CN104778837A - 一种道路交通运行态势多时间尺度预测方法 - Google Patents

Abstract

本发明公开了一种道路交通运行态势多时间尺度预测方法，根据高速公路交通流运行的时空特性，通过对不同时间尺度下高速公路交通参数特征的分析，运用指数平滑算法、加权平均算法、卡尔曼滤波法分别对不同时间尺度下的高速公路道路交通运行态势进行预测，构建高速公路道路交通运行态势评价指标体系及多时间尺度高速公路交通流运行态势预测技术，进而实现高速公路运行管理从经验主导向科学主导的转变，被动管理向主动管理的初步转变，能够有效的提升道路交通运行态势预测系统运行效率、降低系统运行成本，可显著提升道路交通指挥和管理协调程度，最大限度为道路交通管理者和使用者的交通管控措施改善和出行计划规划提供最佳决策。

Description

一种道路交通运行态势多时间尺度预测方法

技术领域

本发明属于智能交通控制系统领域，特别涉及一种道路交通运行态势多时间尺度预测方法。

背景技术

道路交通运行态势预测是智能交通系统实施道路交通管理和控制的基础。道路交通运行态势的准确预测能够确保道路交通流安全畅通运行，帮助道路交通使用者根据未来时刻道路交通运行态势变化情况合理规划出行方案，帮助道路交通管理者对未来道路交通运行态势提前认知以便于交通控制措施的精确制定，进而减少道路交通拥挤和道路环境污染的产生，提高道路行车安全和通行效率。

针对高速公路道路交通运行态势预测的早期研究中，主要是通过对道路交通流量预测以实现对道路交通流运行态势识别。上世纪70年代，随着美国高速公路路网的构建，相关学者逐渐将交通流预测方面的研究由城市道路(路网)转向高速公路路网交通流预测，并初步形成了以交通量预测为基础的道路交通运行态势预测的理论方法。

道路交通运行态势变化规律可根据历史数据演化趋势进行时间跨度划分为短、中及长三个实践尺度。交通流在三个不等长的时间尺度内表现形式既相互关联又存在一定的差异性。中期和长期交通流运行态势预测中针对交通流参数数据进行预测，主要应用神经网络、支持向量机、指数平滑等浅层交通流预测模型，预测模型简单，平稳程度较高，但浅层预测模型能够实现对 中长期交通流参数预测结果的输出值精确性较低，且存在预测效果震荡性较大，运算时间较长等问题，其应用于道路智能交通系统交通参数预测模型中可靠性较低。

现有的道路交通流运行态势预测方法主要利用基本的预测模型对交通流运行交通参数数据的短时变化情况预测，预测结果精确度偏低，且尚未实现对道路短时交通流运行态势的全面预测。

道路短时交通预测方法根据应用的方法不同划分主要分为基于线性回归的预测方法、基于BP神经网络的预测方法、基于时间序列分析的预测方法以及交通参数多步预测法等。基于线性回归方法建立了变量之间的线型关系，且应用简单方便和分析。但采用线性回归的预测模型对交通参数的数据量要求苛刻，存在预测结果精度偏低，容易忽略各交通参数变量之间的交互效应，不能描述非线性因果关系等缺点。基于BP神经网络的预测方法交通参数预测精度与训练样本的质量和数量密切相关。因此，在对未来交通状态预测时，训练样本必须包含各种状态的数据，而且数据量必须足以覆盖各个状态的情况。基于交通参数多步预测方法是基于大量的历史数据构建的交通参数预测模型，而历史数据与拟预测交通参数数据时间跨度越大，两者的关联性越低，预测误差越高。而基于时间序列分析方法能够利用实测的交通参数数据对未来的预测不断进行修正，且较好地反映高速公路交通流参数随时间变化所呈现的变化趋势，是有效地解决动态时变系统预测方法建模的有效途径。目前，卡尔曼滤波作为时间序列分析方法中主要方法能够较好的实现对交通流参数数据的快速准去的预测，但其单纯地考虑了时间序列下交通流运行趋势预测，未考虑空间序列上交通流态势演化趋势。

传统的短时交通预测模块中仅包括了对短时间尺度的交通流参数数据预 测模型，尚未涉及短时交通参数预测同交通状态影响联合预测模型。而道路交通状态情况对道路交通流运行情况存在重要的影响，即当交通拥挤持续增加时，单凭交通流参数数据预测模型对道路交通运行态势预测仅能够体现当前监测点的道路交通运行态势变化情况，并非整个检测路段的整体道路交通运行态势。因此，使用传统的短时道路交通运行态势预测方法将使得预测结果准确性受到质疑，可信度降低，对交通管理和控制造成巨大的影响。

综上，针对道路交通运行态势预测方法中尚存许多不足，其主要体现在：目前的道路交通运行态势预测系统可靠性性，预测结果精度较低，运算时间较长，仅停留在浅层的交通流参数预测层面上，且尚未形成一个完善的道路交通运行态势多时间尺度预测系统，对道路交通流运行态势实施精准、实时的预测，没有充分挖掘交通参数数据的利用潜力。

发明内容

本发明为了克服上述现有技术的不足，而提供一种道路交通运行态势多时间尺度预测方法，本发明以高速公路交通系统为研究对象，根据高速公路交通流运行的时空特性，通过对不同时间尺度下高速公路交通参数特征的分析，运用指数平滑算法、加权平均算法、卡尔曼滤波法分别对不同时间尺度下的高速公路道路交通运行态势进行预测，构建高速公路道路交通运行态势评价指标体系及多时间尺度高速公路交通流运行态势预测技术，进而实现高速公路运行管理从经验主导向科学主导的转变，被动管理向主动管理的初步转变。

本发明包括道路交通流参数数据预处理和道路交通运行态势多时间尺度预测两部分：

一、道路交通参数数据预处理：

道路交通数据采集设备自动采集交通流参数数据并通过数据接口上传至交通数据处理中心，实现对交通参数数据进行数据预处理，交通参数数据预处理过程主要包括异常数据识别和异常数据修复两个步骤：异常数据识别模块采用阈值剖析方法进行异常数据识别；异常数据修复采用历史数据跟踪模块实现历史数据的修复；进而将修复后的交通流参数数据提供给交通信息预测中心进行道路交通运行态势的预测。

所述交通数据处理和管理中心中交通数据预处理具体包括以下步骤：

步骤一，多源传感器自动采集交通参数数据，并上传至交通数据处理和管理中心；

步骤二，交通数据处理和管理中心通过计算机对采集的多源交通参数数据进行统一时间序列交通参数数据提取；

步骤三，交通数据处理和管理中心通过计算机对同一时间序列交通参数数据根据检测器采集数据精度对比实施数据提纯处理；

步骤四，交通数据处理和管理中心中数据预处理模块对采集的初始交通流参数数据进行异常交通参数数据识别；

步骤五，交通数据处理和管理中心通过计算机根据异常数据修复采用历史数据跟踪模块实现对异常数据空缺位置数据修复；

步骤六，交通数据处理和管理中心通过计算机对预处理后的交通参数数据存储，并对历史数据库进行更新。

根据本发明交通参数预处理具体技术实施方案，所述多源交通参数数据为多种检测器采集得到的监测点或监测路段在一定采样间隔内全部车道内通过车辆的具体交通数据。

所述历史数据是依据交通参数数据采集设备采集到的数据为所要求监测 点在小于短期时间尺度的时间间隔内采集到的交通流参数数据。

二、道路交通运行态势多时间尺度预测：

道路交通运行态势多时间尺度预测模块主要包括道路交通运行态势长期预测、道路交通运行态势中期预测以及道路交通运行态势短期预测三部分内容，长期、中期及短期时间尺度根据监测道路实际采集获得的历史交通参数数据变化规律和交通管理者对交通信息获取时间间隔需求联合确定，道路交通运行态势长期预测模块、道路交通运行态势中期预测模块以及道路交通运行态势短期预测模块呈并序非关联实施关系：

1、道路交通运行态势长期预测：采用历史数据对长期预测时间尺度进行确定，并对自适应指数平滑算法相关系数标定，对交通参数横、纵时间序列数据进行长期预测结果输出，进而通过加权融合方法对交通流参数进行长期预测；

所述交通信息控制中心中道路交通运行态势长期预测模块具体实施包括以下步骤：

步骤一，交通信息控制中心从交通数据处理和管理中心获取已预处理的多源道路交通参数数据；

步骤二，交通信息控制中心根据提取交通参数数据确定长期预测时间尺度；

步骤三，交通信息控制中心根据实际交通参数数据选取适当的初始平滑参数α；

步骤四，交通信息控制中心以所选取的初始平滑参数计算历史平滑数据 

步骤五，交通信息控制中心预测根据横、纵时间序列交通历史数据判定预测分析结果是否合理，如不合理计算机自动重新选择平滑参数，如合理对预测结果进行输出并实施步骤六；

步骤六，交通信息控制中心通过计算机计算误差信号和跟踪信号，重置平滑参数对下一采样间隔平滑参数重新设定。

所述α值应根据时间序列的具体性质在0～1之间选择，跟踪信号C_t误差跟踪信号总是在[-1，+1]内。当预测无偏时，平滑误差E_t总是在零附近波动，故跟踪信号C_t→0。这说明预测模型跟踪目标的实际过程情况良好，故α的取值应小一点，并且不必进行更高次的平滑处理了。当预测有偏时，这时E_t与A_t相差不大，所以C_t值较大。这说明了预测模型偏离了实际过程，α取大一点。

根据本发明交通信息控制中心道路交通运行态势长期预测具体技术实施方案，所述加权系数α_t不断地根据跟踪信号C_t逐期自动调整，使预测模型不断地适应实际过程的变化。

2、道路交通运行态势中期预测：首先采用交通流量数据进行中期道路交通运行态势预测时间尺度确定，交通信息预测中心利用对应时间序列的历史交通参数数据对加权平均算法相关参数标定，进而实施中期道路交通运行态势预测；

所述交通信息控制中心中道路交通运行态势中期预测模块具体实施包括以下步骤：

步骤一，交通信息控制中心通过计算机从交通数据处理和管理中心获取已预处理的多源道路交通参数数据；

步骤二，交通信息控制中心通过计算机根据提取交通参数数据确定中期预测时间尺度；

步骤三，交通信息控制中心通过计算机获取n对检测器检测到的车辆数向量为X＝[x₁,x₂,...,x_n]，x₁,x₂,...,x_n；

步骤四，交通信息控制中心通过计算机计算x无偏估计值

步骤五，交通信息控制中心通过计算机计算参数总体方差σ²；

步骤六，交通信息控制中心通过计算机利用柯西不等式及权的定义

步骤七，交通信息控制中心通过计算机计算总的均方差取最小值，当且仅当 $w_1^2/\frac{1}{{\mathrm{\σ}}_1^2}=w_2^2/\frac{1}{{\mathrm{\σ}}_2^2}=...=w_n^2/\frac{1}{{\mathrm{\σ}}_n^2}$ 时等号成立

步骤八，交通信息控制中心通过计算机当总体方差取最小值时，获取总均方差最小时所对应的加权因子W^*。

根据本发明交通信息控制中心中期道路交通运行态势预测具体技术实施方案，所述的设计基于加权平均算法的道路交通运行态势中期预测的预测主要是解决对中期交通参数数据的预测，预测时间尺度根据监测点或监测路段的历史交通参数数据通过变化趋势拟合方式确定，一般交通参数中期预测时间尺度以天为单位。

根据本发明交通信息控制中心中期道路交通运行态势预测具体技术实施方案，所述的分析基于加权平均算法的道路交通运行态势中期预测模块中，最小总体方差随着检测数据的增加而进一步减小。

3、道路交通运行态势短期预测：交通信息中心将根据交通流参数数据的变化规律对短期时间尺度步长进行确定，采用卡尔曼滤波预测模型对基本交通参数数据预测，同时采用模糊C聚类算法进行交通拥挤状态识别并对交通拥挤影响范围评估，进而实施道路交通运行态势判别结果融合进行短期道路交通运行态势预测结果输出。

所述交通数据处理和管理中心包括交通数据预处理模块和交通数据存储模块两部分。交通数据预处理模块主要负责对多数据源采集得到的交通流参数数据进行异常数据识别和异常数据修复；交通数据存储模块采用云储存空间或大储存容量的SD卡对交通数据预处理模块处理后的数据进行存储。

道路交通运行态势长期预测模块和道路交通运行态势中期预测模块中由于模型时间跨度较大对交通拥挤程度估计无法实施准确的估计，故仅选取交通参数长期预测模型和交通参数中期预测模型分别作为二者的内置模型对道路交通运行态势长期和中期变化趋势进行预测。道路交通运行态势短期预测结果能够实时的为道路交通管理者和道路交通使用者提供管理和出行决策依据，道路交通状态的实时性变化对短时交通流运行参数和道路交通运行态势发展意义重大，故短时交通流预测方面本发明独特的采用了交通参数数据预测、交通拥挤状态判别以及拥挤影响范围评估联合融合方法对短时道路交通运行态势变化预测。

根据本发明的基本实施流程，所述交通信息控制中心中道路交通运行态势短期预测模块具体实施包括以下步骤：

步骤一，运用短期预测模型即卡尔曼滤波模型对高速公路交通参数数据库提供的数据信息进行短期参数预测；

步骤二，运用高速公路交通状态判别模型对预测出的短期交通流参数进行状态判别，划分为畅通状态和拥挤状态两个状态；

步骤三，若路段未来时刻的交通流运行状态为畅通状态，直接转入步骤五；

步骤四，预测出的路段状态是拥挤状态或阻塞状态时，运用排队长度指标、消散时间评价指标等对高速公路时空影响范围进行估计，直接转入步骤 五；

步骤五，将交通参数短时交通流参数预测结果与高速公路具体道路交通运行态势结果融合，并输出流量参数、速度参数和道路交通运行态势参数三个结果，并进行结果输出更新。

所述交通流参数短时预测模块采用卡尔曼滤波算法对道路交通参数进行预测，具体实施包括如下步骤：

步骤一，交通信息控制中心通过计算机从交通数据处理和管理中心获取已预处理的多源道路交通参数数据；

步骤二，确立状态方程和观测方程；

步骤三，确定观察向量和观察矩阵。基于卡尔曼滤波理论的交通流量预测模型观察矩阵为A(t)，V(t)当前时段的流量、V(t-1)为前一时段的流量、V(t-2)前两时段的流量，Q(t+k)为t时刻以后K个时间段的路段L上的交通流量；

步骤四，使用先验数据对模型进行标定和测试，计算增益矩阵K(t)和状态向量

步骤五，确定模型噪声协方差Q(t)和观察噪声协方差Q(t)，P₀取不为0的对角阵，设为零向量矩阵；

步骤六，使用实测数据对模型进行验证。

所述的设计基于卡尔曼滤波的短期交通流参数数据预测方法中Q(t+k)表示t+k时刻交通流量的预测值，它与研究路段入口和出口的交通流量有关。设V(t)是t时刻的出入口的交通流量向量，V(t-1)是t时刻前一个时段的出入口的交通流量向量，由于高速公路近似封闭路段，所以只须考虑每一时段的入口交通流量。

所述的设计基于卡尔曼滤波的交通流参数数据短期预测方法中H₀、H₁、H₂为参数矩阵。c是状态变量，V(t)＝[v₁(t),v₂(t),...,v_n(t)]为交通流量；Q(t+k)为预测的交通流量；n为路段上入口和出口处及道路中间所考虑的检测器的总数；为观测噪声，假定为零均值的白色噪声，其协方差矩阵为R(t)。

所述交通拥挤识别模块采用模糊C聚类分析算法对道路交通状态进行预测，具体实施包括如下步骤：

步骤一，交通信息控制中心通过计算机从交通数据处理和管理中心获取已预处理的多源道路交通参数数据；

步骤二，交通信息控制中心通过计算机对交通参数数据标准化处理；

步骤三，交通信息控制中心通过计算机确定分类数c′，加权指数m′，终止误差ξ＞0，最大迭代次数T_max。

步骤四，交通信息控制中心通过计算机计算隶属度矩阵U_t＝[u_Ij]_c′×n及C-均值聚类中心向量V_t＝{v_1,t,v_2,t,...,v_c′,t}；

步骤五，交通信息控制中心通过计算机计算若||v_t-v_t-1||＜ξ或t＞LOOP，迭代终止；否则置t＝t+1，并返回步骤四。

步骤六，交通信息控制中心通过计算机交通状态判别结果输出。

所述当交通状态判别模块判别结果为非交通畅通状态时，进入交通拥挤影响范围评估模块，具体包括以下步骤：

步骤一，交通信息控制中心通过计算机获取交通拥挤判别结果，且识别交通拥挤是否产生；

步骤二，交通信息控制中心通过计算机获取拥挤条件下交通参数数据；

步骤三，交通信息控制中心通过计算机确定元胞传输模型(CTM)相关模 型参数；

步骤四，交通信息控制中心通过计算机确定评估指标；

步骤五，交通信息控制中心通过计算机选取交通拥挤时间和交通拥挤空间影响范围评价指标；

步骤六，交通信息控制中心通过计算机交通影响范围评价指标输出。

本发明考虑了多源检测设备采集的道路交通参数数据提取的时空特性，并根据各检测器检测交通数据精度对同一时间序列的相同交通参数数据提纯处理，进而获取较为完备道路交通参数数据。

本发明根据道路交通流参数变化特点设计道路交通参数数据异常数据识别算法，根据提出的离散度指标对道路交通参数异常数据识别，并具有较高的鲁棒性和识别精度。

本发明道路交通运行态势多时间尺度预测方法包括数据预处理方法研究和多时间尺度道路交通运行态势预测方法研究两个方面，进一步多时间尺度道路交通运行态势预测方法研究根据道路实际交通数据变化趋势标定不同时间尺度，可根据道路实际交通参数数据变化更为合理的制定道路交通运行态势预测时间步长，为交通管理部门提供可靠的预测结果，为出行者制定更为准确的出行决策提供依据。

本发明的有益效果：本发明设计了道路交通运行态势预测方法，该方法集道路交通运行态势长期预测、道路交通运行态势中期预测以及道路交通运行态势短期预测方法为一体，能够精确的实现对道路交通流运行状态的准确预测。该道路交通运行态势预测系统能够精确的对实时和未来道路交通运行态势进行准确的预测，长期、中期以及短期预测方法根据具体的适应性选取， 能够有效的提升道路交通运行态势预测系统运行效率、降低系统运行成本，可显著提升道路交通指挥和管理协调程度，最大限度为道路交通管理者和使用者的交通管控措施改善和出行计划规划提供最佳决策。

附图说明

图1为本发明实施例道路交通运行态势多时间尺度预测流程示意图.

图2为本发明实施例道路交通数据预处理流程示意图。

图3为本发明实施例道路交通运行态势长期预测流程示意图。

图4为本发明实施例道路交通运行态势中期预测模块加权平均预测方法流程示意图。

图5为本发明实施例道路交通运行态势中期预测流程示意图。

图6为本发明实施例道路交通运行态势短期预测流程示意图。

图7为本发明实施例卡尔曼滤波短时交通参数预测方法流程示意图。

图8为本发明实施例道路交通拥挤状态识别流程示意图。

图9为本发明实施例交通拥挤影响范围评估流程示意图。

图10为本发明实施例交通流排队长度单元分割图。

具体实施方式

请参阅图1、图2、图3、图4、图5、图6、图7、图8、图9和图10所示，为本发明的实施例，包括道路交通流参数数据预处理和道路交通运行态势多时间尺度预测两部分。

本实施例在交通数据处理和管理中心与交通信息控制中心两个中心完成，可嵌入交通控制系统软件实现道路交通运行态势多时间尺度预测。具体地实施方法阐述如下：

1、数据处理和管理中心道路交通数据预处理模块

根据多源交通检测器采集得到的交通参数的采样间隔、采样数据种类以及采样数据精度存在一定的差异性，故对初始数据库中多源检测设备直接提取的道路交通参数数据实施数据预处理，为后续道路交通运行态势多时间尺度预测精度的提升提供必要的数据支持。

对多源交通检测器采集的交通参数数据进行异常数据识别和修复措施。首先对采集得到的多源交通参数数据进行统一时间序列归档，即将同一时间和监测点或监测路段所采集得到的交通参数数据暂存为同一列表中，根据各交通检测器所采集数据精度排队对同一类型交通参数数据进行精度提纯，进而提取出高精度的交通参数数据。但对交通参数数据精度提纯仅实现对多源交通参数数据的单纯简单处理，并未实现对异常数据的处理，故为了获取准确的交通参数数据，本发明设计数据预处理模块对采集的初始交通流参数数据进行异常交通参数数据识别。

时间序列演变过程中交通流参数数据随之变化，但每一交通参数波动都存在一个合理的波动范围，根据这一特点，首先依据常态下一定步长的横向时间序列历史数据计算得到所需预测交通参数的序列平均值 其中为第n个横向时间序列交通参数的均值，对于固定采样间隔内实时采集得到的交通流参数A(k)，其隶属于历史横向时间序列范围，故交通参数预处理模块内异常值识别方法为

$\mathrm{\γ}\left(k\right)=\frac{A\left(k\right)-\stackrel{\‾}{A}\left(n\right)}{A_D-\stackrel{\‾}{A}\left(n\right)+\mathrm{\β}},k=\mathrm{1,2},...,K---\left(1\right)$

γ(k)大于1时，交通流参数A(k)判定为异常数据；γ(k)小于等于1时，依据相近5个连续时间窗采集的交通流参数数据的标准差之σ对A(k)识别条件为

if A(k)≤3σ,k＝1,2,…,K

then A(k)∈"normal data"

                                    (2) 

else A(k)∈"abnormal data"

end if

根据异常数据判别条件式(2)进一步识别异常数据位置，对异常数据进行剔除处理，并采用历史数据跟踪模块实现对异常数据空缺位置数据修复，进而实现对预处理后的交通参数数据存储，并对历史数据库进行更新，构建道路交通参数基础数据库。

2、交通信息控制中心道路交通运行态势多时间尺度预测模块

交通信息处理中心包括道路交通运行态势长期预测模块、道路交通运行态势中期预测模块以及道路交通运行态势短期预测模块三部分。通态势长期预测模块和道路交通运行态势中期预测模块中由于模型时间跨度较大对交通拥挤程度估计无法实施准确的估计，故仅选取交通参数长期预测模型和交通参数中期预测模型分别作为二者的内置模型对道路交通运行态势长期和中期变化趋势进行预测。道路交通运行态势短期预测结果能够实时的为道路交通管理者和道路交通使用者提供管理和出行决策依据，道路交通状态的实时性变化对短时交通流运行参数和道路交通运行态势发展意义重大，故短时交通流预测方面本发明独特的采用了交通状态评估和交通参数数据预测融合方法对短时道路交通运行态势变化预测。

(1)道路运行道路交通运行态势长期预测模块

道路交通运行态势长期预测模块以道路交通参数长期预测模型为基础，采用自适应指数平滑算法对道路态势长期变化趋势进行预测分析。自适应指数平滑算法基本思想是通过对实时采集得到的交通参数数据同历史交通参数数据加权平均。自适应指数平滑算法基本预测方程为

$S_t^{\left(1\right)}={\mathrm{\αy}}_t+(1-\mathrm{\α})S_{t-1}^{\left(1\right)}---\left(3\right)$

其中，α称为平滑参数，α的选取是否得当直接影响着预测的结果。α的大小实际上体现了在预测中新的观察值与原平滑值所占的比重。α值越大，新的观察值所占的比重就愈大，即以当前信息为重，反之则相反。

自适应指数平滑算法预测模型能够自动适应实际数据的变化规律，从而提高指数平滑预测方法的精度。误差跟踪信号是一个基于预测误差的变量，根据误差跟踪信号的变化对α的取值不断调整。误差跟踪信号及权重的确定方法如下：

在t时段，定义两个误差信号

E_t＝re_t+(1-r)E_t-1          (4) 

A_t＝r|e_t|+(1-r)A_t-1       (5) 

式中，E_t称为平滑误差；A_t称为平滑绝对误差。是t-1时段对t时段的预测值。r是加权系数，0＜r＜1，一般取r＝0.1～0.2。在t时段的跟踪信号C_t定义为

$C_t=\frac{E_t}{A_t}---\left(6\right)$

当建立的指数平滑模型为一适宜的预测模型时，预测误差e_t完全是由随机造成的，因而e_t服从均值为零的正态分布，所以有

$E\left(E_t\right)=E\left[r\underset{j=0}{\overset{\∞}{\mathrm{\Σ}}}{(1-r)}^j{e}_{j-1}\right]=r\underset{j=0}{\overset{\∞}{\mathrm{\Σ}}}{(1-r)}^{j}E\left[e_t\right]=0---\left(7\right)$

故在模型正确的情况下，E_t应接近于零。而平滑绝对误差A_t则总是大于零的，所以误差跟踪信号总是在[-1，+1]内。

当预测无偏时，E_t总是在零附近波动，故跟踪信号C_t→0。这说明预测模型跟踪目标的实际过程情况良好，故α的取值应小一点，并且不必进行更高次的平滑处理了。当预测有偏时，这时E_t与A_t相差不大，所以C_t值较大。这 说明了预测模型偏离了实际过程，α应取大一点。故令平滑参数α_t为α_t＝|C_t|

                                                       (8) 

这样每期的加权系数α_t便可不断地根据跟踪信号C_t逐期自动调整，使预测模型不断地适应实际过程的变化。

所输入的交通参数数据为已经过数据处理和管理中心道路交通数据预处理模块处理后的交通参数数据，其参数类型可为交通流量、占有率及速度等。输出参数为经过指数平滑预测后的长期预测交通参数数据。该算法中，平滑参数α选取对道路交通运行态势长期预测效果具有较大的影响。α的大小体现了修正的幅度。α越大，表示越倚重近期数据所载的信息，修正的幅度也较大，预测时所采用的数据序列也越短；α越小，修正的幅度也越小，预测时所采用的数据序列也越长。α值应根据时间序列的具体性质在0～1之间选择。

(2)道路交通运行态势中期预测模块

道路交通运行态势中期预测模块以道路交通参数中期预测模型为基础，采用加权平均算法对道路交通中期运行态势进行预测。道路交通参数变化有着明显的周期性变化规律，因此，根据历史道路交通参数数据变化情况确定中期预测时间尺度，一般中期预测时间尺度以天为单位实施。

设一天内n对检测器检测到的车辆数向量为X＝[x₁,x₂,...,x_n]，x₁,x₂,...,x_n相互独立，方差分别为δ₁,δ₂,...,δ_n；且总体可以服从任意分布；设所要预测的交通流量真值为x。引入加权因子向量W＝[w₁,w₂,...,w_n]，满足

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i=1---\left(9\right)$

则预测后的值和加权因子满足一下公式：

$\stackrel{\‾}{x}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{x}_i={\mathrm{WX}}^T---\left(10\right)$

且为x的无偏估计。其预测示意图如图4所示。由于，x₁,x₂,...,x_n彼此独立，并且为x的无偏估计，则总均方误差为：

${\mathrm{\σ}}^2=E\left[w_i^2{\left({x-x}_i\right)}^2\right]=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i^2{\mathrm{\σ}}_i^2---\left(11\right)$

利用柯西不等式及权的定义，

$\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i^2{\mathrm{\σ}}_i^2\right)\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{{\mathrm{\σ}}^2}\right)\≥{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i\right)}^2=1---\left(12\right)$

当且仅当时等号成立，总的均方差取最小值，可求出总均方误差最小时所对应的加权因子为：

$W^{*}=\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}1/{\mathrm{\σ}}_i^2}[\frac{1}{{\mathrm{\σ}}_1^2},\frac{1}{{\mathrm{\σ}}_2^2},...,\frac{1}{{\mathrm{\σ}}_n^2}]---\left(13\right)$

此时所对应的最小均方误差为：

${\mathrm{\σ}}_{\min }^2=1/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{{\mathrm{\σ}}_i^2}---\left(14\right)$

所输入的交通参数数据为已经过数据处理和管理中心道路交通数据预处理模块处理后的交通参数数据，其参数类型可为交通流量、占有率及速度等。输出参数为经过指数平滑预测后的中期预测交通参数数据。基于加权平均算法的中期道路交通运行态势预测模块中，随着检测数据的增加而进一步减小。

道路交通运行态势短期预测模块：

道路交通运行态势短期预测模块包括道路交通参数短期预测模块和道路交通状态判别模块两部分。道路交通参数短期预测模块采用卡尔曼滤波算法 对道路交通短期运行态势进行预测。道路交通状态判别模块则采用模糊C聚类分析算法对道路交通拥挤状态进行实时识别，并进而对拥挤状态条件下道路交通拥挤影响范围评估。

道路交通参数数据短时预测模块

道路交通参数短时预测模块采用卡尔曼滤波算法对短时道路交通参数进行预测。卡尔曼滤波算法能够实现短时道路交通参数的准确预测，可确保预测的精准性和鲁棒性。道路交通流运行遵循一定的时间和空间变化特定，故短时交通预测算法的选取应考虑交通流的时间和空间特性，全方面考虑影响道路交通运行的各方面因素。

设Q(t+k)表示t+k时刻交通流量的预测值，它与研究路段入口和出口的交通流量有关。设V(t)是t时刻的出入口的交通流量向量，V(t-1)是t时刻前一个时段的出入口的交通流量向量，由于高速公路近似封闭路段，所以只须考虑每一时段的入口交通流量。考虑到一些较长的路段，本模型考虑三个时段的交通流量(即t，t-1，t-2时段的交通流量)对路段L上的交通流量的影响，其预测模型为

式中：H₀、H₁、H₂为参数矩阵。c是状态变量，V(t)＝[v₁(t),v₂(t),...,v_n(t)]为交通流量；Q(t+k)为预测的交通流量；n为路段上入口和出口处及道路中间所考虑的检测器的总数；为观测噪声，假定为零均值的白色噪声，其协方差矩阵为R(t)。

A(t)＝[V^T(t),V^T(t-1),V^T(t-2)]        (16) 

X(t)＝B(t)X(t-1)+μ(t-1)       (17)

式中Q(t+k)为观察向量，X(t)为状态向量，A(t)为观察矩阵，B(t)为状态转移矩阵，μ(t-1)为模型噪声，假定为零均值的白色噪声，它的协方差矩阵为Q(t-1)。卡尔曼滤波是基于观察数据y(t)＝{y(1),y(2),...,y(t)}，求系统状态X(j)(j＞t)的最优预报估值引入与观察过程y(t)等价的新息过程，利用卡尔曼滤波理论，可以推导出如下方程组为：

$\stackrel{\‾}{X}\left(t\right)=X(t/t-1)+K\left(t\right)[Q(t+k)-A\left(t\right)\stackrel{\‾}{X}(t/t-1)]---\left(19\right)$

P(t/t-1)＝B(t-1)P(t-1)B^T(t-1)+Q(t-1)     (20)

当确定以后，交通流量的预测值为：

$Q(t+k)=A\left(t\right)\stackrel{\‾}{X}\left(t\right)---\left(21\right)$

卡尔曼滤波实时交通参数预测方法，首先确立状态方程和观测方程，进而确定观察向量和观察矩阵。基于卡尔曼滤波理论的交通流量预测模型如上所示，观察矩阵为A(t)＝[V(t),V(t-1),V(t-2)]，V(t)当前时段的流量、V(t-1)为前一时段的流量、V(t-2)前两时段的流量，Q(t+k)为t时刻以后K个时间段的路段L上的交通流量。使用先验数据对模型进行标定和测试，进而确定模型噪声协方差Q(t)和观察噪声协方差Q(t)，P₀取不为0的对角阵，设为零向量矩阵。

道路交通拥挤判别模块：

道路交通拥挤判别模块作为道路交通运行态势短时预测的重要组成模块，在道路交通运行态势短时预测中发挥着重要的作用。

令为有限样本空间数据集合，其中n为元素个数，p为样本空间维数；将样本集x划分为c′个类别，2≤c′≤n，则聚类中心向量集合为V＝{v₁,v₂,...,v_c′}；样本x_j属于类别I∈{1,...,c′}的隶属度矩阵表示为U＝[u_Ij]_c′×n，各类隶属度u_ij满足约束条件：

$s.t.\left\{\begin{array}{c}\underset{I=1}{\overset{c^{\&prime;}}{\mathrm{\&Sigma;}}}{u}_{\mathrm{Ij}}=\mathrm{1,1}\&le;j\&le;n\\ 1<\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{Ij}}<n\\ 0\&le;u_{\mathrm{Ij}}\&le;\mathrm{1,1}\&le;I\&le;c^{\&prime;},1\&le;j\&le;n\end{array}\right.---\left(22\right)$

FCM算法目标函数表示为：

$\min J(X,U,V)=\underset{I=1}{\overset{c^{\&prime;}}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(u_{\mathrm{Ij}}\right)}^{m^{\&prime;}}{\left(d_{\mathrm{Ij}}\right)}^2---\left(23\right)$

式(23)中m′∈[1,∞)为模糊加权指数；d_Ij为样本x_j与第I类聚类中心间的距离，表示为：其中，M为p×p阶正定矩阵。在公式(22)的约束下，应用拉格朗日算法求解式(23)，得到最佳聚类中心和模糊分类矩阵：

$v_I=\frac{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(u_{\mathrm{Ij}}\right)}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(u_{\mathrm{Ij}}\right)}^m},(1\&le;I\&le;c)---\left(24\right)$

$u_{\mathrm{Ij}}=\frac{1}{\underset{k=1}{\overset{c^{\&prime;}}{\mathrm{\&Sigma;}}}{\left(\frac{d_{\mathrm{Ij}}}{d_{\mathrm{Ij}}}\right)}^{\frac{2}{m-1}}},(j=\mathrm{1,2},...,n)---\left(25\right)$

道路交通拥挤状态判别流程中分类数c′为两个类别，包括交通畅通状态和交通拥挤状态两类。交通拥挤识别模块采用模糊C聚类分析算法对道路交通状态进行预测，具体实施包括如下步骤：

步骤一，交通信息控制中心通过计算机从交通数据处理和管理中心获取已预处理的多源道路交通参数数据；

步骤二，交通信息控制中心通过计算机对交通参数数据标准化处理；

步骤三，交通信息控制中心通过计算机确定分类数c′，加权指数m′，终止误差ξ＞0，最大迭代次数T_max。

步骤四，交通信息控制中心通过计算机计算隶属度矩阵U_t＝[u_Ij]_c′×n及C-均 值聚类中心向量V_t＝{v_1,t,v_2,t,...,v_c′,t}；

步骤五，交通信息控制中心通过计算机计算若||v_t-v_t-1||＜ξ或t＞LOOP，迭代终止；否则置t＝t+1，并返回步骤四。

步骤六，交通信息控制中心通过计算机交通状态判别结果输出。

为了确保对道路交通运行态势短期预测的准确性，需在交通拥挤状态确定的条件上对道路交通拥挤影响范围进行进一步评估。图9为交通拥挤影响范围评估流程示意图。交通拥挤影响范围识别采用多步预测和元胞传输模型对交通拥挤的时空影响范围进行评估，具体评估措施阐述如下：

交通拥挤持续时间预测方法的工作步骤包括如下3个主要环节。其中，δ表示采样时间间隔：

步骤一，提取第t个时间间隔的交通参数数据。

步骤二，运行交通拥挤自动检测方法，判断当前时间间隔是否为交通拥堵状态，如果不是，则转步骤三；如果是，则

(a)运行交通参数多步预测方法；

(b)提取交通参数可预测步数n和多步预测数据；

(c)令i＝1；

(d)判断i是否小于n，如果是，则进行下一步；否则，输出交通拥挤持续时间至少为n*δ；

(e)运行交通拥挤自动检测方法，判断第(t+i)个时间间隔是否为交通拥堵状态，如果是，令i＝i+1，返回(d)；否则，进入下一步；

(f)判断第(t+i+1)个时间间隔是否为交通拥堵状态，如果是，则令i＝i+2，返回(d)；否则，输出交通拥挤持续时间为i*δ。

步骤三，如果当前时间间隔不为拥堵状态，则

(a)运行交通参数多步预测方法；

(b)提取交通参数可预测步数n和多步预测数据；

(c)令i＝1；

(d)判断i是否小于n，如果是，则进行下一步；否则，输出预测无拥堵发生；

(e)运行交通拥挤自动检测算法，判断第(t+i)个时间间隔是否为交通拥堵状态，如果是，进入下一步；否则，令i＝i+1，返回(d)；

(f)判断第(t+i+1)个时间间隔是否为交通拥堵状态，如果是，输出第(t+i)个时间间隔可能会发生拥堵；否则，令i＝i+2，返回(d)。

交通拥挤空间影响范围预测方法的工作步骤包括如下：

假设一条单向一条车道的路段，只有一个进口和出口，将路段均匀分成I个单元，从路段的上游端点向交通流的方向连续编号。采样时间间隔为时钟运行步长1s，单元的长度为车辆以自由流速度在一个采样时间间隔内运行的长度。

在小流量情况下，一个单元内的所有车辆在下一时刻可以全部运行到下游单元。因此，在小流量情况下，有下式成立：

n_i+1(j+1)＝n_i(j)      (26) 

式中，n_i(j)是在j时刻单元i内的车辆数。当路段上出现排队时上式不成立，为了描述排队现象，引入下列两个变量：

Q_i(j)，j到j+1内可以从单元i-1流入到单元i内的最大车辆数。

N_i(j)，j时刻单元i内可以容纳的最大车辆数。

由此可知，N_i(j)-n_i(j)是j时刻单元i内允许流入的车辆数。定义y_i(j)是j时刻流入单元i内的车辆数则：

y_i(j)＝min{n_i-1(j)，Q_i(j)，N_i(j)-n_i(j)}          (27) 

每个单元i内的车辆数守恒，j+1时刻的车辆数等于j时刻单元内的车辆数加上流入的车辆数再减去流出的车辆数，计算公式为：

n_i+1(j+1)＝n_i(j)+y_i(j)-y_i+1(j)                 (28) 

CTM模型的边界条件可以通过定义输入输出单元来确定。定义一输出单元I+1，和两个输入单元00和单元0。输入输出单元内的边界条件为：

N_I+1＝∞，n₀₀(0)＝∞，N(j)₀＝∞。

基于以上理论，参考已有的单个路段上排队长度的估计方法来进行研究。首先根据单元内密度或者车辆数的取值，初步确定排队队尾位于哪一个单元，此时可以对排队长度进行初步的估计。然后将该单元分割成若干子单元，根据该单元内的密度和车辆数对排队长度做准确估计。CTM模型计算的是各车道的平均排队长度，并且是瞬时排队长度。

不考虑车辆位于哪一车道，也就是将多个车道的路段看成一个整体。将停车线上游的路段分成I个单元。每个单元的长度应等于车辆以自由流速度在一个采样间隔内行驶的距离。

对于单元i，判断排队队尾是否位于单元i内，需要满足下面两个条件之 一：

a)单元i内的密度k_i大于等于临界密度k_m，并小于等于阻塞密度k_j，即k_m≤k_i≤k_j；或

b)单元i内的车辆数n_i大于等于临界密度时的车辆数L*k_m，并且小于阻塞密度时的车辆数N时，即L*k_m≤n_i≤L*k_j。

当判断出排队队尾位于单元i内之后，可以大致的估计出排队长度的取值范围，为：

$\underset{j=i+1}{\overset{I}{\mathrm{\&Sigma;}}}{L}_j\&le;L_Q\&le;\underset{j=i}{\overset{I}{\mathrm{\&Sigma;}}}{L}_j$

但是如果单元的长度较长时，所估计出的排队长度误差会比较大，因此需要对排队长度进行更精确的估计。

将单元i再均分成M个子单元，每个子单元的长度为L_i/M。按照交通流的运行方向从1到M连续编号，如图10所示。当单元i内的密度为k_m，车辆数n_i＝k_m*L_i时，单元i处于临界排队状态。相对于整条路段来说，单元的长度要远小于路段长度，所以可以假设在单元i内车辆是均匀分布的，此时子单元m内的车辆数为在一个单元内如果形成排队，其肯定是由子单元M向子单元I方向延伸的，并且每个子单元内所能容纳的最 大车辆数为由此可以得到排队延伸哪一个子单元m。m的计算公式为：

$k_m{L}_i+m\frac{(k_j-k_m)L_i}{M}=n_i---\left(29\right)$

$m=\frac{(n_i-k_m{L}_i)M}{(k_j-k_m)L_i}---\left(30\right)$

获得m之后，可以得到路段的排队长度为：

$L_Q={\mathrm{\&Sigma;}}_{j=i+1}^I{L}_j+(M-m+1)\frac{L_i}{M}---\left(31\right)$

Claims (1)

1.一种道路交通运行态势多时间尺度预测方法，包括道路交通流参数数据预处理和道路交通运行态势多时间尺度预测两部分：

一、道路交通参数数据预处理：

道路交通数据采集设备自动采集交通流参数数据并通过数据接口上传至交通数据处理中心，实现对交通参数数据进行数据预处理，交通参数数据预处理过程主要包括异常数据识别和异常数据修复两个步骤：异常数据识别模块采用阈值剖析方法进行异常数据识别；异常数据修复采用历史数据跟踪模块实现历史数据的修复；进而将修复后的交通流参数数据提供给交通信息预测中心进行道路交通运行态势的预测；

所述交通数据处理和管理中心中交通数据预处理具体包括以下步骤：

步骤一，多源传感器自动采集交通参数数据，并上传至交通数据处理和管理中心；

步骤二，交通数据处理和管理中心通过计算机对采集的多源交通参数数据进行统一时间序列交通参数数据提取；

步骤三，交通数据处理和管理中心通过计算机对同一时间序列交通参数数据根据检测器采集数据精度对比实施数据提纯处理；

步骤四，交通数据处理和管理中心中数据预处理模块对采集的初始交通流参数数据进行异常交通参数数据识别；

步骤五，交通数据处理和管理中心通过计算机根据异常数据修复采用历史数据跟踪模块实现对异常数据空缺位置数据修复；

步骤六，交通数据处理和管理中心通过计算机对预处理后的交通参数数据存储，并对历史数据库进行更新；

所述多源交通参数数据为多种检测器采集得到的监测点或监测路段在一定采样间隔内全部车道内通过车辆的具体交通数据；

所述历史数据是依据交通参数数据采集设备采集到的数据为所要求监测点在小于短期时间尺度的时间间隔内采集到的交通流参数数据；

二、道路交通运行态势多时间尺度预测：

道路交通运行态势多时间尺度预测模块主要包括道路交通运行态势长期预测、道路交通运行态势中期预测以及道路交通运行态势短期预测三部分内容，长期、中期及短期时间尺度根据监测道路实际采集获得的历史交通参数数据变化规律和交通管理者对交通信息获取时间间隔需求联合确定，道路交通运行态势长期预测模块、道路交通运行态势中期预测模块以及道路交通运行态势短期预测模块呈并序非关联实施关系：

(1)、道路交通运行态势长期预测：采用历史数据对长期预测时间尺度进行确定，并对自适应指数平滑算法相关系数标定，对交通参数横、纵时间序列数据进行长期预测结果输出，进而通过加权融合方法对交通流参数进行长期预测；

所述交通信息控制中心中道路交通运行态势长期预测模块具体实施包括以下步骤：

步骤一，交通信息控制中心从交通数据处理和管理中心获取已预处理的多源道路交通参数数据；

步骤二，交通信息控制中心根据提取交通参数数据确定长期预测时间尺度；

步骤三，交通信息控制中心根据实际交通参数数据选取适当的初始平滑参数α；

步骤四，交通信息控制中心以所选取的初始平滑参数计算历史平滑数据

步骤五，交通信息控制中心预测根据横、纵时间序列交通历史数据判定预测分析结果是否合理，如不合理计算机自动重新选择平滑参数，如合理对预测结果进行输出并实施步骤六；

步骤六，交通信息控制中心通过计算机计算误差信号和跟踪信号，重置平滑参数对下一采样间隔平滑参数重新设定；

所述α值应根据时间序列的具体性质在0～1之间选择，跟踪信号C_t误差跟踪信号总是在[-1，+1]内；当预测无偏时，平滑误差E_t总是在零附近波动，故跟踪信号C_t→0；当预测有偏时，这时E_t与A_t相差不大，所以C_t值较大。

所述加权系数α_t不断地根据跟踪信号C_t逐期自动调整，使预测模型不断地适应实际过程的变化；

(2)、道路交通运行态势中期预测：首先采用交通流量数据进行中期道路交通运行态势预测时间尺度确定，交通信息预测中心利用对应时间序列的历史交通参数数据对加权平均算法相关参数标定，进而实施中期道路交通运行态势预测；

所述交通信息控制中心中道路交通运行态势中期预测模块具体实施包括以下步骤：

步骤一，交通信息控制中心通过计算机从交通数据处理和管理中心获取已预处理的多源道路交通参数数据；

步骤二，交通信息控制中心通过计算机根据提取交通参数数据确定中期预测时间尺度；

步骤三，交通信息控制中心通过计算机获取n对检测器检测到的车辆数向量为X＝[x₁,x₂,...,x_n]，x₁,x₂,...,x_n；

步骤四，交通信息控制中心通过计算机计算x无偏估计值

步骤五，交通信息控制中心通过计算机计算参数总体方差σ²；

步骤六，交通信息控制中心通过计算机利用柯西不等式及权的定义；

步骤七，交通信息控制中心通过计算机计算总的均方差取最小值，当且仅当 $w_1^2/\frac{1}{{\mathrm{\&sigma;}}_1^2}=w_2^2/\frac{1}{{\mathrm{\&sigma;}}_2^2}=...=w_n^2/\frac{1}{{\mathrm{\&sigma;}}_n^2}$ 时等号成立；

步骤八，交通信息控制中心通过计算机当总体方差取最小值时，获取总均方差最小时所对应的加权因子W^*。

所述的预测时间尺度根据监测点或监测路段的历史交通参数数据通过变化趋势拟合方式确定，一般交通参数中期预测时间尺度以天为单位；

所述的分析基于加权平均算法的道路交通运行态势中期预测模块中，最小总体方差随着检测数据的增加而进一步减小；

(3)、道路交通运行态势短期预测：交通信息中心将根据交通流参数数据的变化规律对短期时间尺度步长进行确定，采用卡尔曼滤波预测模型对基本交通参数数据预测，同时采用模糊C聚类算法进行交通拥挤状态识别并对交通拥挤影响范围评估，进而实施道路交通运行态势判别结果融合进行短期道路交通运行态势预测结果输出；

所述交通数据处理和管理中心包括交通数据预处理模块和交通数据存储模块两部分。交通数据预处理模块主要负责对多数据源采集得到的交通流参数数据进行异常数据识别和异常数据修复；交通数据存储模块采用云储存空间或大储存容量的SD卡对交通数据预处理模块处理后的数据进行存储；

所述交通信息控制中心中道路交通运行态势短期预测模块具体实施包括以下步骤：

步骤一，运用短期预测模型即卡尔曼滤波模型对高速公路交通参数数据库提供的数据信息进行短期参数预测；

步骤二，运用高速公路交通状态判别模型对预测出的短期交通流参数进行状态判别，划分为畅通状态和拥挤状态两个状态；

步骤三，若路段未来时刻的交通流运行状态为畅通状态，直接转入步骤五；

步骤四，预测出的路段状态是拥挤状态或阻塞状态时，运用排队长度指标、消散时间评价指标等对高速公路时空影响范围进行估计，直接转入步骤五；

步骤五，将交通参数短时交通流参数预测结果与高速公路具体道路交通运行态势结果融合，并输出流量参数、速度参数和道路交通运行态势参数三个结果，并进行结果输出更新；

所述交通流参数短时预测模块采用卡尔曼滤波算法对道路交通参数进行预测，具体实施包括如下步骤：

步骤一，交通信息控制中心通过计算机从交通数据处理和管理中心获取已预处理的多源道路交通参数数据；

步骤二，确立状态方程和观测方程；

步骤三，确定观察向量和观察矩阵。基于卡尔曼滤波理论的交通流量预测模型观察矩阵为A(t)，V(t)当前时段的流量、V(t-1)为前一时段的流量、V(t-2)前两时段的流量，Q(t+k)为t时刻以后K个时间段的路段L上的交通流量；

步骤四，使用先验数据对模型进行标定和测试，计算增益矩阵K(t)和状态向量

步骤五，确定模型噪声协方差Q(t)和观察噪声协方差Q(t)，P₀取不为0的对角阵，设为零向量矩阵；

步骤六，使用实测数据对模型进行验证；

所述的设计基于卡尔曼滤波的短期交通流参数数据预测方法中Q(t+k)表示t+k时刻交通流量的预测值，它与研究路段入口和出口的交通流量有关。设V(t)是t时刻的出入口的交通流量向量，V(t-1)是t时刻前一个时段的出入口的交通流量向量，由于高速公路近似封闭路段，所以只须考虑每一时段的入口交通流量。

所述的设计基于卡尔曼滤波的交通流参数数据短期预测方法中H₀、H₁、H₂为参数矩阵。c是状态变量，V(t)＝[v₁(t),v₂(t),...,v_n(t)]为交通流量；Q(t+k)为预测的交通流量；n为路段上入口和出口处及道路中间所考虑的检测器的总数；为观测噪声，假定为零均值的白色噪声，其协方差矩阵为R(t)；

所述交通拥挤识别模块采用模糊C聚类分析算法对道路交通状态进行预测，具体实施包括如下步骤：

步骤一，交通信息控制中心通过计算机从交通数据处理和管理中心获取已预处理的多源道路交通参数数据；

步骤二，交通信息控制中心通过计算机对交通参数数据标准化处理；

步骤三，交通信息控制中心通过计算机确定分类数c′，加权指数m′，终止误差ξ＞0，最大迭代次数T_max；

步骤四，交通信息控制中心通过计算机计算隶属度矩阵U_t＝[u_Ij]_c′×n及C-均值聚类中心向量V_t＝{v_1,t,v_2,t,...,v_c′,t}；

步骤五，交通信息控制中心通过计算机计算若||v_t-v_t-1||＜ξ或t＞LOOP，迭代终止；否则置t＝t+1，并返回步骤四；

步骤六，交通信息控制中心通过计算机交通状态判别结果输出；

所述当交通状态判别模块判别结果为非交通畅通状态时，进入交通拥挤影响范围评估模块，具体包括以下步骤：

步骤一，交通信息控制中心通过计算机获取交通拥挤判别结果，且识别交通拥挤是否产生；

步骤二，交通信息控制中心通过计算机获取拥挤条件下交通参数数据；

步骤三，交通信息控制中心通过计算机确定元胞传输模型(CTM)相关模型参数；

步骤四，交通信息控制中心通过计算机确定评估指标；

步骤五，交通信息控制中心通过计算机选取交通拥挤时间和交通拥挤空间影响范围评价指标；

步骤六，交通信息控制中心通过计算机交通影响范围评价指标输出。