列的基础上，将kNN算法与因子分析算法相结合，设计了一种路段行程时间估计方法，并采用某特大城市SCATS实际交通数据进行了验证和对比分析
论文下载中心www.udooo.com
.1SCATS交通数据的分析与处理1.1 SCATS交通数据的特征SCATS采用设置在车道下游靠近停车线的感应线圈获取流量及平均车头时距等交通流运行参数数据，以路口为单位记录周期、绿灯时长及饱和度等交通信号控制参数数据. SCATS以绿灯信号相位为时间单位获取交通数据，而相位时长是动态变化的，因此，各个采样间隔内的交通数据不具有严格的时间可比性.路段行程时间估计的时间尺度通常为5、10或15 min等固定时间间隔[1113]，但在SCATS中获取交通数据的时间间隔却不严格一致，这增加了设计有效路段行程时间估计方法的难度.
1.2 SCATS交通数据虚拟时间序列的构建2.1虚拟时间序列
为了能够得到固定采样间隔的SCATS交通数据时间序列，本文提出了虚拟时间序列概念，其基本原理是将每个信号周期T内的到达车辆及其速度由随机分布虚拟成均匀（匀速）分布.设置长度为τ（5、10 min等）的虚拟采样间隔，并将其插入SCATS交通数据的时间轴，如图1所示.此时，SCATS实际采样间隔仍是其绿灯信号相位，而虚拟采样间隔则为设定的时间长度τ.可以通过对实际采样间隔内的相应数据进行转换，获得每个虚拟采样间隔内的交通数据.3.2对比分析
虽然文献[89]分别提出了一种基于SCATS交通数据的路段行程时间估计方法，但由于二者采用的数据形式与SCATS实际交通数据不同，无法将其作为本文的对比方法.考虑到多元线性回归（multiple linear regression， MLR）是目前城市道路路段行程时间估计中应用最广泛的方法之一[5]，因此，将其选为对比方法，对本文方法的有效性进行验证.以前述约定的标定集合和测试集合数据为基础，采用本文方法和MLR方法，对组合路段AC和CA进行路段行程时间估计，相应的误差指标如表1所示.
从表1中可以看出，在分别以标定数据集合和测试数据集合为基础估计路段行程时间时，本文方法针对两个实验路段的3种误差指标均明显优于MLR方法.在测试数据集合中，与多元线性回归方法相比，本文方法路段行程时间估计结果的MAE、MAPE、RMSE平均值（组合路段AC与CA的平均值）减少了9.68 s、8.07%、
4.5 s.
方法标定集合19.3515.4725.04测试集合20.0916.9226.18MLR的本质是利用一簇相似交通模式建立多元线性回归方程，但对与回归方程相似程度较低的交通模式而言，其路段行程时间的估计效果会较差.而kNN方法以与当前交通模式最为相似的k个历史模式作为估计的基础，在一定程度上克服了MLR存在的问题，因此，能够改善路段行程时间的估计效果.4 结束语路段行程时间是体现交通流运行状态的最重要的交通参数.现有的基于SCATS交通数据的路段行程时间估计方法采用的数据形式与SCATS实际交通数据不同，且均检测设可以按照固定周期获得交通数据.而SCATS是自适应感应控制系统，其采样时间间隔并不是固定的.本文针对SCATS实际交通数据的独特性，设计了一种新的路段行程时间估计方法，并根据我国某特大城市的实际数据进行了验证和对比分析.结果表明，本文设计的新方法能够改善路段行程时间的估计效果.需要说明的是，受目前工程条件的限制，本文未能对自然路段行程时间的估计效果进行分析，本文方法在其他道路上的应用效果也有待进一步验证.参考文献：ITH B L， HOLT R B， PARK B B. Trel time estimation for urban freeway performance measurement： understanding and improving upon the extrapolation method[C]∥Transportation Research Board 83rd Annual Meeting. Washington D C： National Research Council， 2004： 120.
TURNER S M， EISELE W L， BENZ R J， et al. Trel time data collection handbook， VA 22161 USA[R]. Springfield： National Technical Information Service， 1998.
[3]PALACHARLA P V， NELSON P C. Application of fuzzy logic and neural networks for dynamic trel time estimation[J]. International Transactions in Operational Research， 1999（6）： 145160.
[4]NAM D H， DREW D R. Traffic dynamics： methods for estimating freeway trel times in realtime from flow measurements[J]. Journal of Transportation Engineering， ASCE， 1996， 122（3）： 185191.
[5]VAN A B， VAN J M， MUSTE M R， et al. Trel time estimation in the GERDIEN project[J]. International Journal of Forecasting， 1997（13）： 7385.
[6]XIE C， CHEU R L， LEE D H. Calibrationfree arterial link speed estimation model using loop data[J]. Journal of Transportation Engineering， ASCE， 2001， 127（6）： 507514.
[7]张和生，张毅，胡东成. 路段平均行程时间估计方法[J]. 交通运输工程学报，2008，8（1）： 8996.
ZHANG Hesheng， ZHANG Yi， HU Dongcheng. Estimation method of erage trel time for road sections[J]. Journal of Traffic and Transportation Engineering， 2008， 8（1）： 8996.
[8]CHEU R L， LIU Q， LEE D. Arterial trel time estimation using SCATS detectors[C]∥Proceedings of the 7th International Applications of Advanced Technologies in Transportation Engineering. Cambridge： American Society of Civil Engineers， 2002： 3239.
[9]姜桂艳，李继伟，张春勤. 城市主干路拥挤路段基于地点交通参数的行程速度估计[J]. 吉林大学学报：工学版，2010，40（5）： 12031208.
JIANG Guiyan， LI Jiwei， ZHANG Chunqin. Trel speed estimation for congested arterial road segment based on spot traffic parameters[J]. Journal of Jilin University： Engineering and Technology Edition， 2010， 40（5）： 12031208.
[10]MACK Y P. Local properties of kNN regression estimates[J]. SIAM， Journal Algebraic and Discrete Methods， 1981， 2（3）： 311323.
[11]姜桂艳，李继伟，张春勤. 城市主干路路段行程时间估计的BPR修正模型[J]. 西南交通大学学报，2010，45（1）： 124129.
JIANG Guiyan， LI Jiwei， ZHANG Chunqin. Modified BPR functions for trel time estimation of urban arterial road segment[J]. Journal of Southwest Jiaotong University， 2010， 45（1）： 124129.
[12]CHANG W A， RAMRISHNA R S. A genetic algorithm for shortest path routing problem and the sizing of populations[J]. IEEE Transactions on Evolutionary Computation， 2002， 6（6）： 566 579.
[13]张赫，杨兆升，王炜. 基于实时交通流信息的中心式动态路径诱导系统行车路线优化技术研究[J]. 公路交通科技，2004，21（9）： 9194.
ZHANG He， YANG Zhaosheng， WANG Wei. Research on vehicle route optimization of centrally dynamic route guidance systems based on real time traffic flow inform
摘自：毕业论文范例www.udooo.com
ation[J]. Journal of Highway and Transportation Research and Development， 2004， 21（9）： 9194.[14]薛薇. SPSS统计分析方法及应用[M]. 北京：电子工业出版社，2004： 132156.
（中文编辑：秦萍玲英文编辑：兰俊思）