基于Pignistic區(qū)間長(zhǎng)度的城市路網(wǎng)多模式交通擁堵預(yù)測(cè)方法：理論與實(shí)踐一、引言1.1研究背景與意義1.1.1城市交通擁堵現(xiàn)狀及危害隨著全球城市化進(jìn)程的加速，城市人口數(shù)量不斷攀升，居民的出行需求日益增長(zhǎng)，與此同時(shí)，私人汽車保有量也在持續(xù)增加。這一系列因素使得城市交通擁堵問題愈發(fā)嚴(yán)重，已成為困擾全球各大城市發(fā)展的頑疾。美國(guó)交通數(shù)據(jù)分析公司英里克斯發(fā)布的2024年“英里克斯全球交通記分卡”顯示，在對(duì)37個(gè)國(guó)家和地區(qū)的900多座城市交通狀況進(jìn)行分析后發(fā)現(xiàn)，土耳其的伊斯坦布爾最為擁堵，該市駕車者浪費(fèi)在堵車上的時(shí)間平均長(zhǎng)達(dá)105個(gè)小時(shí)。而美國(guó)紐約和芝加哥的駕車者因堵車年均損失高達(dá)1826美元。在國(guó)內(nèi)，北京、上海、廣州等一線城市的交通擁堵狀況也不容樂觀，早晚高峰期間，主要道路車流量飽和，車輛行駛緩慢，部分路段甚至出現(xiàn)長(zhǎng)時(shí)間的停滯。城市交通擁堵帶來(lái)了多方面的危害，具體如下：時(shí)間浪費(fèi)：交通擁堵使得人們的出行時(shí)間大幅增加，通勤效率顯著降低。上班族在早晚高峰期間可能需要花費(fèi)數(shù)小時(shí)在路途上，這不僅減少了他們的有效工作時(shí)間，也壓縮了休息和陪伴家人的時(shí)間，對(duì)個(gè)人生活和工作產(chǎn)生了極大的負(fù)面影響。經(jīng)濟(jì)損失：交通擁堵導(dǎo)致物流運(yùn)輸效率下降，貨物運(yùn)輸時(shí)間延長(zhǎng)，運(yùn)輸成本增加。據(jù)相關(guān)研究表明，交通擁堵每年給我國(guó)造成的經(jīng)濟(jì)損失高達(dá)數(shù)千億元。交通擁堵還會(huì)影響商業(yè)活動(dòng)的正常開展，降低城市的經(jīng)濟(jì)活力。環(huán)境污染：在交通擁堵狀態(tài)下，車輛頻繁啟停，發(fā)動(dòng)機(jī)處于怠速或低速運(yùn)轉(zhuǎn)狀態(tài)，燃油燃燒不充分，從而導(dǎo)致尾氣排放量大幅增加。這些尾氣中含有大量的有害物質(zhì)，如一氧化碳、碳?xì)浠衔?、氮氧化物和顆粒物等，會(huì)對(duì)空氣造成嚴(yán)重污染，危害居民的身體健康，引發(fā)呼吸道疾病、心血管疾病等。此外，交通擁堵還會(huì)增加噪聲污染，干擾居民的正常生活。能源消耗：車輛在擁堵狀態(tài)下的燃油消耗比正常行駛時(shí)大幅增加。相關(guān)數(shù)據(jù)顯示，擁堵時(shí)車輛的燃油消耗可增加20%-50%。這不僅加劇了能源短缺問題，也增加了能源成本。1.1.2多模式交通擁堵預(yù)測(cè)的重要性城市交通系統(tǒng)是一個(gè)復(fù)雜的巨系統(tǒng)，包含多種交通模式，如道路、公交、地鐵、輕軌、出租車、自行車、步行等，這些交通模式相互影響、相互制約。在城市出行中，人們往往會(huì)根據(jù)出行距離、時(shí)間、費(fèi)用、舒適度等因素選擇不同的交通模式，單一交通模式的擁堵狀況會(huì)對(duì)其他交通模式產(chǎn)生連鎖反應(yīng)，進(jìn)而影響整個(gè)城市交通系統(tǒng)的運(yùn)行效率。因此，開展多模式交通擁堵預(yù)測(cè)具有重要意義，具體體現(xiàn)在以下幾個(gè)方面：城市交通規(guī)劃：準(zhǔn)確的多模式交通擁堵預(yù)測(cè)可以為城市交通規(guī)劃提供科學(xué)依據(jù)。通過(guò)對(duì)未來(lái)交通需求和擁堵狀況的預(yù)測(cè)，規(guī)劃部門可以合理布局交通基礎(chǔ)設(shè)施，優(yōu)化道路網(wǎng)絡(luò)、公交線網(wǎng)、軌道交通線路等的規(guī)劃和建設(shè)，提高交通設(shè)施的供給能力和服務(wù)水平，從根本上緩解交通擁堵問題。交通管理決策：交通管理部門可以根據(jù)多模式交通擁堵預(yù)測(cè)結(jié)果，制定更加科學(xué)合理的交通管理策略。在交通擁堵發(fā)生前，提前采取交通管制、信號(hào)優(yōu)化、誘導(dǎo)分流等措施，有效避免或減輕擁堵的發(fā)生；在擁堵發(fā)生時(shí)，能夠及時(shí)做出響應(yīng)，采取有效的疏導(dǎo)措施，提高交通系統(tǒng)的運(yùn)行效率。公眾出行決策：對(duì)于公眾而言，多模式交通擁堵預(yù)測(cè)信息可以幫助他們提前了解不同交通模式的運(yùn)行狀況，從而更加合理地選擇出行方式、出行時(shí)間和出行路線，減少出行時(shí)間和成本，提高出行的便捷性和舒適性。通過(guò)實(shí)時(shí)的交通擁堵信息，出行者可以選擇避開擁堵路段，或者選擇其他更為高效的交通模式，如在道路擁堵時(shí)選擇乘坐地鐵或公交出行。節(jié)能減排：合理的多模式交通擁堵預(yù)測(cè)與出行引導(dǎo)，可以鼓勵(lì)人們更多地選擇綠色出行方式，如步行、自行車和公共交通，減少私人汽車的使用，從而降低能源消耗和尾氣排放，有利于實(shí)現(xiàn)城市的節(jié)能減排目標(biāo)，促進(jìn)城市的可持續(xù)發(fā)展。1.2國(guó)內(nèi)外研究現(xiàn)狀1.2.1城市路網(wǎng)交通評(píng)價(jià)理論綜述城市路網(wǎng)交通評(píng)價(jià)旨在全面、客觀地評(píng)估城市道路交通系統(tǒng)的運(yùn)行狀態(tài)和服務(wù)水平，為交通規(guī)劃、管理和決策提供科學(xué)依據(jù)。國(guó)內(nèi)外學(xué)者針對(duì)這一領(lǐng)域開展了大量研究，提出了多種理論和方法。在國(guó)外，美國(guó)交通工程師學(xué)會(huì)（ITE）提出的服務(wù)水平（LevelofService，LOS）概念被廣泛應(yīng)用于交通設(shè)施服務(wù)質(zhì)量的評(píng)價(jià)。LOS將交通流運(yùn)行狀況劃分為A-F六個(gè)等級(jí)，通過(guò)交通密度、速度、延誤等指標(biāo)來(lái)衡量道路的服務(wù)水平，如在多車道公路中，A級(jí)服務(wù)水平表示交通流處于自由流狀態(tài)，車輛行駛順暢，速度接近設(shè)計(jì)速度；而F級(jí)服務(wù)水平則表示交通嚴(yán)重?fù)矶?，車輛行駛緩慢甚至停滯。歐洲一些國(guó)家則注重從交通效率、環(huán)境影響和交通安全等多維度構(gòu)建評(píng)價(jià)體系，例如英國(guó)的交通影響分析（TrafficImpactAnalysis，TIA），在開發(fā)項(xiàng)目立項(xiàng)或?qū)徟A段，全面分析項(xiàng)目建成后對(duì)周邊交通環(huán)境的影響，包括交通量的變化、道路和交叉口的運(yùn)行狀況等，從而確定相應(yīng)的交通改善措施。國(guó)內(nèi)學(xué)者在借鑒國(guó)外研究成果的基礎(chǔ)上，結(jié)合我國(guó)城市交通的特點(diǎn)，也進(jìn)行了深入研究。一些學(xué)者提出了基于路網(wǎng)負(fù)荷度的評(píng)價(jià)方法，通過(guò)計(jì)算路網(wǎng)中各路段的交通流量與通行能力之比，來(lái)評(píng)估路網(wǎng)的負(fù)荷狀況。當(dāng)路網(wǎng)負(fù)荷度較高時(shí)，表明路網(wǎng)處于擁堵狀態(tài)，交通運(yùn)行效率較低。還有學(xué)者從交通供需平衡的角度出發(fā)，綜合考慮交通需求的分布、交通設(shè)施的供給能力等因素，對(duì)城市路網(wǎng)交通狀況進(jìn)行評(píng)價(jià)。然而，現(xiàn)有的城市路網(wǎng)交通評(píng)價(jià)理論和方法仍存在一些不足之處。部分評(píng)價(jià)指標(biāo)體系過(guò)于復(fù)雜，數(shù)據(jù)獲取難度大，導(dǎo)致實(shí)際應(yīng)用受到限制。一些評(píng)價(jià)方法側(cè)重于單一交通模式或局部交通狀況的分析，缺乏對(duì)城市多模式交通系統(tǒng)整體運(yùn)行狀況的綜合考量。而且不同評(píng)價(jià)方法之間的可比性較差，難以形成統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)，這給交通管理部門的決策帶來(lái)了一定困難。1.2.2網(wǎng)絡(luò)交通流理論概述網(wǎng)絡(luò)交通流理論是研究交通網(wǎng)絡(luò)中交通流運(yùn)行規(guī)律的科學(xué)，它綜合運(yùn)用數(shù)學(xué)、物理學(xué)、運(yùn)籌學(xué)等多學(xué)科知識(shí)，通過(guò)建立模型來(lái)描述交通流在網(wǎng)絡(luò)中的產(chǎn)生、分布、流動(dòng)和消散過(guò)程。該理論的基本概念包括交通流量、速度、密度、延誤等，這些概念相互關(guān)聯(lián)，共同反映了交通流的運(yùn)行特征。在模型方面，經(jīng)典的網(wǎng)絡(luò)交通流模型主要有宏觀、中觀和微觀三類。宏觀模型將交通流視為連續(xù)的流體，從宏觀層面描述交通流的整體特性，如Lighthill-Whitham-Richards（LWR）模型，通過(guò)建立流量、密度和速度之間的關(guān)系，來(lái)研究交通流在道路上的傳播和擁堵的形成與消散；中觀模型則介于宏觀和微觀之間，既考慮車輛的個(gè)體行為，又關(guān)注交通流的群體特征，如CellTransmissionModel（CTM），它將道路劃分為多個(gè)單元格，通過(guò)模擬單元格之間的交通流轉(zhuǎn)移來(lái)描述交通流的動(dòng)態(tài)變化；微觀模型則詳細(xì)描述每一輛車的行駛行為，如跟馳模型和元胞自動(dòng)機(jī)模型，跟馳模型通過(guò)建立前車與后車之間的速度、間距等關(guān)系，來(lái)模擬車輛的跟馳行為；元胞自動(dòng)機(jī)模型則將道路劃分為離散的元胞，根據(jù)一定的規(guī)則來(lái)更新元胞的狀態(tài)，從而模擬交通流的演化。在應(yīng)用方面，網(wǎng)絡(luò)交通流理論在交通擁堵預(yù)測(cè)中發(fā)揮著重要作用。通過(guò)對(duì)交通流運(yùn)行規(guī)律的深入理解和模型的有效應(yīng)用，可以預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)交通網(wǎng)絡(luò)中各路段的交通流量、速度等參數(shù)的變化趨勢(shì)，從而提前發(fā)現(xiàn)潛在的擁堵點(diǎn)，為交通管理部門制定合理的交通控制策略提供依據(jù)。在智能交通系統(tǒng)中，基于網(wǎng)絡(luò)交通流理論的交通信號(hào)控制算法可以根據(jù)實(shí)時(shí)交通流數(shù)據(jù)，動(dòng)態(tài)調(diào)整信號(hào)燈的配時(shí)，優(yōu)化交通流的運(yùn)行；路徑誘導(dǎo)系統(tǒng)可以根據(jù)交通擁堵預(yù)測(cè)結(jié)果，為出行者提供最優(yōu)的出行路徑，引導(dǎo)交通流合理分布，緩解交通擁堵。1.2.3存在的問題和重點(diǎn)研究方向盡管目前在城市交通擁堵預(yù)測(cè)領(lǐng)域已經(jīng)取得了一定的研究成果，但仍然存在諸多問題亟待解決。從數(shù)據(jù)層面來(lái)看，數(shù)據(jù)的準(zhǔn)確性、完整性和實(shí)時(shí)性難以保證。交通數(shù)據(jù)來(lái)源廣泛，包括交通傳感器、GPS定位設(shè)備、社交媒體等，但這些數(shù)據(jù)往往存在噪聲、缺失值和誤差。不同數(shù)據(jù)源之間的數(shù)據(jù)格式和標(biāo)準(zhǔn)也不一致，導(dǎo)致數(shù)據(jù)融合和處理難度較大。實(shí)時(shí)交通數(shù)據(jù)的獲取受到通信技術(shù)和設(shè)備的限制，無(wú)法及時(shí)反映交通狀況的動(dòng)態(tài)變化，從而影響了預(yù)測(cè)模型的準(zhǔn)確性和時(shí)效性。在模型方面，現(xiàn)有的交通擁堵預(yù)測(cè)模型大多基于單一數(shù)據(jù)源或單一交通模式，缺乏對(duì)多源數(shù)據(jù)和多模式交通的綜合考慮。不同交通模式之間存在相互影響和相互制約的關(guān)系，如道路擁堵會(huì)導(dǎo)致公交運(yùn)行延誤，進(jìn)而影響乘客的出行選擇，而現(xiàn)有的模型難以準(zhǔn)確描述這種復(fù)雜的相互作用。而且許多模型的適應(yīng)性和泛化能力較差，在不同的交通場(chǎng)景和城市環(huán)境下，模型的預(yù)測(cè)性能會(huì)大幅下降。從方法應(yīng)用角度分析，傳統(tǒng)的交通擁堵預(yù)測(cè)方法對(duì)歷史數(shù)據(jù)的依賴程度較高，當(dāng)交通狀況發(fā)生突變時(shí)，如突發(fā)交通事故、惡劣天氣等，這些方法往往無(wú)法及時(shí)準(zhǔn)確地預(yù)測(cè)擁堵情況。一些新興的預(yù)測(cè)方法，如深度學(xué)習(xí)算法，雖然在理論上具有強(qiáng)大的學(xué)習(xí)能力，但在實(shí)際應(yīng)用中存在模型訓(xùn)練復(fù)雜、可解釋性差等問題，限制了其大規(guī)模應(yīng)用?；赑ignistic區(qū)間長(zhǎng)度方法的研究重點(diǎn)在于如何充分利用該方法處理不確定性信息的優(yōu)勢(shì)，融合多源交通數(shù)據(jù)，構(gòu)建更加準(zhǔn)確、可靠的多模式交通擁堵預(yù)測(cè)模型。需要深入研究Pignistic區(qū)間長(zhǎng)度在交通數(shù)據(jù)不確定性表達(dá)和融合中的應(yīng)用機(jī)制，將其與現(xiàn)有的交通流理論和模型相結(jié)合，提高對(duì)多模式交通系統(tǒng)復(fù)雜動(dòng)態(tài)特性的描述能力。還需解決模型的可解釋性問題，使預(yù)測(cè)結(jié)果能夠?yàn)榻煌ü芾頉Q策提供直觀、有效的支持。1.3研究?jī)?nèi)容與方法1.3.1研究?jī)?nèi)容本研究聚焦于基于Pignistic區(qū)間長(zhǎng)度的城市路網(wǎng)多模式交通擁堵預(yù)測(cè)方法，旨在解決城市交通擁堵預(yù)測(cè)中多源數(shù)據(jù)融合及不確定性處理問題，提升預(yù)測(cè)精度和可靠性，為交通管理與決策提供有力支持。具體研究?jī)?nèi)容如下：多模式交通數(shù)據(jù)采集與預(yù)處理：針對(duì)城市道路、公交、地鐵等多種交通模式，廣泛收集交通流量、速度、占有率、運(yùn)行時(shí)間等數(shù)據(jù)，數(shù)據(jù)來(lái)源涵蓋交通傳感器、GPS定位設(shè)備、智能公交系統(tǒng)、地鐵自動(dòng)售檢票系統(tǒng)等。運(yùn)用數(shù)據(jù)清洗技術(shù)去除噪聲、異常值和重復(fù)數(shù)據(jù)，采用數(shù)據(jù)插值、平滑等方法填補(bǔ)缺失值，針對(duì)不同格式和標(biāo)準(zhǔn)的數(shù)據(jù)，進(jìn)行標(biāo)準(zhǔn)化和歸一化處理，使其具備一致性和可用性，為后續(xù)分析奠定基礎(chǔ)。Pignistic區(qū)間長(zhǎng)度理論在交通數(shù)據(jù)處理中的應(yīng)用：深入剖析Pignistic區(qū)間長(zhǎng)度方法處理不確定性信息的原理和優(yōu)勢(shì)，結(jié)合交通數(shù)據(jù)特點(diǎn)，建立基于Pignistic區(qū)間長(zhǎng)度的交通數(shù)據(jù)不確定性表達(dá)模型，將交通數(shù)據(jù)中的不確定性以區(qū)間形式進(jìn)行準(zhǔn)確表達(dá)。研究如何運(yùn)用Pignistic區(qū)間長(zhǎng)度方法融合多源交通數(shù)據(jù)，充分考慮不同數(shù)據(jù)源的可靠性和不確定性，提高數(shù)據(jù)融合的準(zhǔn)確性和穩(wěn)定性，實(shí)現(xiàn)對(duì)多模式交通系統(tǒng)運(yùn)行狀態(tài)的全面、準(zhǔn)確描述。構(gòu)建基于Pignistic區(qū)間長(zhǎng)度的多模式交通擁堵預(yù)測(cè)模型：綜合考慮多模式交通系統(tǒng)的相互影響和動(dòng)態(tài)變化特性，以Pignistic區(qū)間長(zhǎng)度處理后的數(shù)據(jù)為基礎(chǔ)，選取合適的預(yù)測(cè)算法，如機(jī)器學(xué)習(xí)中的支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)，或深度學(xué)習(xí)中的循環(huán)神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)等，構(gòu)建多模式交通擁堵預(yù)測(cè)模型。通過(guò)對(duì)歷史交通數(shù)據(jù)的學(xué)習(xí)和訓(xùn)練，挖掘數(shù)據(jù)中的潛在規(guī)律和特征，優(yōu)化模型參數(shù)，提高模型對(duì)復(fù)雜交通狀況的適應(yīng)能力和預(yù)測(cè)精度。模型驗(yàn)證與性能評(píng)估：收集不同時(shí)間段、不同交通場(chǎng)景下的實(shí)際交通數(shù)據(jù)，對(duì)構(gòu)建的預(yù)測(cè)模型進(jìn)行驗(yàn)證和測(cè)試。采用多種評(píng)估指標(biāo)，如均方根誤差、平均絕對(duì)誤差、平均絕對(duì)百分比誤差等，全面評(píng)估模型的預(yù)測(cè)性能。對(duì)比基于Pignistic區(qū)間長(zhǎng)度的模型與傳統(tǒng)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果，分析基于Pignistic區(qū)間長(zhǎng)度的模型在處理不確定性數(shù)據(jù)和多模式交通數(shù)據(jù)融合方面的優(yōu)勢(shì)，驗(yàn)證其有效性和優(yōu)越性。交通擁堵預(yù)測(cè)結(jié)果的可視化與應(yīng)用：開發(fā)直觀、易懂的可視化界面，將交通擁堵預(yù)測(cè)結(jié)果以地圖、圖表、曲線等形式展示出來(lái)，實(shí)時(shí)呈現(xiàn)城市路網(wǎng)不同區(qū)域、不同交通模式的擁堵狀況和發(fā)展趨勢(shì)，為交通管理部門和公眾提供清晰、直觀的交通信息?；陬A(yù)測(cè)結(jié)果，為交通管理部門制定交通管制、信號(hào)優(yōu)化、誘導(dǎo)分流等交通管理策略提供決策支持，幫助公眾合理規(guī)劃出行路線和選擇出行方式，緩解城市交通擁堵。1.3.2研究方法本研究綜合運(yùn)用多種研究方法，以確保研究的科學(xué)性、系統(tǒng)性和有效性，具體如下：文獻(xiàn)研究法：廣泛查閱國(guó)內(nèi)外關(guān)于城市交通擁堵預(yù)測(cè)、多模式交通系統(tǒng)、數(shù)據(jù)融合、不確定性處理等方面的文獻(xiàn)資料，包括學(xué)術(shù)期刊論文、學(xué)位論文、研究報(bào)告、專利等。全面了解相關(guān)領(lǐng)域的研究現(xiàn)狀、發(fā)展趨勢(shì)和存在的問題，梳理已有的研究成果和方法，為本研究提供堅(jiān)實(shí)的理論基礎(chǔ)和研究思路，避免重復(fù)研究，明確研究的創(chuàng)新點(diǎn)和突破方向。數(shù)據(jù)分析法：對(duì)采集到的多模式交通數(shù)據(jù)進(jìn)行深入分析，運(yùn)用統(tǒng)計(jì)學(xué)方法對(duì)數(shù)據(jù)的基本特征進(jìn)行描述性統(tǒng)計(jì)，如均值、方差、標(biāo)準(zhǔn)差等，了解數(shù)據(jù)的分布情況和變化趨勢(shì)。通過(guò)相關(guān)性分析研究不同交通參數(shù)之間的相互關(guān)系，找出對(duì)交通擁堵影響較大的關(guān)鍵因素。利用數(shù)據(jù)挖掘技術(shù)，如聚類分析、關(guān)聯(lián)規(guī)則挖掘等，挖掘數(shù)據(jù)中的潛在模式和規(guī)律，為預(yù)測(cè)模型的構(gòu)建提供數(shù)據(jù)支持。模型構(gòu)建法：根據(jù)研究目標(biāo)和數(shù)據(jù)特點(diǎn)，選擇合適的預(yù)測(cè)算法和模型框架，構(gòu)建基于Pignistic區(qū)間長(zhǎng)度的多模式交通擁堵預(yù)測(cè)模型。在模型構(gòu)建過(guò)程中，充分考慮多模式交通系統(tǒng)的復(fù)雜性和不確定性，合理設(shè)置模型參數(shù)，優(yōu)化模型結(jié)構(gòu)。運(yùn)用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)中的訓(xùn)練方法，如梯度下降法、隨機(jī)梯度下降法等，對(duì)模型進(jìn)行訓(xùn)練和優(yōu)化，提高模型的預(yù)測(cè)性能。對(duì)比分析法：將基于Pignistic區(qū)間長(zhǎng)度的多模式交通擁堵預(yù)測(cè)模型與傳統(tǒng)的預(yù)測(cè)模型進(jìn)行對(duì)比分析，如基于單一數(shù)據(jù)源的預(yù)測(cè)模型、未考慮不確定性處理的模型等。在相同的數(shù)據(jù)集和評(píng)估指標(biāo)下，比較不同模型的預(yù)測(cè)精度、穩(wěn)定性、泛化能力等性能指標(biāo)，分析基于Pignistic區(qū)間長(zhǎng)度的模型的優(yōu)勢(shì)和不足，進(jìn)一步改進(jìn)和完善模型。實(shí)證研究法：以實(shí)際的城市路網(wǎng)為研究對(duì)象，選取具有代表性的區(qū)域和時(shí)間段，收集真實(shí)的交通數(shù)據(jù)，對(duì)構(gòu)建的預(yù)測(cè)模型進(jìn)行實(shí)證研究。通過(guò)實(shí)際應(yīng)用驗(yàn)證模型的可行性和有效性，根據(jù)實(shí)證結(jié)果對(duì)模型進(jìn)行調(diào)整和優(yōu)化，使模型能夠更好地適應(yīng)實(shí)際交通狀況，為城市交通擁堵治理提供切實(shí)可行的解決方案。二、相關(guān)理論基礎(chǔ)2.1城市路網(wǎng)交通擁堵識(shí)別機(jī)理2.1.1城市路網(wǎng)交通擁堵的基本知識(shí)城市路網(wǎng)交通擁堵指在城市道路網(wǎng)絡(luò)中，因交通流量超出道路通行能力，導(dǎo)致車輛行駛緩慢、停滯，交通運(yùn)行效率低下的現(xiàn)象。其產(chǎn)生是交通供需失衡的結(jié)果，隨著城市發(fā)展，機(jī)動(dòng)車保有量迅速增長(zhǎng)，而道路建設(shè)和交通設(shè)施的發(fā)展相對(duì)滯后，使得交通擁堵問題日益嚴(yán)重。交通擁堵可依據(jù)不同標(biāo)準(zhǔn)進(jìn)行分類。按擁堵發(fā)生的路段，可分為城市主干道交通擁堵、輔道交通擁堵和交叉路口交通擁堵。主干道作為城市交通的主要通道，承擔(dān)著大量的交通流量，一旦發(fā)生擁堵，影響范圍廣，對(duì)城市交通的整體運(yùn)行造成較大阻礙；輔道擁堵通常與主干道的交通狀況相關(guān)，可能由于車輛進(jìn)出主干道、路邊停車等原因?qū)е?；交叉路口是交通流的匯聚點(diǎn)，交通狀況復(fù)雜，信號(hào)燈設(shè)置不合理、車輛搶行等因素都容易引發(fā)擁堵。按照擁堵發(fā)生的時(shí)間，可分為常發(fā)性交通擁堵和偶發(fā)性交通擁堵。常發(fā)性交通擁堵多發(fā)生在早晚高峰時(shí)段，此時(shí)居民出行和通勤需求集中，交通流量大，是城市交通擁堵的常見時(shí)段；偶發(fā)性交通擁堵則是由突發(fā)事件引起，如交通事故、惡劣天氣、道路施工等，這些事件具有不確定性，會(huì)導(dǎo)致交通流的突然中斷或受阻，從而引發(fā)擁堵。根據(jù)擁堵的嚴(yán)重程度，可分為輕度擁堵、中度擁堵和嚴(yán)重?fù)矶隆］p度擁堵時(shí)，車輛行駛速度略有下降，但仍能保持一定的流動(dòng)性；中度擁堵下，車輛行駛緩慢，排隊(duì)長(zhǎng)度逐漸增加，交通延誤明顯；嚴(yán)重?fù)矶聞t表現(xiàn)為車輛長(zhǎng)時(shí)間停滯，交通幾乎癱瘓，對(duì)城市的正常運(yùn)轉(zhuǎn)和居民的生活造成極大影響。城市路網(wǎng)交通擁堵具有一些顯著特征。交通擁堵時(shí)，車輛行駛速度明顯下降，低于道路的設(shè)計(jì)速度或正常通行速度，導(dǎo)致行程時(shí)間大幅增加。以北京市為例，在早晚高峰期間，部分主干道的平均車速可能降至每小時(shí)20公里以下，甚至更低，而正常情況下的車速可達(dá)每小時(shí)60公里左右。道路上車輛密度增大，車輛之間的間距減小，出現(xiàn)擁擠的狀態(tài)，交通流呈現(xiàn)出不穩(wěn)定的特性。在擁堵路段，車輛密集排列，頻繁啟停，交通流的波動(dòng)性較大，容易引發(fā)交通事故，進(jìn)一步加劇擁堵。交通擁堵還會(huì)導(dǎo)致車輛的延誤增加，出行者無(wú)法按照預(yù)期的時(shí)間到達(dá)目的地，給人們的生活和工作帶來(lái)不便。據(jù)統(tǒng)計(jì)，交通擁堵嚴(yán)重的城市，居民每天因交通延誤而浪費(fèi)的時(shí)間可達(dá)1-2小時(shí)。2.1.2城市路網(wǎng)交通擁堵的基本屬性城市路網(wǎng)交通擁堵具有明顯的時(shí)空屬性。在時(shí)間維度上，交通擁堵呈現(xiàn)出規(guī)律性的變化。早晚高峰時(shí)段，由于居民的通勤和出行需求集中，交通流量達(dá)到峰值，此時(shí)是交通擁堵的高發(fā)期。工作日的早高峰一般出現(xiàn)在早上7點(diǎn)至9點(diǎn)，晚高峰在下午5點(diǎn)至7點(diǎn)，這兩個(gè)時(shí)間段內(nèi)，城市主要道路的交通壓力巨大，擁堵現(xiàn)象較為普遍。不同季節(jié)和月份的交通擁堵情況也有所差異。在冬季，由于天氣寒冷，道路結(jié)冰或積雪，影響車輛的行駛安全和速度，容易引發(fā)交通擁堵；在旅游旺季或節(jié)假日，城市的游客數(shù)量增加，交通需求增大，也會(huì)導(dǎo)致交通擁堵加劇。從空間角度來(lái)看，交通擁堵主要集中在城市中心區(qū)域、交通樞紐、商業(yè)中心和主要干道等交通需求大的區(qū)域。城市中心區(qū)域是城市的政治、經(jīng)濟(jì)和文化中心，吸引了大量的人流和車流，道路的交通負(fù)荷長(zhǎng)期處于較高水平，容易出現(xiàn)擁堵。交通樞紐如火車站、汽車站、機(jī)場(chǎng)等，是不同交通方式的換乘節(jié)點(diǎn)，人員和車輛的集散量大，交通流復(fù)雜，也是交通擁堵的頻發(fā)區(qū)域。商業(yè)中心通常位于城市的繁華地段，周邊道路車流量大，停車位緊張，消費(fèi)者的購(gòu)物出行需求導(dǎo)致交通擁堵時(shí)有發(fā)生。主要干道承擔(dān)著城市交通的主要流量，一旦某個(gè)路段出現(xiàn)交通瓶頸，如道路狹窄、路口通行能力不足等，就會(huì)引發(fā)連鎖反應(yīng)，導(dǎo)致整條干道出現(xiàn)擁堵。交通擁堵還具有傳播屬性。當(dāng)某一路段發(fā)生擁堵時(shí)，擁堵會(huì)沿著交通流的方向逐漸傳播，影響周邊路段的交通運(yùn)行。這種傳播過(guò)程可能是由于車輛排隊(duì)溢出，導(dǎo)致相鄰路段的交通流受阻，也可能是由于駕駛員為避開擁堵路段而選擇繞行，使得其他路段的交通流量突然增加，從而引發(fā)新的擁堵。在城市交通網(wǎng)絡(luò)中，一個(gè)小小的擁堵點(diǎn)可能會(huì)迅速擴(kuò)散，導(dǎo)致整個(gè)區(qū)域的交通陷入混亂。在高峰時(shí)段，一個(gè)路口的信號(hào)燈故障可能會(huì)導(dǎo)致該路口的車輛排隊(duì)積壓，進(jìn)而影響到與之相連的多條道路的交通，形成大面積的交通擁堵。交通擁堵的傳播還具有時(shí)效性，傳播速度和范圍受到交通流量、道路條件、交通管理措施等多種因素的影響。在交通流量較大的情況下，擁堵傳播速度較快，影響范圍也更廣；而合理的交通管理措施，如交通管制、誘導(dǎo)分流等，可以有效減緩擁堵的傳播速度，縮小擁堵的影響范圍。2.1.3城市路網(wǎng)交通擁堵識(shí)別機(jī)理交通擁堵識(shí)別的基本原理是通過(guò)對(duì)交通參數(shù)的監(jiān)測(cè)和分析，判斷交通流的運(yùn)行狀態(tài)是否處于擁堵狀態(tài)。常用的交通參數(shù)包括交通流量、速度、占有率等。交通流量指單位時(shí)間內(nèi)通過(guò)道路某一斷面的車輛數(shù)，當(dāng)交通流量超過(guò)道路的通行能力時(shí)，容易引發(fā)交通擁堵。速度是衡量車輛行駛快慢的指標(biāo)，交通擁堵時(shí)車輛速度明顯下降。占有率表示道路被車輛占用的程度，較高的占有率通常意味著交通擁堵。基于交通參數(shù)的識(shí)別方法主要有閾值法和交通流理論模型法。閾值法是根據(jù)經(jīng)驗(yàn)或統(tǒng)計(jì)分析確定交通參數(shù)的閾值，當(dāng)監(jiān)測(cè)到的交通參數(shù)超過(guò)閾值時(shí)，判定為交通擁堵。當(dāng)路段的平均車速低于每小時(shí)20公里，或者交通流量超過(guò)道路通行能力的80%時(shí)，可認(rèn)為該路段處于擁堵狀態(tài)。這種方法簡(jiǎn)單直觀，易于實(shí)現(xiàn)，但閾值的確定具有一定的主觀性，且難以適應(yīng)不同交通場(chǎng)景和道路條件的變化。交通流理論模型法則是基于交通流的基本理論，如Lighthill-Whitham-Richards（LWR）模型、跟馳模型等，建立交通參數(shù)之間的關(guān)系，通過(guò)對(duì)模型的求解和分析來(lái)識(shí)別交通擁堵。LWR模型通過(guò)描述交通流量、速度和密度之間的關(guān)系，來(lái)模擬交通流的變化，從而判斷是否發(fā)生擁堵。這種方法具有一定的理論基礎(chǔ)，但模型的建立和求解較為復(fù)雜，對(duì)數(shù)據(jù)的要求也較高。近年來(lái)，隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，基于機(jī)器學(xué)習(xí)的交通擁堵識(shí)別方法得到了廣泛應(yīng)用。這些方法通過(guò)對(duì)大量歷史交通數(shù)據(jù)的學(xué)習(xí)，建立交通擁堵的預(yù)測(cè)模型，從而實(shí)現(xiàn)對(duì)交通擁堵的識(shí)別和預(yù)測(cè)。常用的機(jī)器學(xué)習(xí)算法包括支持向量機(jī)（SVM）、神經(jīng)網(wǎng)絡(luò)、決策樹等。支持向量機(jī)通過(guò)尋找一個(gè)最優(yōu)的分類超平面，將交通數(shù)據(jù)分為擁堵和非擁堵兩類。神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力，能夠自動(dòng)學(xué)習(xí)交通數(shù)據(jù)中的復(fù)雜模式和特征，實(shí)現(xiàn)對(duì)交通擁堵的準(zhǔn)確識(shí)別。決策樹則是通過(guò)對(duì)交通數(shù)據(jù)進(jìn)行特征選擇和劃分，構(gòu)建決策樹模型，根據(jù)樹的節(jié)點(diǎn)判斷交通是否擁堵?；跈C(jī)器學(xué)習(xí)的方法能夠充分利用交通數(shù)據(jù)中的信息，提高擁堵識(shí)別的準(zhǔn)確性和適應(yīng)性，但模型的訓(xùn)練需要大量的數(shù)據(jù)和計(jì)算資源，且模型的可解釋性相對(duì)較差。2.2模式識(shí)別相關(guān)知識(shí)2.2.1模式識(shí)別系統(tǒng)概述模式識(shí)別是指讓計(jì)算機(jī)通過(guò)數(shù)學(xué)技術(shù)方法自動(dòng)處理和判讀模式，以實(shí)現(xiàn)對(duì)給定模式的分類、描述、特征提取等任務(wù)。模式識(shí)別系統(tǒng)基本由數(shù)據(jù)采集、數(shù)據(jù)處理和分類決策或模型匹配三部分組成。數(shù)據(jù)采集是利用各類傳感器將被研究對(duì)象的信息轉(zhuǎn)化為計(jì)算機(jī)可接受的數(shù)值或符號(hào)串集合，形成模式空間。在交通擁堵預(yù)測(cè)中，數(shù)據(jù)采集環(huán)節(jié)涉及通過(guò)地磁傳感器、攝像頭、GPS設(shè)備等采集交通流量、速度、車輛位置等數(shù)據(jù)。地磁傳感器可檢測(cè)通過(guò)車輛的數(shù)量和速度，攝像頭能獲取車輛圖像和交通流狀態(tài)信息，GPS設(shè)備則用于追蹤車輛的實(shí)時(shí)位置。數(shù)據(jù)處理旨在消除輸入數(shù)據(jù)中的噪聲，排除不相干信號(hào)，提取對(duì)識(shí)別有效的特征。在交通數(shù)據(jù)處理中，會(huì)運(yùn)用數(shù)字濾波去除干擾信號(hào)，如采用中值濾波去除交通流量數(shù)據(jù)中的異常值。通過(guò)特征提取從原始數(shù)據(jù)中衍生出有用信息，如從交通流量和速度數(shù)據(jù)中提取交通擁堵指數(shù)。特征選擇也是數(shù)據(jù)處理的重要環(huán)節(jié)，需從眾多特征中挑選最具代表性和區(qū)分度的特征，以降低后續(xù)處理難度，避免維數(shù)災(zāi)難。分類決策或模型匹配是基于數(shù)據(jù)處理生成的模式特征空間進(jìn)行模式分類或模型匹配。在交通擁堵預(yù)測(cè)中，分類決策環(huán)節(jié)根據(jù)提取的交通特征判斷當(dāng)前交通狀態(tài)是否擁堵，并預(yù)測(cè)未來(lái)?yè)矶虑闆r。采用支持向量機(jī)（SVM）對(duì)交通數(shù)據(jù)進(jìn)行分類，將交通狀態(tài)分為擁堵、輕度擁堵和暢通三類。也可通過(guò)模型匹配，將實(shí)時(shí)交通數(shù)據(jù)與歷史擁堵模式進(jìn)行匹配，預(yù)測(cè)擁堵的發(fā)展趨勢(shì)。模式識(shí)別系統(tǒng)在設(shè)計(jì)時(shí)需考慮諸多因素，如模式類的定義、應(yīng)用場(chǎng)合、模式表示、特征提取和選擇、聚類分析、分類器的設(shè)計(jì)和學(xué)習(xí)、訓(xùn)練和測(cè)試樣本的選取以及性能評(píng)價(jià)等。針對(duì)不同應(yīng)用目的，模式識(shí)別系統(tǒng)各部分內(nèi)容會(huì)有較大差異。在交通擁堵預(yù)測(cè)中，模式類可定義為不同擁堵程度的交通狀態(tài)，應(yīng)用場(chǎng)合為城市交通管理和出行者出行規(guī)劃。模式表示需根據(jù)交通數(shù)據(jù)特點(diǎn)選擇合適的方式，如用向量表示交通流量、速度等特征。特征提取和選擇要結(jié)合交通領(lǐng)域知識(shí)和數(shù)據(jù)特性，選取對(duì)擁堵預(yù)測(cè)最關(guān)鍵的特征。聚類分析可用于發(fā)現(xiàn)交通數(shù)據(jù)中的潛在模式和規(guī)律，如將相似交通狀態(tài)的數(shù)據(jù)聚為一類。分類器的設(shè)計(jì)和學(xué)習(xí)需選擇合適的算法，并通過(guò)大量數(shù)據(jù)訓(xùn)練優(yōu)化參數(shù)。訓(xùn)練和測(cè)試樣本的選取要保證數(shù)據(jù)的代表性和多樣性，以提高模型的泛化能力。性能評(píng)價(jià)則通過(guò)多種指標(biāo)評(píng)估模型的預(yù)測(cè)準(zhǔn)確性、穩(wěn)定性等性能。2.2.2模式識(shí)別方法常見的模式識(shí)別方法包括統(tǒng)計(jì)模式識(shí)別、結(jié)構(gòu)模式識(shí)別和模糊模式識(shí)別。統(tǒng)計(jì)模式識(shí)別以概率論和數(shù)理統(tǒng)計(jì)為基礎(chǔ)，從大量樣本數(shù)據(jù)中提取統(tǒng)計(jì)特征，通過(guò)建立分類器實(shí)現(xiàn)模式分類。在交通擁堵預(yù)測(cè)中，統(tǒng)計(jì)模式識(shí)別方法通過(guò)分析歷史交通數(shù)據(jù)，提取如交通流量、速度、占有率等統(tǒng)計(jì)特征，構(gòu)建統(tǒng)計(jì)模型來(lái)預(yù)測(cè)交通擁堵。利用多元線性回歸模型，將交通流量、速度等作為自變量，擁堵程度作為因變量，建立回歸方程，通過(guò)對(duì)歷史數(shù)據(jù)的訓(xùn)練得到模型參數(shù)，進(jìn)而預(yù)測(cè)未來(lái)交通擁堵情況。最大似然估計(jì)、貝葉斯分類器等也是統(tǒng)計(jì)模式識(shí)別中常用的方法。最大似然估計(jì)通過(guò)尋找使觀測(cè)數(shù)據(jù)出現(xiàn)概率最大的模型參數(shù)，來(lái)確定統(tǒng)計(jì)模型；貝葉斯分類器則基于貝葉斯定理，根據(jù)先驗(yàn)概率和類條件概率計(jì)算后驗(yàn)概率，將樣本分類到后驗(yàn)概率最大的類別。結(jié)構(gòu)模式識(shí)別主要針對(duì)具有復(fù)雜結(jié)構(gòu)和關(guān)系的模式，通過(guò)分析模式的結(jié)構(gòu)信息和組成元素之間的關(guān)系進(jìn)行識(shí)別。在交通領(lǐng)域，道路網(wǎng)絡(luò)可看作一種具有復(fù)雜結(jié)構(gòu)的模式。結(jié)構(gòu)模式識(shí)別方法可用于分析道路網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、路段之間的連接關(guān)系等，以識(shí)別交通擁堵在網(wǎng)絡(luò)中的傳播路徑和影響范圍。利用圖論方法將道路網(wǎng)絡(luò)表示為圖，節(jié)點(diǎn)表示路段或交叉口，邊表示路段之間的連接關(guān)系，通過(guò)分析圖的結(jié)構(gòu)特征和節(jié)點(diǎn)屬性，來(lái)研究交通擁堵的傳播規(guī)律。還可運(yùn)用句法模式識(shí)別，將交通場(chǎng)景中的元素看作字符，通過(guò)構(gòu)建語(yǔ)法規(guī)則來(lái)描述交通模式的結(jié)構(gòu)，從而實(shí)現(xiàn)對(duì)交通擁堵模式的識(shí)別和分析。模糊模式識(shí)別基于模糊數(shù)學(xué)理論，處理模式識(shí)別中的不確定性和模糊性。交通數(shù)據(jù)存在一定的不確定性，如傳感器測(cè)量誤差、交通需求的不確定性等。模糊模式識(shí)別方法通過(guò)引入模糊集合和隸屬度函數(shù)，將不確定的交通信息進(jìn)行模糊化處理，從而更準(zhǔn)確地描述交通狀態(tài)。將交通流量、速度等參數(shù)模糊化為“大”“中”“小”等模糊概念，通過(guò)建立模糊關(guān)系矩陣和模糊推理規(guī)則，對(duì)交通擁堵狀態(tài)進(jìn)行判斷和預(yù)測(cè)。當(dāng)交通流量屬于“大”且速度屬于“小”的模糊集合時(shí)，可推斷交通處于擁堵狀態(tài)。模糊模式識(shí)別還可與其他方法相結(jié)合，如與統(tǒng)計(jì)模式識(shí)別結(jié)合，利用模糊統(tǒng)計(jì)方法處理交通數(shù)據(jù)的不確定性，提高擁堵預(yù)測(cè)的準(zhǔn)確性。2.3Dempster-Shafer證據(jù)理論2.3.1Dempster-Shafer證據(jù)理論基礎(chǔ)Dempster-Shafer證據(jù)理論（簡(jiǎn)稱D-S證據(jù)理論）是一種處理不確定性問題的理論，在模式識(shí)別、信息融合、決策分析等領(lǐng)域有著廣泛應(yīng)用。該理論由Dempster于1967年首先提出，后由他的學(xué)生Shafer于1976年進(jìn)一步發(fā)展完善。D-S證據(jù)理論的基本概念建立在識(shí)別框架的基礎(chǔ)上。識(shí)別框架是一個(gè)非空有限集合，用\Theta表示，它包含了所有可能的假設(shè)或命題。在交通擁堵預(yù)測(cè)中，識(shí)別框架可以定義為\Theta=\{???é??,è???o|??￥?

μ,??-?o|??￥?

μ,??￥é????￥?

μ\}，表示交通狀態(tài)的所有可能情況?；究尚哦确峙洌˙asicProbabilityAssignment，BPA）是D-S證據(jù)理論的核心概念之一，也被稱為mass函數(shù)，用m表示。它是一個(gè)從識(shí)別框架\Theta的冪集2^{\Theta}到[0,1]的函數(shù)，滿足m(\varnothing)=0（其中\(zhòng)varnothing為空集，表示不可能事件，其基本概率分配為0）和\sum_{A\subseteq\Theta}m(A)=1（即所有子集的基本概率分配之和為1）。對(duì)于交通擁堵預(yù)測(cè)，假設(shè)有一個(gè)證據(jù)源（如某個(gè)交通傳感器的數(shù)據(jù)），它對(duì)交通狀態(tài)的基本可信度分配可能為m(\{???é??\})=0.2，m(\{è???o|??￥?

μ\})=0.3，m(\{??-?o|??￥?

μ\})=0.4，m(\{??￥é????￥?

μ\})=0.1，這表示該證據(jù)源認(rèn)為交通處于暢通狀態(tài)的可信度為0.2，處于輕度擁堵狀態(tài)的可信度為0.3，以此類推。信任函數(shù)（BeliefFunction）基于基本可信度分配定義，用Bel表示。對(duì)于識(shí)別框架\Theta中的任意子集A，信任函數(shù)Bel(A)=\sum_{B\subseteqA}m(B)，它表示對(duì)命題A為真的信任程度。若A=\{è???o|??￥?

μ,??-?o|??￥?

μ\}，根據(jù)上述基本可信度分配，Bel(A)=m(\{è???o|??￥?

μ\})+m(\{??-?o|??￥?

μ\})=0.3+0.4=0.7，即對(duì)交通處于輕度擁堵或中度擁堵狀態(tài)的信任程度為0.7。2.3.2Dempster組合規(guī)則Dempster組合規(guī)則是D-S證據(jù)理論中實(shí)現(xiàn)多源信息融合的關(guān)鍵規(guī)則。其原理是將多個(gè)證據(jù)源的基本可信度分配進(jìn)行組合，以得到更可靠的融合結(jié)果。假設(shè)有兩個(gè)獨(dú)立的證據(jù)源E_1和E_2，它們對(duì)應(yīng)的基本可信度分配分別為m_1和m_2，組合后的基本可信度分配m通過(guò)以下公式計(jì)算：m(A)=\frac{1}{1-K}\sum_{B\capC=A}m_1(B)m_2(C)其中，K=\sum_{B\capC=\varnothing}m_1(B)m_2(C)為沖突系數(shù)，表示兩個(gè)證據(jù)源之間的沖突程度。當(dāng)K=1時(shí)，說(shuō)明兩個(gè)證據(jù)源完全沖突，無(wú)法進(jìn)行組合；當(dāng)K越接近0時(shí)，說(shuō)明兩個(gè)證據(jù)源的沖突越小，組合結(jié)果越可靠。在交通擁堵預(yù)測(cè)中，假設(shè)有兩個(gè)交通傳感器S_1和S_2，S_1的基本可信度分配m_1(\{???é??\})=0.3，m_1(\{è???o|??￥?

μ\})=0.4，m_1(\{??-?o|??￥?

μ\})=0.2，m_1(\{??￥é????￥?

μ\})=0.1；S_2的基本可信度分配m_2(\{???é??\})=0.2，m_2(\{è???o|??￥?

μ\})=0.3，m_2(\{??-?o|??￥?

μ\})=0.3，m_2(\{??￥é????￥?

μ\})=0.2。首先計(jì)算沖突系數(shù)K：\begin{align*}K&=m_1(\{???é??\})m_2(\{è???o|??￥?

μ\})+m_1(\{???é??\})m_2(\{??-?o|??￥?

μ\})+m_1(\{???é??\})m_2(\{??￥é????￥?

μ\})+m_1(\{è???o|??￥?

μ\})m_2(\{???é??\})+m_1(\{è???o|??￥?

μ\})m_2(\{??-?o|??￥?

μ\})+m_1(\{è???o|??￥?

μ\})m_2(\{??￥é????￥?

μ\})+m_1(\{??-?o|??￥?

μ\})m_2(\{???é??\})+m_1(\{??-?o|??￥?

μ\})m_2(\{è???o|??￥?

μ\})+m_1(\{??-?o|??￥?

μ\})m_2(\{??￥é????￥?

μ\})+m_1(\{??￥é????￥?

μ\})m_2(\{???é??\})+m_1(\{??￥é????￥?

μ\})m_2(\{è???o|??￥?

μ\})+m_1(\{??￥é????￥?

μ\})m_2(\{??-?o|??￥?

μ\})\\&=0.3??0.3+0.3??0.3+0.3??0.2+0.4??0.2+0.4??0.3+0.4??0.2+0.2??0.2+0.2??0.3+0.2??0.2+0.1??0.2+0.1??0.3+0.1??0.3\\&=0.09+0.09+0.06+0.08+0.12+0.08+0.04+0.06+0.04+0.02+0.03+0.03\\&=0.64\end{align*}然后計(jì)算組合后的基本可信度分配，如對(duì)于A=\{è???o|??￥?

μ\}：\begin{align*}m(\{è???o|??￥?

μ\})&=\frac{1}{1-0.64}\times(m_1(\{è???o|??￥?

μ\})m_2(\{è???o|??￥?

μ\})+m_1(\{è???o|??￥?

μ\})m_2(\{???é??\})+m_1(\{???é??\})m_2(\{è???o|??￥?

μ\})\\&=\frac{1}{0.36}\times(0.4??0.3+0.4??0.2+0.3??0.3)\\&=\frac{1}{0.36}\times(0.12+0.08+0.09)\\&=\frac{0.29}{0.36}\\&\approx0.81\end{align*}以此類推，可以計(jì)算出其他子集的組合基本可信度分配。2.3.3信息融合過(guò)程基于Dempster-Shafer證據(jù)理論的信息融合過(guò)程如下：確定識(shí)別框架：根據(jù)具體問題確定所有可能的假設(shè)或命題，形成識(shí)別框架\Theta。在城市多模式交通擁堵預(yù)測(cè)中，識(shí)別框架涵蓋各種交通擁堵狀態(tài)。獲取基本可信度分配：針對(duì)每個(gè)證據(jù)源（如不同交通模式的傳感器數(shù)據(jù)、歷史交通數(shù)據(jù)、天氣數(shù)據(jù)等），根據(jù)其提供的信息確定對(duì)識(shí)別框架中各個(gè)子集的基本可信度分配。對(duì)于道路傳感器數(shù)據(jù)，依據(jù)交通流量、速度等參數(shù)確定不同擁堵狀態(tài)的可信度；公交運(yùn)行數(shù)據(jù)則根據(jù)車輛運(yùn)行時(shí)間、準(zhǔn)點(diǎn)率等信息給出相應(yīng)可信度。應(yīng)用Dempster組合規(guī)則進(jìn)行融合：將多個(gè)證據(jù)源的基本可信度分配按照Dempster組合規(guī)則進(jìn)行多次組合，得到融合后的基本可信度分配。先組合道路和公交數(shù)據(jù)的可信度分配，再將結(jié)果與地鐵數(shù)據(jù)的可信度分配組合。隨著證據(jù)源增多和組合進(jìn)行，融合結(jié)果能更全面、準(zhǔn)確地反映實(shí)際交通擁堵情況。決策判斷：根據(jù)融合后的基本可信度分配，采用一定的決策規(guī)則（如最大信任函數(shù)法、最大似然函數(shù)法等）確定最終的決策結(jié)果。最大信任函數(shù)法選擇信任函數(shù)值最大的命題作為決策結(jié)果，若融合后對(duì)“中度擁堵”的信任函數(shù)值最大，則判斷當(dāng)前交通處于中度擁堵狀態(tài)。在實(shí)際應(yīng)用中，D-S證據(jù)理論的信息融合過(guò)程可有效處理多源交通數(shù)據(jù)的不確定性，提高交通擁堵預(yù)測(cè)的準(zhǔn)確性和可靠性。將來(lái)自道路傳感器、公交智能調(diào)度系統(tǒng)、地鐵運(yùn)營(yíng)數(shù)據(jù)等多源信息進(jìn)行融合，能更全面地分析交通系統(tǒng)運(yùn)行狀態(tài)，為交通管理部門制定合理的交通管理策略提供有力支持。2.4Pignistic區(qū)間長(zhǎng)度原理2.4.1Pignistic概率轉(zhuǎn)換Pignistic概率轉(zhuǎn)換是將D-S證據(jù)理論中的基本可信度分配（BPA）轉(zhuǎn)換為可用于決策的概率分布的過(guò)程。在D-S證據(jù)理論中，基本可信度分配反映了證據(jù)對(duì)不同命題的支持程度，但它并非傳統(tǒng)意義上的概率，因?yàn)樗试S對(duì)命題的不確定性進(jìn)行表達(dá)。而Pignistic概率轉(zhuǎn)換的目的就是將這種不確定性信息轉(zhuǎn)化為更直觀、可用于決策的概率形式。其計(jì)算方法基于以下公式：對(duì)于識(shí)別框架\Theta中的任意元素x，其Pignistic概率BetP(x)的計(jì)算如下：BetP(x)=\sum_{A\subseteq\Theta,x\inA}\frac{m(A)}{|A|}\times\frac{1}{1-m(\varnothing)}其中，m是基本可信度分配函數(shù)，|A|表示集合A中元素的個(gè)數(shù)，m(\varnothing)為對(duì)空集的基本可信度分配（通常m(\varnothing)=0，若m(\varnothing)\neq0，則表示證據(jù)中存在沖突，需要進(jìn)行特殊處理）。例如，在交通擁堵預(yù)測(cè)的識(shí)別框架\Theta=\{???é??,è???o|??￥?

μ,??-?o|??￥?

μ,??￥é????￥?

μ\}中，假設(shè)有一個(gè)證據(jù)源的基本可信度分配為m(\{???é??\})=0.2，m(\{è???o|??￥?

μ\})=0.3，m(\{??-?o|??￥?

μ\})=0.4，m(\{??￥é????￥?

μ\})=0.1。計(jì)算“輕度擁堵”的Pignistic概率：\begin{align*}BetP(\text{è???o|??￥?

μ})&=\frac{m(\{è???o|??￥?

μ\})}{|\{è???o|??￥?

μ\}|}+\frac{m(\{è???o|??￥?

μ,??-?o|??￥?

μ\})}{|\{è???o|??￥?

μ,??-?o|??￥?

μ\}|}+\frac{m(\{è???o|??￥?

μ,??￥é????￥?

μ\})}{|\{è???o|??￥?

μ,??￥é????￥?

μ\}|}+\frac{m(\{è???o|??￥?

μ,??-?o|??￥?

μ,??￥é????￥?

μ\})}{|\{è???o|??￥?

μ,??-?o|??￥?

μ,??￥é????￥?

μ\}|}+\frac{m(\{è???o|??￥?

μ,???é??\})}{|\{è???o|??￥?

μ,???é??\}|}+\frac{m(\{è???o|??￥?

μ,???é??,??-?o|??￥?

μ\})}{|\{è???o|??￥?

μ,???é??,??-?o|??￥?

μ\}|}+\frac{m(\{è???o|??￥?

μ,???é??,??￥é????￥?

μ\})}{|\{è???o|??￥?

μ,???é??,??￥é????￥?

μ\}|}+\frac{m(\{è???o|??￥?

μ,???é??,??-?o|??￥?

μ,??￥é????￥?

μ\})}{|\{è???o|??￥?

μ,???é??,??-?o|??￥?

μ,??￥é????￥?

μ\}|}\\&=\frac{0.3}{1}+\frac{0}{2}+\frac{0}{2}+\frac{0}{3}+\frac{0}{2}+\frac{0}{3}+\frac{0}{3}+\frac{0}{4}\\&=0.3\end{align*}同理，可以計(jì)算出其他交通狀態(tài)的Pignistic概率。通過(guò)Pignistic概率轉(zhuǎn)換，將D-S證據(jù)理論中的不確定性信息轉(zhuǎn)化為了傳統(tǒng)的概率形式，使得在決策過(guò)程中能夠更方便地使用這些信息。2.4.2Pignistic區(qū)間長(zhǎng)度計(jì)算Pignistic區(qū)間長(zhǎng)度是基于Pignistic概率計(jì)算得到的，用于衡量證據(jù)的不確定性程度。其計(jì)算原理是通過(guò)計(jì)算Pignistic概率的上下界，得到一個(gè)區(qū)間，區(qū)間的長(zhǎng)度即為Pignistic區(qū)間長(zhǎng)度。具體計(jì)算方法如下：首先，對(duì)于識(shí)別框架\Theta中的每個(gè)命題A，根據(jù)D-S證據(jù)理論中的信任函數(shù)Bel(A)和似然函數(shù)Pl(A)，計(jì)算其Pignistic概率的上下界。信任函數(shù)Bel(A)表示對(duì)命題A為真的最小信任程度，似然函數(shù)Pl(A)表示對(duì)命題A為真的最大信任程度。Pignistic概率的下界BetP_{min}(A)和上界BetP_{max}(A)分別為：BetP_{min}(A)=Bel(A)BetP_{max}(A)=Pl(A)則Pignistic區(qū)間長(zhǎng)度L(A)為：L(A)=BetP_{max}(A)-BetP_{min}(A)=Pl(A)-Bel(A)例如，對(duì)于交通擁堵預(yù)測(cè)中的“中度擁堵”狀態(tài)，若計(jì)算得到其信任函數(shù)Bel(\{??-?o|??￥?

μ\})=0.3，似然函數(shù)Pl(\{??-?o|??￥?

μ\})=0.6，則其Pignistic區(qū)間長(zhǎng)度為：L(\{??-?o|??￥?

μ\})=0.6-0.3=0.3Pignistic區(qū)間長(zhǎng)度越大，說(shuō)明對(duì)該命題的不確定性越高；反之，區(qū)間長(zhǎng)度越小，說(shuō)明不確定性越低，證據(jù)對(duì)該命題的支持越明確。通過(guò)計(jì)算Pignistic區(qū)間長(zhǎng)度，可以直觀地了解證據(jù)的不確定性程度，為后續(xù)的決策和分析提供重要參考。2.4.3在交通擁堵預(yù)測(cè)中的作用在交通擁堵預(yù)測(cè)中，交通數(shù)據(jù)存在諸多不確定性和沖突性。交通傳感器可能受到環(huán)境因素影響，導(dǎo)致數(shù)據(jù)誤差；不同交通模式數(shù)據(jù)來(lái)源不同，存在數(shù)據(jù)不一致問題。Pignistic區(qū)間長(zhǎng)度在處理這些問題上具有重要作用。從不確定性處理角度看，Pignistic區(qū)間長(zhǎng)度能將交通數(shù)據(jù)中的不確定性以直觀的區(qū)間形式表達(dá)。對(duì)于某路段交通流量數(shù)據(jù)，由于傳感器誤差等原因存在不確定性，通過(guò)Pignistic區(qū)間長(zhǎng)度計(jì)算，可得到該路段處于擁堵狀態(tài)概率的區(qū)間。如計(jì)算出處于擁堵狀態(tài)的Pignistic概率區(qū)間為[0.4,0.6]，這表明該路段擁堵概率在0.4到0.6之間，區(qū)間長(zhǎng)度0.2反映了對(duì)該路段擁堵判斷的不確定性程度。交通管理人員可依據(jù)此區(qū)間，結(jié)合實(shí)際情況制定更靈活的交通管理策略。若區(qū)間長(zhǎng)度較小，說(shuō)明對(duì)擁堵狀態(tài)判斷較明確，可針對(duì)性地采取擁堵疏導(dǎo)措施；若區(qū)間長(zhǎng)度較大，表明不確定性高，則需進(jìn)一步收集信息或采取更具彈性的管理方案。在處理沖突性數(shù)據(jù)方面，不同交通數(shù)據(jù)源對(duì)同一交通狀態(tài)的判斷可能存在沖突。道路傳感器數(shù)據(jù)顯示某路段交通暢通，而公交運(yùn)行數(shù)據(jù)卻暗示該路段存在一定擁堵。運(yùn)用D-S證據(jù)理論融合這些數(shù)據(jù)后，通過(guò)Pignistic區(qū)間長(zhǎng)度分析，可有效處理這種沖突。若融合后計(jì)算出該路段處于擁堵狀態(tài)的Pignistic區(qū)間長(zhǎng)度較小，即使數(shù)據(jù)源存在沖突，也能說(shuō)明綜合各證據(jù)后對(duì)擁堵狀態(tài)的判斷較為一致；若區(qū)間長(zhǎng)度較大，則表明數(shù)據(jù)源沖突導(dǎo)致對(duì)擁堵狀態(tài)判斷的不確定性增加，此時(shí)需要對(duì)沖突數(shù)據(jù)源進(jìn)行進(jìn)一步分析和篩選。Pignistic區(qū)間長(zhǎng)度還能幫助確定各數(shù)據(jù)源的可靠性。若某個(gè)數(shù)據(jù)源在融合后導(dǎo)致Pignistic區(qū)間長(zhǎng)度大幅增加，說(shuō)明該數(shù)據(jù)源與其他數(shù)據(jù)源沖突較大，其可靠性可能較低，在后續(xù)分析中可適當(dāng)降低其權(quán)重。三、城市路網(wǎng)交通擁堵模式辨識(shí)3.1城市路網(wǎng)主干道交通流量分析3.1.1交通流量數(shù)據(jù)采集與預(yù)處理交通流量數(shù)據(jù)采集是開展交通擁堵研究的基礎(chǔ)環(huán)節(jié)，準(zhǔn)確、全面的數(shù)據(jù)能夠?yàn)楹罄m(xù)分析提供可靠依據(jù)。本研究采用多種數(shù)據(jù)采集方式相結(jié)合，以獲取豐富的交通流量信息。在城市主干道上，地磁傳感器被廣泛應(yīng)用于采集交通流量數(shù)據(jù)。這些傳感器通常埋設(shè)在道路下方，通過(guò)感應(yīng)車輛通過(guò)時(shí)產(chǎn)生的磁場(chǎng)變化，準(zhǔn)確記錄車輛的通過(guò)數(shù)量和速度信息。地磁傳感器具有安裝方便、維護(hù)成本低、檢測(cè)精度高等優(yōu)點(diǎn)，能夠?qū)崟r(shí)、連續(xù)地監(jiān)測(cè)交通流量。在某城市主干道的多個(gè)路段安裝地磁傳感器，可獲取不同時(shí)段的交通流量數(shù)據(jù)，為分析該主干道的交通運(yùn)行狀況提供基礎(chǔ)數(shù)據(jù)支持。視頻攝像頭也是常用的交通流量采集設(shè)備。通過(guò)對(duì)攝像頭拍攝的視頻圖像進(jìn)行分析，利用圖像處理和計(jì)算機(jī)視覺技術(shù)，可以識(shí)別車輛的類型、數(shù)量和行駛軌跡。視頻攝像頭不僅能夠獲取交通流量數(shù)據(jù)，還能直觀地展現(xiàn)道路上的交通狀況，如車輛排隊(duì)長(zhǎng)度、行駛方向等信息。在交通流量較大的路段和交叉口設(shè)置高清視頻攝像頭，能夠全面監(jiān)測(cè)交通流的動(dòng)態(tài)變化，為交通流量分析提供更豐富的信息。為確保采集到的數(shù)據(jù)準(zhǔn)確可靠，需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。數(shù)據(jù)清洗是預(yù)處理的關(guān)鍵步驟，旨在去除數(shù)據(jù)中的噪聲和異常值。采用基于統(tǒng)計(jì)學(xué)方法的3\sigma準(zhǔn)則來(lái)檢測(cè)和剔除異常值。對(duì)于交通流量數(shù)據(jù)，若某個(gè)數(shù)據(jù)點(diǎn)與均值的偏差超過(guò)3倍標(biāo)準(zhǔn)差，則認(rèn)為該數(shù)據(jù)點(diǎn)為異常值，予以剔除。假設(shè)某路段的交通流量數(shù)據(jù)均值為\mu，標(biāo)準(zhǔn)差為\sigma，若某個(gè)時(shí)刻的交通流量數(shù)據(jù)x滿足\vertx-\mu\vert\gt3\sigma，則將x視為異常值進(jìn)行處理。通過(guò)這種方法，可以有效去除因傳感器故障、數(shù)據(jù)傳輸錯(cuò)誤等原因?qū)е碌漠惓?shù)據(jù)，提高數(shù)據(jù)質(zhì)量。對(duì)于存在缺失值的數(shù)據(jù)，采用線性插值法進(jìn)行填補(bǔ)。線性插值法是根據(jù)缺失值前后的數(shù)據(jù)點(diǎn)，通過(guò)線性擬合的方式估算缺失值。若某路段在某一時(shí)刻的交通流量數(shù)據(jù)缺失，而其前一時(shí)刻的流量為x_1，后一時(shí)刻的流量為x_2，則該缺失值可估算為x=x_1+\frac{t-t_1}{t_2-t_1}(x_2-x_1)，其中t為缺失值對(duì)應(yīng)的時(shí)刻，t_1和t_2分別為前后時(shí)刻。這種方法能夠在一定程度上保留數(shù)據(jù)的連續(xù)性和趨勢(shì)性，為后續(xù)分析提供完整的數(shù)據(jù)序列。由于不同采集設(shè)備獲取的數(shù)據(jù)量綱和范圍可能不同，為了消除量綱和數(shù)量級(jí)的影響，對(duì)數(shù)據(jù)進(jìn)行歸一化處理。采用最大-最小歸一化方法，將數(shù)據(jù)映射到[0,1]區(qū)間。對(duì)于某一交通流量數(shù)據(jù)x，其歸一化后的結(jié)果為y=\frac{x-x_{min}}{x_{max}-x_{min}}，其中x_{min}和x_{max}分別為該數(shù)據(jù)列中的最小值和最大值。通過(guò)歸一化處理，使得不同數(shù)據(jù)源的數(shù)據(jù)具有可比性，有利于后續(xù)的數(shù)據(jù)分析和模型訓(xùn)練。3.1.2交通流量時(shí)間序列特征分析交通流量時(shí)間序列具有明顯的周期性特征，這種周期性主要體現(xiàn)在日周期和周周期上。以日周期為例，一天中交通流量呈現(xiàn)出典型的雙峰分布。在工作日，早高峰通常出現(xiàn)在早上7點(diǎn)至9點(diǎn)，此時(shí)居民集中出行上班，交通流量急劇增加，達(dá)到當(dāng)天的第一個(gè)峰值。晚高峰則出現(xiàn)在下午5點(diǎn)至7點(diǎn)，人們結(jié)束一天的工作后返程，交通流量再次大幅上升，形成第二個(gè)峰值。在非高峰時(shí)段，交通流量相對(duì)較低且較為平穩(wěn)。通過(guò)對(duì)某城市主干道連續(xù)一周的交通流量數(shù)據(jù)進(jìn)行分析，繪制出日交通流量變化曲線，可以清晰地看到這種雙峰分布特征。在早高峰時(shí)段，該主干道的交通流量可達(dá)到每小時(shí)3000輛以上，而在非高峰時(shí)段，流量則降至每小時(shí)1000輛左右。從周周期來(lái)看，工作日的交通流量相對(duì)穩(wěn)定且較高，而周末的交通流量模式與工作日存在一定差異。周末由于居民出行目的和時(shí)間更為分散，早高峰和晚高峰的特征相對(duì)不明顯，整體交通流量也會(huì)有所下降。通過(guò)對(duì)比分析某城市一周內(nèi)工作日和周末的交通流量數(shù)據(jù)，發(fā)現(xiàn)周末的日均交通流量比工作日低約20%。在周末，早高峰時(shí)段的交通流量峰值相對(duì)較低，且持續(xù)時(shí)間較短，交通流量的變化相對(duì)較為平緩。除了周期性，交通流量時(shí)間序列還具有趨勢(shì)性。隨著城市的發(fā)展，機(jī)動(dòng)車保有量不斷增加，城市交通需求持續(xù)增長(zhǎng)，交通流量也呈現(xiàn)出逐漸上升的長(zhǎng)期趨勢(shì)。對(duì)某城市過(guò)去十年的交通流量數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)該城市主干道的年平均交通流量以每年5%的速度增長(zhǎng)。這種趨勢(shì)性不僅反映了城市交通需求的變化，也對(duì)交通規(guī)劃和管理提出了更高的要求。在制定交通發(fā)展戰(zhàn)略時(shí)，需要充分考慮交通流量的增長(zhǎng)趨勢(shì)，合理規(guī)劃交通基礎(chǔ)設(shè)施建設(shè)，以滿足未來(lái)的交通需求。交通流量還存在一定的波動(dòng)性，這種波動(dòng)性受到多種因素的影響。突發(fā)事件是導(dǎo)致交通流量波動(dòng)的重要因素之一，如交通事故、道路施工、惡劣天氣等。當(dāng)發(fā)生交通事故時(shí)，事故現(xiàn)場(chǎng)周邊道路的交通流量會(huì)迅速減少，而其他相關(guān)道路的交通流量則會(huì)因車輛繞行而增加。惡劣天氣如暴雨、大雪等也會(huì)對(duì)交通流量產(chǎn)生顯著影響，惡劣天氣會(huì)降低道路的通行能力，導(dǎo)致車輛行駛速度減慢，交通流量下降。在暴雨天氣下，某城市主干道的交通流量可能會(huì)減少30%-50%，且交通擁堵情況會(huì)明顯加劇。大型活動(dòng)的舉辦也會(huì)導(dǎo)致周邊區(qū)域的交通流量在短時(shí)間內(nèi)大幅增加，如舉辦體育賽事、演唱會(huì)等活動(dòng)時(shí)，大量觀眾前往活動(dòng)場(chǎng)地，會(huì)使周邊道路的交通流量激增，給交通管理帶來(lái)巨大壓力。3.1.3不同時(shí)間段交通流量對(duì)比為深入了解城市路網(wǎng)交通流量的變化規(guī)律，對(duì)不同時(shí)間段的交通流量進(jìn)行對(duì)比分析具有重要意義。通過(guò)對(duì)比工作日、周末和節(jié)假日的交通流量，能夠清晰地揭示出不同時(shí)間段交通流量的差異和特點(diǎn)。在工作日，交通流量呈現(xiàn)出明顯的早晚高峰特征，如前文所述，早高峰和晚高峰時(shí)段交通流量較大，道路飽和度高，容易出現(xiàn)交通擁堵。在某一線城市的主要干道，工作日早高峰期間的平均車速可能降至每小時(shí)20公里以下，交通擁堵狀況較為嚴(yán)重。非高峰時(shí)段的交通流量相對(duì)較為穩(wěn)定，但仍維持在一定的水平。周末的交通流量模式與工作日有顯著不同。由于人們的工作和學(xué)習(xí)活動(dòng)減少，出行目的更多以休閑娛樂為主，出行時(shí)間相對(duì)分散。早高峰和晚高峰的特征相對(duì)不明顯，交通流量在一天中的分布較為均勻。與工作日相比，周末的整體交通流量通常會(huì)有所下降。根據(jù)對(duì)多個(gè)城市的交通流量數(shù)據(jù)統(tǒng)計(jì)分析，周末的日均交通流量比工作日低15%-25%。周末的交通擁堵情況相對(duì)較輕，道路通行狀況較好。節(jié)假日的交通流量變化更為復(fù)雜，受到節(jié)假日類型、人們的出行習(xí)慣和旅游活動(dòng)等多種因素的影響。在法定節(jié)假日，如春節(jié)、國(guó)慶節(jié)等，人們的出行需求大幅增加，交通流量呈現(xiàn)出明顯的節(jié)前和節(jié)后高峰。在春節(jié)前夕，大量人員返鄉(xiāng)，城市的出城方向交通流量劇增；而節(jié)后返程時(shí)，進(jìn)城方向的交通流量則會(huì)達(dá)到高峰。在國(guó)慶節(jié)期間，旅游出行成為主要的出行方式，熱門旅游景點(diǎn)周邊的道路和高速公路的交通流量會(huì)大幅上升，容易出現(xiàn)長(zhǎng)時(shí)間、大面積的交通擁堵。以某著名旅游城市為例，國(guó)慶節(jié)期間，通往景區(qū)的主要道路日均交通流量比平時(shí)增加5倍以上，景區(qū)周邊停車場(chǎng)一位難求，交通擁堵嚴(yán)重影響了游客的出行體驗(yàn)。而一些小型節(jié)假日，如端午節(jié)、中秋節(jié)等，交通流量的變化相對(duì)較小，但仍會(huì)比工作日有所增加。這些節(jié)假日期間，人們通常會(huì)選擇短途出行或走親訪友，城市周邊的交通流量會(huì)有所上升，部分城市的周邊短途自駕游線路在節(jié)假日期間的交通流量可比平日增長(zhǎng)30%-50%。通過(guò)對(duì)不同時(shí)間段交通流量的對(duì)比分析，可以為交通管理部門制定針對(duì)性的交通管理策略提供依據(jù)，在高峰時(shí)段加強(qiáng)交通疏導(dǎo)，優(yōu)化交通信號(hào)配時(shí)，提高道路通行能力，以緩解交通擁堵狀況。3.2基于加權(quán)K-means算法的交通擁堵模式辨識(shí)3.2.1K-means聚類算法基本知識(shí)K-means聚類算法是一種經(jīng)典的無(wú)監(jiān)督學(xué)習(xí)算法，在數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域有著廣泛的應(yīng)用。其基本原理是將數(shù)據(jù)集中的n個(gè)數(shù)據(jù)點(diǎn)劃分為k個(gè)聚類，使得每個(gè)聚類內(nèi)的數(shù)據(jù)點(diǎn)相似度較高，而不同聚類之間的數(shù)據(jù)點(diǎn)相似度較低。該算法的具體步驟如下：初始化聚類中心：從數(shù)據(jù)集中隨機(jī)選擇k個(gè)數(shù)據(jù)點(diǎn)作為初始聚類中心。這些初始聚類中心的選擇對(duì)算法的最終結(jié)果有一定影響，若選擇不當(dāng)，可能導(dǎo)致算法收斂到局部最優(yōu)解。在對(duì)交通流量數(shù)據(jù)進(jìn)行聚類時(shí)，可從歷史交通流量數(shù)據(jù)中隨機(jī)選取k個(gè)時(shí)間點(diǎn)的流量數(shù)據(jù)作為初始聚類中心。計(jì)算距離并分配數(shù)據(jù)點(diǎn)：計(jì)算數(shù)據(jù)集中每個(gè)數(shù)據(jù)點(diǎn)到k個(gè)聚類中心的距離，通常使用歐氏距離作為距離度量。對(duì)于每個(gè)數(shù)據(jù)點(diǎn)，將其分配到距離最近的聚類中心所在的聚類中。對(duì)于一個(gè)交通流量數(shù)據(jù)點(diǎn)，計(jì)算它與各個(gè)初始聚類中心的歐氏距離，若與某個(gè)聚類中心的距離最短，則將該數(shù)據(jù)點(diǎn)劃分到這個(gè)聚類中。更新聚類中心：計(jì)算每個(gè)聚類內(nèi)所有數(shù)據(jù)點(diǎn)的均值，將均值作為新的聚類中心。在交通流量聚類中，對(duì)于某個(gè)聚類，計(jì)算該聚類內(nèi)所有交通流量數(shù)據(jù)點(diǎn)的平均值，以此作為新的聚類中心。迭代直至收斂：重復(fù)步驟2和步驟3，不斷更新數(shù)據(jù)點(diǎn)的聚類分配和聚類中心，直到聚類中心不再發(fā)生顯著變化或達(dá)到預(yù)設(shè)的迭代次數(shù)。在每次迭代中，數(shù)據(jù)點(diǎn)會(huì)不斷向更合適的聚類移動(dòng)，聚類中心也會(huì)不斷調(diào)整，直到算法收斂。K-means聚類算法具有一些顯著優(yōu)點(diǎn)。算法原理簡(jiǎn)單，易于理解和實(shí)現(xiàn)，計(jì)算效率較高，適用于大規(guī)模數(shù)據(jù)集。該算法能夠快速地對(duì)數(shù)據(jù)進(jìn)行聚類，在處理大量交通數(shù)據(jù)時(shí)，能夠在較短時(shí)間內(nèi)得到聚類結(jié)果。它對(duì)于一些簇類結(jié)構(gòu)明顯的數(shù)據(jù)，聚類效果較好，能夠有效地將數(shù)據(jù)劃分成不同的類別。在交通擁堵模式辨識(shí)中，對(duì)于具有明顯特征的交通擁堵數(shù)據(jù)，K-means算法能夠準(zhǔn)確地將其分為不同的擁堵模式類別。然而，K-means算法也存在一些局限性。該算法需要預(yù)先指定聚類的數(shù)量k，但在實(shí)際應(yīng)用中，k值的選擇往往比較困難，不同的k值可能會(huì)導(dǎo)致不同的聚類結(jié)果。在交通擁堵模式辨識(shí)中，若k值選擇不當(dāng)，可能會(huì)將交通擁堵模式劃分得過(guò)細(xì)或過(guò)粗，影響對(duì)交通擁堵情況的準(zhǔn)確分析。K-means算法對(duì)初始聚類中心的選擇比較敏感，不同的初始聚類中心可能會(huì)使算法收斂到不同的局部最優(yōu)解。若初始聚類中心選擇在數(shù)據(jù)分布的邊緣或異常點(diǎn)附近，可能會(huì)導(dǎo)致聚類結(jié)果偏差較大。該算法對(duì)于非球形的聚類或大小差異很大的聚類，聚類效果可能不佳。在交通數(shù)據(jù)中，若存在一些復(fù)雜的交通擁堵模式，其數(shù)據(jù)分布可能呈現(xiàn)非球形或大小差異較大的情況，K-means算法可能無(wú)法準(zhǔn)確地對(duì)其進(jìn)行聚類。3.2.2加權(quán)K-means算法改進(jìn)為了克服K-means算法的局限性，提高其在交通擁堵模式辨識(shí)中的準(zhǔn)確性和穩(wěn)定性，對(duì)K-means算法進(jìn)行加權(quán)改進(jìn)。加權(quán)K-means算法的改進(jìn)思路主要體現(xiàn)在兩個(gè)方面：一是在計(jì)算數(shù)據(jù)點(diǎn)與聚類中心的距離時(shí)，引入權(quán)重系數(shù)；二是在更新聚類中心時(shí)，考慮數(shù)據(jù)點(diǎn)的權(quán)重。在計(jì)算距離時(shí)，傳統(tǒng)的K-means算法使用歐氏距離作為距離度量，而加權(quán)K-means算法根據(jù)數(shù)據(jù)點(diǎn)的重要性或可靠性為每個(gè)維度賦予不同的權(quán)重。在交通擁堵模式辨識(shí)中，交通流量、速度和占有率等不同交通參數(shù)對(duì)擁堵模式的影響程度不同。交通流量和速度可能是判斷交通擁堵的關(guān)鍵因素，而占有率的影響相對(duì)較小。因此，可以為交通流量和速度賦予較大的權(quán)重，為占有率賦予較小的權(quán)重。具體計(jì)算距離的公式如下：d_{ij}=\sqrt{\sum_{k=1}^{m}w_{k}(x_{ik}-c_{jk})^2}其中，d_{ij}表示第i個(gè)數(shù)據(jù)點(diǎn)與第j個(gè)聚類中心的加權(quán)距離，x_{ik}表示第i個(gè)數(shù)據(jù)點(diǎn)的第k個(gè)維度的值，c_{jk}表示第j個(gè)聚類中心的第k個(gè)維度的值，w_{k}表示第k個(gè)維度的權(quán)重，m表示數(shù)據(jù)點(diǎn)的維度。在更新聚類中心時(shí)，加權(quán)K-means算法考慮每個(gè)數(shù)據(jù)點(diǎn)的權(quán)重。對(duì)于每個(gè)聚類，新的聚類中心的計(jì)算方式為：c_j=\frac{\sum_{i=1}^{n}w_{i}x_{i}}{\sum_{i=1}^{n}w_{i}}其中，c_j表示第j個(gè)聚類的新中心，x_{i}表示屬于第j個(gè)聚類的第i個(gè)數(shù)據(jù)點(diǎn)，w_{i}表示第i個(gè)數(shù)據(jù)點(diǎn)的權(quán)重，n表示屬于第j個(gè)聚類的數(shù)據(jù)點(diǎn)數(shù)量。通過(guò)這種加權(quán)改進(jìn)，加權(quán)K-means算法能夠更好地適應(yīng)交通數(shù)據(jù)的特點(diǎn)。對(duì)于重要性高的數(shù)據(jù)點(diǎn)，賦予較大的權(quán)重，使其在聚類過(guò)程中發(fā)揮更大的作用，從而提高聚類結(jié)果的準(zhǔn)確性。在交通擁堵模式辨識(shí)中，對(duì)于那些能夠準(zhǔn)確反映交通擁堵狀況的數(shù)據(jù)點(diǎn)，如來(lái)自可靠傳感器的交通流量數(shù)據(jù)，賦予較大權(quán)重，能夠使聚類結(jié)果更符合實(shí)際交通擁堵情況。加權(quán)改進(jìn)還可以增強(qiáng)算法對(duì)噪聲和異常值的魯棒性。對(duì)于可能存在誤差或異常的數(shù)據(jù)點(diǎn)，賦予較小的權(quán)重，降低其對(duì)聚類結(jié)果的影響。若某個(gè)交通傳感器出現(xiàn)故障，導(dǎo)致數(shù)據(jù)異常，通過(guò)賦予該數(shù)據(jù)點(diǎn)較小的權(quán)重，可以避免其對(duì)聚類結(jié)果產(chǎn)生較大干擾。3.2.3交通擁堵模式辨識(shí)步驟基于加權(quán)K-means算法的交通擁堵模式辨識(shí)具體步驟如下：數(shù)據(jù)準(zhǔn)備：收集城市路網(wǎng)中多個(gè)路段的交通流量、速度、占有率等交通參數(shù)數(shù)據(jù)。對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗，去除噪聲和異常值；數(shù)據(jù)歸一化，將不同量綱的數(shù)據(jù)轉(zhuǎn)換到相同的尺度，以便于后續(xù)計(jì)算。確定權(quán)重：根據(jù)交通參數(shù)對(duì)交通擁堵的影響程度，確定每個(gè)交通參數(shù)的權(quán)重。采用專家經(jīng)驗(yàn)法，邀請(qǐng)交通領(lǐng)域的專家根據(jù)其專業(yè)知識(shí)和實(shí)踐經(jīng)驗(yàn)，對(duì)交通流量、速度、占有率等參數(shù)的重要性進(jìn)行評(píng)估，從而確定相應(yīng)的權(quán)重。也可以使用主成分分析（PCA）等方法，通過(guò)對(duì)數(shù)據(jù)的分析來(lái)確定權(quán)重。PCA方法可以將多個(gè)相關(guān)變量轉(zhuǎn)換為少數(shù)幾個(gè)不相關(guān)的綜合變量，這些綜合變量的方差貢獻(xiàn)率可以作為確定權(quán)重的依據(jù)。初始化聚類中心：從預(yù)處理后的數(shù)據(jù)集中隨機(jī)選擇k個(gè)數(shù)據(jù)點(diǎn)作為初始聚類中心。為了提高算法的穩(wěn)定性，可以多次隨機(jī)選擇初始聚類中心，然后選擇聚類效果最好的一組作為最終的初始聚類中心。計(jì)算距離并分配數(shù)據(jù)點(diǎn)：根據(jù)加權(quán)K-means算法的距離計(jì)算公式，計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到k個(gè)聚類中心的加權(quán)距離，將數(shù)據(jù)點(diǎn)分配到距離最近的聚類中心所在的聚類中。更新聚類中心：按照加權(quán)K-means算法更新聚類中心的公式，計(jì)算每個(gè)聚類內(nèi)數(shù)據(jù)點(diǎn)的加權(quán)均值，作為新的聚類中心。判斷收斂條件：檢查聚類中心是否不再發(fā)生顯著變化或達(dá)到預(yù)設(shè)的迭代次數(shù)。若滿足收斂條件，則進(jìn)入下一步；否則，返回步驟4，繼續(xù)迭代。判斷聚類中心是否發(fā)生顯著變化可以通過(guò)計(jì)算前后兩次聚類中心的距離，若距離小于某個(gè)閾值，則認(rèn)為聚類中心不再發(fā)生顯著變化。確定交通擁堵模式：根據(jù)最終的聚類結(jié)果，分析每個(gè)聚類的特征，確定不同的交通擁堵模式。對(duì)每個(gè)聚類中的交通流量、速度、占有率等參數(shù)進(jìn)行統(tǒng)計(jì)分析，找出每個(gè)聚類的典型特征，如某個(gè)聚類中交通流量大、速度低、占有率高，則可將其定義為嚴(yán)重?fù)矶履Ｊ?；而另一個(gè)聚類中交通流量較小、速度較高、占有率較低，則可定義為暢通模式。通過(guò)對(duì)聚類結(jié)果的分析和解讀，實(shí)現(xiàn)對(duì)交通擁堵模式的準(zhǔn)確辨識(shí)。3.3城市路網(wǎng)擁堵模式特性分析3.3.1不同擁堵模式的時(shí)空分布不同擁堵模式在時(shí)間和空間上呈現(xiàn)出獨(dú)特的分布規(guī)律。在時(shí)間分布方面，早晚高峰時(shí)段是交通擁堵的高發(fā)期，這主要是由于居民通勤和出行需求集中，導(dǎo)致交通流量大幅增加，超過(guò)了道路的承載能力。在工作日，早高峰通常從早上7點(diǎn)左右開始，持續(xù)到9點(diǎn)左右，此時(shí)城市主要道路的交通流量急劇上升，尤其是連接居住區(qū)和工作區(qū)的道路，如北京的東三環(huán)、上海的延安路等，車流量飽和，車輛行駛緩慢，容易出現(xiàn)長(zhǎng)時(shí)間的擁堵。晚高峰則從下午5點(diǎn)左右開始，一直持續(xù)到7點(diǎn)左右，下班的人群和車輛集中返回居住區(qū)，使得道路再次陷入擁堵狀態(tài)。在非高峰時(shí)段，雖然交通流量相對(duì)較小，但部分熱點(diǎn)區(qū)域，如商業(yè)中心、學(xué)校、醫(yī)院等周邊道路，仍可能出現(xiàn)局部擁堵。在周末，由于人們的出行目的和時(shí)間相對(duì)分散，交通擁堵的時(shí)間分布與工作日有所不同。上午和下午的交通流量相對(duì)較為平穩(wěn)，但在晚上，商業(yè)中心和娛樂場(chǎng)所周邊的道路會(huì)出現(xiàn)一定程度的擁堵。節(jié)假日期間，旅游景點(diǎn)周邊道路、高速公路出入口等區(qū)域的交通擁堵情況較為嚴(yán)重，這是因?yàn)榇罅坑慰瓦x擇在節(jié)假日出行，導(dǎo)致交通需求大幅增加。從空間分布來(lái)看，城市中心區(qū)域、交通樞紐、商業(yè)中心和主要干道是交通擁堵的高發(fā)區(qū)域。城市中心區(qū)域通常是城市的政治、經(jīng)濟(jì)和文化中心，吸引了大量的人流和車流，道路的交通負(fù)荷長(zhǎng)期處于較高水平。交通樞紐如火車站、汽車站、機(jī)場(chǎng)等，是不同交通方式的換乘節(jié)點(diǎn)，人員和車輛的集散量大，交通流復(fù)雜，容易出現(xiàn)擁堵。商業(yè)中心周邊道路車流量大，停車位緊張，消費(fèi)者的購(gòu)物出行需求導(dǎo)致交通擁堵時(shí)有發(fā)生。主要干道承擔(dān)著城市交通的主要流量，一旦某個(gè)路段出現(xiàn)交通瓶頸，如道路狹窄、路口通行能力不足等，就會(huì)引發(fā)連鎖反應(yīng)，導(dǎo)致整條干道出現(xiàn)擁堵。在北京市，天安門周邊區(qū)域、北京西站、王府井商業(yè)區(qū)以及長(zhǎng)安街等主要干道，是交通擁堵的重點(diǎn)區(qū)域。在上海，人民廣場(chǎng)、上海南站、南京路步行街以及內(nèi)環(huán)高架等區(qū)域，交通擁堵情況也較為常見。不同擁堵模式在空間上還存在一定的傳播和擴(kuò)散效應(yīng)。當(dāng)某一路段發(fā)生擁堵時(shí)，擁堵會(huì)沿著交通流的方向逐漸傳播，影響周邊路段的交通運(yùn)行。一個(gè)路口的擁堵可能會(huì)導(dǎo)致與之相連的道路出現(xiàn)車輛排隊(duì)積壓，進(jìn)而影響到更廣泛的區(qū)域。交通擁堵還可能通過(guò)支路和次干道擴(kuò)散到周邊的居民區(qū)和商業(yè)區(qū)，給居民的生活和商業(yè)活動(dòng)帶來(lái)不便。3.3.2擁堵模式與交通參數(shù)的關(guān)系擁堵模式與交通流量、速度、密度等參數(shù)之間存在著密切的關(guān)聯(lián)。交通流量是影響擁堵模式的關(guān)鍵因素之一。當(dāng)交通流量較小時(shí)，車輛之間的間距較大，交通流處于自由流狀態(tài)，道路通行順暢，此時(shí)擁堵模式主要表現(xiàn)為暢通。隨著交通流量的逐漸增加，車輛之間的間距減小，交通流開始出現(xiàn)波動(dòng)，當(dāng)交通流量接近或超過(guò)道路的通行能力時(shí)，車輛行駛速度明顯下降，交通擁堵開始出現(xiàn)。在交通流量持續(xù)增加的情況下，擁堵程度會(huì)不斷加劇，從輕度擁堵逐漸發(fā)展為中度擁堵和嚴(yán)重?fù)矶?。?dāng)交通流量達(dá)到道路通行能力的80%-90%時(shí)，道路可能會(huì)出現(xiàn)輕度擁堵，車輛行駛速度略有下降；當(dāng)交通流量超過(guò)道路通行能力時(shí)，擁堵程度會(huì)迅速加重，車輛行駛緩慢甚至停滯。交通速度與擁堵模式也有著直接的關(guān)系。在暢通的交通狀態(tài)下，車輛能夠以較高的速度行駛，接近道路的設(shè)計(jì)速度。隨著擁堵程度的加劇，車輛行駛速度逐漸降低。在輕度擁堵時(shí)，車輛速度可能會(huì)下降到正常速度的60%-80%；在中度擁堵時(shí)，速度進(jìn)一步下降到30%-60%；而在嚴(yán)重?fù)矶聲r(shí)，車輛速度可能會(huì)降至極低水平，甚至接近于零。通過(guò)對(duì)某城市主干道交通數(shù)據(jù)的分析發(fā)現(xiàn)，在暢通時(shí)段，車輛平均速度可達(dá)每小時(shí)60公里以上；在輕度擁堵時(shí)段，平均速度降至每小時(shí)40-60公里；在中度擁堵時(shí)段，平均速度為每小時(shí)20-40公里；在嚴(yán)重?fù)矶聲r(shí)段，平均速度則低于每小時(shí)20公里。交通密度是指單位長(zhǎng)度道路上的車輛數(shù)量，它與擁堵模式密切相關(guān)。當(dāng)交通密度較低時(shí)，車輛之間的間距較大，交通流處于自由流狀態(tài)，道路暢通。隨著交通密度的增加，車輛之間的相互影響逐漸增強(qiáng)，交通流的穩(wěn)定性下降。當(dāng)交通密度達(dá)到一定程度時(shí)，車輛行駛受到嚴(yán)重阻礙，交通擁堵加劇。在交通擁堵時(shí)，交通密度會(huì)顯著增加，道路上車輛密集排列，甚至出現(xiàn)車輛排隊(duì)溢出的情況。在某城市的一條雙向四車道道路上，當(dāng)交通密度達(dá)到每公里100輛車時(shí)，交通開始出現(xiàn)擁堵跡象；當(dāng)交通密度達(dá)到每公里200輛車時(shí)，擁堵程度較為嚴(yán)重，車輛行駛緩慢。交通流量、速度和密度之間還存在著相互制約的關(guān)系。根據(jù)交通流理論，交通流量等于交通速度與交通密度的乘積。當(dāng)交通流量一定時(shí)，速度和密度成反比關(guān)系。在交通擁堵時(shí)，由于車輛行駛速度下降，為了保持一定的交通流量，交通密度會(huì)相應(yīng)增加。交通參數(shù)還受到道路條件、交通管理措施、駕駛員行為等多種因素的影響。道路的寬度、車道數(shù)量、坡度、彎道等條件會(huì)影響車輛的行駛速度和通行能力；交通管理措施如交通信號(hào)控制、車道劃分、交通管制等，會(huì)對(duì)交通流量、速度和密度產(chǎn)生調(diào)節(jié)作用；駕駛員的駕駛習(xí)慣、反應(yīng)速度、遵守交通規(guī)則的程度等，也會(huì)影響交通流的運(yùn)行狀態(tài)。3.3.3擁堵模式的演化規(guī)律擁堵模式隨時(shí)間的演化過(guò)程呈現(xiàn)出一定的規(guī)律。在交通擁堵的初始階段，通常是由于某個(gè)局部區(qū)域的交通流量突然增加，如突發(fā)交通事故、道路施工、大型活動(dòng)等，導(dǎo)致該區(qū)域的交通流出現(xiàn)異常，車輛行駛速度下降，交通密度增大。這種局部的擁堵現(xiàn)象會(huì)隨著時(shí)間的推移逐漸傳播和擴(kuò)散，影響到周邊區(qū)域的交通運(yùn)行。一個(gè)路口的交通事故可能會(huì)導(dǎo)致該路口的車輛排隊(duì)積壓，進(jìn)而影響到與之相連的道路，使擁堵范圍不斷擴(kuò)大。隨著擁堵范圍的擴(kuò)大，交通擁堵會(huì)進(jìn)入發(fā)展階段。在這個(gè)階段，擁堵區(qū)域的交通流量持續(xù)增加，而道路的通行能力由于擁堵的影響而下降，導(dǎo)致?lián)矶鲁潭炔粩嗉觿?。車輛行駛速度進(jìn)一步降低，交通密度持續(xù)增大，交通擁堵從輕度擁堵逐漸發(fā)展為中度擁堵甚至嚴(yán)重?fù)矶隆Ｔ诮煌〒矶碌陌l(fā)展過(guò)程中，還可能出現(xiàn)擁堵的轉(zhuǎn)移現(xiàn)象。當(dāng)某個(gè)區(qū)域的擁堵情況過(guò)于嚴(yán)重時(shí)，駕駛員會(huì)選擇繞行，導(dǎo)致其他原本暢通的道路出現(xiàn)交通流量增加，從而引發(fā)新的擁堵。在交通擁堵發(fā)展到一定程度后，如果沒有采取有效的交通管理措施，擁堵可能會(huì)進(jìn)入穩(wěn)定階段。在穩(wěn)定階段，擁堵區(qū)域的交通流量和通行能力達(dá)到一種相對(duì)平衡的狀態(tài)，擁堵程度不再明顯加劇，但也難以自行緩解。交通擁堵會(huì)持續(xù)較長(zhǎng)時(shí)間，給城市交通和居民生活帶來(lái)極大的不便。如果交通管理部門及時(shí)采取有效的交通管制、誘導(dǎo)分流、信號(hào)優(yōu)化等措施，交通擁堵可能會(huì)進(jìn)入消散階段。通過(guò)合理的交通管理措施，可以調(diào)整交通流量的分布，提高道路的通行能力，使擁堵區(qū)域的交通流量逐漸減少，擁堵程度逐漸減輕，最終實(shí)現(xiàn)交通擁堵的消散。四、基于證據(jù)理論的城市路網(wǎng)多模式擁堵預(yù)測(cè)方法4.1改進(jìn)的證據(jù)組合規(guī)則4.1.1傳統(tǒng)證據(jù)組合規(guī)則的局限性傳統(tǒng)的Dempster組合規(guī)則在處理沖突證據(jù)時(shí)存在明顯的局限性。當(dāng)多個(gè)證據(jù)源之間存在高度沖突時(shí)，直接應(yīng)用Dempster組合規(guī)則可能會(huì)得出與常理相悖的結(jié)果。假設(shè)在交通擁堵預(yù)測(cè)中，對(duì)于某路段的交通狀態(tài)判斷，有兩個(gè)證據(jù)源。證據(jù)源1認(rèn)為該路段處于暢通狀態(tài)的基本可信度分配m_1(\{???é??\})=0.9，處于擁堵狀態(tài)的基本可信度分配m_1(\{??￥?

μ\})=0.1；證據(jù)源2則認(rèn)為處于暢通狀態(tài)的基本可信度分配m_2(\{???é??\})=0.1，處于擁堵狀態(tài)的基本可信度分配m_2(\{??￥?

μ\})=0.9。這兩個(gè)證據(jù)源對(duì)該路段的交通狀態(tài)判斷存在很大沖突。按照Dempster組合規(guī)則計(jì)算沖突系數(shù)K：\begin{align*}K&=m_1(\{???é??\})m_2(\{??￥?

μ\})+m_1(\{??￥?

μ\})m_2(\{???é??\})\\&=0.9??0.9+0.1??0.1\\&=0.81+0.01\\&=0.82\end{align*}再計(jì)算組合后的基本可信度分配，對(duì)于“暢通”狀態(tài)：\begin{align*}m(\{???é??\})&=\frac{1}{1-0.82}\times(m_1(\{???é??\})m_2(\{???é??\})\\&=\frac{1}{0.18}\times(0.9??0.1)\\&=\frac{0.09}{0.18}\\&=0.5\end{align*}對(duì)于“擁堵”狀態(tài)：\begin{align*}m(\{??￥?

μ\})&=\frac{1}{1-0.82}\times(m_1(\{??￥?

μ\})m_2(\{??￥?

μ\})\\&=\frac{1}{0.18}\times(0.1??0.9)\\&=\frac{0.09}{0.18}\\&=0.5\end{align*}可以看到，盡管兩個(gè)證據(jù)源對(duì)暢通和擁堵的判斷差異很大，但組合結(jié)果卻顯示暢通和擁堵的可能性相同，這顯然不符合實(shí)際情況。在實(shí)際交通中，這樣的沖突證據(jù)組合結(jié)果會(huì)導(dǎo)致對(duì)交通擁堵狀態(tài)的誤判，給交通管理和出行決策帶來(lái)誤導(dǎo)。傳統(tǒng)Dempster