CN102945601A - 基于偏最小二乘法的交通事件持续时间预测方法 - Google Patents

Abstract

本发明公开了一种基于偏最小二乘法的交通事件持续时间预测方法。首先利用偏小二乘法提取交通事件参数，建立偏小二乘回归模型；然后将所提取的交通事件参数带入所述模型获得交通事件持续时间。此外，随着交通事件的处理，定时更新模型参数，以做出实时持续时间预测。本发明克服了现在技术存在的需要大量数据、分布函数很难选择、缺少影响因素分析、预测模型是黑箱结构等缺陷，其预测精度优于现有的多种方法。本发明可用于对高速公路和城市道路交通事件持续时间的预测。

Description

基于偏最小二乘法的交通事件持续时间预测方法

技术领域

本发明涉及交通智能管理和控制技术，特别是涉及一种交通事件持续时间预测的方法。

背景技术

交通事件发生后干扰正常交通、引起道路拥挤和延误、降低道路通行能力。交通事件持续时间的预测是交通事件管理中非常重要的方面。实时、可靠的交通事件持续时间预测，有利于有关管理部门采取必要的交通管理控制措施，诱导驾驶员选择行驶路径，有效降低交通事件所造成的影响，是交通控制系统、交通诱导系统、出行者信息服务系统不可缺少的有机组成部分。

目前，对交通事件持续时间的预测方法主要有基于分布的方法、基于回归的方法、基于概率的方法以及一些数据挖掘算法。基于分布的方法虽然简单，但是有以下几个缺点。首先，它不仅需要大量的数据去拟合分布函数，而且分布函数很难选择，甚至有的数据集不满足任何分布函数，这些都影响着该类算法的建模过程。其次，该类方法只能从函数得到平均值与方差以及某一持续时间的概率等指标，而不能给出一个确切的预测值，操作性较差。最后，它忽略了对持续时间有影响的因素分析。这些都限制了该类方法的应用。

基于概率的方法需要大量的数据来标定模型参数以保证置信度，而且当两个概率值差别不大时，很难在两个持续时间中做出选择。

基于回归的方法，比较简单，而且容易使用。但现阶段用到的回归，如普通线性回归法，多项式回归法，不仅需要大量数据标定回归系数，而且无法解决回归变量间共线性以及提取重要影响因素的问题。而在实际中，事件持续时间的影响因素间往往是相关的，而且某些因素是重要影响因素。

近年来随着数据挖掘的兴起，神经网络和支持向量机已用于预测事件持续时间。但是，神经网络是黑箱结构，知识隐含在连接权重中，难以抽取和理解，收敛较慢，并且收敛依赖于学习参数的设置，存在早熟现象，易陷于局部极小等。支持向量机的核函数及其参数对预测准确性有很大影响，然而，如何选择合适的核函数及其参数是一挑战性的工作，目前还没有简单确定的方法，一般是通过大量费力耗时的实验摸索，其应用效果完全依赖于使用者的经验，这就影响了其预测的能力。

发明内容

发明目的：本发明提供一种交通事件持续时间预测的方法，它使用偏最小二乘法建立交通事件持续时间预测模型，可克服现在技术存在的需要大量数据、分布函数很难选择、缺少影响因素分析、预测模型是黑箱结构等等缺陷与不足。

技术方案：一种基于偏最小二乘法的交通事件持续时间预测方法，其步骤包括：

步骤一，提取若干对系统具有最佳解释能力的新综合变量，即交通事件参数；

步骤二，利用提取参数进行回归建模；

设已知因变量y和k个自变量x₁，x₂，...，x_k，样本数为n，构成数据表X=[x₁,x₂,...,x_k]_n*k和y＝[y]_n*1。偏最小二乘回归的建模步骤一般包括：

(1)对X和y进行标准化处理，得到标准化后的自变量矩阵E₀和F₀，

${x_{\mathrm{ij}}}^{*}=\frac{x_{\mathrm{ij}}-\stackrel{\‾}{x_j}}{s_j},$ $y_j^{*}=\frac{y_i-\stackrel{\‾}{y}}{s_y},i=\mathrm{1,2},...,k;j=\mathrm{1,2},...,k---\left(1\right)$

令h=1， $E_0={\left(x_{\mathrm{ij}}^{*}\right)}_{n*k},F_0={\left(y_j^{*}\right)}_{n*1},i=\mathrm{1,2},...,n$

式中，

是X_j的均值，s_j是X_j的标准差；

是y的均值；s_y是y的标准差。

(2)计算向量权重w_h，

w_h＝E_h-1′F_h-1         (2)

(3)提取成分t_h

t_h＝E_h-1w_h             (3)

(4)计算X和y的回归系数p_h,q_h

p_h＝E_h-1′t_h/(t_h′t_h)  (4)

q_h＝F_h-1′t_h/(t_h′t_h)  (5)

(5)计算残差矩阵

E_h＝E_h-1-t_hp_h′    (6)

F_h＝F_h-1-q_h′t_h

(6)检查收敛性，可用交叉有效性确定。如果上述方程满足精度要求，转下一步。否则，h=h+1，重复步骤(2)-(5)，对残差矩阵进行新一轮的成分提取和回归分析。

(7)设得到k个成分t₁,t₂,...,t_k，实施F₀在t₁,t₂,...,t_k上的回归，得

F₀＝q₁t₁+q₂t₂+...+q_kt_k    (7)

由于t₁,t₂,...,t_k均是E₀的线性组合，因此，

$F_0=q_1{E}_0{w}_1+q_2{E}_1{w}_2+...+q_k{E}_{k-1}{w}_k=q_1{E}_0{w}_1^{*}+...+q_k{E}_0{w}_k^{*}---\left(8\right)$

式中， $w_h^{-*}=\underset{j=1}{\overset{h-1}{\mathrm{\Π}}}(I-w_j{p}_j^{\′})w_h,$ I为单位矩阵。

(8)按照标准化的逆过程还原成y对X的回归方程，

$y=\stackrel{\‾}{y}+s_y\left(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_i{x}_i^{*}\right)=\stackrel{\‾}{y}+s_y\left(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_i\frac{x_i-{\stackrel{\‾}{x}}_i}{s_i}\right)$

$\left(9\right)$

${\mathrm{\α}}_i=\underset{h=1}{\overset{m}{\mathrm{\Σ}}}{q}_h{w}_{\mathrm{hi}}^{*}$

X表示从交通事件检测系统获得的交通事件相关参数信息，如：事件类型、发生地点、时间以及涉及车辆类型数目等，y表示交通事件持续时间，取大于0的连续数值。根据获得的交通事件相关参数信息，运用上式计算y，即可预测交通事件持续时间。

有益效果：与现有技术相比，本发明提供的基于偏最小二乘法的交通事件持续时间预测方法，将偏小二乘法用于对高速公路和城市道路交通事件持续时间的预测，可克服现在技术存在的需要大量数据、分布函数很难选择、缺少影响因素分析、预测模型是黑箱结构等等缺陷与不足。此外，本发明预测精度较高，优于现有的多种方法。

附图说明

图1为本发明实施例的抛锚事件预测值与真实值对比图；

图2为本发明实施例的坠物事件预测值与真实值对比图；

图3为本发明实施例的事故事件预测值与真实值对比图；

图4为本发明实施例的所有事件预测值与真实值对比图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等同形式的修改均落于本申请所附权利要求所限定的范围。

预测系统通过交通事件检测系统获得交通事件的相关信息，包括：事件类型、发生地点、时间以及涉及车辆类型数目等，预测算法根据得到的交通事件信息做出事件持续时间的预测。交通事件信息随着救援的开展，进一步得到更新，做出实时的持续时间预测。

令X为交通事件相关信息参数，k为交通事件基本参数个数；通常根据参数的是与否信息取值为1或者0，当有其它取值范围时，用其它数值作为代替；y为交通事件持续时间，取值为大于0的任一数值。则，

$X=\left[\begin{array}{cccc}{x}_1& x_2& \·\·\·& x_k\end{array}\right]$

$=\left[\begin{array}{cccc}{\mathrm{vehicletype}}_1& {\mathrm{numberinvolved}}_1& \·\·\·\·& {\mathrm{peakhour}}_1\\ {\mathrm{vehicletype}}_2& {\mathrm{numberinvolved}}_2& \·\·\·& {\mathrm{peakhour}}_2\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ {\mathrm{vehicletype}}_n& {\mathrm{numberinvolved}}_n& \·\·\·& {\mathrm{peakhour}}_n\end{array}\right];$

$Y=\left[\begin{array}{c}{y}_1\\ y_2\\ \·\\ \·\\ \·\\ y_n\end{array}\right]$

实际运用过程分为模型标定和模型使用两个过程。

(1)模型标定

收集研究路段内的交通事件数据，为了保证模型的准确性，能刻画交通事件影响参数与事件持续时间之间的关系，样本应该足够大。设收集有n个样本，根据前述建模步骤计算公式(9)的参数，从而得到偏最小二乘回归模型。为了降低预测误差，模型标定数据的选择，一方面，应当分布均匀，即应当包含不同持续时间的数据，避免某一持续时间下的样本过多或者过少。另一方面，应当去除某些与实际情况不相符的奇异值。此外，模型在应用过程中应当定期根据采集到的交通事件信息更新模型的参数，以使得标定后的模型能适应新的交通变化。

(2)模型使用

当交通事件检测系统检测到交通事件发生时，将交通事件相关参数信息值代入所建模型，得到的y值即交通事件持续时间预测值。

算例分析：

本实验用荷兰中部城市乌特勒支的快速路上收集到的交通事件数据来测试偏最小二乘法预测交通事件持续时间的性能。数据集中包括抛锚、坠物和事故三类事件共1853条记录，其记录的交通事件信息基本参数有：事件类型、车辆类型、是否需要警力、是否需要消防车、是否需要救护车、是否需要拖车、是否进行轨迹调查、是否需要修理服务、是否需要道路管理、是否需要路政协助、是否需要交通控制、是否需要清理液体、是否造成道路设施损害、涉及车辆数、事件发生时间。它涵盖了事件特征、响应情况与管理情况。

实验分别对抛锚、坠物和事故事件建立了事件持续时间预测模型，另将事件类型作为参数对所有事件建立了一个预测模型作为对比。实验用75%的数据作为训练集建立预测模型，用25%的数据作为检验集来检验预测模型。经过对数据集的预处理，最后得到，抛锚事件有370个训练数据、123个检验数据以及13个基本参数；坠物事件有243个训练数据、82个检验数据以及9个基本参数；事故事件有667个训练数据、222个检验数据以及16个基本参数；所有事件有1378个训练数据、460个检验数据以及16个基本参数。

运用MATLAB编写程序，运行程序分别得到四个偏最小二乘法回归预测模型。用检验数据集分别对模型进行检验，图1-4分别呈现了各模型的预测值与真实值的对比情况。

从图1-4可以看出，各模型的预测值与真实值的趋势基本上一致，模型对事件持续时间在20分钟到90分钟内的数据点都能有很好的预测，特别是抛锚事件与事故事件。从实用角度来看，实验结果令人满意。首先，模型对小于20分钟的数据点的估计基本在20分钟左右，而在实际操作中，派遣救援以及救援车辆的到达往是需要一定时间的，因此对小于20分钟的事件作适当的高估是可以接受的。其次，对于极少数的大于90分钟的事件，模型普遍估计为60分钟左右，而这一低估是可以通过事件处理信息的再次反馈得到弥补的。最后，大多数事件持续时间处于20到90分钟之间，而模型对这一区间的事件有很好预测，表明模型满足了交通事件管理的需要。

表1给出了本方法与目前预测精度较好的神经网络方法的对比。

表1本方法与目神经网络方法的对比

从表1可以看出，偏最小二乘法的预测精度在误差小于10分钟与误差小于20分钟下都比用神经网络法预测的精度高。

Claims (4)

1.一种基于偏最小二乘法的交通事件持续时间预测方法，其特征在于，包括如下步骤：

步骤一，获取交通事件特征参数；

步骤二，建立偏最小二乘回归模型，

设已知因变量y和k个自变量x₁，x₂，...，x_k，样本数为n，构成数据表X=[x₁,x₂,...,x_k]_n*k和y＝[y]_n*1，

(1)对X和y进行标准化处理，得到标准化后的自变量矩阵E₀和F₀，

${x_{\mathrm{ij}}}^{*}=\frac{x_{\mathrm{ij}}-\stackrel{\‾}{x_j}}{s_j},$ $y_j^{*}=\frac{y_i-\stackrel{\‾}{y}}{s_y},i=\mathrm{1,2},...,k;j=\mathrm{1,2},...,k---\left(1\right)$

令h=1， $E_0={\left(x_{\mathrm{ij}}^{*}\right)}_{n*k},F_0={\left(y_j^{*}\right)}_{n*1},i=\mathrm{1,2},...,n$

式中，

是X_j的均值，s_j是X_j的标准差，

是y的均值，s_y是y的标准差；

(2)计算向量权重w_h，

w_h＝E_h-1′F_h-1          (2)

(3)提取成分t_h，

t_h＝E_h-1w_h              (3)

(4)计算X和y的回归系数p_h,q_h

p_h＝E_h-1′t_h/(t_h′t_h)   (4)

q_h＝F_h-1′t_h/(t_h′t_h)   (5)

(5)计算残差矩阵

E_h＝E_h-1-t_hp_h′         (6)

F_h＝F_h-1-q_h′t_h

(6)检查收敛性，可用交叉有效性确定；如果上述方程满足精度要求，转下一步；否则，h=h+1，重复步骤(2)-(5)，对残差矩阵进行新一轮的成分提取和回归分析；

(7)设得到k个成分t₁,t₂,...,t_k，实施F₀在t₁,t₂,...,t_k上的回归，得

F₀＝q₁t₁+q₂t₂+...+q_kt_k    (7)

由于t₁,t₂,...,t_k均是E₀的线性组合，因此，

$F_0=q_1{E}_0{w}_1+q_2{E}_1{w}_2+...+q_k{E}_{k-1}{w}_k=q_1{E}_0{w}_1^{*}+...+q_k{E}_0{w}_k^{*}---\left(8\right)$

式中， $w_h^{-*}=\underset{j=1}{\overset{h-1}{\mathrm{\Π}}}(I-w_j{p}_j^{\′})w_h,$ I为单位矩阵；

(8)按照标准化的逆过程还原成y对X的回归方程，

$y=\stackrel{\‾}{y}+s_y\left(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_i{x}_i^{*}\right)=\stackrel{\‾}{y}+s_y\left(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_i\frac{x_i-{\stackrel{\‾}{x}}_i}{s_i}\right)$ $\left(9\right)$

${\mathrm{\α}}_i=\underset{h=1}{\overset{m}{\mathrm{\Σ}}}{q}_h{w}_{\mathrm{hi}}^{*}$

其中，X为交通事件相关参数信息，y表示交通事件持续时间；

步骤三，将所述交通事件参数代入所述偏最小二乘回归模型；

步骤四，输出预测交通事件持续时间y。

2.根据权利要求1所述的基于偏最小二乘法的交通事件持续时间预测方法，其特征在于：所述交通事件持续时间y为一连续的大于零的时间预测值。

3.根据权利要求1所述的基于偏最小二乘法的交通事件持续时间预测方法，其特征在于：所述交通事件参数包括事件的物理特征，救援响应情况，交通管制情况；事件的物理特征包括事件类型、涉及的车辆类型、数目、道路条件以及发生时间；事件救援响应情况包括是否出动火警、救护车、救援拖车；交通管制情况包括是否有交通控制、道路管理措施。

4.根据权利要求1所述的基于偏最小二乘法的交通事件持续时间预测方法，其特征在于：定时更新所述交通事件特征参数。

Images