Оценка и прогнозирование параметров транспортных потоков с использованием композиции методов машинного обучения и моделей прогнозирования временных рядов
Агафонов А.А., Мясников В.В.

PDF, 455 kB

DOI: 10.18287/0134-2452-2014-38-3-539-549

Страницы: 539-549.

Аннотация:
Работа посвящена решению задачи анализа и прогнозирования транспортных потоков в сети крупного города. В качестве исходных данных для решения указанной задачи используются данные GPS/ГЛОНАСС о местоположении отдельных транспортных средств. Проецируя полученную информацию на граф транспортной сети города, а также используя дополнительную фильтрацию, можно получить оценку отдельных параметров транспортных потоков. Эти параметры используются для краткосрочного (в пределах часа) прогнозирования изменения ситуации в транспортной сети города. Предлагаемый оригинальный метод прогнозирования использует несколько этапов для построения прогноза. На первом этапе предлагается декомпозировать транспортный граф на некоторое число подграфов по территориальному признаку. На втором для описания пространственно-временного состояния распределения транспортных потоков в получаемых подграфах используется метод снижения размерности, основанный на методе главных компонент. На третьем этапе для каждого из подграфов формируется несколько элементарных прогнозов c использованием метода опорных векторов и метода потенциальных функций. На четвёртом этапе формируется дополнительный элементарный прогноз, рассчитываемый с использованием известных скалярной и векторной моделей Бокса–Дженкинса. На пятом этапе производится построение прогноза для каждого из подграфов с использованием адаптивной линейной композиции полученных элементарных прогнозов. На шестом, заключительном этапе производится расчёт прогнозных параметров транспортных потоков во всей транспортной сети города как линейной комбинации данных для подграфов. Проводится экспериментальное исследование эффективности предложенного метода прогнозирования на примере решения соответствующей задачи для транспортной сети города Самары, даётся сравнение результатов прогнозирования с другими способами построения прогнозов.

Ключевые слова :
транспортная сеть, прогнозирование транспортных потоков, оценка транспортных потоков, композиция алгоритмов, метод потенциальных функций, модель Бокса–Дженкинса, метод опорных векторов.

Литература:

  1. Klein, L.A. Traffic Detector Handbook / L.A. Klein, D.R. Gibson, M.K. Mills // Federal Highway Administration, Turner-Fairbank Highway Research Center. – 2006. – 687p.
  2. Batty, M. Smart cities of the future / M. Batty, K.W. Axhausen, F. Giannotti, A. Pozdnoukhov, A. Bazzani, M. Wachowicz, G. Ouzounis, Y. Portugali // The European Physical Journal Special Topics. – 2012. – Vol. 214, Issue 1. – P. 481-518.
  3. Directive 2010/40/EU of the European Parliament and of the Council of 7 July 2010 on the framework for the deployment of Intelligent Transport Systems in the field of road transport and for interfaces with other modes of transport / Legislative acts // Official Journal of the European Union. – 2010. – P. 1-13.
  4. Hall, R. Handbook of transportation science / R.W. Hall. – Dordrecht: Kluwer Academic Publishers, 2003. – 737 p.
  5. Liu, X. Dynamic Graph Shortest Path Algorithm / X. Liu, H. Wang // Web-Age Information Management: Lecture Notes in Computer Science. – 2012. – Vol. 7418. – P. 296-307.
  6. Polychronopolulos, G. Stochastic shortest path problems with recourse / G. Polychronopolulos, J. Tsitsiklis // Networks. – 1996. – Vol. 27, Issue 2. – P. 133-143.
  7. Hoogendoorn, S.P. State-of-the-art of vehicular traffic flow modeling / S.P. Hoogendoorn, P.H.L. Bovy / Proceedings of the Institution of Mechanical Engineers. Part I: Journal of Systems and Control Engineering. – 2001. – Vol. 215(4). – P. 283-303.
  8. Агафонов, А.А. Алгоритм оценки времени прибытия общественного транспорта с использованием адаптивной композиции элементарных прогнозов / А.А. Ага­фонов, В.В. Мясников // Компьютерная оптика. – 2014. – Т. 38, № 2. – С. 356-369. (Agafonov, A.A. An algorithm for city transport arrival time estimation using adaptive elementary predictions composition // A.A. Aga­fo­nov, V.V. Myasnikov // Computer Optics. – 2014. – Vol. 38(2). – P. 356-369.)
  9. Vlahogianni, E.I. Short-term traffic forecasting: Where we are and where we’re going / E.I. Vlahogianni, M.G. Karlaftis, J.C. Golias // Transportation Research Part C: Emerging Technologies. – 2014. – Vol. 43, Part 1. – P. 3-19.
  10. Bolshinsky, E. Traffic Flow Forecast Survey / E. Bolshinsky, R. Freidman // Technion – Israel Institute of Technology. – 2012. – Technical Report. – 15 p.
  11. Faouzi, N.E. Data fusion in intelligent transportation systems: Progress and challenges / N.E. Faouzi, H. Leung, A. Kurian // A survey, Information Fusion. – 2011. – Vol. 12, Issue 1. – P. 4-10.
  12. Sun, H. Short term traffic forecasting using the local linear regression model / H. Sun, H. Liu, H. Xiao, R. He, B. Ran // Journal of Transportation Research Board. – 2003. – Vol. 1836. – P. 143-150.
  13. Oswald, R. Traffic flow forecasting using approximate nearest neighbor nonparametric regression / R. Oswald, T. Scherer, B.L. Smith // The National ITS Implementation Research Center U.S. DOT University Transportation Center. – 2001. – Research Report. – 115 p.
  14. Box, G.E. Time Series Analysis: Forecasting and Control / G.E. Box, G.M. Jenkins, G.C. Reinsel. – 4th edition. – Wi­ley, 2008. – 784 p.
  15. Mai, T. Short-term traffic flow forecasting using dynamic linear models / T. Mai, B. Ghosh, S. Wilson // Irish Transport Research Network. – 2011.
  16. Stathopoulos, A. A multivariate state space approach for urban traffic flow modeling and prediction / A. Stathopoulos, M.G. Karlaftis // Transportation Research Part C: Emerging Technologies. – 2003. – Vol. 11, Issue 2. – P. 121-135.
  17. Lin, S.-H. The application of space-time ARIMA model on traffic flow forecasting / S.-H. Lin, H.-Q. Huang, D.-Q. Zhu, T.-Z. Wang // Machine Learning and Cybernetics, 2009 International Conference on. – 2009. – Vol. 6. – P. 3408-3412.
  18. Min, W. Real-time road traffic prediction with spatio-temporal correlations / W. Min, L. Wynter // Transportation Research Part C: Emerging Technologies. – 2011. – Vol. 19, Issue 4. – P. 606-616.
  19. Zheng, W. Short-term freeway traffic flow prediction: bayesian combined neural network approach / W. Zheng, D.-H. Lee, Q. Shi // Journal of Transportation Engineering. – 2006. – Vol. 132, N 2. – P. 114-121.
  20. Zhang, X. Forecasting Approach for Short-term Traffic Flow based on Principal Component Analysis and Combined Neural Network / X. Zhang, G. He // Systems Engineering: Theory & Practice. – 2007. – Vol. 27(8). – P. 167-171.
  21. Guorong, G. Traffic Flow Forecasting based on PCA and Wavelet Neural Network / G. Guorong, L. Yanping // Information Science and Management Engineering (ISME). – 2010. – Vol. 1. – P. 158-161.
  22. Jin, X. Simultaneously Prediction of Network Traffic Flow Based on PCA-SVR / X. Jin, Y. Zhang, D. Yao // Lecture Notes in Computer Science. – 2007. – Vol. 4492. – P. 1022-1031.
  23. Как устроен краткосрочный прогноз на Яндекс.Пробки. – http://habrahabr.ru/company/yandex/blog/153631/ (How does the short-term forecast Yandex.Traffic. – http://habra­habr.ru/company/yandex/blog/153631/ – (In Russian)).
  24. Lakhina, A. Structural analysis of network traffic flows / A. Lakhina, K. Papagiannaki, M. Crovella, C. Diot, E.D. Ko­laczyk, N. Taft // ACM SIGMETRICS Performance Evaluation Review. – 2004. – Vol. 32, Issue 1. – P. 61-72.
  25. Введение в математическое моделирование транспортных потоков / А.В. Гасников, С.Л. Кленов, Е.А. Нур­мин­ский, Я.А. Холодов, Н.Б. Шамрай; под ред. А.В. Гас­никова. – М.: МФТИ, 2010. – 362 с. (Introduction to the mathematical modeling of traffic flows / A.V. Gasni­kov, S.L. Klenov, E.A. Nurminsky, Y.A. Holodov, N.B. Sham­rai; ed. by A.V. Gasnikov. – Moscow: “MIPT” Publisher, 2010. – 362 p. – (In Russian).)
  26. Швецов, В.И. Математическое моделирование транспортных потоков / В.И. Швецов // Автоматика и телемеханика. – 2003. – № 11. – P. 3-46. (Shvetsov, V.I. Mathematical modeling of traffic flows / V.I. Shvetsov // Automation and remote control. – 2003. – Vol. 64, Issue 11. – P. 1651-1689.)
  27. Cascetta, E. Transportation Systems Analysis: Models and Ap­plications / E.  Cascetta. – New York: Springer, 2009. – 752 p.
  28. Копенков, В.Н. Оценка параметров транспортного потока на основе анализа данных видеорегистрации / В.Н. Копен­ков, В.В. Мясников // Компьютерная оптика. – 2014. – Т. 38, № 1. – С. 81-86. (Kopenkov, V.N. The estimation of the traffic flow parameters based on the videoregistration data analysis // V.N. Kopenkov, V.V. Myasnikov // Computer Optics. – 2014. – Vol. 38(1). – P. 81-86).
  29. Jolliffe, I.T. Principal Component Analysis / I.T. Jolliffe. – 2nd edition. – New York: Springer, 2002. – 487 p.
  30. Айзерман, М.А. Метод потенциальных функций в теории обучения машин / М.А. Айзерман, Э.М. Браверман, Л.И. Ро­зоноэр. – М.: Наука, 1970. – 384 с. (Aizerman, M. Theoretical foundations of the potential function method in machine learning theory / M. Aizerman, E. Braverman, L. Rozonoer. – Moscow: “Nauka” Publisher, 1970. – 384 p. – (In Russian).).
    © 2009, IPSI RAS
    Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20