分析交通相变特征和规律是交通流状态估计与速度预测的关键。由于交通流兼具周期性与偶然性的复杂时变特征,数理统计与机器学习方法缺乏对交通流状态演化机理的解析,存在模型可解释性随场景变化而降低的不足。为降低场景迁移对预测效果的负面影响,并解决应用环境受限的问题,对交通流相变机理进行解析,提出了一种考虑相变滞后效应的交通状态估计与速度预测方法。首先通过分析快速路出口匝道的交通流状态变化过程,发现微观车辆间运动差异的时空传递是导致宏观交通相变的原因。将这一现象定义为交通紊乱,类比Ising模型对其进行定量表达。随后计算交通相变前后紊乱的时空分布,揭示了交通相变规律,即交通流状态相对紊乱变化具有时间滞后性。在此基础上建立了交通流速度关于紊乱的自回归分布滞后模型,将网联车路设备采集的车辆实时速度与位移作为输入,得到交通流速度的预测值时间序列。不同模型对照试验与参数分析结果表明:(1)与径向基函数神经网络和长短期记忆神经网络相比,所提出的滞后模型具有更高的预测精度。(2)在混合交通流中,智能网联车辆渗透率越高,则模型预测精度越高。此外,所提方法适用于不同网联等级的交通场景,有利于及时采取交通管控措施,从远景上提升交通系统的运行效率和安全性。
