前言：本站為你精心整理了交通出行服務重要疑問研討簡述范文，希望能為你的創(chuàng)作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

作者：王爽沈強單位：北京公科飛達交通工程發(fā)展有限公司交通運輸部公路科學研究院

交通信息采集技術研究現(xiàn)狀

目前，交通信息采集手段可以分為2類:(1)通過人工采集獲取，如:交通調查數據、交通事件信息等;(2)通過各類交通信息檢測系統(tǒng)實時自動采集，自動采集技術包括移動型交通采集技術和固定型交通采集技術。固定型采集技術固定型采集技術是運用安裝在固定地點的檢測設備對道路進行交通參數檢測的方法，能夠提供交通流量、地點平均速度、車頭時距、車型分類和車道占有率等參數。目前，常用的固定檢測器有:環(huán)形線圈檢測器、微波檢測器、視頻檢測器、紅外檢測器、超聲波檢測器等。各種檢測技術都有不同的優(yōu)缺點(見表1)，在工程建設時，需根據環(huán)境條件和具體需求進行選擇，也可在同一系統(tǒng)中采用多種檢測方式，通過對多源交通數據的融合處理提高檢測精度。移動型采集技術移動型采集技術是運用安裝有GPS定位設備的移動車輛(浮動車)檢測道路上的固定標識物來采集交通參數的方法。移動型采集技術主要有:電子標簽、GPS、蜂窩網絡和汽車牌照自動識別［8］。其中基于GPS的動態(tài)交通數據采集技術是當前最主要的移動型采集技術。目前，對該技術的理論研究重點主要包括提高采集數據質量的方法和計算樣本量的方法等。目前市場上的車載終端硬件都有一些數據校正算法對數據進行預處理，剔除或修正異常數據，以保證數據質量。樣本量計算，即根據信息檢測要求或估計精度要求計算所需的浮動車數量，以求在滿足應用精度要求和信息采集成本二者之間尋找平衡點，目前，相關計算方法研究已比較成熟。

交通信息處理技術研究現(xiàn)狀

浮動車信息處理技術浮動車信息處理是實現(xiàn)對浮動車GPS數據的格式轉換、預處理、統(tǒng)計分析、地圖匹配、浮動車最小樣本量估計、從而得到各路段的速度趨勢、旅行時間、路況等交通信息。其中重點研究內容在地圖匹配和行程速度估計2方面。在地圖匹配問題研究方面，國內學者提出了很多算法，例如基于概率統(tǒng)計的地圖匹配算法、基于曲線擬合的地圖匹配算法、基于權重的地圖匹配算法、基于卡爾曼濾波的地圖匹配算法、基于模糊邏輯的地圖匹配算法等［9－13］。針對浮動車數據大規(guī)模、長間隔的特點，其算法與傳統(tǒng)的導航地圖匹配算法有一定區(qū)別。劉彥挺提出了一種將基于權值、道路拓撲和最優(yōu)路徑選擇相結合的綜合地圖匹配算法［14］，章威提出了浮動車地圖匹配模型族的解決方案，設計了浮動車數據地圖匹配算法體系［15］。在行程速度估計研究方面，QuirogaCesarA提出了行程速度積分計算方法［16］，董均宇建立了GPS浮動車路段平均速度估計的數據融合模型［17］，章威在對平均速度和平均通過時間算法誤差分析的基礎上，提出了基于浮動車技術的目標路段行車速度估計算法［18］。行程時間預測目前廣泛應用的行程時間預測模型包括:歷史平均模型、ARIMA模型、卡爾曼濾波模型、神經網絡模型和非參數回歸模型等［19］。例如:動態(tài)路徑誘導系統(tǒng)中使用歷史平均模型對行程時間進行預測，文獻［20］中使用ARIMA模型對城市主干道的行程時間進行預測，朱中在文獻［21］中使用卡爾曼濾波理論對行程時間進行預測，楊兆升在文獻［22］中建立了基于BP神經網絡的行程時間預測模型，朱耿先在文獻［23］中使用RBF神經網絡對行程時間進行預測。對于短時交通流預測，根據理論基礎的不同，可以將預測方法分為2大類:統(tǒng)計預測方法和人工智能方法［24］。統(tǒng)計預測方法又可以分為回歸分析預測、時間序列預測以及概率預測等。它們均嘗試把交通流參數看成一個時間變量，從而找到這一時間序列中隱含的統(tǒng)計規(guī)律或關系。這些方法比較成熟、算法簡單、速度快，但是過分依賴于用數學模型來刻畫交通流特征或者需要很強的經驗判斷，這將直接影響到這類方法的有效性和預測精度。另外，傳統(tǒng)統(tǒng)計學研究的是樣本數目逼近無窮大的漸進理論，當樣本數目有限時就難以取得理想的效果，因此很難適應目前復雜多變的交通狀況。由于受到這些條件的制約，采用統(tǒng)計預測方法進行短時交通流預測的效果并不理想［25］。人工智能方法中的典型代表就是神經網絡方法。神經網絡憑借其逼近任意非線性函數的能力和所具有的容錯、自學習等優(yōu)點，已被國內外學者用于建立交通流量預測模型，并取得了不少有效的研究成果［26－28］。雖然神經網絡能夠根據歷史數據進行學習訓練和經驗積累，具有自適應能力的優(yōu)點，但是它得到的結果是基于經驗風險最小化的，需要有足夠大的樣本數據數量，可能還會出現(xiàn)過學習問題以及求得局部極小解的問題［29］。這些不足，使神經網絡在交通流量預測中的應用效果不如期望的那樣好，對于非平穩(wěn)的短時交通流，當輸入信號中混有噪聲時，神經網絡預測的精度更差［30］。由Vapnik等提出支持向量機(SupportVectorMachines，SVM)的機器學習算法［31］，與傳統(tǒng)的神經網絡學習方法相比，實現(xiàn)了結構風險最小化原理(StructureRiskMinimization，SRM)，它同時最小化經驗風險和VC維(Vapnik－ChervonenkisDimension)的界，這就取得了較小的實際風險，從而對未來的樣本有較好的泛化性能。SVM能夠有效解決小樣本、非線性等回歸問題，泛化能力強，并能找到全局最優(yōu)解，克服了神經網絡局部極值的難題［32－33］。路徑規(guī)劃最優(yōu)路徑規(guī)劃是交通出行信息服務平臺提供信息服務的重要內容之一。在國內外，有大量的關于路徑規(guī)劃算法的研究，常見的路徑規(guī)劃算法主要有Dijkstra算法，Bellman－Ford算法、Floyd算法、啟發(fā)式搜索算法、A*算法等。還有很多為車輛導航而改進的算法，如K最短路徑算法、遺傳算法、蟻群算法和神經網絡算法等［34－35］。為了改進算法的性能和提高算法的適用性，很多學者對相關問題進行了系統(tǒng)和深入的研究。陸峰從問題類型、網絡類型和實現(xiàn)方法3方面對最短路徑算法進行了系統(tǒng)的分類［36］;張可提出了基于路阻函數模型和信號交叉口延誤模型，標定以出行時間度量的道路權重的方法體系，以及適合車輛導航的路徑優(yōu)化推薦算法［37］，鄭年波根據對偶圖思想，定義搜索節(jié)點結構，處理交叉口轉向限制和延誤，并提出了基于搜索節(jié)點的雙向啟發(fā)式A*算法［38］。Car＆Frank提出了基于層次空間推理的交通網絡行車最優(yōu)路徑算法［39］。陸峰、付夢印、李清泉、吳一民等人也對分層路徑規(guī)劃算法進行了深入研究，提出了切實可行的推理規(guī)則和算法，并開展了相關的實驗驗證［40－43］。目前，還有一種研究趨勢是利用從移動對象軌跡數據中挖掘出的“熱點路徑”來輔助路網分層，從而提高層次路徑規(guī)劃的合理性和可用性［44－45］。對于動態(tài)路徑規(guī)劃，蘇永云和晏克非建立了路段動態(tài)行程時間計算模型，并運用到動態(tài)最短路徑改進A*算法中［46－47］。

交通信息技術發(fā)展現(xiàn)狀

交通信息技術常常被研究者所忽視，國內相關的研究不多，工程實踐中也缺乏可行的標準指導。交通信息技術的研究側重包括信息方式和內容的選擇與設計、信息子系統(tǒng)架構、交通信息協(xié)議和用于交通信息的移動通信技術。交通信息方式提供信息服務的方式和載體有:交通信息咨詢服務熱線電話、交通信息服務網站查詢、電子信箱定制、移動通信短信息定制或點播、觸摸屏終端查詢、靜態(tài)指示牌、電子情報板、交通信息廣播電臺、車載智能交互顯示終端、路側廣播系統(tǒng)等。通常，由于公眾出行信息服務平臺服務對象的廣泛性和服務內容的多樣性，需要多種信息方式綜合以達到最佳效果。交通信息協(xié)議目前，面向移動終端的交通信息協(xié)議在國際上主要有3個:TMC、TPEG和VICS。TPEG是TMC未來的替布協(xié)議，VICS則是日本VICS系統(tǒng)應用的協(xié)議［6］。我國的RDS-TMC標準是在參考國際標準中的ISO14189-1/14189-2/14189-3的基礎上，結合我國特點，于2006年11月正式［48］。但目前沒有配套全國統(tǒng)一的位置表(LocationTable)，因此，使用企業(yè)內部信息標準，是各交通信息服務商的現(xiàn)實選擇，如文獻［6］中提出的基于LINK的面向移動終端的交通信息協(xié)議。交通信息的無線通信技術對移動終端實時交通信息，必須使用無線數據通道，目前可選擇的無線通信技術主要包括:調頻多工數據系統(tǒng)(RDS、DARC)、數字廣播(DAB、CMMB)、蜂窩網絡(2G、2.75G、3G)、專用短程通信(DSRC)。目前國內已建成的WiFi/WLAN和WiMAX網絡由于城市覆蓋范圍小、沒有規(guī)模商用、建成該網絡的城市不多等因素，還難以使用于交通信息［6］。(1)RDS廣播數據系統(tǒng)(RDS)由歐洲廣播聯(lián)盟組織開發(fā)，數據傳輸速率為1.2kbps左右。RDS數據內容可以包括電臺類型、節(jié)目類型、交通公告、廣告信息、標準時間、天氣預報等，同時提供了開放式數據接口，為特殊要求用戶提供數據文本應用通道。(2)DARC日本廣播協(xié)會(NHK)開發(fā)的DARC數據傳輸速率為16kbps，能夠和RDS兼容。VICS系統(tǒng)就是采用DARC完成中心向車載移動接收設備的信息傳輸。RDS和DARC成本低廉、技術成熟、覆蓋范圍廣，且不干擾音頻廣播，目前國內部分城市利用RDS和DARC技術路況信息，終端設備通過嵌入式的FM副載波接收芯片獲取路況信息并實現(xiàn)動態(tài)導航過程。(3)DAB數字音頻廣播(DAB)是繼調幅、調頻廣播之后的第3代廣播，具有接收質量高、抗干擾性能強、發(fā)射功率小、覆蓋面積大、頻譜利用率高、適合高速移動接收等特點，其數據帶寬為1.2Mbps。DAB目前已在國內部分城市投入商用，路況、新聞、電視與數字廣播等地方性信息服務，相關導航產品也已面世。(4)CMMB中國移動多媒體廣播CMMB是國內自主研發(fā)的第一套面向多種移動終端的數據廣播系統(tǒng)，速率范圍在2.7～12Mbps，可以通過無線廣播電視覆蓋網，向各種小屏幕便攜終端提供數字廣播電視節(jié)目和信息服務，在2008北京奧運會前開始提供服務，目前已覆蓋全國大部分主要城市和地級市。早在2006年，國家廣電總局就已對CMMB和DAB進行了區(qū)別定位和明確劃分:CMMB通過衛(wèi)星實現(xiàn)全國統(tǒng)一覆蓋，由單一運營商運營;DAB側重本地多媒體業(yè)務，由地方不同的運營商分別運營。(5)蜂窩網絡蜂窩網絡是目前最常用的交通信息的通信通道，常用技術包括2.5、2.75G和3G。2.5G是在GSM基礎上添加了GPRS(傳輸速率115.2kbps);2.75G是在GSM基礎上添加了EDGE(傳輸速率384Kbps)，可以說是從2G到3G的最后過渡階段，在CDMA基礎上發(fā)展起來的CDMA1X(傳輸速率153.6kbps)也稱為2.75G技術;3G就是TD－SCDMA(傳輸速率2.8Mbps)、CDMA2000EVDO(傳輸速率3.1Mbps)、WCDMA(傳輸速率14.4Mbps)這些更加高速的網絡。2011年，我國移動通信用戶已經超過8.6億，3大運營商2011年凈利潤突破1200億。作為移動通信增值服務的出行信息服務具有巨大的市場發(fā)展?jié)摿Α?6)DSRC專用短程通信(DSRC)技術是ITS的基礎之一，傳輸速率為250～500kbps，能夠提供高速的數據傳輸，是專門用于車輛通信的技術，它負責在車－路以及車－車之間建立信息雙向傳輸。

交通信息服務質量評價研究現(xiàn)狀

科學的交通出行信息質量評價是評估交通出行信息是否滿足公眾需求的重要手段。目前我國對交通信息質量的評價體系的研究還很少。美國ITS協(xié)會于1999年召開了一個關于ATIS數據質量的研討會，并了一份報告，該報告提出了關于檢測器數據、交通事件、圖像和氣象檢測器數據的質量評估準則。美國聯(lián)邦公路管理局于2003年了一份關于ATIS系統(tǒng)中的行程時間質量評估報告，在該報告中定義了行程時間的評估內容及評估方法。2004年，美國聯(lián)邦公路管理局了“交通數據質量評估報告”，在該報告中，介紹了交通信息質量的評估框架和準則，這些準則針對不同信息使用用戶和使用環(huán)境。但在這些文獻有一些缺陷，評價要素(交通參數)不全面或評價指標不全面，而且也沒有多指標的綜合評價方法，不能對交通信息質量進行綜合評價。我國交通信息質量標準尚未，各服務機構尚未以統(tǒng)一的質量標準提供信息，這在一定程度上影響了人們對交通信息的使用［49］。因此，迫切需要形成一個完整的交通信息質量評價體系，為制定國家交通信息質量標準提供理論依據和數據支撐。

研究展望

交通信息系統(tǒng)在國外的商業(yè)化服務已經比較成熟，而國內才剛剛起步，成熟的商業(yè)化服務還比較少。國外在交通信息服務的數據采集、數據處理和數據3個環(huán)節(jié)上形成了完善的技術體系，而國內的理論體系初步形成，還不夠完善，能夠與工程實踐相結合的研究并不多。未來的研究，我們需借鑒國外交通出行信息服務平臺的研究和建設經驗，完善相關的理論體系，研究和解決工程建設中的實際問題，未來研究的重點應放在:(1)針對交通歷史數據的數據倉庫技術和數據挖掘技術交通出行信息服務平臺中的數據倉庫中存放著海量的各種粒度的交通歷史數據，通過數據挖掘和深層次分析，可以得到非常有價值的信息，用于交通決策支持、趨勢分析等，因此應該對數據倉庫和數據挖掘在交通出行信息服務平臺中的應用進行研究。(2)行程時間預測算法的優(yōu)化行程時間預測算法的計算效率和計算精度還有很大的優(yōu)化空間，例如結合歷史數據，探索多模型融合預測方法提高預測精度;將固定檢測器數據，模型計算結果和浮動車數據等進行融合，提高預測精度;對算法本身研究改進策略，使算法的訓練和預測能夠滿足實時性應用的需求。(3)出行者對交通信息響應行為研究由于預測信息的對交通參與者出行行為的影響，反作用于交通流本身，使交通流向偏離預測結果的方向發(fā)展，從而使交通流預測結果部分失效。解決這類循環(huán)作用問題的方法，目前比較認可的是采用計量經濟學中的離散選擇模型，研究出行者對實時交通信息的響應和行為過程，目前此方向的研究成果還沒有達到實用程度。(4)多模式條件下動態(tài)交通路徑規(guī)劃問題研究公眾出行路徑選擇通常是多種交通模式組合優(yōu)化的過程，目前還沒有適用于多模式環(huán)境下的出行路徑動態(tài)規(guī)劃算法。另外，交通管制、交通事件等動態(tài)信息造成的路徑連通關系的動態(tài)變化，如何在動態(tài)路徑規(guī)劃算法中體現(xiàn)也是未來研究的難點。(5)交通信息質量評價體系研究信息質量標準的合理范圍既要考慮成本又要滿足用戶需求，另外，合理的交通信息質量評價參數和評價指標的選取、評價指標計算方法、交通信息質量評價方法都是交通信息質量評價體系研究的重要內容，最終目標是形成適用于我國的、量化的交通信息質量評價標準。