上海城市快速路交通监控系统架构及模型

第３５卷第３期　２００７年３月　同济大学学报（自然科学版）　ＪＯＵＲＮＡＬ　ＯＦ　ＴＯＮＧＪＩ　ＵＮⅣＥＲＳｌＴＹ（ＮＡ１１乐ＡＩ　ＳＣＩＥＮＣＥ）　Ｖｌ０１．３５　Ｎｏ．３　Ｍａｒ．２００７　上海城市快速路交通监控系统架构及模型　袁文平，蔡晓禹，杜豫川　（同济大学道路与交通工程教育部重点实验室，上海２０００９２）　摘要：基于对快速路交通状况的分析，提出建立先进交通监控系统的必要性．构建了由外场设备、通信系统及监控　中心构成的系统总体架构．建立了交通检测数据优化模型、交通状态自动辨识模型和实时行程时间预测模型，并应　用于快速路交通监控系统建设和运行．　关键词：城市快速路；交通管理系统；架构；模型　中图分类号：Ｕ　４９１．１　文献标识码：Ａ　文章编号：０２５３—３７４Ｘ（２００７）０３—０３３０—０６　Ｆｒａｍｅｗｏｒｋ　ａｎｄ　Ｋｅｙ　Ｍｏｄｅｌ　ｏｆ　Ｔｒａｆｆｉｃ　Ｍａｎａｇｅｍｅｎｔ　Ｓｙｓｔｅｍ　ｆｏｒ　Ｓｈａｎｇｈａｉ　Ｕｒｂａｎ　Ｅｘｐｒｅｓｓｗａｙ　ＹＵＡＮ　Ｗｅｎｐｉｎｇ，ＣＡＩ　Ｘｉａｏｙｕ，ＤＵ　Ｙｕｃｈｕａｎ　（ＫｅｙＬａｂｏｒａｔｏｒｙ　０ｆＲｏａｄ　ａｎｄＴｒａｆｉｃＥｎｇｉｎｅｅｒｉｎｇｏｆｔｈｅＭｉｉｓｔｎｒｙ　ｏｆＥｄｕｃａｔｉｏｎ，ＴｏｎｇｊｉＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇ￣２０００９２，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ａｃｃｏｒｄｉｎｇ　ｔｏ　ａｎ　ａｎａｌｙｓｉｓ　ｏｆ　ｃｕｒｒｅｎｔ　ｔｒａｆｆｉｃ　ｃｏｎｄｉｔｉｏｎ　ｏｆ　Ｓｈａｎｇｈａｉ　ｕｒｂａｎ　ｅｘｐｒｅｓｓｗａｙ，ｔｈｉｓ　ｐａ—　ｐｅｒ　ａｄｖｏｃａｔｅｓ　ｉｔ　ｉｓ　ｖｅｒｙ　ｎｅｃｅｓｓａｒｙ　ｔｏ　ｂｕｉｌｄ　ａ　ｒｅｌｉａｂｌｅ　ａｎｄ　ｅｆｆｉｃｉｅｎｔ　ａｄｖａｎｃｅｄ　ｔｒａｆｆｉｃ　ｍａｎａｇｅｍｅｎｔ　ｓｙｓｔｅｍ　（ＡＴＭＳ）．Ｔｈｉｓ　ｐａｐｅｒ　ｉｎｔｒｏｄｕｃｅｓ　ｔｈｅ　ｇｅｎｅｒｌａ　ｆｒａｍｅｗｏｒｋ　ｏｆ　ＡＴＭＳ　ｗｈｉｃｈ　ｉｓ　ｏｍｐｃｏ￣ｔ　ｏｆ　ｆｉｅｌｄ　ｅｑｕｉｐ—　ｍｅｎｔｓ．ｃｏｍｍｕｎｉｃａｔｉｏｎ　ｓｙｓｔｅｍ　ａｎｄ　ｏｎｔｃｒｏｌ　ｃｅｎｔｅｒ．Ｔｈｅ　ｐａｐｅｒ　ｌｓｏ　ａｐｒｅｓｅｎｔｓ　ｔｈｒｅｅ　ｋｅｙ　ｔｒａｆｆｉｃ　ｍｏｄｅｌｓ　ｉｎ—　ｃｌｕｄｉｎｇ　ｔｒａｆｆｉｃ　ｄａｔａ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｍｏｄｅ１．ｔｒａｆｆｉｃ　ｓｔａｔｅ　ｉｄｅｎｔｉｆｉａｔｃｉｏｎ　ｍｏｄｅｌ　ｎｄ　ｔａｒａｖｅｌ　ｔｉｍｅ　ｆｏｒｅｃａｓｔ　ｍｏｄｅｌ　ｗｈｉｃｈ　ｈａｖｅ　ｂｅｅｎ　ａｐｐｌｉｄ　ｔｏ　ｅｔｈｅ　ＡＴＭＳ　ｆｏｒ　Ｓｈａｎｇｈａｉ　ｕｒｂａｎ　ｅｘｐｒｅｓｓｗａｙ．　Ｋｅｙ　ｗｏｒｄｓ：ｕｒｂａｎ　ｅｘｐｒｅｓｓｗａｙ；ｔｒａｆｆｉｃ　ｍａｎａｇｅｍｅｎｔ　ｓｙｓｔｅｍ；ｆｒａｍｅｗｏｒｋ；ｍｏｄｅｌ　自２０世纪８０年代以来，美国、欧洲和日本竞相　发展智能交通系统（ｉｎｔｅｌｌｉｇｅｎｔ　ｔｒａｎｓｐｏｒｔａｔｉｏｎ　ｓｙｓ—　ｔｅｒｎ，简称ＩＴＳ），成立了许多机构，制定并实施了开　发计划．如美国智能交通协会（ＩＴＳ　Ａｍｅｒｉａ），欧共　ｃ但起点较高，不仅已经研究公布了ＩＴＳ的指导性结　构，统一了标准，而且投入了巨额资金．除美、日、欧　以外，其他一些发达国家和发展中国家也开始了　ＩＳ的开发和研究工作ｕ－２ＴＪ．　上海在２０世纪９０年代逐步建成了比较完善的　“申”字形城市快速路网，城市快速路在上海市城市　交通中的地位日益重要，但是高架快速路的交通状　况随着承担流量的增加而不断变差，影响了高架道　路作为城市快速路功能的发挥．针对这一问题，在充　分吸取现有经验成果、紧密结合上海市实际情况的　体智能交通组织（ＥＩ汀ＩＣｏ），日本的道路、交通、车　辆智能化推进协会（、，】　Ｉ汀ＩＳ）等组织．１９８６年，欧洲　启动了ＩＳ研究的第一批项目欧洲机动化安全专　Ｔ用道路基础设施（ＤＲＩＶＥ）和欧洲道路效率和安全　提升计划（ＰＩ　Ｍ啪ＵＳ），日本开始路车间信息　系统（ＲＡＣＳ）试验，美国在ＩＳ方面虽然起步较晚，Ｔ　收稿日期：２００５—０７—１８　基金项目：国家“十五”科技攻关计划资助项目（２００２ＢＡ４０４Ａ０８）　作者简介：袁文平（１９７０一），男，山西新绛人，博士生．Ｅ－ｍａｉｌ：ｗｅｎｐｉｎｇｙｕａｎ（￣ｓｏｈｕ．ｔｏｍ　维普资讯 http://www.cqvip.com

第３期　袁文平，等：上海城市快速路交通监控系统架构及模型　基础上，上海市建立了先进的交通监控系统，并取得　了良好的运营效果．　１　上海市城市快速路背景［３］　１．１高架道路设施量现状　一　图１高架道路示意图　Ｆｉｇ．１　Ｕｒｂａｎ　ｅｘｐｒｅｓｓｗａｙ　ｎｅｔｗｏｒｋ　上海高架道路始建于１９９２年，内环线建成于　１９９４年，全线２９　ｋｍ，双向４车道．随后相继建成南　北高架、延西高架、沪闵高架一期、延东高架、延中高　架、逸仙路高架、南北高架北延伸、沪闵高架二期等　高架道路，形成城市快速路网框架，如图１所示．　１．２高架路网流量分布　自１９９５年高架路网成型以来，高架道路上的流　量持续增长，如图２所示．　１９９９　２０００笠　２００２笠　图２高架路网日流量分布图（单位：辆）　Ｆｉｇ．２　Ｔｒａｆｉｆｃ　ｖｏｌｕｍｅ　ｄｉｓｔｒｉｂｕｔｉｏｎｉｎ　ｕｒｂａｎ　ｅｘｐｒｅｓｓｗａｙ　ｎｅｔｗｏｒｋ（ｕｎｉｔ：ｖｅｈ）　从图２中１９９９年、２０００年和２００２年高架流量　分布可以看出，随着高架路网的逐步完善，交通量在　高架路网上的分配趋于平衡，路段已普遍饱和，路网　吸纳新增交通量的能力越来越低，高架路网承受着　巨大的交通压力．　２００４年，高架道路的日服务交通量已超过１００　万辆次，部分断面的日流量已突破１０万辆．高架道　路设施总容量已经难以满足交通流量持续增长的需　要，拥挤路段和时段不断延伸．　行设计．在工作流程的细化分解和需求分析的基础　上，提出系统功能．　（１）实时交通数据信息采集．采集各种外场设　备所检测的各种实时交通参数．　（２）实时视频监控图像信息采集．接收外场摄　像机送来的视频信息并提供控制手段．　（３）交通数据信息的预处理．形成各种标准格　式的交通数据信息．　（４）交通数据信息管理．对所采集的和处理后　生成的各种交通数据信息进行管理，包括实时数据　管理和历史数据管理．　（５）视频信息管理．为用户使用视频信息提供　管理手段．　在如此日益严峻的交通压力下，采用信息化管理　手段，积极推进智能交通系统建设，加强路网系统的　疏导调节，优化整个交通系统，成为了各方的共识．因　此，针对上海高架道路交通特征，根据现代交通管理　的要求，对交通监控系统进行全面研究，建立适合我　国第一套现代意义上的交通监控系统尤显紧迫．　（６）道路交通状态的生成处理．利用采集的交　通信息生成路段交通状态．　（７）行程时间的预测．根据检测到的交通数据　信息，利用行程时间预测的交通模型进行分段行程　时间预测．　２系统功能［卜２］　上海市高架道路交通监控系统是为快速路网交　通监控各区域控制层的控制管理人员和协调层的管　（８）交通信息发布管理．按不同的交通控制要　求，向各种可变情报板发布交通信息．情报板主要包　括三种：大板、中板和小板，如图３所示．　（９）人机接口和界面．　理人员提供决策和控制操作的综合系统．高架道路　交通监控系统按照交通运行管理工作流程的需求进　维普资讯 http://www.cqvip.com

同济大学学报（自然科学版）　第３５卷　ｌ霍盈　４关键模型［卜２］　在交通监控系统的硬件系统构建完成后，通过　传感器采集的多种类型交通数据汇集到一起，需要　大板　中板　小板　图３各种可变情报板　Ｆｉｇ．３　ＶａｒｉｏｕｓＶＭＳ　３总体结构　卜２］　上海高架道路交通监控系统由监控中心、外场　设备连接监控中心和外场设备的通信系统三部分组　成．系统通过设置在道路中的传感器实时检测交通　流信息，通过通讯系统与监控中心相联，通过监控中　心计算机系统进行远程集中分析和控制，配合闭路　电视监视系统、紧急电话系统和外场信息采集、诱导　显示设备，根据交通监控控制策略，对高架道路行车　进行管理和诱导，如图４所示．　譬急电话ｊ【麓计算机拉舅和控■ｊ【麓　闭路电挂监视ｊ【麓　图４交通监控系统总体组成示意图　Ｆｉｇ．４　Ｓｙｓｔｅｍ　ｆｒａｍｅｗｏｒｋ　ｏｆ　ＡＴＭＳ　计算机检测和控制系统是交通监控系统的核心　部分，负责对交通、气象环境等数据进行实时检测、　处理，根据交通控制策略和交通监控人员的指令产　生交通控制命令，并通过外场显示设备发布指令．系　统具有数据采集、数据通讯、实时运算、分析决策、控　制调度、图形处理、数据管理、检测报警等综合功能．　针对不同路段的道路几何状况和交通流特征，建立　了多种交通状况辨别模型、交通事件检测模型和行　程时间预测模型等，用于检测和控制子系统的分析　决策．　利用各种分析模型和算法对交通状况进行判别、预　测，为采取相应的交通管治措施或实施交通诱导方　案提供依据．交通工程的模型和算法需要与实际的　路段相匹配，才能提供准确、合理的分析结果．结合　上海市延安路高架交通管理系统的工程实际情况，　提出了适合于上海高架道路交通管理系统的算法、　模型，包括检测数据优化技术、智能交通识别模型、　实时行程时间预测模型．　４．１检测数据的优化模型…４　由于上海高架道路交通流的复杂性，以及驾驶　行为的不规范性，在分析实际交通检测数据后发现，　一方面即使交通状态未发生改变，数据短期波动也　是经常出现；另一方面，由于高架道路设施构造上的　差异，使得检测器需要存在于不同的介质环境中，因　而部分路段的检测精度和稳定性得不到保证．因此，　必须对检测器的检测数据进行处理，处理方法多采　用平滑算法，目前的平滑算法主要多是针对检测器　当前时段的检测数据．笔者在吸收现有平滑算法的　基础上，提出对检测数据进行优化处理的平滑模型：　一Ｍ　９　ｏｅ（ｔ）　０　（￡一Ｍ＋　）（１）　一Ｎ　’；　０　（￡一Ｍ）　０Ｐ（￡一Ｍ—Ｎ＋　）　（２）　式中：０ｅ（ｔ）为第ｉ号监测器当前时段ｔ的占有率平　滑值；０　（ｔ—Ｍ）为第ｉ号监测器过去时段（ｔ—Ｍ）　的占有率平滑值；０　（ｔ—Ｍ＋　）为第ｉ号监测器时　段（ｔ—Ｍ＋　）的占有率值；０　（ｔ—Ｍ—Ｎ＋　）为第　ｉ号监测器时段（ｔ—Ｍ—Ｎ＋　）的占有率值；Ｍ，Ｎ　为平滑时段的数量．　应用表明，该检测数据平滑模型通过同时对过　去和当前占有率值进行平滑处理，减少了因随机因　素引起交通流波动导致的误报，进而提高了检测精　度．通过选取高架道路监测器实测数据，将本算法与　国外同类算法进行比较分析，结果证实本算法具有　更好的平滑效果．　４．２交通状态自动辨识模型　高架道路交通状态的自动辨识，是交通监控系　统的核心内容之一．目前交通状态的自动辨识方法，　维普资讯 http://www.cqvip.com

第３期　袁文平，等：上海城市快速路交通监控系统架构及模型　主要有基于图像识别和交通流理论两种类型．基于　象严重，行驶速度低于１５　ｋｍ．ｈ～．在交通信息发布　交通流理论的交通状态自动辨识方法主要以Ｍｃ—　时，对三个交通状态等级分别采用绿（畅通）、黄（拥　Ｍａｓｔｅｒ算法为代表，该算法通过建立占有率一流量关　挤）、红（堵塞）三种颜色标识．　系图，划定不同的交通状态区域，从而进行交通状态　然而，对高架道路交通流数据自动检测器来讲，　的自动辨识，但是交通状态区域的划分一直是本方　所获得的速度数据是车辆行驶的瞬时点车速，每　法的难点ｌ５　Ｊ．笔者采用了和ＭｃＭａｓｔｅｒ近似的思路，　２０　个记录，数据分析可以发现此２０　Ｓ的速度数　同时结合高架道路各种道路条件下大量实际数据的　据波动相当大，难以用来直接评价服务水平．但是，　分析，建立了适合于上海高架快速路的交通状态自　检测器获得的流量和占有率却相对比较稳定，因此　动辨识模型　Ｊ．　本文在对不同速度下占有率一流量的规律进行研究　速度是交通状态最直观的衡量指标．在上海市　的基础上，建立了不同速度下对应的占有率一流量关　高架监控系统研究过程中，根据对驾驶员进行调查，　系，不同的占有率一流量关系又体现了不同的交通流　并对比分析线圈检测器所采集的实时数据和交通流　状态，即服务水平．　录像，基于速度指标将交通状态（即服务水平）分为　检测线圈获得的占有率一流量关系如图５所示，　三个等级：畅通、拥挤和堵塞．①畅通：行程中能够自　不同符号对应于不同的速度．根据速度的两个分界　由操控，受其他车辆影响很小，行驶速度在３５　ｋｍ．　值３５，１５　ｋｍ．ｈ～，将其划分为三个区域Ｉ，Ⅱ和Ⅲ，　ｈ－１以上；②拥挤：行程中启动和制动频繁，受其他　分界线Ｌ１，Ｌ２代表在３５，１５　ｋｍ．ｈ－１下的占有率一　车辆干扰严重，行驶速度在１５～３５　ｋｍ．ｈＩ１范围内；　流量关系函数．　③堵塞：行程中有较长时间的停车等候，车辆排队现　Ｏ●２　３　４　５　６　７　８　Ｏ　２　３　４　５　６　７　８●　Ｏ　Ｏ　Ｏ　Ｏ　Ｏ　Ｏ　Ｏ　Ｏ　ｎ　ｋ　ｋ　ｋ　ｋ　ｋ　ｋ　ｋ　ｌｍ　ｍ　ｍ　ｍ　ｍ　ｍ　ｍ　＾　●－　　ｈ　ｈ　ｈ　ｈ　ｈ　ｈ　ｈ　－　－　－　－　＿　－　－　ｈ　图５　占有率一流量关系图　Ｆｉｇ．５　Ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ｏｃｃｕｐａｔｉｏｎ　ａｎｄ　ｖｏｌｍｎｅ　不同速度对应的占有率一流量关系如图６、图７　态，交通状态为拥挤；③当速度小于１５　ｋｍ．ｈ－１（图　和图８所示，可见速度较高时占有率一流量呈线性关　５中Ⅲ区），占有率一流量相关性很差但较为稳定，交　系，速度较低时占有率一流量关系比较混乱．　通状态不会随交通参数的微小变化而变化，交通流　通过分析大量实际获得的检测器数据（包括车　处于混乱流状态，交通状态为堵塞．由图５可见，交　道断面的流量、占有率、车速），以及占有率、流量和　通状态自动辨识的关键是确定占有率一流量关系中　速度三者相互关系，可以发现：①当速度大于３５　ｋｍ　三个交通状态分区（Ｉ，Ⅱ，Ⅲ）的分界线（Ｌ１，Ｌ２）模　．ｈ－１（图５中工区），占有率一流量相关性非常好，交　型．　通流处于自由流状态，交通状态为畅通；②当速度位　基于上述交通状态辨识思路，以占有率和流量　于１５～３５　ｋｍ．ｈ－１范围内（图５中Ⅱ区），占有率一流　为主要指标，建立不同交通状态下的辨识函数Ｆ（ａ，　量相关性较差而且极不稳定，交通状态容易在交通　ｂ），即交通状态分区（Ｉ，Ⅱ，Ⅲ）的分界线（Ｌ１，Ｌ２）　参数的微小扰动下产生突变，交通流处于强迫流状　模型．其中ｎ，ｂ参数为状态判别函数的两个变量，　维普资讯 http://www.cqvip.com

同济大学学报（自然科学版）　第３５卷　描述的是路段不同的道路属性，根据路段的不同而　实时行程时间的中期预测问题（路程８～１５　ｋｍ）一直是ＩＴＳ领域的一个研究难点．目前，预测方　法可以分为理论法和经验法两大类【５－６Ｊ．理论法主　改变．在实测得到每个时间段（２０　ｓ）的交通数据后，　可利用交通状态辨识函数得到各个小段的交通状　态，通过专家系统完成发布单元的状态合并．　图６速度５０￣６０　ｌａｎ・ｈ－１占有率一流量关系图　Ｆｉｇ・６　Ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ｏｃｃｕｐａｔｉｏｎ　ａｎｄ　ｖｏｌｕｍｅ　ｉｎ　５０￣６０　ｌ口ｍ．１ｒ　图７速度４０￣５０　ｋｍ．ｈ－１占有率一流量关系图　Ｆｉｇ．７　Ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ｏｃｃｕｐａｔｉｏｎ　ａｎｄ　ｖｏｌｕｍｅ　ｉｎ　４０￣５０　ｈ１．ｈ一１　＼　捌　煺　呐　０　Ｎ　坩　图８速度０～２０　ｋｍ．ｈ－１占有率一流量关系图　Ｆｉｇ．８　Ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ｏｃｃｕｐａｔｉｏｎ　ａｎｄ　ｖｏｌｕｍｅ　ｉｎ　０～２０　ｌⅡｎ．ｈ一　实测数据检验表明，在高架道路复杂交通状况　下，模型计算结果与人工判断完全一致的达９５％．　根据美国对先进的交通管理系统的评价报告，目前　国际上在一般交通状况下识别算法的准确性平均为　８０％，最高达到９２％；而复杂交通状况下的精度仅　为７０％．　４．３实时行程时间预测模型　要是，庀古在１９９１年提出的通过建立动态的交通供　给模型和交通需求模型来进行交通预测的方法．但　是由于路网的动态Ｏ－Ｄ（起讫点）矩阵很难获得，而　且车辆在路网节点的路径选择很难模拟，因此理论　法难以在实际中获得运用．经验法主要包括历史平　均法、时间序列法、卡尔曼滤波法、非参数回归法、神　经网络法、自适应权重法和组合模型法．各种经验方　法都是基于非交通理论的方法，经过大量数据的分　析标定后其对正常交通状况下的实时行程时间预测　都能取得较好的效果．　笔者结合高架快速路实际情况，在开展中期行　程时间预测研究中运用数据分析和仿真试验，建立　了基于交通流状态和实时仿真行程时间的３次平滑　算法的实时行程时间预测模型，如下所示：　Ｙｔ＋Ｔ＝ａｆ＋ｂｔＴ＋ｃｔＴ　（３）　式中：ａ　，ｂ　，Ｃ　为三次指数平滑系数；Ｔ为确定的滞　后长度．　ａｆ，ｂｆ，Ｃｆ按下式计算：　口ｆ＝３ｓｌ　）一３ｓｌ　）＋ｓｌ。）　［（６－５ａ　１）一　２（５－４ａ　）＋（４－３ａ　。）］　。　（２）　。）］　式中：ａ为权函数，通常取０．Ｏ１～０．３０；ｓ５¨，ｓ；　和　）＝　＋（１一ａ）ｓｌ．１）１　．｛ｓｌ　）＿ａｓｌ　＋（１一ａ）ｓｌ　（５）　ｌ　ｓｌ。）＝ａｓｌ　）＋（１一ａ）ｓｌ　３－）ｌ　式中：ｚ，为瞬时行程时间．　该行程时间预测模型的流程，如图９所示．　笔者应用该实时行程时间预测模型在上海延安　高架路８　ｋｍ和１２　ｋｍ两个路段进行行程时间发布　测试，通过检测器检测获得的瞬时行驶车速计算各　小路段（相邻线圈问路段）的行驶时间，再叠加获得　整个路段瞬时行程时间，然后采用前述三次平滑预　测模型最终计算获得发布的预测行程时间．试验结　果如图１０所示，从图中可见瞬时行程时间与真实行　程时间相比有一定滞后，而采用三次平滑预测获得　维普资讯 http://www.cqvip.com

第３期　袁文平，等：上海城市快速路交通监控系统架构及模型　的预测行程时间与真实情况吻合较好，分析结果表　当前和过去时段的交通数据均同时进行优化；②交　明，其预测精度平均达到９６％；在最拥挤的时段下　有一定误差，但是其平均预测精度仍然能达到　９０％．　输入交通参数　●　异常数据鉴别　＋　数据平滑处理　＋　｝时行程时间计算　●　三次平滑预测　图９行程时间预测模型流程　Ｆｉｇ．９　Ｐｒｏｃｅｓｓ　ｏｆ　ｔｒａｖｅｌ　ｔｉｍｅ　ｆｏｒｅｃａｓｔ　２６　　．０４：４８：０００７：ｌ２：００　０９：３６：００ｌ２：００：００　ｌ４：２４：００　ｌ６：４８：００　ｌ９：ｌ２：００　时刻　图ｌＯ行程时间预测对比图　ｒｉｇ．１０　Ｃｏｎｔｒａｓｔ　ｏｆ　ｔｒａｖｅｌ　ｔｉｍｅ　ｆｏｒｅｃａｓｔ　５结论　本文结合上海市实际情况和国内外研究现状，　针对上海市高架道路先进交通监控系统，详细定义　了该系统的各大功能，构建了该系统的总体结构，重　点建立了适合于该系统的三大关键交通模型，主要　包括：①检测数据的优化模型，该模型的优点是对　通状态的自动辨识模型，提出了辨识模型中关键辨　识函数Ｖ（ａ，ｂ）的确定方法；③实时行程时间预测　模型，提出了三次平滑模型，模型预测精度平均达到　９６％．　参考文献：　［１］同济大学交通运输工程学院．科技部“十五”攻关计划——上海　市智能交通系统应用试点示范工程［Ｒ］．上海：同济大学交通　运输工程学院，２００４．　Ｓｃｈｏｏｌ　ｏｆ　Ｔｒａｎｓｐｏｒｔａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ。Ｔｏｎｇｊｉ　Ｕｎｉｖｅｒｓｉｔｙ．Ｔｈｅ　ｒｅ—　ｓｅａｒｃｈ　ｏｎ　Ｓｈａｎｇ￣ＩＴＳ　ｄｅｍｏｎｓｔｒａｔｉｏｎ　ｐｒ０ｊｏｃｔ［Ｒ］．Ｓｈａｎｇｈａｉ：　ｃＳｈｏｏｌ　ｏｆ　Ｔｒａｎｓｐｏｒｔａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｔｏｎｇｊｉ　Ｕｎｉｖｅｒｓｉｙｔ，２００４．　［２］孙立军，杜豫川，袁文平，等．智能交通在上海城市快速路网运　行管理中的应用［Ｊ］．道路交通与安全，２００６（３）：１４．　ＳＵＮ　Ｌｉｉｕｎ，ＤＵ　Ｙｕｃｈｕａｎ，Ⅵ　ＡＮ　Ｗｅｎｐｉｇｎ．１＿ｈｅ　ａｐｐｌｉｃａｔｉｏｎ　ｆｏ　ＩＳＴｆｏｒ　ｕｒｂａｎ　ｅｘｐｒｅｓｓｗａｙ￣ｅｎｌｅｎｔ　ｉｎ　Ｓｈａｎｇ￣［Ｊ］．Ｒｏａｄ　Ｔｒａｆｆｉｃ　ａｎｄ　Ｓｄｅｔｙ，２Ｏｏ６（３）：１４．　［３］袁文平．高架道路作为ＩＴＳ建设骨架探讨［Ｊ］．上海市政工程，　１９９９（２）：１２．　ＹＵＡＮ　Ｗｅｎｐｌｇｎ．Ｄｉｓｃｕｓｓｉｏｎ　ｏｆ　ＩＳＴ　ｆｒａｍｅｗｏｒｋ［Ｊ］．Ｓｈａｎｇ￣　Ｍｕｎｉｃｉｐａｌ　Ｅｎｇｉｎｅｅｒｉｇｎ，１９９９（２）：１２．　［４］杜豫川，周小鹏，孙立军．城市快速路拥挤检测算法研究［ｃ］∥　第二届北京中一欧大城市发展学术研究会．北京：北京市科协，　２ｏｏ４：４５—４８．　ＤＵ　Ｙｕｃｈｕａｎ，　Ｊ　Ｘｉｎｏｐｅｎｇ，ＳＵＮ　ｔ．ｉｉｕｎ．Ｒｅｓｅａｒｃｈ　ｏｎ　ｃｏｎ—　ｇｅｓｔｉｎｏ　ｄｅｔｅｃｔｉｎｏ蛔ｒｉｔｈｍ　ｆｏｒ　ｒｅａｌ—ｔｉｍｅ　ｔｒａｆｉｆｃ　ｄａｔａ［Ｃ］∥２ｎｄ　Ｃｈｉｎａ－Ｅｕｒｏｐｅ　Ｍｅｔｒｏｐｏｌｉｓ　Ｄｅｖｅｌｏｐｍｅｎｔ　Ｗｌ０ｒｋｓｈ０ｐ．￣ｊｌｎｇ：Ｂｅｉ—　ｊｉｎｇ　Ｓｃｉｅｎｃｅ　ａｎｄＴｏｃｈｎｏｌｏｇ￣，Ａｓｓｏｃｉａｔｉｏｎ，２００４：４５—４８．　［５］ＳｍｉｔｈＢｒｉａｎＬ，ｗ锄ａｆＩｌＳＢｉｌｌｙＭ，Ｋｅｌｔｈ（￣ａｌｄＲ．Ｃｃｘｎｐａｒｌｓｏｎｏｆ　ｐａｒａｍｅｔｒｉｃ　ａｎｄ　ｎｏｎｐａｒａｍｅｔｒｌｃ　ｒｎｏｄｄｓ　ｆｏｒ　ｔｒａｆｉｆｃ　ｆｌｏｗ　ｆｏｒｅｃａｓｔｉｇｎ　［Ｊ］．Ｔｒａｎｓｏｐｒｔａｔｉｏｎ　Ｒｅｓｅａｒｃｈ　Ｐａｒｔ　Ｃ，２００２，１０：３０３．　［６］ＳＡＮＧＡｉｍｉｎ，ＬＩＳａｎｑｉ．Ａｐｒｅｄｉｃｔａｂｉｌｉｙｔａｎａｌｙｓｉｓｏｆｎｅｔｗｏｒｋｔｒａｆ—　ｉｆｅ［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｎｅｔｗｏｒｋｓ，２ｏｏ２（３９）：３２９．　（编辑：杨家琪）