摘要：随着我国经济的快速发展和城市化进程的不断加快，城市的建设规模以及城市人口的规模都在逐渐扩大和增长，从而增加了城市交通管理的压力。现有的交通基础设施已经无法满足人们日益增长的出行需求，各种交通问题对城市的发展产生了较大的影响，然而，由于智能交通系统不仅可以将有限的交通基础设施加以利用，而且也可以缓解交通管理中出现的问题。基于此，文中从历史公交刷卡记录出发，对公交站点的设置以及公共汽车客流量的预测展开了研究。
关键词：智能交通系统；历史记录；站点规划；交通流预测
1.基于交通历史数据的站点规划与短时交通流预测简介
1.1基于GPS历史记录的站点规划
所谓的GPS就是指全球定位系统，此系统起初被应用于军事领域当中，当前在交通以及测绘领域应用的比较广泛。同时，GPS在车辆的定位与导航系统中应用的也比较广泛，交管部门也利用GPS芯片芯片来监控跟踪车辆的行车记录。GPS装置在运行的过程中通过固定频率把车辆的实时位置信息发送到后台服务器，GPS装置广泛应用于交通领域中可以形成大量的GPS数据集，从而促进了智能交通系统的发展。
城市交通规划属于交管部门的一个关键管理环节，在城市规模与城市人口不大的情况下，通过采用采集样本数据的传统方法并且经过分析以后应用在交通规划存在的不足中并未取得很好的效果。随着城市化进程的不断加快，不管是城市规模还是城市人口都在迅猛增长，因此，人们对于出行提出了较高的要求，仅仅采取传统的手工方式对城市交通进行规划已经很难使人们的出行需求得到满足。基于此，智能交通系统应运而生，并且促进了大数据以及硬件技术的发展，利用信息技术替代人工操作，从而使管理效率与规划结果的合理性得到了提高。文中介绍了一种建立在GPS历史记录基础之上的公交站点规划方法，运用数据挖掘技术对乘客的出行规律与城市热点进行了分析，从而有助于交通管理部门对公共交通站点进行设计和规划[1]。
1.2短时交通流预测
交通流预测属于智能交通系统中的一个主要组成部分，为了有效的解决城市交通拥堵问题，并且使道路的通行效率得到提高以及降低能量的消耗，有必要加强重视对短时交通流预测的问题展开探讨。另外，驾驶员也能够通过交通流预测信息对自身的出行时间与行车路线进行合理安排。交通流预测主要指通过历史数据和实时数据预测将来某个时间段或者是某个区间的交通流，并利用预测得出的结果对日后的交通情况进行调整和改善的方法。既存的交通流预测技术基本采用浅层学习技术，在精准性以及通用性上还存在着比较严重的问题，因此，目前研究的重点问题应该是及时准确的交通流预测。
2.基于GPS历史记录的公交站点规划方法
2.1方法简介
由于乘坐公交车的乘客所到达的目的地都不是相同的，因此，在规划的过程中应该分别对公交车的停靠点进行规划。同时，还应该设定好停靠点的服务区域，并且在此区域当中选取相应的点作为停靠点。公交车的站点选择方法主要包括数据预处理以及公交车站点的选择。
首先，清洗数据集，把公交车GPS数据内的噪音以及无关数据过滤掉，比方说，公交车无载客的空跑记录或地理坐标未落在城市内的记录等。另外，为了提高服务质量，应该对公交车的停靠站点分别进行规划，因此，应该把过滤完的数据集按照GPS记录的起点将公交车的数据集分为进入数据集与驶离数据集两部分；随之应用K－means聚类两个数据集,并且把获取的区域进行集合筛选与合并，最后按照可达性数值在各个区域中选取最佳的位置作为此区域的公交站点[2]。
2.2数据预处理
数据预处理过程中主要包含过滤初始数据集和公交车进出数据集这两个分割步骤。
文中介绍的是公交站点的规划，因此，应该把数据记录当中包括的同公交站点不存在关联的公交车GPS记录和一些“脏数据”过滤掉。这里的公交车GPS数据集包括了全部公交车的行车轨迹数据，文中只需要GPS记录的起点或终点落在公交停靠点区域的记录，经过过滤得出起点或者终点在公交车停靠点区域中的数据记录集。
期刊文章分类查询,尽在期刊图书馆把公交车的停靠点作为圆心，把r作为半径画一个圆形区域，此区域就是公交车的停靠点区域，O点或D点在此区域中的公交车GPS记录就是公交车停靠点区域需要的数据记录。由于GPS装置和数据在传输时会出现问题，保存在数据库中的记录有可能产生多条重复的记录、运行路线或者是时间较短的记录，为了尽量降低对实验结果造成的影响，应该过滤掉噪声数据。
2.3划分区域
公交车GPS数据集的收集来自于城市中全部的公交车，由于公交车在整个城区中的分布情况是不同的，因此，与之相对应的GPS记录的乘客上车或下车的分布情况也不同。GPS记录的乘客上车或下车点的密集程度能够体现出一个区域的出行要求，利用公交车GPS对公交车的候选站点进行选择时，应该把站点尽量设置在上下车点的密集区。通过运用K－means算法聚类GPS记录时，稀疏点所在的区域也能被聚类，如果把公交站点设置在稀疏点的区域明显不符合要求。基于此，文中采取了比较方差的方法来选取最合适的聚类结果。从统计规律可以看出，数据的分布波动是随着方差的变化而变化的，并且方差最小的聚类结果属于最合理的聚类结果。
3.交通流预测技术
3.1数据挖掘技术
数据挖掘的主要流程包括数据准备、数据挖掘以及结果表达和解释。
首先，数据准备。数据准备主要包括对数据进行的选择、预处理以及转换的过程。文中选择的是交通流量数据，数据的预处理属于核心工作，定要确保数据的质量。降维数据转换的主要依据是按照挖掘算法形成的数据挖掘模型进行转换，文中运用的是Apriori算法，所以，转换数据的过程中应该进行离散化处理。其次，数据挖掘。这一过程主要是对数据准备步骤中转换的数据加以分析和处理，应该选取适合研究目标的数据挖掘算法，其它步骤可以自动完成。文中运用了Spss Clementine挖掘软件来完成的[3]。再次，结果表达和解释。结果表达主要分析完成后的规则与知识；采取的分析方法主要由数据挖掘的实际操作来决定，往往通过可视化的结果把得出的结果表达出来。并且把得出的规则与知识应用到不同的系统内部，从而使其发挥出自身的作用。
3.2混合免疫优化算法
现阶段，交通流预测系统的建模、优化以及控制变得越来越复杂，如果仅仅依靠一种 形式的优化方法是无法使系统的性能要求得到满足的，因此，一定要运用高性能的算法来加以辅助。以下是混合免疫算法的三种主要混合方式。
3.2.1算子移植/内嵌法
为了弥补算法B的缺陷，把算法A的优秀算子移植或内嵌到算法B当中。
3.2.2双模切换法
充分利用各类算法的优势，通过对全部算法的类别进行切换对寻优过程中产生的误收敛和难收敛等问题加以解决，也就是说，算法 A搜索到一个比较合理的可行解之后，马上切换到算法B进行求解。
3.2.3共同求解法
两种或者是两种以上算法的优点相结合对同一问题进行共同求解。其中，把一种算法作为算法的主要框架，与其它算法相融合作为主要框架中的必不可少的组成部分，展开共同搜索。
结束语
综上所述，站点规划以及交通流数据的预测在构建智能交通系统中起着非常重要的作用，并且也可以在我国城市化和数字化的发展中提供有力的技术支持。然而，车辆轨迹数据属于广泛分布和较易得到的交通数据，它既包括城市人群移动的信息，同时也包括城市交通的宏观信息。因此，一定要采取合理的智能优化预测方法。
参考文献
[1]许丽,朱庆,陈崇泰,何小波,彭明军,高山.自动预测通勤高峰期交通流量的方法[J].地理信息世界.2016(02).
[2]梁超,范炳全,韩印.区域交通流协调控制方法[J].交通运输工程学报. 2011(03).
[3]朱鹏.基于复杂网络的城市轨道交通配流及特性研究[D].北京交通大学 2016.
论文作者:宋乐平
论文发表刊物:《基层建设》2017年第19期
论文发表时间:2017/11/7
标签：数据论文; 通流论文; 公交车论文; 算法论文; 站点论文; 区域论文; 交通论文; 《基层建设》2017年第19期论文;