CN101866143B - 基于时空特征聚合的道路交通服务水平预测预报方法 - Google Patents

Abstract

本发明观察特征使用道路交通时间域特征和道路交通空间域特征，将多种数据进行融合通过最大熵模型得到服务水平预测结果，所得到的预测结果更加准确，通过该技术的预测预报交通管理部门可以根据预报结果提前发布市区道路的拥堵状况以及道路的交通状态及服务水平，为公众的出行提供参考，使得公众避免高峰时段、拥堵路段，有助于诱导、疏散交通，有效缓解交通压力，同时，还可以为交通指挥提供决策支持。

Description

基于时空特征聚合的道路交通服务水平预测预报方法

技术领域

本发明属于道路交通状态、服务水平的预测预报领域，，特别涉及一种基于时空特征聚合的道路交通服务水平预测预报方法。

背景技术

在交通状态预测预报领域最常用的模型主要有历史趋势模型，神经网络模型，时间序列模型，Kalman滤波模型，非参数回归模型，而与本技术最接近的是时间序列模型。时间序列就是按时间次序排列的观测值的集合。时间序列模型最主要的特征就是承认观测值之间的依赖关系和相关性，它是一种动态模型，能够应用于动态预测。

以往的道路交通状态预测主要针对的是与时间相关的交通数据，即针对的是交通的时间域特征，所以时间序列模型在这方面有着它的优势。但在预测道路交通状态、服务水平时只依靠这些数据并不能完整的描述整个交通状态。所以本方法在以往的交通时间域特征的基础上，引入了空间域特征。在交通状态预测时将时空特征融合后，我们便预测得到完整的道路交通状态。但随之而来的问题是以往的预测模型与算法，在进行多种数据融合时并不能很好的将多种数据融合在一起，例如时间序列模型，由于它主要针对的与时间密切相关的时间域特征，而空间域特征并没有明显的时间序列特性，所以在进行数据融合时，它的局限性就显露了出来。其得到的道路交通状态预测会产生较大的误差

发明内容

针对当前道路交通状态预测技术存在的不足本发明提出了一种基于时空特征聚合的道路交通服务水平预测预报方法，该方法能很好的将多种数据进行融合后得到预测结果通过该技术的预测预报，交通管理部门可以根据预报结果提前发布市区道路的拥堵状况以及道路的交通状态及服务水平，为公众的出行提供参考，使得公众避免高峰时段、拥堵路段，有助于诱导、疏散交通，有效缓解交通压力，同时，还可以为交通指挥提供决策支持。

本方法根据观察特征对道路交通服务水平进行预测，其特征在于，观察特征包括道路交通时间域特征和道路交通空间域特征，其预测步骤包括：

1)、选择待预测交通服务水平道路的观察特征；

2)、将观察特征数据代入特征函数并生成训练集；

3)、由步骤2所得到的训练集训练得到各个特征的权重值

4)、通过最大熵模型预测得到服务水平等级。

本方法中所涉及到的交通状态时间域特征与空间域特征，

a)空间域特征：

这里，采用“前向后向”分析法对路网空间拓扑结构进行了分析，进而形成路段的空间域特征。空间域特征主要包含当前时刻前向一次邻接、二次邻接路段的交通流特征，以及后向一次邻接、二次邻接路段的交通流特征，主要包括以下交通流特征：

前向一次邻接路段的流量、速度、占有率、平均车道流量；

前向二次邻接路段的流量、速度、占有率、平均车道流量；

后向一次邻接路段的流量、速度、占有率、平均车道流量；

后向二次邻接路段的流量、速度、占有率、平均车道流量；

路网的前向后向拓扑如图1所示。

b)时间域特征

时间域特征主要包括当前路段历史时刻和当前时刻的交通流特征，主要包括：

1)过去5分钟的当前路段的流量、速度、占有率、平均车道流量、服务水平等级等特征。

2)当前时刻的当前路段的流量、速度、占有率、平均车道流量、服务水平等级等特征。

基于空间域和时间域的特征利用Log线性模型实现将来5、10分钟的交通服务水平的预测，如图2所示。

本方法采用最大熵模型，基于最大熵准则的可以直接描述后验概率(Log线性模型)：

$p\left(y\right|x)=\frac{1}{Z_{\mathrm{\λ}}\left(x\right)}\exp \left(\underset{i}{\mathrm{\Σ}}{\mathrm{\λ}}_i{f}_i(x,y)\right)$

归一化因子：

$Z_{\mathrm{\λ}}\left(x\right)=\underset{y}{\mathrm{\Σ}}\exp \left(\underset{i}{\mathrm{\Σ}}{\mathrm{\λ}}_i{f}_i(x,y)\right)$

上面两个公式给出了条件最大熵模型的描述。其中，x表示的是我们观察到的特征变量，y为待判别的类别，p(y|x)描述的是在观察特征变量为x的条件下，类别y的概率。f_i(x，y)为特征函数，一般情况都取二值函数：

$f_i(x,y)=\left\{\begin{array}{cc}1& \mathrm{ifx}=x^{\′}\mathrm{andy}=y^{\′}\\ 0& \mathrm{otherwise}\end{array}\right.$

其描述的是，观察特征属性为x′时，y取y′的特征函数。其中，λ_i为特征f_i(x，y)的权重。λ_i为正值时，表示在给定观察特征x′的情况下，该特征预示着类别y′的出现，λ_i值越大则意味着类别y′出现的可能性越大；相反，如果λ_i为负值，则说明类别y′不易出现，λ_i的值越小意味着y′出现的概率越小。判别时，选择在相同的上下文x下条件概率最高的类别为判别结果：

$y^{*}=\underset{y}{\arg \max }p\left(y\right|x)$

附图说明

图1本发明所述空间域特征路网的前向后向拓扑图

图2本发明时空特征和Log线性模型的服务水平预测流程图

图3本发明实施例中道路服务水平预测结果。

图4本发明实施例中道路服务水平预测值与实际值对比分析图

具体实施方式

下面通过具体实施例对本发明所述方法进行进一步说明。

本实施例通过最大熵预测模型对从北京市某道路2008年05月19日的一组数据进行预测，并与真实的道路服务水平数据进行对比分析，分析本方法的准确性。

首先生成最大熵预测模型的训练集，本实施例采用的训练集为北京市真实的道路交通数据，训练集包括了道路的时间与空间特性以及道路本身的特性，如车道数等。

观察特征数据(o)代入特征函数f_k(o，l_i)并生成训练集，由于是通过程序实现，所以在生成训练集时，要将数据编辑成特定的格式。本实施例中采用如下格式：

1_alFlow1_5

1(道路服务等级)_al(前向道路)Flow(流量)1(一次连接)_5(流量处于第5等级)

服务水平等级ABCDEF这里表示为123456.

al表示当前道路的前向道路，bl表示后向道路，cl表示当前道路。

Flow表示流量Speed表示速度Occ表示时间占有率RoadNum邻接路段的道路数LaneNum表示路段的车道数

本例中的一次连接指的是前向一次连接，以图2中A路段为例，前向一次连接就是图中的B路段。

在计算数据时将流量从0-100(辆/小时)分为10个等级，该例中表示当前流量处于第5等级，其他数据指标也分成几个等级。

最后将所有的样本点按照上述结构生成训练集。见下例：

1_alFlow1_5       1_alFlow2_1       1_alSpeed1_1       1_alSpeed2_1

1_alOcc1_1        1_alOcc2_1        1_alRoadNum1_1     1_alRoadNum2_1

1_alLaneNum1_3    1_alLaneNum2_3    1_blFlow1_3        1_blFlow2_2

1_blSpeed1_1      1_blSpeed2_1      1_blOcc1_10        1_blOcc2_10

1_blRoadNum1_2    1_blRoadNum2_4    1_blLaneNum1_6

1_blLaneNum2_10   1_clFlow_5        1_clSpeed_1

1_clOcc_1

该例为l_i＝1时的特征函数f_k(o，l_i)的训练集。依照这种格式，可以得到当l_i为其他值时特征函数的训练集

然后进行权值训练，本实施例中使用GIS算法进行权值训练，采用的训练集即为第一步所生成的。

具体算法如下：

GIS算法：

输入：特征函数f₁，f₂，L，f_n，经验分布

输出：优化的权值λ^* ₁，λ^* ₂，L，λ^* _n

1.初始化：λ₁＝0，i∈{1，2，L，n}

2.基于现有模型计算每个特征函数的期望：

3.更新权值：λ₁←λ₁+Δλ₁

这里，选择 $C=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{f}_i(x,y)$

判断是否收敛，如果没有收敛，返回第二步。

权值训练后得到权值文件，将权值文件导入最大熵预测模型。然后就可以进行道路交通服务水平预测。

将上述北京市某道路2008年05月19日的一组数据输入最大熵预测模型既可预测该道路5分钟和10分钟后的道路服务水平，由于采用的是真实数据，所以预测结束后会得到预测的结果与准确性。

预测得到的结果如图3所示

得到预测值后，将预测值与实际值进行对比分析如图4所示；直接一致比例达到了55.66％，一次偏差比例达到了38.27％，考虑到一次偏差是很难避免的，所以说小于直接一致和一次偏差的综合达到93.93％

本实施例中采用的训练集是对所有道路通用的，如果在预测的过程中考虑不同的情况下采用不同的训练集，得到的预测结果会更加准确。

Claims (3)

1.一种基于时空特征聚合的道路交通服务水平预测预报方法，根据观察特征对道路交通服务水平进行预测，其特征在于，观察特征报告道路交通时间域特征和道路交通空间域特征，其预测步骤包括：

1)、选择待预测交通服务水平道路的观察特征；

2)、将观察特征数据代入特征函数并生成训练集；

3)、由步骤2所得到的训练集训练得到各种特征的权重值；

4)、通过最大熵模型预测得到服务水平等级。

所述空间域特征包括，前向一次邻接路段的流量、速度、占有率、平均车道流量；前向二次邻接路段的流量、速度、占有率、平均车道流量；前向二次邻接路段的流量、速度、占有率、平均车道流量；后向一次邻接路段的流量、速度、占有率、平均车道流量；后向二次邻接路段的流量、速度、占有率、平均车道流量；

所述的时间域特征包括过去5分钟的当前路段的流量、速度、占有率、平均车道流量、服务水平等级；当前时刻的当前路段的流量、速度、占有率、平均车道流量、服务水平等级；

所述的特征函数为观察特征为o的条件下，服务水平等级取ι_i的特征函数f_k(o，l_i)。

所述的最大熵模型为： $p\left(y\right|x)=\frac{1}{z_{\mathrm{\λi}}\left(x\right)}\exp \left(\underset{i}{\mathrm{\Σ}}{\mathrm{\λ}}_i{f}_i(x,y)\right),$ 其中

归一化因子为： $Z_{\mathrm{\λ}}\left(X\right)=\underset{y}{\mathrm{\Σ}}\exp \left(\underset{i}{\mathrm{\Σ}}{\mathrm{\λ}}_i{f}_i(x,y)\right)$

其中，

X表示的是观察到的特征变量，y为待判别的类别；

p(y|x描述的是在观察特征变量为x的条件下，类别y的概率；

f_i(x，y)为特征函数，一般情况都取二值函数，如下：

$f_i(x,y)=\left\{\begin{array}{cc}1& \mathrm{if\; x}=x^{\′}\mathrm{and\; y}=y^{\′}\\ 0& \mathrm{otherwise}\end{array}\right.$ 其中，

观察特征属性为x’时，y取y’的特征函数；

λ_i为特征函数f_i(x，y)的权重，

所述的λ_i为正值时，表示在给定观察特征x’的情况下，该特征预示类别y’的出现，λ_i值越大则意味着类别y’出现的可能性越大；所述的λ_i为负值时，则说明类别y’不易出现，λ_i的值越小意味着y’出现的概率越小，判别时，选择在相同的上下文x下条件概率最高的类别为判别结果： $y^{*}=\arg \underset{y}{\max }p\left(y\right|x).$

2.如权利要求1所述的一种基于时空特征聚合的道路交通服务水平预测预报方法，其特征在于，所述训练集中包括该特征预测道路不同服务水平对应不同观察特征的对应结果。

3.如权利要求1所述的一种基于时空特征聚合的道路交通服务水平预测预报方法，其特征在于，权重值表示在给定观察特征的情况下，该特征预示着某一服务水平等级的出现的概率。

Images