[论文解读] When Traffic Flow Prediction Meets Wireless Big Data Analytics

Yuanfang Chen, Mohsen Guizani+4 more|arXiv (Cornell University)|Sep 23, 2017

Traffic Prediction and Management Techniques参考文献 6被引用 9

一句话总结

本文通过将实际无线大数据拟合以优化时间序列预测模型的参数，提出改进交通流预测模型，显著提升了标准模型的预测精度。利用来自GPS和无线传感器的真实轨迹数据，本研究证明，数据驱动的参数调优可显著增强拥堵预测与智能交通系统中的性能表现。

ABSTRACT

Traffic flow prediction is an important research issue for solving the traffic congestion problem in an Intelligent Transportation System (ITS). Traffic congestion is one of the most serious problems in a city, which can be predicted in advance by analyzing traffic flow patterns. Such prediction is possible by analyzing the real-time transportation data from correlative roads and vehicles. This article first gives a brief introduction to the transportation data, and surveys the state-of-the-art prediction methods. Then, we verify whether or not the prediction performance is able to be improved by fitting actual data to optimize the parameters of the prediction model which is used to predict the traffic flow. Such verification is conducted by comparing the optimized time series prediction model with the normal time series prediction model. This means that in the era of big data, accurate use of the data becomes the focus of studying the traffic flow prediction to solve the congestion problem. Finally, experimental results of a case study are provided to verify the existence of such performance improvement, while the research challenges of this data-analytics-based prediction are presented and discussed.

研究动机与目标

• 通过提升交通流预测精度，应对智慧城市中的交通拥堵挑战。
• 探究利用真实无线大数据进行参数优化是否可提升预测性能。
• 探索将大数据分析与时间序列模型集成，以支持智能交通系统（ITS）。
• 识别并解决交通分析中缺失或错误的无线数据等数据质量问题。
• 通过改进的预测分析，实现环保路线规划与智能交通管理。

提出的方法

• 利用无线技术（GSM、WiFi、蓝牙、RFID）从配备GPS的车辆和路边单元（RSUs）收集时空轨迹数据。
• 基于相关道路的历史与实时数据，应用时间序列分析模型预测交通流。
• 通过将实际交通数据拟合至模型，优化参数，从而在预测精度上超越基线模型。
• 利用深度学习与回归技术，分析并从大规模无线大数据中提取模式。
• 实施数据完整性检查，以缓解无线数据流中缺失或故障传感器数据带来的问题。
• 将预测洞察结果整合至城市级规划与智能交通信号控制中，实现全局交通流优化。

实验结果

研究问题

• RQ1 是否可通过真实无线大数据优化时间序列预测模型参数，显著提升交通流预测精度？
• RQ2 无线传感器与车辆数据中的数据异质性与不完整性如何影响交通预测性能？
• RQ3 来自车辆与RSUs的时空轨迹数据在多大程度上可提升拥堵预测与路径决策能力？
• RQ4 在使用无线大数据进行交通分析时，确保数据完整性和可靠性的关键挑战是什么？
• RQ5 优化后的预测模型如何支持城市环境中智能交通信号调度与环保路线规划？

主要发现

• 通过实际交通数据优化模型参数，相比标准时间序列模型，可实现可测量的预测性能提升。
• 来自GPS、GSM和RSUs的实时无线大数据，可实现对互联道路路段的准确且及时的交通流预测。
• 轨迹数据为车辆移动模式提供了关键洞察，有助于在交叉路口提前识别潜在拥堵点。
• 数据完整性仍是主要挑战，因为缺失或错误的无线数据可能严重扭曲预测结果。
• 将优化后的预测模型与城市级数据分析集成，可支持更智能的城市规划与自动化交通信号控制。
• 提升预测精度有助于减少CO2排放、降低燃油消耗，并通过避免拥堵提升公共安全。