CN102142192A - 基于组合多步预测的行人交通拥堵预警方法及系统 - Google Patents

Abstract

本发明为一种基于组合多步预测的行人交通拥堵预警方法及系统，该方法包括：步骤S 1：利用行人交通数据长期发展模式通过行人交通数据组合多步预测法对当天的行人交通数据做出预测；步骤S2：将所述预测的行人交通数据与一阈值比对，产生一比对结果；步骤S3：重复步骤S1和步骤S2，并根据一时间窗口内的多个比对结果决定是否进行行人交通拥堵预警。通过本发明可以对行人交通拥堵进行提前预警，并可对重要位置重点监测。

Description

基于组合多步预测的行人交通拥堵预警方法及系统

技术领域

本发明涉及交通领域，尤其涉及一种基于组合多步预测的行人交通拥堵预警方法及系统。

背景技术

人员密集场所人员密度预警系统，是依托安装在不同地点的视频设备，实时采集监测区域的视频图像，通过对视频图像中反映出的实时人群客流进行数据统计和分析，从而实现人员密集场所的人群密度预警预测。若发生拥堵需要能够提前预警、快速疏散，可对重要位置重点监测，因此需要一种方法自动识别行人交通拥堵及预警。

发明内容

本发明的目的在于提出一种基于组合多步预测的行人交通拥堵预警方法及系统，可以对行人交通拥堵进行提前预警。

为了达到上述目的，本发明提供了一种基于组合多步预测的行人交通拥堵预警方法，该方法包括：步骤S1：利用行人交通数据长期发展模式通过行人交通数据组合多步预测法对当天的行人交通数据做出预测；步骤S2：将所述预测的行人交通数据与一阈值比对，产生一比对结果；步骤S3：重复步骤S1和步骤S2，并根据一时间窗口内的多个比对结果决定是否进行行人交通拥堵预警。

本发明所述的基于组合多步预溅的行人交通拥堵预警方法，其中所述阈值为行人交通拥挤程度的行人交通参数数据的界限值。。

本发明所述的基于组合多步预测的行人交通拥堵预警方法，若一时间窗口内的所述预测的行人交通数据连续大于阈值的次数超过预设次数，则进行行人交通拥堵预警。

本发明所述的基于组合多步预测的行人交通拥堵预警方法，其中所述时间窗口采用2-3个采样时间间隔。

本发明所述的基于组合多步预测的行人交通拥堵预警方法，若一时间窗口内的所述预测的行人交通数据大于阈值的概率超过预设概率，则进行行人交通拥堵预警。

本发明所述的基于组合多步预测的行人交通拥堵预警方法，其中所述时间窗口采用4-5个采样时间间隔。

本发明还提供了一种基于组合多步预测的行人交通拥堵预警系统，用于预警行人交通拥堵状态，该系统包括：阈值数据库，用以存储行人交通阈值数据；历史行人交通数据库，用以存储历史行人交通数据，所述历史行人交通数据具有一长期发展模式；预测模块，与所述历史行人交通数据库连接，利用所述长期发展模式通过行人交通数据组合多步对当天的行人交通数据做出预测；拥堵预警模块，与所述阈值数据库和预测模块连接，获取阈值数据和预测的行人交通数据，并根据一时间窗口内阈值数据与预测的行人交通数据的多个比对结果决定是否进行行人交通拥堵预警。

本发明所述的基于组合多步预测的行人交通拥堵预警系统，其中所述阈值数据为历史行人交通数据集合中包含最大值或大于最大值的数值范围。

本发明所述的基于组合多步预测的行人交通拥堵预警系统，其中所述行人交通数据包括行人的流量、区域行人数量、密度及速度。

本发明所述的基于组合多步预测的行人交通拥堵预警系统，对于一采样时间窗口，如果预测的行人交通数据连续大于阈值数据的次数超过一预定次数，则所述拥堵预警模块进行交通拥堵预警。

本发明所述的基于组合多步预测的行人交通拥堵预警系统，对于一采样时间窗口，如果预测的行人交通数据大于阈值数据的概率超过一预定概率，则所述拥堵预警模块进行交通拥堵预警。

本发明所述的基于组合多步预测的行人交通拥堵预警系统，还包括预警信号模块，与拥堵预警模块连接，用以发出预警信号。

通过本发明可以对行人交通拥堵进行提前预警，并可对重要位置重点监测。

附图说明

图1为本发明行人交通拥堵预警方法的流程图；

图2为本发明行人交通拥堵预警系统的结构框图。

具体实施方式

下面参考附图结合实施例对本发明作进一步说明。

根据时间组织方式不同，本发明将行人交通数据的时间序列分为横向时间序列与纵向时间序列两类。其中，横向时间序列是指按任一天的时间顺序排列的数据序列；纵向时间序列是指按时间先后顺序排列特定天同一时段行人交通数据序列。

特定空间位置的行人交通数据时间序列通常具有长期趋势性、短期现势性和随机波动性三种特性。(1)长期趋势性，特定区域一般具有比较稳定的社会经济活动模式，即上班、上学、购物等活动在时间和空间的分布具有一定的规律性，导致不同星期同一日期(周一、周二……周日)的行人交通模式具有较强的相似性。本发明将同一监控位置、不同日期的同一参数数据时间序列具有相似性的特点称为长期趋势性。(2)短期现势性，由于行人交通事件等因素的影响，特定区域的行人规律短时之内可能出现偏离长期趋势的现象，本发明将其称为行人交通时间序列的短期现势性。(3)随机波动性，除了长期趋势性、短期现势性外，行人交通数据还存在明显的随机波动性，为了消除随机波动性对行人交通管理决策产生的影响，应该将其适当进行滤波。

对于某一日期，如果行人交通数据时间序列的发展过程比较符合长期发展模式，则认为是一种正常行人交通状态，否则，称为异常行人交通状态。正常行人交通状态的可预测性较强，可以对其进行预警，而异常行人交通状态的一般难以预测，只能对其进行实时报警。

为了能给行人交通状态的判断提供可靠的信息基础，本发明通过分析行人交通数据纵向时间序列，设计数据长期发展模式的离线构建与在线更新方法。

通过观察行人交通数据可知，同一位置不同天的数据时间刻度往往存在差别，导致数据长期发展模式难以提取。因此，本发明先对原始数据的时间刻度进行校正，即以00:00:00为基准，以时间尺度为步长，将同一位置不同天的行人交通原始数据时间刻度人为对齐。例如时间序列00:00:04、00:00:10、00:00:16，按照6s时间尺度进行刻度校正以后，成为00:00:06、00:00:12、00:00:18。

对于某一监控位置而言，不同星期同一日期的行人交通模式比较相似，据此，本发明设计基于自然日期的长期发展模式构建方法。具体地讲，针对任一采样时间间隔，筛选长期趋势较为相似的连续若干星期相同日期的行人交通数据，并且将其作为判断下一星期同一日期的数据是否符合长期趋势的依据。

值得注意的是，行人交通数据的长期发展模式是一个相对的概念，不会一成不变，而是具有一定的季节演化性。也就是说，对于比较邻近的星期，行人交通数据的长期发展模式比较稳定，但是对于时间跨度较大的星期而言，行人交通数据的长期发展模式会有较大的差异。因此，构建长期发展模式的星期数量不能过大，一般采用4-5星期为宜。

现介绍一种行人交通数据长期发展模式的构建及更新方法，所述行人交通数据具有时间刻度和时间尺度，并且包括行人交通原始数据和行人交通实时数据，该方法包括：步骤S1’：获取至少一个位置多天的行人交通原始数据并存储；步骤S2’：对所述行人交通原始数据进行时间刻度校正；步骤S3’：筛选同一位置任一天的按时间顺序排列的行人交通原始数据序列并作为横向时间序列，筛选同一位置特定天的按时间顺序排列的同一时间刻度的行人交通原始数据序列并作为纵向时间序列，基于所述两序列以构建行人交通数据长期发展模式；步骤S4’：采样行人交通实时数据并进行预处理；步骤S5’：将预处理后的行人交通实时数据与所述纵向时间序列中的行人交通原始数据进行比对并根据比对结果更新纵向时间序列；步骤S6’：重复步骤S4’和步骤S5’，从而完成行人交通数据长期发展模式的构建与更新。

在完成行人交通数据长期发展模式的构建与更新后，可以对行人交通数据进行组合多步预测，方法包括：步骤S1”：提供一行人交通数据长期趋势发展模式，其具有一纵向时间序列，利用该纵向时间序列对当天的行人交通数据的全天数据做出多步预测；步骤S2”：所述行人交通数据长期趋势发展模式还具有一横向时间序列，利用该横向时间序列对当天的行人交通数据的短期现势数据做出多步预测；步骤S3”：采样行人交通实时数据，将行人交通实时数据与所述长期趋势多步预测的该时刻数据进行比对，以得到预测误差；步骤S4”：将所述预测误差与一误差阈值比对；如果长期趋势多步预测数据的预测误差小于所述误差阈值，则调用长期趋势多步预测的预测结果；如果预测误差大于所述误差阈值，则调用所述短期现势多步预测的该时刻数据作为预测结果。

其中利用移动平均模型进行行人交通数据的多步预测，具体如式(6-2)所示。

$\hat{z}\left(t\right)=\frac{1}{N}\underset{K=1}{\overset{N}{\mathrm{\Σ}}}{z}^K\left(t\right)---(6-2)$

式中：

——当前采样时间间隔的行人交通数据纵向预测值；

z^K(t)——行人交通数据长期发展模式所含当天前面第K个历史数据；

N——行人交通数据长期发展模式所含历史数据数量；

如果行人交通数据的变化脱离长期发展模式，则利用长期发展模式所作的预测势必产生较大的误差。因此，为了能够结合当天的数据进行预测，反应当天的行人交通状况，从而提高行人交通数据的预测精度，本发明提出行人交通数据的短期现势多步预测方法。

行人交通数据短期现势多步预测方法主要分为预测方法选取和预测步数确定两个环节。本发明采用移动平均模型，利用横向时间序列进行行人交通数据短期现势多步预测。本发明采用预测误差连续小于阈值的最大采样时间间隔数量，作为离线确定的预测步数。

不同时段的行人交通数据时间序列具有不同的动态特征，同时，具有不同动态特征的行人交通数据时间序列对应不同的预测步数，因此，数据时间序列的动态特征与其预测步数存在一定的对应关系。

构建行人交通数据时间序列的波动性特征指标、趋势性特征指标以及不确定性特征指标，用于量化表达数据时间序列的动态特征。行人交通数据波动性、趋势性和不确定性特征指数的计算方法如式(7-1)、(7-2)和(7-3)。

$A=\frac{\mathrm{\δ}\·\sqrt{\frac{1}{M-1}\underset{k^{\′}=1}{\overset{M}{\mathrm{\Σ}}}({z_{k^{\′}}}^2-{z_E}^2)}}{z_E}---(7-1)$

式中：A——波动性特征指数；

M——波动性特征指数计算所选关联时间间隔数量；

z_k′——第k′个关联时间间隔行人交通数据的实测值；

z_E——关联时间间隔行人交通数据的平均值；

δ——缩放系数。

$B=\frac{\frac{1}{M-d}\underset{k^{\′}=1}{\overset{M-d}{\mathrm{\Σ}}}(z_{k^{\′}+d}-z_{k^{\′}})}{\mathrm{\η}\·d}---(7-2)$

式中：B——趋势性特征指数；

z_k′+d——第k′+d个关联时间间隔行人交通数据的实测值；

d——斜率计算关联时间间隔数量；

η——缩放系数。

$C=\mathrm{\λ}\·\{{\log }_2\left(M\right)+\underset{k^{\′}=1}{\overset{M}{\mathrm{\Σ}}}[f_{k^{\′}}\·{\log }_2\left(f_{k^{\′}}\right)\left]\right\}---(7-3)$

$f_{k^{\′}}=\frac{z_{k^{\′}}}{\underset{k^{\′}=1}{\overset{M}{\mathrm{\Σ}}}{z}_{k^{\′}}}---(7-4)$

式中：C——不确定性特征指数；

f_k′——关联时间间隔行人交通数据的模糊度；

λ——缩放系数。

通过实测数据分析可知，三种数据特征指标都与预测步数存在较强的相关关系。

鉴于人工神经网络模型在多对一融合估计方面的优势，而且模型经过离线训练以后，运算速度较快，能够满足行人交通数据动态分析时效性的要求，本文选用BP神经网络模型进行在线预测步数的确定。

如图1所示，为本发明行人交通拥堵预警方法的流程图。本发明一种行人交通拥堵预警方法，包括：步骤S1：利用长期发展模式通过行人交通数据组合多步对当天的行人交通数据做出预测；步骤S2：将所述预测的行人交通数据与一阈值比对，产生一比对结果；步骤S3：重复步骤S1和步骤S2，并根据一时间窗口内的多个比对结果决定是否进行行人交通拥堵预警。所述阈值为行人交通拥挤程度的行人交通参数数据的界限值。行人交通数据大于界限值越大，行人交通的拥挤程度越严重。。

若一时间窗口内的所述预测的行人交通数据连续大于阈值的次数超过预设次数，则进行行人交通拥堵预警，所述时间窗口采用2-3个采样时间间隔。若一时间窗口内的所述预测的行人交通数据大于阈值的概率超过预设概率，则进行行人交通拥堵预警；如果检测时间窗口选为4个时间间隔，则计算得到的概率共有5种可能，即0、0.25、0.5、0.75、1，如果选择0.75作为概率阈值，则所有0.75与1的概率都会报警，概率阈值的确定需要最有用户进行确定，如果想要谨慎一些，则可选低点，否则可以选高点，所述时间窗口采用4-5个采样时间间隔。

如图2所示，为本发明行人交通拥堵预警系统的结构框图，包括：阈值数据库B1，用以存储行人交通阈值数据B11；拥堵预警模块M1，与所述阈值数据库B1连接，接收实时行人交通数据D1和阈值数据B11，并根据实时行人交通数据D1与阈值数据B11的比对结果判断是否发生行人交通拥堵；历史行人交通数据库B2，用以存储历史行人交通数据，所述历史行人交通数据包括：纵向时间序列B21，为同一位置特定天的按时间顺序排列的同一时刻的行人交通历史数据序列；和横向时间序列B22，为同一位置任一天的按时间顺序排列的行人交通历史数据序列；拥堵预警模块M2，与所述拥堵预警模块M1和历史行人交通数据库B2连接，获取实时行人交通数据D1、阈值数据B11和历史行人交通数据，根据历史行人交通数据预测实时行人交通数据D1的实时预测值，并根据实时行人交通数据D1、阈值数据B11与所述实时预测值的比对结果预警行人交通拥堵。本发明行人交通拥堵预警系统，还可以包括报警信号模块M3，与所述拥堵预警模块M1连接，用以当拥堵预警模块判断发生行人交通拥堵时发出行人交通拥堵信号；以及预警信号模块M4，与拥堵预警模块M2连接，用以发出预警信号。

本发明所述的行人交通数据包括行人的流量、区域数量、密度及速度。所述阈值数据为历史数据集合中包含最大值或略大于最大值的数值范围。

对于一采样时间窗口，如果实时行人交通数据连续大于阈值数据的次数超过预设次数，则进行行人交通拥堵预警。或者，对于一采样时间窗口，如果实时行人交通数据大于阈值数据的次数超过预设概率，则进行行人交通拥堵预警。根据纵向时间序列预测实时行人交通数据的纵向预测值，并根据实时行人交通数据与所述纵向预测值的误差是否在一预定范围，比如20％内；若是，则利用纵向预测值与阈值数据进行比对而判断是否进行行人交通拥堵预警；若否，则根据横向时间序列预测实时行人交通数据的横向预测值，并利用横向预测值与阈值数据进行比对而判断是否进行行人交通拥堵预警对于一采样时间窗口，如果纵向预测值或横向预测值连续大于阈值数据的次数超过一预定次数，则进行行人交通拥堵预警。对于一采样时间窗口，如果纵向预测值或横向预测值连续大于阈值数据的概率超过一预定概率，则进行行人交通拥堵预警。

本发明设计的行人交通拥堵的概率估计预警机制比较有效，以概率形式提高了预警结果的稳定性，有助于管理部门制定合理的管理决策。

以上所述仅为本发明的较佳实施例，非局限本发明的保护范围，凡运用本发明说明书及附图内容所做的等同结构变化，均包含于本发明的保护范围内。

Claims (12)

1.一种基于组合多步预测的行人交通拥堵预警方法，其特征在于，该方法包括：

步骤S1：利用行人交通数据长期发展模式通过行人交通数据组合多步预测法对当天的行人交通数据做出预测；

步骤S2：将所述预测的行人交通数据与一阈值比对，产生一比对结果；

步骤S3：重复步骤S1和步骤S2，并根据一时间窗口内的多个比对结果决定是否进行行人交通拥堵预警。

2.如权利要求1所述的基于组合多步预测的行人交通拥堵预警方法，其特征在于，所述阈值为行人交通拥挤程度的行人交通参数数据的界限值。

3.如权利要求1或2所述的基于组合多步预测的行人交通拥堵预警方法，其特征在于，若一时间窗口内的所述预测的行人交通数据连续大于阈值的次数超过预设次数，则进行行人交通拥堵预警。

4.如权利要求3所述的基于组合多步预测的行人交通拥堵预警方法，其特征在于，所述时间窗口采用2-3个采样时间间隔。

5.如权利要求1或2所述的基于组合多步预测的行人交通拥堵预警方法，其特征在于，若一时间窗口内的所述预测的行人交通数据大于阈值的概率超过预设概率，则进行行人交通拥堵预警。

6.如权利要求5所述的基于组合多步预测的行人交通拥堵预警方法，其特征在于，所述时间窗口采用4-5个采样时间间隔。

7.一种基于组合多步预测的行人交通拥堵预警系统，用于预警行人交通拥堵状态，其特征在于，该系统包括：

阈值数据库，用以存储行人交通阈值数据；

历史行人交通数据库，用以存储历史行人交通数据，所述历史行人交通数据具有一长期发展模式；

预测模块，与所述历史行人交通数据库连接，利用所述长期发展模式通过行人交通数据组合多步对当天的行人交通数据做出预测；

拥堵预警模块，与所述阈值数据库和预溅模块连接，获取阈值数据和预测的行人交通数据，并根据一时间窗口内阈值数据与预测的行人交通数据的多个比对结果决定是否进行行人交通拥堵预警。

8.如权利要求7所述的基于组合多步预测的行人交通拥堵预警系统，其特征在于，所述阈值数据为历史行人交通数据集合中包含最大值或大于最大值的数值范围。

9.如权利要求7或8所述的基于组合多步预测的行人交通拥堵预警系统，其特征在于，所述行人交通数据包括行人的流量、区域行人数量、密度及速度。

10.如权利要求7或8所述的基于组合多步预测的行人交通拥堵预警系统，其特征在于，对于一采样时间窗口，如果预测的行人交通数据连续大于阈值数据的次数超过一预定次数，则所述拥堵预警模块进行交通拥堵预警。

11.如权利要求7或8所述的基于组合多步预测的行人交通拥堵预警系统，其特征在于，对于一采样时间窗口，如果预测的行人交通数据大于阈值数据的概率超过一预定概率，则所述拥堵预警模块进行交通拥堵预警。

12.如权利要求7或8所述的基于组合多步预测的行人交通拥堵预警系统，其特征在于，还包括预警信号模块，与拥堵预警模块连接，用以发出预警信号。

Images