路况预测

旺旺：王乔

业务目标

对于现有的路况信息实现两方面的能力加强，一、更多的路网覆盖能力，在有限的数据集合上，扩充路网覆盖度；二、未来路况的把控能力，实现5，10，15分钟到1个小时，至更长期的路况预测能力，提升交通指挥决策能力。

业务价值

对于交通行业相关客户，实现实时预判当前的拥堵持续市场， 当前拥堵可能蔓延的范围， 量化当前拥堵的影响，支持交管部门优化实时诱导方案。同时，方便用户基于未来路况智慧规划出行路径，不仅躲避眼前的拥堵路段，还能够提前决策躲避将要遇到的拥堵路段；减小发布的“实时路况“与用户体验的当前路况之间的差异， 减少由于信息滞后导致用户错误决策的可能性。

技术指标

预测准确率85%以上，预测更新与实时路况的更新同步（滞后短于10秒）。

服务内容

路况服务的范围包括4类等级道路： 高速，国道，城市快速路，及地面主要道路。 项目建设分为两个部分：

1. 基于高德实时路况数据， 在大数据平台上开发部署实时预测模型，实时预测未来5，10， …. 60分钟内的各个路段的路况。
2. 融合交警部门自有的路况数据（车流，车速， 饱和度）与高德路况数据， 扩充实时路况的覆盖范围（点亮现有实时路况覆盖的路段周边道路）， 并且把路况预测也扩充到同样的范围。

服务场景

预测路况可以通过多种渠道输出：点亮道路上的路况大屏， 交通广播，移动APP， 指挥中心大屏。

方案原理

路况大数据预测系统是创新应用，结合了预测模型的算法创新与云计算系统层面的技术创新。

项目所依据的预测模型原理是基于“数据流形”的理论。这是一个传统概率论与微分几何交叉的新兴领域。通俗的看，在许多领域，实时收集的数据反映了在不同网络节点之间的一种信息互动， 而这种信息互动是基于网络结构的路径按照一定的速率传递的。例如：城市道路网络上的交通流数据反映了车辆在网络上的“流动“， 环境监测点网络观察的大气污染指数反映了空气在3维空间的流动，互联网各级单口访问数反映了在路由器之间交互访问的数据流量。数据流形有共同的特性：动力学特征上有复合型的周期性与空间维度上长程相关性，同时还有局部的马尔可夫随机过程特性。另外一方面，尽管网络的节点数目可能很高（上万个）， 但是其流程是有隐藏的一个或几个低维度的流形结构决定的。然而，由于在固定节点观测的数据是一个时间序列，属于非平稳型并且变差随时间而变，导致传统的统计学方法不能用来描述数据流形的动力学特性，更无法确定隐藏的低维度流形结构。

而系统实现层面需要充分考虑到实时更新的要求，对算法的复杂度及稳固性有很高要求。 系统总体框架分为离线与在线部分。离线部分负责高计算量高复杂度的模型训练，耗时久但是调用次数不频繁（每天一次）； 在线部分负责实时计算预测结果，调用次数频繁，计算复杂度相当较低以保证预测结果及时完成与实时路况同步更新，此次的建设方案可以分解为以下几项技术任务：

• 网络流预测算法的调研整体技术路线设计
• 路况数据的可信度检验与异常数据清洗
• 高速路网的交通小区划分技术：基础静态划分及动态划分
• 可预测的路网及时间段的选取标准
• 预测算法研究与原型化开发及离线验证效果
• 算法模块的并行化版本开发（例如 MapReduce）
• 云平台服务体系及架构设计
• 云平台在线服务部署与运维策略设计

核心能力

1. 实时数据交互——负责与业务的其他系统之间进行实时数据交换。包括各个道路相关路段的实时速度数据接收和解析，以及向消息总线系统推送相关的预测结果数据。
2. 数据在线存储——负责实时道路速度数据和相关结果的在线存储和相应。
3. 离线存储和计算建模——负责数据的离线存储以及基于道路相关路段的历史数据建立短期速度预测模型。
4. 在线服务引擎——根据离线的建模结果和实时道路速度数据，对相关路段进行短期（未来60分钟以内）速度预测。

数据源

本套解决方案目前支持三种服务方式，一、只依赖高德数据提供城市及高速路网的未来路况预测；二、客户自己的交通数据加高德数据的路况预测；三、高德加手机信令数据的路况预测。不同的数据源的优劣比较如下。

方案	描述	特点	问题
高德数据	以出租车和app用户的浮动车数据为主	不需要硬件投入，车辆密集区域数据质量完好，时效性高	路网覆盖度不完整，不同路段数据可信度不同
交通数据	线圈、摄像头	检测数据准确、丰富，包含速度、流量、占有率。	需要硬件投入，覆盖度有限
手机信令	运营商的基站服务数据	数据采样率高	运营商数据成本较高,覆盖的路网受定位精度限制

系统架构

以浙江高速未来路况预测为例，数据源以手机信令为主，系统由阿里云ODPS、RDS、ECS产品搭建，采取公有云的方式提供服务。整体实施架构如下图：