CN101436347A - 一种快速路行程时间预测方法 - Google Patents

Abstract

本发明提出了一种快速路行程时间预测方法。根据快速路上安装的检测器获取各车道速度和流量信息，可以实现对行程时间的计算和预测。具体方法是：首先根据检测器的位置将快速路在空间上划分为若干路段。利用路段中检测器获得的信息计算出检测断面的平均速度，并利用神经网络对速度的未来值进行预测。采用数据融合的方法将检测断面的速度进行融合，得到路段的空间平均速度。然后利用时空离散的方法，计算出路段的行程时间。依次计算出所有路段的行程时间并将其累加，就得到整个快速路的行程时间。利用本发明可以对快速路的行程时间进行预测，从而能够引导车辆合理利用快速路出行，对于缓解大城市交通拥堵具有重要作用。

Description

一种快速路行程时间预测方法

技术领域

本发明涉及智能交通领域，尤其涉及一种用于道路的行程时间预测方法。利用本发明可以对快速路的行程时间进行预测，从而能够引导车辆合理利用快速路出行，缓解大城市交通拥堵问题。

背景技术

在ITS(Intelligent Transportation Systems)智能交通研究领域，以实现道路交通的信息化、智能化为目标的动态交通流信息采集系统的开发与应用正以欧洲、美国、日本为中心迅速展开，为行程时间预测打下了硬件基础。许多其他国家和地区也纷纷投入力量开展行程时间预测的研究活动，目前行程时间预测已成为国际研究的热点问题之一。

随着ITS研究的深入，行程时间预测已有了一些成果。如美国交通预测.COM公司研究的《一种提供旅行时间预测的方法》的专利(CN1434946，2003.08.06)，此发明是一种利用基于互联网的采集和发布信息的技术来预测旅行时间的交通信息系统。这个系统可以说明车辆类型、驾驶员特定的行为以及对未来交通状况的预测，主要考虑到可预测事件及特殊天气状况对交通方式的影响；浙江工业大学研究的《城市交通行程时间智能化分析系统》的专利(CN101017609，2007.08.15)，是一种城市交通行程时间智能化分析系统，考虑车流量、行程时间带来的约束、能够应用到城市复杂网络、适用性好的城市交通行程时间智能化分析系统。这些发明侧重点都在于整个智能交通系统中行程时间所起的辅助作用或外界事件对其的影响。而没有具体针对快速路上精确计算预测行程时间的方法。

发明内容

本发明提出了一种快速路行程时间预测方法。根据快速路上安装的固定型检测器获取的各车道速度和流量信息，实现对行程时间的预测。具体计算方法是：先根据检测器的位置将快速路在空间上划分为若干路段。利用路段中检测器获得的信息计算出检测断面的平均速度，并利用神经网络对速度的未来值进行预测。采用数据融合的方法将检测断面的速度进行融合，得到路段的空间平均速度。然后利用时空离散的方法，计算出路段的行程时间。依次计算出各路段的行程时间并将其累加，得到整个快速路的行程时间。

根据本发明，提出了一种快速路行程时间预测方法，包括下列步骤：

步骤1，将快速路在空间上划分为多个路段，每个路段中含有多组检测器，每组检测器在各个检测周期时刻获得各检测断面各个车道的速度和流量信息；

步骤2，从第一个路段开始，利用检测器获得各个车道车辆通过的速度信息，通过各个车道的速度和流量信息计算出各个检测断面的平均速度；以某一时刻t_i(其中i＝0，1，2，3...)为起始时间，计算出各个检测断面在t_i时刻的平均速度；

步骤3，根据历史测量得到的t_i时刻之前的检测断面平均速度和t_i时刻的检测断面平均速度，利用神经网络预测各个检测断面在t_i时刻之后的速度；

步骤4，进行数据融合，利用各个检测断面的速度融合出整个路段在各个时刻的空间平均速度，并以此计算出车辆通过整个路段的行程时间T_j，j＝1，2，3...；

步骤5，以驶出路段的时刻t_i+1＝t_i+T_j为下一个路段的起点，计算第一个路段结束时t₁＝t₀+T₁，重复上述步骤2-5，计算下一个路段的行程时间，如此重复，直到计算完最后一个路段为止；

步骤6，对各路段的行程时间进行累加，得到对快速路行程预测时间为 $T=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{T}_j.$

根据本发明的一个方面，步骤1中将快速路划分为若干路段的具体方法是：在快速路上以一定间距布设一组检测器，将快速路划分为m个路段，每个路段包含n组相邻检测器，每组检测器检测r个车道。

根据本发明的一个方面，步骤2中计算检测断面的平均速度的具体步骤是：

步骤2-1，给第i个路段(1≤i≤m)中n个检测器组编号为

，1≤j≤n，设第i个路段中n个检测断面的平均速度为

，1≤j≤n；

步骤2-2，计算n个检测断面的平均速度，如下：

$V_{\mathrm{dj}}^i=\frac{\underset{k=1}{\overset{r}{\mathrm{\Σ}}}{f}_{\mathrm{dj}}^k{v}_{\mathrm{dj}}^k}{\underset{k=1}{\overset{r}{\mathrm{\Σ}}}{f}_{\mathrm{dj}}^k},(1\≤j\≤n)$

其中，

是第j组检测器处第k个车道单位时间的流量，1≤k≤r；

是第j组检测器处第k个车道的流速。

根据本发明的一个方面，步骤3中预测各个检测断面未来速度的具体步骤是：

步骤3-1，建立具有多输入、单输出和单隐层的三层BP网络，根据已知的多个时刻的速度作为输入，求出作为输出的未来某一时刻的速度；

步骤3-2，采用试凑法训练网络，根据经验公式确定隐层的神经元个数S；

步骤3-3，选取训练参数，观察训练效果；

步骤3-4，确定使得网络的MSE的值达到最小的神经元个数S；

步骤3-5，利用确定的神经元个数S及所述神经网络预测各个检测断面的速度。

根据本发明的一个方面，步骤4中进行数据融合，计算路段空间平均速度的具体步骤是，利用加权平均算法，计算出第i个路段在t时刻(t为任意检测时刻)的速度V_i(t)，其中(1≤i≤m)，如下：

步骤4-1，n个检测断面的平均速度

，总体服从

的正态分布，且相互独立；

步骤4-2，引入加权因子α_j， $\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_j=1$ ，则空间平均速度的数据融合值为： $V_i\left(t\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_j{V}_{\mathrm{dj}}^i;$

其总的均方误差为： ${\mathrm{\σ}}^2=D\left(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_j{V}_{\mathrm{dj}}^i\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{{\mathrm{\α}}_j}^2{{\mathrm{\σ}}_j}^2;$

步骤4-3，利用柯西不等式的定义，当

$\left(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{{\mathrm{\α}}_j}^2{{\mathrm{\σ}}_j}^2\right)\left(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{{{\mathrm{\σ}}_j}^2}\right)\≥{\left(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_j\right)}^2=1$

等式成立时，总的均方误差达到最小。而等式当且仅当α₁σ₁ ²＝α₂σ₂ ²＝...＝α_nσ_n ²时成立。代入可得

${\mathrm{\σ}}_{\min }^2=1/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{{{\mathrm{\σ}}_j}^2};$

步骤4-4，此时，可以得到等式

${\mathrm{\α}}_{j\min }=1/\left({{\mathrm{\σ}}_j}^2\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{{{\mathrm{\σ}}_j}^2}\right){=\mathrm{\σ}}_{\min }^2/{{\mathrm{\σ}}_j}^2;$

步骤4-5，于是，总的均方误差达到最小的空间平均速度的数据融合值为 $V_i\left(t\right){=V}_i{\left(t\right)}_{\min }=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_{j\min }{V}_{\mathrm{dj}}^i;$

根据本发明的一个方面，步骤5中计算通过路段的行程时间的方法是使用时间离散法，具体步骤是：

步骤5-1，假设目标路段检测器的数据采集时间间隔为Δt，目标路段的长度为L；

步骤5-2，假设一辆车在时刻t进入这个路段，通过预测和数据融合可以得到目标路段在未来时刻t+iΔt(i＝0，1，2，3...)的空间平均速度v_i，i＝0，1，2，3...；

步骤5-3，车辆在Δt时间内的行驶距离为l_i＝v_i×Δt，而车辆在目标路段的累计行驶长度为L_i＝l₀+l₁+...+l_i；

步骤5-4，当L_i-1≤L≤L_i时，车辆在时刻t+iΔt驶出目标路段，从而路段行程时间T_j，j＝1，2，3...，行程时间T_j＝(i×Δt)+(L-L_i-1)/v_i，(i>0)；

步骤5-5，当L₀>L即l₀>L时，车辆在第一个时间间隔Δt内驶出目标路段，则i＝0，行程时间T_j＝L/v₀。

本发明提出的方法可取得以下有益效果：由于实现了对快速路的行程时间进行预测，从而能够引导车辆合理利用快速路出行，对于缓解大城市交通拥堵具有重要作用。实测的交通流数据的计算实例表明，本发明所提出的方法是非常有效的。

为了进一步说明本发明的原理及特性，以下结合附图和具体实施方式对本发明进行详细说明。

附图说明

图1是按照本发明的一个实施方式的快速路行程时间预测方法的流程示意图。

图2是按照本发明的一个实施方式的快速路路段分段方式示意图。

图3是按照本发明的一个实施方式的计算快速路行程时间的流程图。

图4是按照本发明的一个实施方式的仿真结果和真实数据的对比图。

图5是按照本发明的一个实施方式的仿真分析绝对误差和相对误差。

图6是按照本发明的一个实施方式的速度预测效果图。

图7是按照本发明的一个实施方式的速度预测效果图。

图8是按照本发明的一个实施方式的试验路段融合后的速度曲线对比图。

图9是按照本发明的一个实施方式的试验路段融合后的速度曲线对比图。

图10是按照本发明的一个实施方式的时间离散法的计算示意图。

图11是按照本发明的一个实施方式的时间离散法的计算示意图。

图12是按照本发明的一个实施方式的时间离散法方法的误差分析曲线图。

图13是按照本发明的一个实施方式的时间离散法方法的误差分析曲线图。

具体实施方式

下面结合附图详细描述本发明的具体实施方式。

图1是按照本发明的一个实施方式的快速路行程时间预测方法的流程示意图。在该方法中，包括6个步骤：

第1步：将快速路在空间上划分为多个路段；

第2步：利用检测器获得的信息计算出检测断面的平均速度；

第3步：利用BP神经网络对检测断面速度的未来值进行预测；

第4步：利用数据融合的方法，得到各路段的空间平均速度；

第5步：利用时空离散的方法，计算出路段的行程时间；

第6步，各路段的行程时间进行累加，得到对快速路行程时间。

图2是按照本发明的一个实施方式的快速路路段分段方式示意图。下面结合图1、2描述按照本发明的一个实施方式的快速路行程时间预测的方法。

第1步：将快速路在空间上划分为多个路段。

划分路段是根据检测器的位置进行的。本发明适用于所有能检测到流量和速度信息的检测器，而在本实施方式中，采用远程微波交通检测器RTMS(RemoteTraffic Microwave Sensor)来实现流量和速度信息的采集。根据在快速路上设置的RTMS的位置，将快速路在空间上划分为多个路段。每个路段中含有多组检测器，每组检测器所在的路面称为检测断面。

优选地，第1步中将快速路划分为多个路段的具体方法是：检测器在快速路上以一定间距布设，每隔几百米设一组检测器。将快速路划分为m个路段，每个路段包含n组相邻检测器，每组检测器检测r个车道。

优选地，如图2所示，按照本发明的一个实施方式，选择入口和出口之间的快速路作为研究对象。在入口和出口之间的快速路可以分成m个路段，即路段1、路段2……路段m。路段1中含有3组检测器，具有3个检测断面；路段2含有若干组检测器，具有若干个断面，以此类推；路段m含有4组检测器，具有4个检测断面。

第2步：利用检测器获得的信息计算出检测断面的平均速度。

远程微波交通检测器RTMS是一种多功能的交通检测器，这种检测器属于现有技术，其获得的数据包括断面上每一个车道的速度，流量，占有率等。

从第一个路段(即图2中所示的路段1)开始，利用该路段内的检测器获得各个车道车辆通过的即时速度信息和流量信息，通过这些信息计算出各个检测断面的平均速度。以某一时刻t_i(其中i＝0，1，2，3...)为起始时间，计算出各个检测断面在t_i时刻的平均速度，计算第一个路段时i＝0。

优选地，在第2步中计算检测断面的平均速度的具体步骤是：

步骤2-1，给第i个路段(1≤i≤m)中n个检测器组编号为

，1≤j≤n，设第i个路段中n个检测断面的平均速度为

，1≤j≤n；

步骤2-2，计算n个检测断面的平均速度，具体公式如下：

$V_{\mathrm{dj}}^i=\frac{\underset{k=1}{\overset{r}{\mathrm{\Σ}}}{f}_{\mathrm{dj}}^k{v}_{\mathrm{dj}}^k}{\underset{k=1}{\overset{r}{\mathrm{\Σ}}}{f}_{\mathrm{dj}}^k},(1\≤j\≤n)$

其中，

是第j组检测器处第k个车道单位时间的流量，1≤k≤r；

是第j组检测器处第k个车道的流速，即单位时间内通过的车流量。

第3步：利用BP神经网络对检测断面速度的未来值进行预测。

在该步骤中，利用训练过的神经网络对检测断面速度的未来值进行预测。根据历史测量得到的t_i时刻之前的检测断面平均速度和t_i时刻的检测断面平均速度，利用神经网络预测各个检测断面在t_i时刻之后的速度。优选地，该神经网络是BP神经网络。

优选地，在第3步中预测各个检测断面未来速度的具体步骤是：

步骤3-1，建立一个速度预测的BP网络：本网络使用单步预测网络的单步输出作为网络的输入，从而迭代实现网络的多步预测，所以可以确定网络的输出节点个数为1。考虑到交通流的特性，过去10组数据就可以进行对未来值的预测，将网络的输入节点个数定为10。又由于旅行时间预测的实时性，设计一个单隐层的神经网络。综上，确定网络的基本结构为具有10输入、单输出和单隐层的三层BP网络。则未来某一时刻的速度作为输出，可由之前时刻已知的10个时刻的速度作为输入求出；

步骤3-2，根据经验公式 $S=\sqrt{n+m}+\mathrm{\α}$ (其中n，S，m分别为输入层、隐层、输出层的神经元个数，α为1到10)确定中间隐层的神经元个数S。优选地，确定S的过程中，采用试凑法，α从1开始训练网络；

步骤3-3，选取训练参数，观察训练效果；

步骤3-4，确定使得神经网络的MSE(相对均方差)的值达到最小的S；

步骤3-5，利用确定的S及神经网络预测各个检测断面的速度。

第4步：利用数据融合的方法，得到各路段的空间平均速度。

优选地，采用加权平均法进行数据融合，利用各个检测断面的速度融合出整个路段在各个时刻的空间平均速度。并以此计算出车辆通过整个路段的行程时间T_j，j＝1，2，3...，计算第一个路段时j＝1。

优选地，在第4步中进行数据融合，计算路段空间平均速度的具体步骤是，利用加权平均算法，计算出第i个路段在t时刻(t为任意检测时刻)的速度V_i(t)，其中(1≤i≤m)，具体公式如下：

(1)n个检测断面的平均速度

，总体服从

的正态分布，且相互独立；

(2)引入加权因子α_j， $\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_j=1,$ 则空间平均速度的数据融合值为：

$V_i\left(t\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_j{V}_{\mathrm{dj}}^i;$

其总的均方误差为 ${\mathrm{\σ}}^2=D\left(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_j{V}_{\mathrm{dj}}^i\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{{\mathrm{\α}}_j}^2{{\mathrm{\σ}}_j}^2;$

(3)利用柯西不等式的定义，当 $\left(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{{\mathrm{\α}}_j}^2{{\mathrm{\σ}}_j}^2\right)\left(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{{{\mathrm{\σ}}_j}^2}\right)\≥{\left(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_j\right)}^2=1$ 等式成立时，总的均方误差达到最小。而等式当且仅当α₁σ₁ ²＝α₂σ₂ ²＝...＝α_nσ_n ²时成立。代入可得

${\mathrm{\σ}}_{\min }^2=1/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{{{\mathrm{\σ}}_j}^2};$

(4)此时，可以得到等式

${\mathrm{\α}}_{j\min }=1/\left({{\mathrm{\σ}}_j}^2\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{{{\mathrm{\σ}}_j}^2}\right){=\mathrm{\σ}}_{\min }^2/{{\mathrm{\σ}}_j}^2;$

(5)于是，总的均方误差达到最小的空间平均速度的数据融合值为

$V_i\left(t\right){=V}_i{\left(t\right)}_{\min }=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_j{V}_{\mathrm{dj}}^i;$

第5步：利用时空离散的方法，计算出路段的行程时间。

优选地，以驶出路段的时刻t_i+1＝t_i+T_j即为下一个路段的起点，计算第一个路段结束时t₁＝t₀+T₁。重复上述第2-5步，计算下一个路段的行程时间，如此重复，直到计算完最后一个路段(如图2中的路段m)为止。

优选地，第5步中计算车辆通过路段的行程时间的方法是使用时间离散法，具体步骤是：

步骤5-1，假设目标路段检测器的数据采集时间间隔为Δt，目标路段的长度为L；

步骤5-2，假设一辆车在时刻t进入这个路段，通过预测和数据融合可以得到目标路段在未来时刻t+iΔt(i＝0，1，2，3...)的空间平均速度v_i，i＝0，1，2，3...；

步骤5-3，车辆在Δt时间内的行驶距离为l_i＝v_i×Δt，而车辆在目标路段的累计行驶长度为L_i＝l₀+l₁+...+l_i；

步骤5-4，当L_i-1≤L≤L_i时，说明车辆在时刻t+iΔt驶出了目标路段，从而路段行程时间T_j，j＝1，2，3...可以由计算得到：

T_j＝(i×Δt)+(L-L_i-1)/v_i，(i>0)；

步骤5-5，但是这种方法有一个特例，当L₀>L即l₀>L时，车辆在第一个时间间隔Δt内就驶出了目标路段，则i＝0，行程时间为：

T_j＝L/v₀。

第6步，对各路段的行程时间进行累加，得到对快速路行程时间的预测。

优选地，预测的快速路行程时间是 $T=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{T}_j.$

图3是按照本发明的一个实施方式的计算快速路行程时间的流程图。

步骤1：从第一个路段开始，令i＝0，j＝1；

步骤2：以时刻t_i为路段起始时间，计算检测断面在时刻t_i的平均速度；

步骤3：根据历史速度和t_i时刻的速度，利用神经网络预测检测断面在t_i时刻之后的速度；

步骤4：采用加权平均法进行数据融合，计算路段空间平均速度Vi(t)；

步骤5：计算出车辆通过整个路段的行程时间T_j；

步骤6：判断最后一个路段行程时间计算是否完毕；如果计算完毕，进入步骤7；否则i加1，j加1，返回步骤2；

步骤7：计算快速路行程时间 $T=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{T}_j.$

下面结合附图4-13，说明按照本发明的预测方法的具体实验效果。

本具体实施方式所用的数据是来源于北京市三环外环车道的4个检测器的数据，采集数据的周期均为2分钟。这4个检测器的ID分别为RTMS03053、RTMS03054、RTMS03055、RTMS03056，这些检测器之间的路段构成快速路的一个路段，路段的长度为1586.5m。下面将以本路段为例，进行单个路段的行程时间T_j＝T′，j＝1，2，3...的计算及分析。

计算和分析的前提是通过检测器组获得的数据，计算得出了四个检测断面的平均速度。

首先建立速度预测的BP网络，网络的基本结构为具有10输入、单输出和单隐层的三层BP网络，其中要确定的是中间隐层的神经元个数S。根据经验公式 $S=\sqrt{n+m}+\mathrm{\α}$ (其中n，S，m分别为输入层、隐层、输出层的神经元个数，α为1到10)将神经元个数S确定在[4，13]之间，为了确定最佳的中间隐层的神经元个数，采用试凑法，从S＝4开始训练网络，以求在训练速度和训练精度之间达到平衡。选取2007年11月16日到11月29日的历史数据作为训练数据，以11月29日(以下日期均为2007年)全天数据作为仿真数据，测试网络的训练效果。

选取的训练参数如下：

动量常数：mc＝0.9；

学习速率：lr＝0.01；

训练次数：epochs＝1000；

性能函数的最小梯度：min_grad＝10^-9；

以RTMS03054为例，列举出隐层的神经元个数S不同时的训练效果图和指标。S代表隐层神经元个数。

表1 RTMS03054指标

从表1中可以看出，S＝6时，网络的MSE(相对均方差)的值达到最小，当S＝7时，次之。确定了隐层的神经元个数后，完成对BP网络的训练。为了测试BP网络的预测性能，优选地选取各个检测器11月29日的数据作为测试样本。与处理训练数据一样，将测试数据输入训练好的BP网络，计算出检测断面速度的未来值。得到RTMS03053~RTMS03056的仿真结果和真实数据的对比。

图4显示的是RTMS03053的仿真结果和真实数据的对比：横坐标表示的是时间，纵坐标表示的是速度，通过此图可以得到真实速度和预测速度的对比。同时也可以得出RTMS03053~RTMS03056仿真分析绝对误差AAE(AbsoluteAverage Error)和相对误差RAE(Relative Average Error)。图5显示的是RTMS03053预测速度的误差。上面是绝对误差曲线，下面是相对误差曲线。

从图4中，可以很清楚的看到，预测的速度趋势和实际的速度是非常吻合的。再结合用于分析仿真误差的图5可以看出，当速度曲线变化较大时，其绝对误差和相对误差都比较大；而速度曲线变化平缓时，相对误差和绝对误差非常小；但是平均误差是比较理想的，在四组对比中，RTMS03053波动最大，其平均相对误差也只有6.761％，表明预测的精度是比较高的，预测的效果是理想的。

接下来采用训练好的BP网络预测试验时间段的速度数据，为行程时间的计算提供数据。给出的是四个检测器的误差分析表。

表2 RTMS03053~03056的仿真误差分析表

利用训练好的神经网络来进行单步的迭代预测，从而预测出未来若干个时段的检测断面的速度值。考虑到试验路段的长度为1586.5m，故利用网络预测未来5个时刻的检测器速度值。优选地，选用试验路段11月30日上午7:00~9:30，下午15:26~16:56共107组数据，因为是迭代预测，为了计算和观察迭代预测的效果，可以给出了4个检测器不同时刻(当前时刻向后顺延5个Δt，Δt为2分钟)速度的对比图、绝对误差曲线和相对误差曲线，以RTMS03053为例，如图6、图7所示。图6是上午时段的速度的对比图、绝对误差曲线和相对误差曲线，图7是下午时段的速度的对比图、绝对误差曲线和相对误差曲线。其横坐标均为时间。同时可以得出具体的误差分析，优选11月30日上午的各个检测器速度预测为例，误差分析如表3、表4所示。

表3 11月30日上午的各个检测器速度预测绝对误差分析表

表4 11月30日上午的各个检测器速度预测相对误差分析表

从给出的这些图表中，可以清楚地看到预测速度和实际速度的曲线是比吻合的。通过对预测结果的分析，可以看到，利用BP神经网络实现的迭代多步预测的效果是比较好的，并且在大多数情况下能够满足实时预测的需要。本发明之所以选择迭代预测未来5个时刻的速度，是出于以下三点考虑：(1)从图表中可以看到误差随着时刻的增加而增大，预测5个时刻以上的速度的误差就会比较大，不能满足预测的精度要求；(2)同时因为RTMS的数据采集周期时2分钟，10分钟后的速度完全可以由这10分钟新的数据作为输入进行迭代预测，从而提高精度；(3)试验路段的长度为1.586公里，在没有事故发生的情况下车辆在10分钟内应该能够通过路段。

下面可以利用预测出来的检测断面的速度进行预测行程时间的计算，进而与真实行程时间进行比较。而在本具体实施方式中真实行程时间的获得采用现有的基于视频采集的车牌自动识别技术(License Plate Recognition，LPR)，可以获取试验路段精确的行程时间数据。实现方法是通过车牌识别技术记录下每一辆车通过上游和下游断面的时间，上下游断面的时间差就是车辆真实行程时间。将车牌自动识别技术获取的真实行程时间与本发明方法预测的行程时间进行比较，可以对本发明的效果进行验证。

下面利用预测出来的检测断面未来5个时刻的速度计算预测行程时间。

在进行计算之前，需要通过加权平均算法融合出试验路段的空间平均速度。同样分为11月30日上午和下午两个时段的数据。表5中给出了两个时段的4个检测器速度融合后的误差分析，图8和图9中是两个时段的融合速度曲线图。图8是上午时段的融合后速度曲线图，图9是下午时段的融合后速度曲线图。其中包括真实融合速度和预测融合速度。横坐标表示时间，纵坐标表示速度。

表5 融合后速度误差分析表

从图表中可以看出来，经过数据融合后的速度误差相对于融合之前有所减小，最大绝对误差为4.78km/h，最大相对误差为13.09％，在比较好的误差范围内。

下面计算路段的行程时间，通过与实验路段采集的实测行程时间数据进行对比，来验证该算法的可行性和精确度。

首先，通过从实验的数据中选取两组数据来具体说明时间离散法的计算过程。图10中是15:46时刻向后5个时刻的速度分段曲线图和时间离散法计算示意图。横坐标是时间，纵坐标是速度值，V0~V5是不同时刻的速度。从图中可以清楚地看出来在15:46时刻的速度和预测出来的未来5个时刻的速度，并且根据下面的计算公式(1)预测出该时刻路段的行程时间为282秒。也就是说，在此时刻进入路段的车辆将第三个Δt内行驶出实验路段。又如图11中所示，在15:32进入实验路段的车辆将在第二个Δt内行驶出实验路段，根据下面的计算公式(2)，同样可以计算出此时实验路段的行程时间为148秒。(注：图中的速度单位已经转换为m/s)

T′＝120×2+[L-120×(V0+V1)]/V2       (1)

T′＝120+[L-120×V0]/V1               (2)

同理，可以计算出实验时段的任意时刻的路段行程时间，即预测的路段行程时间。如图12和图13所示，图12是11月30日上午时段各时刻的预测行程时间和真实行程时间的对比图，图13是11月30日下午时段各时刻的预测行程时间和真实行程时间的对比图。可以看到预测行程时间与真实行程时间的曲线趋势是一致的，比较均匀的分布在真实行程时间曲线的两侧，其中上午的预测效果要好于下午的数据。从图13中可以很清楚的分析出，当行程时间比较大时，图中的驼峰区的误差比较大，最大达到186秒，相对误差为54.77％，上午和下午的预测平均相对误差分别为7.15％和13.76％，所有数据的绝对误差和相对误差为29秒和10.45％，基本满足预期的预测精度，能达到比较理想的预期效果。

综上所述，本发明中的行程时间预测算法是可行的，而且仿真结果的相对误差在10％左右，说明该方法能够做到实时的、准确的快速路行程时间预测。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (6)

1.一种快速路行程时间预测方法，其特征在于，该方法包括下列步骤：

步骤1，将快速路在空间上划分为多个路段，在每个路段中设置多组检测器，每组检测器在各个检测周期时刻获得各检测断面各个车道的速度和流量信息；

步骤2，从第一个路段开始，利用检测器获得各个车道车辆通过的速度信息，通过各个车道的速度和流量信息计算出各个检测断面的平均速度；以某一时刻t_i(其中i＝0，1，2，3...)为起始时间，计算出各个检测断面在t_i时刻的平均速度；

步骤3，根据历史测量得到的t_i时刻之前的检测断面平均速度和t_i时刻的检测断面平均速度，利用神经网络预测各个检测断面在t_i时刻之后的速度；

步骤4，进行数据融合，利用各个检测断面的速度融合出整个路段在各个时刻的空间平均速度，并以此计算出车辆通过整个路段的行程时间T_j，其中j＝1，2，3...；

步骤5，以驶出路段的时刻t_i+1＝t_i+T_j为下一个路段的起点，计算第一个路段结束时t₁＝t₀+T₁，重复上述步骤2-5，计算下一个路段的行程时间，如此重复，直到计算完最后一个路段为止；

步骤6，对各路段的行程时间进行累加，得到对快速路行程预测时间为 $T=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{T}_j.$

2.根据权利要求1所述的快速路行程时间预测方法，其特征在于，所述的步骤1中将快速路划分为多个路段的具体方法是：在快速路上以一定间距设置一组检测器，将快速路划分为m个路段，每个路段包含n组相邻检测器，每组检测器检测r个车道。

3.根据权利要求1所述的快速路行程时间预测方法，其特征在于，所述的步骤2中计算检测断面的平均速度的具体步骤是：

步骤2-1，给第i个路段(1≤i≤m)中n个检测器组编号为1≤j≤n，设第i个路段中n个检测断面的平均速度为1≤j≤n；

步骤2-2，计算n个检测断面的平均速度

如下：

$V_{\mathrm{dj}}^i=\frac{\underset{k=1}{\overset{r}{\mathrm{\Σ}}}{f}_{\mathrm{dj}}^k{v}_{\mathrm{dj}}^k}{\underset{k=1}{\overset{r}{\mathrm{\Σ}}}{f}_{\mathrm{dj}}^k},(1\≤j\≤n)$

其中，

是第j组检测器处第k个车道单位时间的流量，1≤k≤r；

是第j组检测器处第k个车道在单位时间内通过的车流量。

4.根据权利要求1所述的快速路行程时间预测方法，其特征在于，所述的步骤3中预测各个检测断面未来速度的具体步骤是：

步骤3-1，建立具有多输入、单输出和单隐层的三层BP网络，根据已知的多个时刻的速度作为输入，求出作为输出的未来某一时刻的速度；

步骤3-2，采用试凑法训练网络，根据经验公式确定隐层的神经元个数S；

步骤3-3，选取训练参数，观察训练效果；

步骤3-4，确定使得网络的MSE的值达到最小的神经元个数S；

步骤3-5，利用确定的神经元个数S及所述神经网络预测各个检测断面的速度。

5.根据权利要求1所述的快速路行程时间预测方法，其特征在于，所述的步骤4中进行数据融合并计算路段空间平均速度的具体步骤是，利用加权平均算法，计算出第i个路段在t时刻的速度V_i(t)。

6.根据权利要求1所述的快速路行程时间预测方法，其特征在于，所述的步骤5中计算通过路段的行程时间的方法是使用时间离散法，具体步骤是：

步骤5-1，假设目标路段检测器的数据采集时间间隔为Δt，目标路段的长度为L；

步骤5-2，假设一辆车在时刻t进入这个路段，通过预测和数据融合可以得到目标路段在未来时刻t+iΔt(i＝0，1，2，3...)的空间平均速度v_i，i＝0，1，2，3...；

步骤5-3，车辆在Δt时间内的行驶距离为l_i＝v_i×Δt，而车辆在目标路段的累计行驶长度为L_i＝l₀+l₁+...+l_i；

步骤5-4，当L_i-1≤L≤L_i时，车辆在时刻t+iΔt驶出目标路段，从而路段行程时间T_j，j＝1，2，3...，行程时间T_j＝(i×Δt)+(L-L_i-1)/v_i，(i>0)；

步骤5-5，当L₀>L即l₀>L时，车辆在第一个时间间隔Δt内驶出目标路段，则i＝0，行程时间T_j＝L/v₀。

Images