CN103700257A - 一种基于马尔科夫预测法的交通转移交通量预测方法 - Google Patents
一种基于马尔科夫预测法的交通转移交通量预测方法 Download PDFInfo
- Publication number
- CN103700257A CN103700257A CN201310572169.XA CN201310572169A CN103700257A CN 103700257 A CN103700257 A CN 103700257A CN 201310572169 A CN201310572169 A CN 201310572169A CN 103700257 A CN103700257 A CN 103700257A
- Authority
- CN
- China
- Prior art keywords
- traffic
- transfer
- prediction
- relevant road
- volume
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于马尔科夫预测法的交通转移交通量预测方法,本发明首先采用计算状态转移概率矩阵;进而采用OD分区交通量转移率的预测;再采取相关道路交通量转移系数的确定,确定相关道路交通量转移系数,根据相关道路交通的预测,乘以相应的转移系数,就可以计算出各预测的转移交通量。与现有技术相比,本发明采用马尔科夫预测法的基础上进行改进,从而快速有效的计算出各种预测的转移交通量,简化了传统的预测计算步骤,提高工作效率,使预测工作更加顺利有效,具有推广使用的价值。
Description
技术领域
本发明涉及一种交通量预测方法,尤其涉及一种基于马尔科夫预测法的交通转移交通量预测方法。
背景技术
新建一条公路,将必然吸引部分交通量。从相关道路转移到新建公路上的交通量一般构成了新建公路的基本交通量。因此确定转移交通量对新建公路的交通量分析和预测起着十分重要的作用,不可低估或忽视。转移交通量常根据OD调查资料来计算。公路新建项目的OD调查由于人力、资金、时间等原因,往往只能在一个较短的时间内进行。因此只好采用静态分析以转移状态去确定今后的转移交通量。但因未考虑转移交通量的变化及其发展,在很大程度上影响了新建公路远景交通量预测的准确性和实际效果。
现有技术中,基于确定的数学模型的预测方法越来越不能满足实际精度的要求。鉴于道路交通系统的非线性、复杂性和不确定性的基本特点,许多无模型的预测算法被应用到交通需求预测中来,取得了较好的实际效果。同时,由于各种高新技术学科之间的穿插,各种组合预测模型,如神经网络理论与遗传算法、模糊理论、小波理论、谱分析理论等的结合也必将会得到越来越广泛的应用。
由于交通是一门综合性、纯应用型的学科,除了基本的预测理论,计算机技术、人工智能、系统工程等系统预测支持系统将成为越来越多科学技术的综合体,针对复杂变化的交通状态,系统将会自行选择一种合理的预测模型或者组合预测方法,将会成为ITS行业发展的方向。
马尔科夫预测法是一种动态随机数学模型,它把预测对象作为一个系统, 利用“状态”和“状态转移”进行预测。这里的状态是指系统的初始状态;状态转移是指状态转移概率,它是系统内部机制的表现,决定系统预测的结果。而新建公路一般缺少调查年以前的OD资料,有时有一些资料也因时间、地点、方式等不同而无法取用。当利用调查年的OD资料计算状态转移概率时,就会缺乏计算初始状态的数据。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于马尔科夫预测法的交通转移交通量预测方法。
本发明通过以下技术方案来实现上述目的:
本发明包括以下步骤:
(1)计算状态转移概率矩阵;
(2)OD分区交通量转移率的预测;
(3)相关道路交通量转移系数的确定,在确定相关道路交通量转移系数时一般分为两种情况,一是不考虑OD分区中本区内的交通量转移;二是考虑;当考虑OD分区中本区内的交通量转移时,可不必经过以下(3.1)和(3.2)两步,而直接进行第(3.3)步计算;
(3.1)OD分区转移比重,此比重是指每一起点区发生的交通量占全部OD区总交通量的比重,这一步计算是为第(3.2)步计算相关道路交通量转移系数做准备;
(3.2)相关道路交通量转移系数矩阵;
(3.3)确定相关道路交通量转移系数,根据相关道路交通的预测,乘以相应的转移系数,就可以计算出各预测的转移交通量。
本发明的有益效果在于:
本发明是一种基于马尔科夫预测法的交通转移交通量预测方法,与现有技术相比,本发明采用马尔科夫预测法的基础上进行改进,从而快速有效的计算出各种预测的转移交通量,简化了传统的预测计算步骤,提高工作效率,使预测工作更加顺利有效,具有推广使用的价值。
具体实施方式
下面对本发明作进一步说明:
本发明包括以下步骤:
(1)计算状态转移概率矩阵;
(2)OD分区交通量转移率的预测;
(3)相关道路交通量转移系数的确定,在确定相关道路交通量转移系数时一般分为两种情况,一是不考虑OD分区中本区内的交通量转移;二是考虑;当考虑OD分区中本区内的交通量转移时,可不必经过以下(3.1)和(3.2)两步,而直接进行第(3.3)步计算;
(3.1)OD分区转移比重,此比重是指每一起点区发生的交通量占全部OD区总交通量的比重,这一步计算是为第(3.2)步计算相关道路交通量转移系数做准备;
(3.2)相关道路交通量转移系数矩阵;
(3.3)确定相关道路交通量转移系数,根据相关道路交通的预测,乘以相应的转移系数,就可以计算出各预测的转移交通量。
Claims (1)
1.一种基于马尔科夫预测法的交通转移交通量预测方法,其特征在于,包括以下步骤:
(1)计算状态转移概率矩阵;
(2)OD分区交通量转移率的预测;
(3)相关道路交通量转移系数的确定,在确定相关道路交通量转移系数时一般分为两种情况,一是不考虑OD分区中本区内的交通量转移;二是考虑;当考虑OD分区中本区内的交通量转移时,可不必经过以下(3.1)和(3.2)两步,而直接进行第(3.3)步计算;
(3.1)OD分区转移比重,此比重是指每一起点区发生的交通量占全部OD区总交通量的比重,这一步计算是为第(3.2)步计算相关道路交通量转移系数做准备;
(3.2)相关道路交通量转移系数矩阵;
(3.3)确定相关道路交通量转移系数,根据相关道路交通的预测,乘以相应的转移系数,就可以计算出各预测的转移交通量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310572169.XA CN103700257A (zh) | 2013-11-18 | 2013-11-18 | 一种基于马尔科夫预测法的交通转移交通量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310572169.XA CN103700257A (zh) | 2013-11-18 | 2013-11-18 | 一种基于马尔科夫预测法的交通转移交通量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103700257A true CN103700257A (zh) | 2014-04-02 |
Family
ID=50361772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310572169.XA Pending CN103700257A (zh) | 2013-11-18 | 2013-11-18 | 一种基于马尔科夫预测法的交通转移交通量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103700257A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408924A (zh) * | 2014-12-04 | 2015-03-11 | 深圳北航新兴产业技术研究院 | 一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法 |
CN105303835A (zh) * | 2015-11-13 | 2016-02-03 | 西安邮电大学 | 一种道路交通流状态的短时预测方法 |
CN105513356A (zh) * | 2015-12-28 | 2016-04-20 | 中兴软创科技股份有限公司 | 一种基于轨迹追踪的od矩阵估计方法与系统 |
CN106530715A (zh) * | 2016-12-24 | 2017-03-22 | 浙江工业大学 | 基于模糊马尔可夫过程的路网交通状态预测方法 |
CN108765940A (zh) * | 2018-05-28 | 2018-11-06 | 南京邮电大学 | 基于高阶马尔科夫模型的道路拥塞发现方法 |
CN109191847A (zh) * | 2018-10-12 | 2019-01-11 | 山东交通学院 | 基于城市卡口数据的自适应干线协调控制方法及系统 |
CN110111606A (zh) * | 2019-03-18 | 2019-08-09 | 上海海事大学 | 一种基于eemd-iaga-bp神经网络的船舶交通流预测方法 |
CN110428629A (zh) * | 2019-09-03 | 2019-11-08 | 浙江创研信息技术有限公司 | 一种基于智能路测设备的道路状况探测方法 |
CN111693060A (zh) * | 2020-06-08 | 2020-09-22 | 西安电子科技大学 | 基于拥塞等级预测分析的路径规划方法 |
-
2013
- 2013-11-18 CN CN201310572169.XA patent/CN103700257A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408924A (zh) * | 2014-12-04 | 2015-03-11 | 深圳北航新兴产业技术研究院 | 一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法 |
CN104408924B (zh) * | 2014-12-04 | 2016-06-01 | 深圳北航新兴产业技术研究院 | 一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法 |
CN105303835A (zh) * | 2015-11-13 | 2016-02-03 | 西安邮电大学 | 一种道路交通流状态的短时预测方法 |
CN105513356A (zh) * | 2015-12-28 | 2016-04-20 | 中兴软创科技股份有限公司 | 一种基于轨迹追踪的od矩阵估计方法与系统 |
CN105513356B (zh) * | 2015-12-28 | 2018-01-05 | 中兴软创科技股份有限公司 | 一种基于轨迹追踪的od矩阵估计方法与系统 |
CN106530715A (zh) * | 2016-12-24 | 2017-03-22 | 浙江工业大学 | 基于模糊马尔可夫过程的路网交通状态预测方法 |
CN106530715B (zh) * | 2016-12-24 | 2019-05-31 | 浙江工业大学 | 基于模糊马尔可夫过程的路网交通状态预测方法 |
CN108765940A (zh) * | 2018-05-28 | 2018-11-06 | 南京邮电大学 | 基于高阶马尔科夫模型的道路拥塞发现方法 |
CN109191847A (zh) * | 2018-10-12 | 2019-01-11 | 山东交通学院 | 基于城市卡口数据的自适应干线协调控制方法及系统 |
CN110111606A (zh) * | 2019-03-18 | 2019-08-09 | 上海海事大学 | 一种基于eemd-iaga-bp神经网络的船舶交通流预测方法 |
CN110428629A (zh) * | 2019-09-03 | 2019-11-08 | 浙江创研信息技术有限公司 | 一种基于智能路测设备的道路状况探测方法 |
CN111693060A (zh) * | 2020-06-08 | 2020-09-22 | 西安电子科技大学 | 基于拥塞等级预测分析的路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103700257A (zh) | 一种基于马尔科夫预测法的交通转移交通量预测方法 | |
Hou et al. | An adaptive hybrid model for short-term urban traffic flow prediction | |
Afan et al. | ANN based sediment prediction model utilizing different input scenarios | |
Seifollahi-Aghmiuni et al. | Effects of pipe roughness uncertainty on water distribution network performance during its operational period | |
Kisi et al. | Precipitation forecasting using wavelet-genetic programming and wavelet-neuro-fuzzy conjunction models | |
Hosseini-Moghari et al. | Monthly and seasonal drought forecasting using statistical neural networks | |
CN103177570B (zh) | 一种早晚高峰交通拥堵指数的预测方法 | |
Delelegn et al. | Multi-objective optimisation of cost–benefit of urban flood management using a 1D2D coupled model | |
Li et al. | Identifying explicit formulation of operating rules for multi-reservoir systems using genetic programming | |
Sun et al. | Combining k-nearest-neighbor models for annual peak breakup flow forecasting | |
Ardakani et al. | Decremental algorithm for adaptive routing incorporating traveler information | |
Zhang et al. | Earth dam construction simulation considering stochastic rainfall impact | |
Paraskevas et al. | Use of artificial neural network for spatial rainfall analysis | |
CN102930353B (zh) | 一种小区用电负荷的预测方法及装置 | |
Wu et al. | Coupling forecast methods of multiple rainfall–runoff models for improving the precision of hydrological forecasting | |
Jaiswal et al. | Minimum carbon dioxide emission based selection of traffic route with unsignalised junctions in tandem network | |
Jun et al. | Research of traffic flow forecasting based on neural network | |
He et al. | Neural computing for grey Richards differential equation to forecast traffic parameters with various time granularity | |
Jhong et al. | Optimization of LSTM parameters for flash flood forecasting using genetic algorithm | |
Kim et al. | An evaluation of inundation risk of urban watershed using data envelopment analysis | |
CN115456247A (zh) | 线路规划方法、装置、计算机设备和可读存储介质 | |
Savithramma et al. | Reinforcement learning based traffic signal controller with state reduction | |
Yang et al. | Research on intelligent prediction and zonation of basin-scale flood risk based on LSTM method | |
Li et al. | Grey accumulation generation relational analysis model for nonequidistance unequal-length sequences and its application | |
Bencekri et al. | A Planning Support System for Boosting Bikeability in Seoul |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140402 |