基于MapReduce的城市道路旅行時間短時預測 

摘要：旅行時間是交通系統中一個重要的測量指標，精確的旅行時間預測對智能交通系統和先進交通信息系統發展有重要意義。數據采集技術為旅行時間計算提供了海量實時交通數據，如何利用海量實時交通數據精確且快速預測旅行時間成為當前旅行時間研究中的一個熱點問題?；诤Ａ康能嚺谱R別數據，在Hadoop框架下，用MapReduce編程模型，應用卡爾曼濾波法實現對路段旅行時間的預測，和其它算法對比，該算法預測準確性有顯著提高。

關鍵詞：旅行時間預測；MapReduce；卡爾曼濾波

DOIDOI：10.11907/rjdk.161465

中圖分類號：TP391

文獻標識碼：A文章編號文章編號：16727800（2016）009013703

基金項目基金項目：國家自然科學基金重點項目（61033006）；北京市自然科學基金項目（4131001）

作者簡介作者簡介：楊宗潤（1989-），男，河南新鄉人，北方工業大學計算機學院碩士研究生，研究方向為分布式計算。

0引言

旅行時間是交通系統的重要參數，是指車輛在一定距離道路上的用時。在城市化進程中，城市人口和機動車數量急劇增加，給城市道路帶來了較大負荷，影響居民出行。精確的旅行時間預測可以為城市規劃以及居民出行提供參考。

旅行時間本身具有高度的隨機性和時間依賴性，不定時的交通管制、偶然的交通事故、天氣狀況等都會一定程度上影響旅行時間。目前計算旅行時間的數據主要有兩種：道路上的感應線圈數據和裝載有GPS的車輛數據。兩種數據都具有一定的局限性，對于感應線圈數據而言，道路感應線圈不可能覆蓋到每一條道路，覆蓋密度很大程度上影響了數據的精確性；從感應線圈并不能直接獲得車輛的旅行時間，而是要通過速度來計算旅行時間，無形中放大了誤差[12]。對GPS數據來源而言，裝載GPS設備的車輛數占總數的比例很小[3]，用少數量車輛數據去刻畫所有車輛的行為，具有一定的局限性。

近年來，國內外學者提出了諸多預測旅行時間的思路。臺灣高雄大學的Chun Hisn Wu等[4]把支持向量回歸算法應用到旅行時間的預測上，該方法在面對大規模數據時顯得很無力。微軟亞洲研究院鄭宇[5]提出了上下文矩陣分解和最優道路劃分的方法，應用大量歷史數據，成功解決了數據稀疏性問題，給出了基于路徑的旅行時間預測算法[6]。然而此算法定義的數據結構復雜，應用起來比較困難。俄亥俄州立大學的Abjhijit Dharia[7]用反向人工神經網絡預測了高速公路的旅行時間。德州農業大學的Dongjoo Park 和韓國延世大學的Gunhee Han等[8]對原始數據進行了處理，提出了基于光譜的神經網絡算法，應用到了旅行時間的預測上來。人工神經網絡算法在收斂性上不是很突出，且隱含層的選擇也沒有確定的算法。還有一些其它算法，例如貝葉斯理論[9]和混合Logit模型[10]等。

1問題描述

1.1旅行時間短時預測

本文成果系某市智能交通項目，通過各大路口攝像頭采集機動車牌，經過數據整合存儲在HDFS中。單個數據項包含車牌號、時間、攝像頭編號等。

實驗采用卡爾曼濾波法進行短時間預測?？柭鼮V波是一種先進的控制方法，其以20世紀60年代卡爾曼提出的濾波理論為基礎[11]，基于線性回歸預測，方法簡單且預測精度較高，適合大規模數據計算，在很多預測領域得到應用。目前卡爾曼濾波法在交通領域預測的應用大多采用感應線圈數據[12]和GPS數據[13]。本實驗在Hadoop環境下進行，將卡爾曼濾波法應用到車牌識別數據處理中。

1.2卡爾曼濾波法

一般的線性離散系統可有一組濾波遞推公式表示：

X（k+1）=Φ（k+1，k）X（k）+Γ（k+1，k）w（k） （1）

4結語

本文實驗在hadoop框架下采用MapReduce模型，對道路攝像頭采集數據進行挖掘，得到符合定義的真實值，

真實值符合城市機動車出行規律，用卡爾曼濾波法結合MapReduce實現短時間內對路段旅行時間的預測，預測方法的精確度較高。本文實驗還有一些不足之處，預測值只用到前一個時間段的數據，出現大誤差的幾率大大增加。此外，實驗預測只是對短時間內單個路段的預測，還不能用于路徑的預測。

參考文獻：

[1]STEVEN I， CHIEN J， KUCHIPUDI C M.Dynamic travel time prediction with real-time and historic data[J].Journal of transportation engineering， 2013（25）：3541.

[2]CHU L， OH S， RECKER W.Adaptive kalman filter based freeway travel time estimation[C].84th TRB Annual Meeting， Washington DC， 2005.

[3]CHEN M， CHIEN S.Dynamic freeway traveltime prediction with probe vehicle data： link based versus path based[J].Transportation Research Record， 2001 （1768）： 157161.

[4]WU C H， HO J M， LEE D T.Traveltime prediction with support vector regression[J].Intelligent Transportation Systems， 2004， 5（4）： 276281.

[5]WANG Y， ZHENG Y， XUE Y.Travel time estimation of a path using sparse trajectories[C].Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.ACM， 2014： 2534.

[6]YUAN J， ZHENG Y， ZHANG C， et al.Tdrive： driving directions based on taxi trajectories[C].Proceedings of the 18th SIGSPATIAL International Conference on Advances in Geographic Information Systems.ACM， 2010： 99108.

[7]DHARIA A， ADELI H.Neural network model for rapid forecasting of freeway link travel time[J].Engineering Applications of Artificial Intelligence， 2003， 16（7）： 607613.

[8]PARK D， RILETT L R， HAN G.Spectral basis neural networks for realtime travel time forecasting[J].Journal of Transportation Engineering， 1999， 125（6）： 515523.

[9]WESTGATE B S， WOODARD D B， MATTESON D S， et al.Travel time estimation for ambulances using Bayesian data augmentation[J].The Annals of Applied Statistics， 2013， 7（2）： 11391161.

[10]HESS S， BIERLAIRE M， POLAK J W.Estimation of value of traveltime savings using mixed logit models[J].Transportation Research Part A：Policy and Practice， 2005， 39（2）： 221236.

[11]KALMAN R E.A new approach to linear filtering and prediction problems[J].Journal of Fluids Engineering， 1960， 82（1）： 3545.

[12]FARAGHER R.Understanding the basis of the Kalman filter via a simple and intuitive derivation[J].IEEE Signal processing magazine， 2012， 29（5）： 128132.

[13]YANG J S.Travel time prediction using the GPS test vehicle and Kalman filtering techniques[C].American Control Conference，2005：21282133.

責任編輯（責任編輯：陳福時）