CN103870890A - 高速公路网交通流量分布的预测方法 - Google Patents
高速公路网交通流量分布的预测方法 Download PDFInfo
- Publication number
- CN103870890A CN103870890A CN201410102970.2A CN201410102970A CN103870890A CN 103870890 A CN103870890 A CN 103870890A CN 201410102970 A CN201410102970 A CN 201410102970A CN 103870890 A CN103870890 A CN 103870890A
- Authority
- CN
- China
- Prior art keywords
- flow distribution
- distribution matrix
- flow
- matrix
- time scale
- 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.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高速公路网交通流量分布的预测方法,假设已经预测了高速公路网在某一时间标度下各入口站的未来产生量和各出口站的未来吸引量,通过站点的历史流量分布来计算现状流量分布和现状效用系数,之后计算预测流量分布,得到预测结果。本发明的有益效果在于:(1)对高速公路流量分布预测具有较高的预测准确率;(2)算法收敛速度快;(3)采用滑动窗口技术,能够充分利用历史流量数据,从而准确、有效的修正分布预测模型中的参数,提高预测的准确度;(4)具有较好的普遍适用性,不局限于某一特定高速路段。
Description
技术领域
本发明涉及交通流量预测技术领域,特别是一种高速公路网交通流量分布的预测方法。
背景技术
交通分布预测是利用现状交通产生量与吸引量来推求未来的交通产生量与吸引量的分布情况,它是公路建设项目可行性研究的核心内容之一,是进行交通状态评价,综合分析建设项目的必要性和可行性的基础和前提。工程中在用“四阶段法”进行交通规划时常用的交通分布预测法有增长系数法、重力模型法、介入机会模型法、系统平衡模型法等。然而,传统的方法在进行交通分布预测时收敛速度较慢,预测精度较差,很难应用在实际工程中,且未充分利用站点的历史流量数据信息。
随着互联网技术的普及和完善,人们将先进的信息技术、通讯技术、传感技术、控制技术以及计算机技术等有效地集成运用于高速公路监控体系,极大提高了监控、收费、管理、服务效率。在各种技术在高速公路有效运用下,各高速公路站点采集到大量、多样的数据,如每个车辆进入高速公路站点信息、路径信息、出高速公路站点信息、客货分类信息,载重信息以及车辆收费信息等,通过这些信息便可以得到各高速站点不同时间标度的流量;通过各站点信息的汇聚,高速公路运营中心便可得到路网中每条高速不同时间标度下各种交通流量、运营状况等信息。因此,在大数据时代,高速公路各个站点具备了分析“大数据”的能力。通过对高速公路运营中心大数据的分析处理,充分利用大数据,建立高速公路交通流量分布预测模型,对高速公路流量进行分布预测具有积极意义。
发明内容
本发明的目的是提供一种高速公路网交通流量分布的预测方法,以解决在已经采集到大量历史流量分布数据和预测了高速公路网中各站点的未来产生量(即从该站点进入的车流量)和未来吸引量(即从该站点出去的车流量)的情况下,如何预测未来流量分布的问题。
实现本发明目的的技术方案如下:一种高速公路网交通流量分布的预测方法,所述高速公路网包括m个入口站和n个出口站,包括
步骤1:选择一个时间标度;
步骤2:根据所选择的时间标度,按照车辆出站时间统计从入口站i到出口站j的车流量
qij,建立流量分布矩阵OD=(qij),其中i=1,2,...,m,j=1,2,...,n;
步骤3:依照步骤2的方法建立k个时间上连续的流量分布矩阵,得到流量分布矩阵的时间序列OD1,OD2,...,ODk;其中,OD1为距预测的流量分布最近的那个流量分布矩阵,OD2为距预测的流量分布次近的那个流量分布矩阵,依此类推;
步骤4:计算流量分布矩阵的时间序列中每个流量分布矩阵对应的效用系数矩阵weightOD=(pij),得到效用系数矩阵的时间序列weightOD1,weightOD2,...,weightODk;其中,
步骤8:令r=0;
步骤9:计算流量分布变化函数
步骤13:将r+1代换为r,返回到步骤9重新计算。
上述技术方案中,所述时间标度为小时、天或月;根据不同时间标度确定的调整系数w的取值为:当时间标度为小时,w=12;当时间标度为天,w=7;当时间标度为月,w=1。
进一步地,所述趋近系数s=0.03。
本发明的有益效果在于:(1)对高速公路流量分布预测具有较高的预测准确率;(2)算法收敛速度快;(3)采用滑动窗口技术,能够充分利用历史流量数据,从而准确、有效的修正分布预测模型中的参数,提高预测的准确度;(4)具有较好的普遍适用性,不局限于某一特定高速路段。
具体实施方式
本发明的基本思想是:假设已经预测了高速公路网在某一时间标度下各入口站的未来产生量和各出口站的未来吸引量,通过站点的历史流量分布来计算现状流量分布和现状效用系数,之后计算预测流量分布,得到预测结果。
假设某高速公路网有m个入口站和n个出口站,
步骤1:首先选择一个时间标度,即以小时、天或月为周期来进行统计和预测。
步骤2:在所选定的时间标度下,按照车辆出站时间统计从入口站i到出口站j的车流量qij,建立流量分布矩阵OD=(qij),其中i=1,2,...,m,j=1,2,...,n。例如,选择的时间标度为天,则根据车辆出站时间,统计一天时间内从入口站i到出口站j的车流量qij,建立这一天的流量分布矩阵OD=(qij)。如表1所示。
表1:流量分布矩阵OD
步骤3:依照步骤2的方法建立k个时间上连续的流量分布矩阵,得到流量分布矩阵的时间序列OD1,OD2,...,ODk;其中,OD1为距预测的流量分布最近的那个流量分布矩阵,OD2为距预测的流量分布次近的那个流量分布矩阵,依此类推。例如,需要预测3月10日这一天的交通流量分布情况,则可以通过步骤2分别得到3月9日、3月8日、3月7日等每一天的流量分布矩阵。将这些流量分布矩阵构成流量分布矩阵的时间序列,其中3月9日的流量分布矩阵为OD1,3月8日的流量分布矩阵为OD2,3月7日的流量分布矩阵为OD3等。如果需要预测3月11日这一天的交通流量分布情况,则流量分布矩阵的时间序列中3月10日的流量分布矩阵为OD1、3月9日为OD2、3月8日为OD3。可以看出,流量分布矩阵的时间序列随着时间推移而变化。
步骤4:计算流量分布矩阵的时间序列中每个流量分布矩阵对应的效用系数矩阵weightOD=(pij),得到效用系数矩阵的时间序列weightOD1,weightOD2,...,weightODk;其中,效用系数矩阵如表2所示。
表2:效用系数矩阵
步骤5:计算现状流量分布矩阵和现状效用系数矩阵本步骤中,ODt的取值为步骤3中构建的流量分布矩阵的时间序列,而流量分布矩阵的时间序列随着时间推移在变化,因此现状流量分布矩阵始终由最新的统计数据而得来。同理,现状效用系数矩阵的值也由最新的统计数据得到。通过这种滑动窗口的方式,能够充分利用历史流量数据,从而准确、有效的修正分布预测模型中的参数,提高预测的准确度。w为根据不同时间标度确定的调整系数,w≤k。为保证预测的准确度,一般调整系数w的取值为:当时间标度为小时,w=12;当时间标度为天,w=7;当时间标度为月,w=1。也就是说,如果时间标度为小时,则流量分布矩阵的时间序列中至少应有预测前12个小时的流量分布矩阵;如果时间标度为天,则流量分布矩阵的时间序列中至少应有预测前7天的流量分布矩阵;如果时间标度为月,则流量分布矩阵的时间序列中至少应有预测前1个月的流量分布矩阵。
表3:现状流量分布矩阵和现状产生量、现状吸引量
步骤7:根据预测的相同时间标度下的每一个入口站的未来产生量Oi和每一个出口站的未来吸引量Dj,计算每一个入口站的初始产生变化率和每一个出口站的初始吸引变化率如前述,已经预测了高速公路网在某一时间标度下各入口站的未来产生量和各出口站的未来吸引量,才能预测交通流量分布。例如,预测3月10日的流量分布,事先预测的3月10日每一个入口站的产生量即为未来产生量,3月10日每一个出口站的吸引量即为未来吸引量。
步骤8:令r=0;
步骤9:计算流量分布变化函数例如,当r=0时,初始的流量分布变化函数为
步骤11:判断是否满足且其中s为趋近系数;如是,则ODr+1为交通流量分布的预测结果,否则继续;趋近系数一般取值为0.03。例如,当r=0时,如果即满足且则第一次预测的流量分布矩阵OD1就是预测的结果。如果不满足判断条件,则继续下一步。
步骤13:将r+1代换为r,返回到步骤9重新计算。
Claims (3)
1.一种高速公路网交通流量分布的预测方法,所述高速公路网包括m个入口站和n个出口站,其特征在于,包括
步骤1:选择一个时间标度;
步骤2:根据所选择的时间标度,按照车辆出站时间统计从入口站i到出口站j的车流量qij,建立流量分布矩阵OD=(qij),其中i=1,2,...,m,j=1,2,...,n;
步骤3:依照步骤2的方法建立k个时间上连续的流量分布矩阵,得到流量分布矩阵的时间序列OD1,OD2,...,ODk;其中,OD1为距预测的流量分布最近的那个流量分布矩阵,OD2为距预测的流量分布次近的那个流量分布矩阵,依此类推;
步骤4:计算流量分布矩阵的时间序列中每个流量分布矩阵对应的效用系数矩阵weightOD=(pij),得到效用系数矩阵的时间序列weightOD1,weightOD2,...,weightODk;其中,
步骤8:令r=0;
步骤9:计算流量分布变化函数
步骤13:将r+1代换为r,返回到步骤9重新计算。
2.如权利要求1所述的高速公路网交通流量分布的预测方法,其特征在于,所述时间标度为小时、天或月;根据不同时间标度确定的调整系数w的取值为:当时间标度为小时,w=12;当时间标度为天,w=7;当时间标度为月,w=1。
3.如权利要求1或2所述的任意一种高速公路网交通流量分布的预测方法,其特征在于,所述趋近系数s=0.03。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410102970.2A CN103870890B (zh) | 2014-03-19 | 2014-03-19 | 高速公路网交通流量分布的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410102970.2A CN103870890B (zh) | 2014-03-19 | 2014-03-19 | 高速公路网交通流量分布的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103870890A true CN103870890A (zh) | 2014-06-18 |
CN103870890B CN103870890B (zh) | 2016-08-24 |
Family
ID=50909403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410102970.2A Active CN103870890B (zh) | 2014-03-19 | 2014-03-19 | 高速公路网交通流量分布的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103870890B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156890A (zh) * | 2016-07-07 | 2016-11-23 | 北京交通大学 | 一种城市轨道交通通道内客流检测和预测方法及其系统 |
CN106327864A (zh) * | 2015-07-10 | 2017-01-11 | 北京大学 | 一种基于高速公路联网收费数据的交通流估计方法 |
CN108269411A (zh) * | 2016-12-31 | 2018-07-10 | 南京理工大学 | 一种高速公路etc车流量预测方法 |
CN108877225A (zh) * | 2018-08-24 | 2018-11-23 | 交通运输部规划研究院 | 交通流量指数确定方法及装置 |
CN109087516A (zh) * | 2018-09-04 | 2018-12-25 | 四川大学 | 一种道路车流量检测系统 |
CN109461307A (zh) * | 2018-11-16 | 2019-03-12 | 中电科新型智慧城市研究院有限公司 | 一种预估路段平均车辆流量和od需求的方法 |
US11663914B2 (en) | 2020-10-07 | 2023-05-30 | International Business Machines Corporation | Geohash-based traffic management |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007164262A (ja) * | 2005-12-09 | 2007-06-28 | Toyota Central Res & Dev Lab Inc | 交通状況予測装置、方法及びプログラム、経路探索システム並びに交通状況提供システム |
CN101739819A (zh) * | 2009-11-19 | 2010-06-16 | 北京世纪高通科技有限公司 | 预测交通流的方法和装置 |
CN101777260A (zh) * | 2010-01-22 | 2010-07-14 | 天津市市政工程设计研究院 | 预约集港模式下的港区交通流预测方法 |
-
2014
- 2014-03-19 CN CN201410102970.2A patent/CN103870890B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007164262A (ja) * | 2005-12-09 | 2007-06-28 | Toyota Central Res & Dev Lab Inc | 交通状況予測装置、方法及びプログラム、経路探索システム並びに交通状況提供システム |
CN101739819A (zh) * | 2009-11-19 | 2010-06-16 | 北京世纪高通科技有限公司 | 预测交通流的方法和装置 |
CN101777260A (zh) * | 2010-01-22 | 2010-07-14 | 天津市市政工程设计研究院 | 预约集港模式下的港区交通流预测方法 |
Non-Patent Citations (2)
Title |
---|
张慧颖: "马氏链在高速公路交通量分布预测中的应用", 《商场现代化》 * |
杨雪: "高速公路网流量预测与分析", 《中国优秀硕士学位论文集》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327864A (zh) * | 2015-07-10 | 2017-01-11 | 北京大学 | 一种基于高速公路联网收费数据的交通流估计方法 |
CN106156890A (zh) * | 2016-07-07 | 2016-11-23 | 北京交通大学 | 一种城市轨道交通通道内客流检测和预测方法及其系统 |
CN106156890B (zh) * | 2016-07-07 | 2018-06-29 | 北京交通大学 | 一种城市轨道交通通道内客流检测和预测方法及其系统 |
CN108269411A (zh) * | 2016-12-31 | 2018-07-10 | 南京理工大学 | 一种高速公路etc车流量预测方法 |
CN108877225A (zh) * | 2018-08-24 | 2018-11-23 | 交通运输部规划研究院 | 交通流量指数确定方法及装置 |
CN108877225B (zh) * | 2018-08-24 | 2021-09-28 | 交通运输部规划研究院 | 交通流量指数确定方法及装置 |
CN109087516A (zh) * | 2018-09-04 | 2018-12-25 | 四川大学 | 一种道路车流量检测系统 |
CN109461307A (zh) * | 2018-11-16 | 2019-03-12 | 中电科新型智慧城市研究院有限公司 | 一种预估路段平均车辆流量和od需求的方法 |
CN109461307B (zh) * | 2018-11-16 | 2021-09-24 | 中电科新型智慧城市研究院有限公司 | 一种预估路段平均车辆流量和od需求的方法 |
US11663914B2 (en) | 2020-10-07 | 2023-05-30 | International Business Machines Corporation | Geohash-based traffic management |
Also Published As
Publication number | Publication date |
---|---|
CN103870890B (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103870890A (zh) | 高速公路网交通流量分布的预测方法 | |
CN111653088B (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
Fournier et al. | A sinusoidal model for seasonal bicycle demand estimation | |
Enright et al. | Monte Carlo simulation of extreme traffic loading on short and medium span bridges | |
CN103903430B (zh) | 一种采用多源同构数据的行程时间动态融合预测方法 | |
Cheng et al. | Estimating key traffic state parameters through parsimonious spatial queue models | |
CN102693633B (zh) | 一种短时交通流加权组合预测方法 | |
CN107609335B (zh) | 一种基于合成流量和形状拟合的洪水预报方法 | |
CN110570651A (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN102521989B (zh) | 一种动态数据驱动的高速公路出口流量预测方法 | |
Zhang et al. | Optimizing coordinated ramp metering: a preemptive hierarchical control approach | |
CN105741549B (zh) | 一种基于空间copula理论的交通流量预测方法 | |
CN101488284A (zh) | 道路交通状况即时预测的智能管理系统 | |
CN111951553B (zh) | 一种基于交通大数据平台与中观仿真模型的预测方法 | |
Roshandeh et al. | New methodology for intersection signal timing optimization to simultaneously minimize vehicle and pedestrian delays | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
CN104183119A (zh) | 基于路段od反推的实时交通流分布预测系统 | |
Xinghao et al. | Predicting bus real-time travel time basing on both GPS and RFID data | |
CN112801342A (zh) | 一种基于降雨径流相似性的自适应径流预报方法 | |
Moazami et al. | The use of analytical hierarchy process in priority rating of pavement maintenance | |
CN107293118A (zh) | 一种交通速度动态区间短时预测方法 | |
Juri et al. | Integrated traffic simulation–statistical analysis framework for online prediction of freeway travel time | |
Yu et al. | An adaptive bus arrival time prediction model | |
CN104916134B (zh) | 一种基于多因子回归的区域公路主通道交通需求预测方法 | |
Yang et al. | Queue length estimation for a metered on-ramp using mesoscopic simulation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |