Page 92 - 《软件学报》2020年第12期

3758 Journal of Software 软件学报 Vol.31, No.12, December 2020

小二乘法校准参数的模型的平均百分比误差约为 35%,而使用整体最小二乘拟合对参数进行校准的模型的平
均百分比误差减少到了 19%.我们认为,CTM-u 模型性能提升是由于参数的校准,最小二乘法在流量或者速度单
一维度上进行参数校准,而整体最小二乘法则保证了两个维度上参数的准确性.

3.2 数据驱动方法
数据驱动方法的主要思想是:在模型不确定的情况下,使用大量历史数据进行学习和调优,最后,模型能够
达到近似真实情况的效果.数据驱动方法一般分为参数方法和非参数方法,参数方法和非参数方法的主要区别
在于是否假定总体服从某一分布.表 2 从源数据、预测范围、准确率、优缺点和适用范围等方面对一些数据驱
动方法进行了对比.
Table 2 Data-driven methods
表 2 数据驱动方法
作者 方法 源数据 预测范围 准确率 优点 缺点 适用范围
I-880N & S 参数少;
Kwon 高速路(10km): MAPE: 模型简单; 准确率较低; 高速公路
等人 [24] LR 行程时间, 5 min~60min 7.7%~23% 描述 不能解决 短期预测
流量,占用率 线性关系 非线性问题
I-880N 高速路
(6km):行程时间, I-880: I-880 MAPE: 需要预先
Zhang LR 0~60min 7%~24% 易于实施; 存储不同 高速公路
等人 [47] (时变系数) 速度;I-405 I-405: I-405 MAPE: 计算效率高 时间的 长期预测
高速路(32km): 0~90min 8%~14% 模型参数
流量,占用率
I-10E 高速路 易于实施; 参数需要
Rice LR RMSE: 高速公路
等人 [48] (时变系数) (77km):流量, 60min <10min 计算效率高; 离线计算, 长期预测
占用率 在线预测 比较耗时
模型简单; 需要权衡
Sun 多变量 US-290 高速路 MRE: 高速公路
等人 [49] 局部 LR (2.5km):速度 25min 11.38% 短期预测 性能和 短期预测
效果较好 计算复杂度
国道 16 号高速 性能受参数
Oda ME: 参数少; 高速公路
等人 [50] ARIMA 公路(7km): 5min <13.9% 计算高效 (车辆长度) 短期预测
流量,占用率 影响较大
I-80 高速公路 在线预测; 在交通拥堵和
Xia SARIMA, MAPE: 高速公路;
等人 [56] KF (14.5km): 5min 5.34% 能捕获 发生事故时 在线预测
流量,占用率 交通动态 性能降低
深圳罗湖 MAE:4.88% 模型预测
Sun SARIMA, 适应实时 城区
等人 [57] KF 和福田区: 5min MAPE:6.38% 交通状况 结果波动 道路网络
GPS 数据 RMSE:20.34% 较大
长期预测性能
MARE:<2.1%
Chen I-80 高速公路: 使用 降低;性能受 高速公路
等人 [62] KF 行程时间 5min~2h RRSE:<2.8% 实时数据 车辆采样率 预测
MRE:<5.5%
影响较大
上海海宁路, 需要对数据
Ji KF, 鸭绿江路 MRE:1.6‰ 结合相邻 平滑处理; 城市
等人 [61] 参数回归 周家嘴路: 15min MARE:2.13‰ 道路的数据 无法承受 主干道;
行程时间 高频更新 短期预测
在线预测; 受交通拥堵
高速公路 高速公路;
Ojeda KF, 无需大型 影响较大;
等人 [63] CTM 仿真(10.5km): 45min 错误率:<9% 数据库; 较长期预测 在线
速度,流量 短期预测
参数较少 性能下降
高速路 性能稳定;
Liu SES, 模型对参数 高速公路;
等人 [64] KF (17.7km): 5min MARE:3.1% 能捕获动态 调节敏感 短期预测
行程时间 交通模式
需要经验
考虑了相邻
US-290 高速 或实验来
Park 单隐层 MAPE: 道路间的
等人 [71] BPNN 公路(27.6km): 5 min~25min 7.4%~17.9% 相关性对 确定参数; 高速公路
行程时间 不考虑实际
模型的影响
交通状况