交通系统属于高风险系统，交通拥堵是交通系统中各种因素综合影响的结果。因此，对于交通拥堵风险的评估可以采用和借鉴其他类似系统的风险评估方法。由于交通拥堵风险的形成机理十分复杂，且受到交通系统中多个因素的综合影响，因此需要综合运用上述介绍的风险评估方法。风险评估方法在交通拥堵风险评估中的基本应用示意如图3-2所示。无论是常发性交通拥堵风险还是偶发性交通拥堵风险都可以运用上述介绍的风险评估方法中的一种，或是综合运用上述方法。

图3-2　风险评估方法在交通拥堵风险评估中的基本应用示意

在对交通拥堵风险评估的过程中，往往需要定性或者定量的分析手段。但是，交通拥堵风险要素的量化比较困难，另外定量分析用的历史数据也相当缺乏，因此在交通拥堵风险评估的过程中，需要采用定性的量化方法，例如运用专家打分法、层次分析法等进行评估。不同类别的风险评估，需要根据模型中的指标数量以及指标之间的关联程度，选择适合的智能方法。智能算法弥补解决了传统分析法在评估风险时依赖评估者的主观判断这一问题。很多的智能算法例如贝叶斯网络、遗传算法、模糊综合评判等，或者几种方法的结合，已被广泛应用于风险评估中[12]。

交通拥堵风险预测是依据相应的拥堵风险评估模型，运用统计方法研究模型中各参数对交通拥堵风险的影响规律，进而掌握交通拥堵风险的发展规律，辨识当前的拥堵状况，并对未来一定时段内的风险情况进行预测，从而在拥堵发生前采取措施将风险降到最低，或在交通拥堵发生后采取及时、有效的措施进行疏导。根据预测对象、预测理论的不同，交通拥堵预测方法的分类也有所不同。

1.基于预测对象分类

根据预测对象的不同，交通拥堵风险预测方法可分为直接预测与间接预测两类。

(1)直接预测。直接预测指运用合适的数理统计模型，直接对风险评估模型中已建立的拥堵风险量化指标进行预测。

(2)间接预测。间接预测指先对交通拥堵风险评估模型中的各项参数进行预测，进而计算得到交通拥堵风险值，实现交通拥堵风险的间接预测。

2.基于预测理论分类

根据预测理论的不同，交通拥堵风险预测方法主要分为基于统计理论、基于模糊理论、基于机器学习和基于交通仿真这四类。

1)基于统计理论的预测方法

基于统计理论的预测是一种常用的预测方法，其以实际资料为预测依据，以理论为预测基础，以数学模型为预测手段，侧重于从概率的角度挖掘交通拥堵风险中各参数的时空模式，并利用这种时空相关信息进行预测。常用的方法与模型包括时间序列法、ARIMA 模型[13]、多元回归模型[14]、聚类算法[15]等。其中，时间序列法主要将参数看作一组时间序列，并利用不同模型与方法分析其变化趋势，常用的模型有移动平均模型、指数平滑模型等。

基于统计理论的预测方法主要针对客观的交通拥堵参数展开分析与预测，其对历史数据依赖性较高，不同模型与方法对参数序列的平稳性有不同要求。

2)基于模糊理论的预测方法

基于模糊理论(Fuzzy Theory)的预测方法涉及模糊集合的基本概念或连续隶属度函数理论，其侧重于对交通拥堵风险受各参数影响的偶然性、模糊性、不确定性进行综合考虑，以弥补样本少、信息贫瘠参数的不足，并在对各参数分析与判别的基础上，进行交通拥堵风险预测。常用的方法与模型包括各类模糊评判模型[16，17]、灰色理论(Grey Models，GM)[18]等。

3)基于机器学习的预测方法

基于机器学习(Machine Learning，ML)的预测方法可依据对大数据样本的训练，以计算机模拟人类思维的特点，通过不断学习与获取知识、不断重新组织与改善自身结构来解决实际预测问题。在交通拥堵预测问题中，机器学习的相关方法应用十分广泛。常用的方法与模型包括贝叶斯网络模型(Bayesian Network，BN)[19]、支持向量机模型(Support Vector Machine，SVM)[17，20]、遗传算法(Genetic Algorithm，GA)[16，20，21]、马尔科夫模型[22]、各类神经网络模型[23，24]等。许多机器学习相关算法需要大数据的支撑，而不同的机器学习方法对样本量又有不同的要求，同时其训练样本的速度也存在差异。

4)基于交通仿真的预测方法

基于交通仿真的预测方法即利用交通仿真工具对交通运行状况进行模拟，并依据模拟结果对下一时刻的交通拥堵状况进行估计与预测，从而实现对交通拥堵风险在时间和空间上变化的跟踪描述，同时满足微观和宏观的预测需求。常用的交通仿真软件有VISSIM、PARAMICS、TRANSIMS等。若交通拥堵风险由不同参数构成，可将不同模型与分析方法植入仿真软件中，以各参数的预测值作为仿真输入值，实现交通拥堵风险的间接预测。

综上所述，预测方法是十分丰富的，但各类方法在适用性、预测便利性、预测准确度等方面各有利弊。在对交通拥堵风险实际预测的过程中，各类方法的运用并不能完全割裂，而应考虑不同交通拥堵风险评估模型，以及模型中各参数类型与实际样本量，选择合适的方法与模型进行预测。不同方法的组合与优化可以更好地反映实际拥堵风险状况，以弥补各模型与方法的弊端，拓宽其运用范围，提升预测的准确性。

参考文献

[1]隋琦，王瑛，李婷.多源信息结合的雪灾交通风险评估研究[J].地球信息科学学报，2018，20(11)：1571-1578.

[2]于帆，宋英华，霍非舟，等.城市公共场所拥挤踩踏事故统计分析与风险评估研究[J].安全与环境工程，2017，24(1)：126-133.(www.daowen.com)

[3]顾基发，赵丽艳.航天系统安全性分析的概率风险评估方法[J].系统工程与电子技术，1999，21(8)：28-31.

[4]赵丽艳，顾基发.概率风险评估(PRA)方法在我国某型号运载火箭安全性分析中的应用[J].系统工程理论与实践，2000，20(6)：91-97.

[5]唐新华.人工智能在国际风险评估和决策管理中的应用框架[J].当代世界，2018，443(10)：27-30.

[6]冶志良，李浩.基于速度感知差异性的交通拥堵评价分析[J].武汉理工大学学报(交通科学与工程版)，2016，40(6)：1088-1093.

[7]劳云腾，杨晓光，云美萍，等.交通状态检测方法的评价研究[J].交通与计算机，2006，24(6)：74-77.

[8]刘梦涵，于雷，张雪莲，等.基于累积Logistic回归道路交通拥堵强度评价模型[J].北京交通大学学报(自然科学版)，2008，32(6)：52-56.

[9]朱琳，宋国华，于雷，等.基于公众出行感知调研与测算的交通状态实时评价指标[J].北京工业大学学报，2013，39(10)：1526-1531.

[10]PITIPHOOM P，PHOSAARD S，PATTARA-ATIKOM W，et al.Perception-based road traffic congestion classification using neural networks[C]// proceedings of the World Congress on Engineering，London，2009.

[11]Zhu G-y，Lu G-n，Yang C-G，et al.Research on the comprehensive traffic state evaluation model linked with drivers'perception under the vehicle networking[J].Personal and ubiquitous computing，2014，18(8)：1955-1961.

[12]肖敏，刘保占，何晓晨.人工智能在信息安全风险评估中的应用[J].资源节约与环保，2016(2)：148.

[13]韦光波，韦维，胡尧.一种交通拥堵流量范围界定及拥堵预测的方法[J].贵州大学学报(自然科学版)，2012，29(5)：13-16.

[14]熊励，陆悦，杨淑芬.城市道路交通拥堵预测及持续时间研究[J].公路，2017(11)：125-134.

[15]孙灵凤，张国.基于K-means聚类的交通拥堵预测研究[J].现代经济信息，2017(18)：358.

[16]ZHANG X，ONIEVA E，PERALLOS A，et al.Hierarchical fuzzy rule-based system optimized with genetic algorithms for short term traffic congestion prediction[J].Transportation Research Part C：Emerging Technologies，2014，43：127-142.

[17]任其亮.时空路网交通拥堵预测与疏导决策方法研究[D].成都：西南交通大学，2007.

[18]朱连红.基于多维灰色理论的交通拥堵预测[J].公路与汽运，2011(5)：46-48.

[19]陆宇，岳昆，刘惟一.一种基于贝叶斯网的交通拥堵预测方法[J].云南大学学报(自然科学版)，2010(s1)：355-363.

[20]张本士.基于浮动车轨迹的城市交通拥堵评估与预测[D].大连：大连理工大学，2014.

[21]乔春凯，赵佳文.基于时序关联规则挖掘的交通拥堵预测研究[J].科技创新与应用，2017(1)：28-29.

[22]刘张，李坚，王超，等.基于复杂城市道路网络的交通拥堵预测模型[J].电子科技大学学报，2016，45(1)：17-25.

[23]GILMORE J F，ABE N.Neural network models for traffic control and congestion prediction[J].IVHS Journal，1995，2(3)：231-252.

[24]沈小军，陈峻，王晨.基于LVQ 神经网络的交通拥堵预测研究[J].交通运输工程与信息学报，2009，7(3)：97-101，106.