CN104050809B - 交通状况自动分析预测方法 - Google Patents
交通状况自动分析预测方法 Download PDFInfo
- Publication number
- CN104050809B CN104050809B CN201410242472.8A CN201410242472A CN104050809B CN 104050809 B CN104050809 B CN 104050809B CN 201410242472 A CN201410242472 A CN 201410242472A CN 104050809 B CN104050809 B CN 104050809B
- Authority
- CN
- China
- Prior art keywords
- traffic
- speed
- membership
- degree
- traffic behavior
- 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.)
- Active
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开一种交通状况自动分析预测方法,包括基于模糊控制实现的当前交通状况的评估,还包括基于未来交通参数预测和模糊控制相结合的未来交通状况预。模糊控制的方法是以车流量和速度为输入,以交通状态为输出,通过在输入和输出之间建立一系列的判定关系,确定每个路段的交通状况。未来交通参数预测是以k‑最近邻法预测。本发明基于模糊控制的当前交通状况模糊评估分析模块,可以根据当前车流量和速度自动分析当前监测路段的交通状况;基于k‑最近邻法的交通参数预测模块,可以预测未来一段时间的交通状况。实时评估的准确率为85%,预测评估的准确率为75%,可以有效缓解交警的工作压力、帮助他们更有效地指挥决策。
Description
技术领域
本发明涉及交通控制技术,特别是基于信息智能处理技术的交通状况的自动分析预测方法。
背景技术
交通综合指挥平台的发展经历了以下几个阶段:(1)信息展示阶段、(2)表面功能阶段、(3)实际功能阶段、(4)数据挖掘阶段、(5)综合指挥调度阶段、(6)智能交通控制阶段。我国交通综合指挥平台现在大多还主要停留在第三和第四发展阶段。其中信息分析主要还是依靠人工处理。面对海量的交通数据,监控人员很难及时、准确地做出判断。
交通状态辨识是实现智能交通管理的一个重要前提,也是目前智能交通广泛开展的研究课题。随着城市规模越来越大,交通量迅速增加,道路交通拥挤愈加突出,表现为行车速度的下降和到达目的地时间的增加,严重影响城市的整体功能。而且若不能及时发现和处理交通拥堵,它会随着时间的推移越演越烈。因此,及时准确识别城市道路交通运行状态是亟待解决的问题。而目前大多数的交通状况分析还需人工完成,工作量非常大,长时间疲劳工作会降低对交通状况判断的准确率。
一些研究人员利用交通流的基本参数(即流量、速度等)对交通流状态进行分类,确定每种状态的临界值。但是每个交通流参数影响交通流状态分类的程度不同,精度会受到很大的影响。而且道路交通状况很难用确切的数字来说明,具有很强的模糊性和隐藏性。因此,如何将道路的交通状况通过科学的数据信息方法真实的表达出来,是交通状态判别的关键。道路交通信息除了具有一般数据信息的特点外,还具有很强的实时性。如果判别结果在时间上不能满足用户的需求,判别的准确性也就失去了其实际的意义。为此,在选择信息处理技术时,既要考虑交通信息自身的特点,还要考虑交通状态判别的整体效果。如果能准确辨识未来短时交通状态,则可以更加有效地实施合理的交通控制和诱导措施,缓解堵塞,使交通运行平稳、顺畅,为道路使用者提供良好的道路运行环境。
发明内容
为解决交通管理平台的上述技术瓶颈,本发明提供一种交通状况自动分析预测方法。该方法基于数据的分析,指导交通指挥平台的工作人员分析交通状况,缓解了人工劳动量和压力、提高了指挥决策的准确性。
为实现上述目的,本发明采取以下技术方案:一种交通状况自动分析预测方法,包括基于模糊控制实现的当前交通状况的评估,模糊控制的方法是以车流量和速度为输入,以交通状态为输出,通过在输入和输出之间建立一系列的判定关系,确定每个路段的交通状况。
基于模糊控制的当前交通状况评估分析,具体方法是:
1)分别建立车流量和速度的输入隶属度函数
①分别对车流量和速度进行归一化:
t时刻车流量的归一化数学描述为:
t时刻速度的归一化数学描述为:
其中,P(t)为t时刻的流量值,Pmax为该条路流量的最大值,v(t)为t时刻的路面车速,vmax为该条路的车速最大值;
②分别建立车流量和速度的隶属度函数:
以横坐标为论域,纵坐标为隶属度建立隶属度函数,量值区间都为0~1,利用隶属度函数将车流量划分为5个模糊子集:很少、少、中、多、很多,分别对应的论域区间为:0~0.25、0~0.5、0.25~0.75、0.5~1、0.75~1;
利用隶属度函数将速度划分为5个模糊子集:很快、快、中、慢、很慢,分别对应的论域为0~0.25、0~0.5、0.25~0.75、0.5~1、0.75~1;
2)建立拥堵状态判定规则表和交通状态的隶属度函数
①根据输入隶属度函数,建立拥堵状态判定规则表:
表中,车流量项NN、NS、O、PS、PM分别对应车流量:很少、少、中、多、很多,车速项NN、NS、O、PS、PM分别对应车速:很快、快、中、慢、很慢,交通状态项NN、NS、O、PS、PM分别对应:很堵车、堵车、轻微堵车、车较多、畅通;
②建立交通状态的隶属度函数:
以横坐标为论域,纵坐标为隶属度建立交通状态隶属度函数,量值区间都为0~1,利用隶属度函数将交通状态划分为5个模糊子集:很堵车、堵车、轻微堵车、车较多、畅通,分别对应的论域为0~0.2、0~0.5、0.3~0.7、0.5~1、0.8~1;
3)根据属度函数确定当前交通状态
①将车流量、速度带入各自的隶属度函数,确定它们的隶属度;
②以每一组车流量和速度的隶属度组合,定义出一个子交通状态隶属度,定义方法为:取该隶属度组合中最小的那个隶属度为子交通状态的隶属度;
③确定每个子交通状态的论域的中心值:每条隶属度曲线中心,若没有曲线中心则为每条隶属度曲线最大值处对应的横坐标值;
④以每个子交通状态的隶属度为权值,对它们各自的论域中心值进行加权平均,获得交通状态的最终论域值:
其中,xi和μi表示子交通状态i的论域中心值和隶属度,i∈{NN,NS,O,PS,PM};
⑤然后再将x带回到交通状态的隶属度函数,确定当前交通状态,方法为:对于同一论域值x所对应的多个隶属度,取其中最大的那个隶属度所对应的交通状态,为当前的交通状态。
一种交通状况自动分析预测方法,还包括基于未来交通参数预测和模糊控制相结合的未来交通状况预测;其中所述未来交通参数预测是在一定的预测准则基础上,以k-最近邻法预测未来一段时间之后的车流量和速度参数。
具体方法是:
1)构建交通参数状态向量
每个交通状态向量由4个交通参数构成:某一时刻的流量p、车速v以及该时刻5分钟前的流量pold和车速vold,状态向量表示为:a=(p,pold,v,vold),随着时间推移,不断生成新的交通状态向量存入数据库;
2)定义预测准则
使用欧几里德距离中的平方差准则,数学描述为:
式中,当前时刻交通状态向量为(p,pold,v,vold),历史i时刻交通状态向量为(pi,pi,old,vi,vi,old),当di小于阈值时,该历史时刻交通状态向量被从数据库中选中;
3)以这一准则为标准,使用K-最近邻法搜索这些向量,在数据库中寻找与当前交通状态最接近的5对历史向量;
4)未来交通参数变化状况预测
提取数据库中这5对向量在下5分钟所对应的状态进行加权,数学描述为:
式中,pforecast为流量的预测值,vforecast为车速的预测值,第i个历史状态在历史时刻5分钟后的交通参数为(pi,new,vi,new),按照距离的远近分别赋予大小不同的权值,距离越近权重越大,第i个历史状态的权重为加权平均的结果可以作为5分钟之后的交通参数预测值pforecast和vforecast;
5)未来交通状况的预测
在预测到未来交通参数后,同样使用基于模糊控制的当前交通状况模糊评估分析方法,对5分钟之后的交通状态进行评估预测。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明基于模糊控制的当前交通状况模糊评估分析模块,可以根据当前的交通参数(车流量和速度)自动分析当前监测路段的交通状况。
2、基于k-最近邻法的交通参数预测模块,可以根据当前的交通参数(车流量和速度)预测未来一段时间之后(如5分钟之后)的交通参数变化。
3、结合k-最近邻法的交通参数预测模块预测得到的交通参数,再次利用交通状况模糊评估分析模块可以预测监测路段未来(如5分钟之后)的交通状况。
根据实际测试表明,交通状况实时评估的准确率为85%,交通状况预测评估的准确率为75%,可以有效缓解交警的工作压力、帮助他们更有效地指挥决策。
附图说明
图1是车流量隶属度函数图;
图2是车速度隶属度函数图;
图3是交通状态的隶属度函数图;
图4是当前交通状况模糊分析流程;
图5是未来交通状况预测流程。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本具体实施方式所提供的这种交通状况自动分析预测方法,包括两方面内容:一是基于模糊控制的当前交通状况模糊评估分析;二是基于k-最近邻法的未来交通参数预测,然后将预测参数利用当前交通状况模糊评估分析方法对未来交通状况的预测。两方面内容组合起来既可以实现对当前交通状况评估分析,亦可以实现对未来交通状况的预测。其中当前交通状况模糊评估分析是基本,可以根据当前的交通参数(车流量和速度)自动分析当前每个路段的交通状况。基于k-最近邻法的交通参数预测可以预测未来一段时间之后(如5分钟)的交通参数变化,然后再结合当前交通状况模糊评估分析模块预测未来每个路段的交通状况。
1、基于模糊控制的当前交通状况模糊评估分析方法,包括如下流程,见图4所示:
1)建立车流量和速度的隶属度函数
在交通综合指挥平台软件中建立解算模块,以车流量和速度为输入,首先对车流量和速度进行归一化:
t时刻车流量归一化的数学描述为:
t时刻车速归一化的数学描述为:
然后根据经验建立车流量和速度的隶属度函数。如图1、2所示,横坐标分别表示车流量和速度的论域,纵坐标表示隶属度,量值区间都为0~1。如图1所示,利用隶属度函数将车流量划分为5个模糊子集:很少(NN)、少(NS)、中(O)、多(PS)、很多(PM),对于归一化的流量,NN对应论域为0~0.25、NS对应论域为0~0.5、O对应论域为0.25~0.75、PS对应论域为0.5~1、PM对应论域为0.75~1,模糊子集与隶属度的关系为折线状函数。同理对车速也做同样的划分,如图2所示,将速度划分为5个模糊子集:很快(NN)、快(NS)、中(O)、慢(PS)、很慢(PM),对于归一化的流量,NN对应论域为0~0.25、NS对应论域为0~0.5、O对应论域为0.25~0.75、PS对应论域为0.5~1、PM对应论域为0.75~1,模糊子集与隶属度的关系为折线状函数。
2)建立拥堵状态判定规则表和交通状态的隶属度函数
根据两个交通量的状态设计查询逻辑:
流量为NN、车速为NN,查表输出为畅通PM;
流量为NS、车速为NN,查表输出为畅通PM;
流量为O、车速为NN,查表输出为畅通PM;
流量为PS、车速为NN,查表输出为畅通PM;
流量为PM、车速为NN,查表输出为畅通PM;
流量为NN、车速为NS,查表输出为畅通PM;
流量为NS、车速为NS,查表输出为畅通PM;
流量为O、车速为NS,查表输出为车较多PS;
流量为PS、车速为NS,查表输出为车较多PS;
流量为PM、车速为NS,查表输出为轻微堵车O;
流量为NN、车速为O,查表输出为车较多PS;
流量为NS、车速为O,查表输出为车较多PS;
流量为O、车速为O,查表输出为轻微堵车O;
流量为PS、车速为O,查表输出为轻微堵车O;
流量为PM、车速为O,查表输出为堵车NS;
流量为NN、车速为PS,查表输出为轻微堵车O;
流量为NS、车速为PS,查表输出为轻微堵车O;
流量为O、车速为PS,查表输出为轻微堵车O;
流量为PS、车速为PS,查表输出为堵车NS;
流量为PM、车速为PS,查表输出为很堵车NN。
流量为NN、车速为PM,查表输出为堵车NS;
流量为NS、车速为PM,查表输出为堵车NS;
流量为O、车速为PM,查表输出为堵车NS;
流量为PS、车速为PM,查表输出为很堵车NN;
流量为PM、车速为PM,查表输出为很堵车NN。
由此产生拥堵状态判定规则表,如表1所示。除了恶劣天气,高速公路上只有在堵车的情况下才会出现车速和车流量同时为PM状态。
表1
算法以交通状态为输出,对交通状态也建立隶属度函数,如图3所示,将交通状态的模糊子集划分为5个:很堵车(NN)、堵车(NS)、轻微堵车(O)、车较多(PS)、畅通(PM),NN对应的论域为0~0.2、NS对应论域为0~0.5、O对应论域为0.3~0.7、PS对应论域为0.5~1、PM对应论域为0.8~1,模糊子集与隶属度的关系为折线状函数。
3)根据隶属度函数确定交通状态
将车流量、速度带入各自的隶属度函数,确定它们的隶属度。因为是模糊决策,同一个交通参数可能会对应2个模糊状态,如车流量归一化后取值为0.7时,O和PS状态因为相邻都会有一定概率发生。两个交通参数最多会输出2×2个模糊状态,拥堵状态判定规则表会输出4个可能的状态(这些都在上述的规则表中体现出来了)。
例如车流量归一化后取值为0.7、车速归一化后取值为0.6,则车流量的状态可能为O和PS、车速的状态可能为O和PS,根据表1可查得交通状况可能为三种O的情况(O1、O2、O3)和一种NS的情况。
对于这四个子交通状态,每一个子交通状态的隶属度定义为:合成该状态时两个交通参数(速度和流量)分别对应的隶属度中最小的那个隶属度,如下面的例子:
μO1=min(Uv_O,Uq_O)=min(0.4,0.2)=0.2
μO2=min(Uv_O,Uq_PS)=min(0.4,0.8)=0.4
μO3=min(Uv_PS,Uq_O)=min(0.6,0.2)=0.2
μNS=min(Uv_PS,Uq_PS)=min(0.6,0.8)=0.6
根据图3确定每个子交通状态的论域的中心值:(每条隶属度曲线中心(若没有则为每条隶属度曲线最大值处)对应的论域值),如:
xO1=0.5
xO2=0.5
xO3=0.5
xNS=0.25
以每个子交通状态的隶属度为权值,对它们各自的论域中心值进行加权,获得交通状态的最终论域值x:
其中,xO1和μO1表示子交通状态O1的论域中心值和隶属度,xO2和μO2表示子交通状态O2的论域中心值和隶属度,xO3和μO3表示子交通状态O3的论域中心值和隶属度;xNS表示子交通状态NS的论域中心值和隶属度。
然后再根据交通状态的隶属度函数最终确定当前交通状态,当x=0.3929时,由图3可知交通状态可能是O状态,也可能是NS状态,属于哪种状态的可能性更大,需比较它们的隶属度,哪个隶属度大就判断为哪种对应的交通状态,如上述x=0.3929时,对应:
μx_O=0.4645
μx_NS=0.5355
因为μx_NS>μx_O,判定此时交通状态为NS状态,即堵车状态。
2、基于k-最近邻法的未来交通参数预测及交通状态预测,流程见图5所示:
在交通综合指挥平台软件中建立交通预测解算模块。交通状况预测目标是:根据当前时刻以及前5分钟的流量、车速预测下5分钟的交通参数的变化状况。汽车5分钟一般可以行使3-8千米,对于短时交通指挥决策,5分钟的提前预测可以满足交警的实际需求。
预测模块包括三部分:构建交通参数状态向量、定义预测准则、交通参数变化状况预测。
1)构建交通参数状态向量
每个交通状态向量由4个交通参数构成:某一时刻的流量p、车速v以及该时刻5分钟前的流量pold和车速vold。随着时间推移,不断生成新的交通状态向量存入数据库。状态向量表示为:
a=(p,pold,v,vold)
2)定义预测准则:
距离函数是一种规则,用于寻找数据库中K个与当前交通状态向量最相近的历史交通状态向量。距离函数的选取取决于实际的数据和决策问题。本发明使用的是欧几里德距离中的平方差准则,数学描述为:
式中,当前时刻交通状态向量为(p,pold,v,vold),历史i时刻交通状态向量为(pi,pi,old,vi,vi,old)。当di小于阈值时(阈值是预先设定于解算模块中的),该历史时刻交通状态向量被从数据库中选中。以这一准则为标准在数据库中寻找与当前交通状态最接近的5对(K=5)历史向量。
我们使用K-最近邻法搜素这些向量,K-最近邻法就是在数据库中搜寻与当前交通状态向量距离最接近的历史交通状态向量,将历史交通状态向量5分钟后的交通参数状态作为当前时刻5分钟后的交通参数预测值。为了提高预测结果的稳定性,选择最接近的5个历史交通状态向量,按照距离的远近分别赋予大小不同的权值,距离越近权重越大,交通参数的加权平均的结果可以作为接下来5分钟之后的交通参数预测值。随着数据库存入交通数据的不断增加,基于K-近邻法的交通状态预测会越来越准确。
3)未来交通参数变化状况预测
提取数据库中这5对向量在下5分钟所对应的状态进行加权,数学描述为:
式中,pforecast为流量的预测值,vforecast为车速的预测值,第i个历史状态在历史时刻5分钟后的交通参数为(pi,new,vi,new),按照距离的远近分别赋予大小不同的权值,距离越近权重越大,第i个历史状态的权重为加权平均的结果可以作为5分钟之后的交通参数预测值pforecast和vforecast。
4)未来交通状况的预测
在预测到未来交通参数变化后,同样使用前述的基于模糊控制的当前交通状况模糊评估分析方法,即可实现对5分钟之后的交通状态进行评估预测。
实施例
以沈海高速公路罗源段为应用对象,在福州罗源高速交通综合管理平台上建立了基于模糊控制的交通状况模糊评估分析模块,可以实现交通状态的准确识别。以k-最近邻法为基础设计了交通参数预测模块,通过寻找历史数据中与当前点相似的“近邻”预测交通参数(车流量、速度)的变化,然后调用交通状况模糊评估分析模块预测下一个时间段的交通状况。
1、信息采集
(1)设备
该项目采用了纯高清系统,包括高清PTZ摄像机、高清视频检测技术。设备符合国家所规定的各项指标要求,通过了GB/T2423.10、GB/T17626.3-2006、IEC61000-4-4:2004等多项测试。
(2)安装
该高速公路路段(覆盖A\B道)每间隔1000米左右设立了1对高清夜视云台摄像机,监控范围为左右各1KM,每台高清摄像机对应一路视频检测器进行自动视频分析(检测区域为左右各300M)。
2、算法的运行环境
算法采用oracle10数据库,运行在操作系统为windows server2008的服务器上,内存不小于8G,四核及以上CPU,硬盘500G同时支持可扩展。服务器还具有不小于10M独享对外网络光纤带宽。
3、信息发布:可变情报板系统
交通状况的分析和预测结果通过可变情报板及室外广播系统向司机和行人发布变情报板以LED发光器件为基本显示单元的交通信息显示设备,具有图形及文字显示功能。可有效地发布交通状况自动分析预测算法的分析和预测结果,提高路网的交通运输能力,为驾驶人员安全快速行车提供优质服务。信息发布符合《LED道路交通可变诱导标志》GA/T484-2004、《民用闭路监视电视系统工程技术规范》GB/T50198、《电器装置安装工程接地装置施工及验收规范》GB50619等的规范要求。
4、预测结果
在实施路段:
最大流量取为1000辆/小时(实测值大于该值,归一化后取值为1)
最大车速取为100千米/小时(实测值大于该值,归一化后取值为1)
下午18;00时刻:
最大流量取为125辆/小时,归一化后取值为0.125,对应状态为NN、NS
最大车速取为11千米/小时,归一化后取值为0.89,对应状态为PS、PM
根据模糊法取得当前时刻的交通状况为:堵车(NS状态),结果与实际情况一致。
根据K-邻近法,获得前5分钟的参数为[125,11,135,12],
使用加权平均法,获得后5分钟的参数为:流量104辆/小时,车速10.6千米/小时,再结合模糊法,预测到未来5分钟的交通状况仍为NS状态,结果与实际情况一致。
Claims (3)
1.一种交通状况自动分析预测方法,其特征在于:包括基于模糊控制实现的当前交通状况的评估;模糊控制的方法是以车流量和速度为输入,以交通状态为输出,通过在输入和输出之间建立一系列的判定关系,确定每个路段的交通状况;
基于模糊控制的当前交通状况评估分析,具体方法如下:
1)分别建立车流量和速度的输入隶属度函数
①分别对车流量和速度进行归一化:
t时刻车流量的归一化数学描述为:
t时刻速度的归一化数学描述为:
其中,P(t)为t时刻的流量值,Pmax为该路段流量的最大值,v(t)为t时刻的路面车速,vmax为该路段的车速最大值;
②分别建立车流量和速度的隶属度函数:
以横坐标为论域,纵坐标为隶属度建立隶属度函数,量值区间都为0~1,利用隶属度函数将车流量划分为5个模糊子集:很少、少、中、多、很多,分别对应的论域区间为:0~0.25、0~0.5、0.25~0.75、0.5~1、0.75~1;
利用隶属度函数将速度划分为5个模糊子集:很快、快、中、慢、很慢,分别对应的论域区间为0~0.25、0~0.5、0.25~0.75、0.5~1、0.75~1;
2)建立拥堵状态判定规则表和交通状态的隶属度函数
①根据输入隶属度函数,建立拥堵状态判定规则表:
表中,车流量项NN、NS、O、PS、PM分别对应车流量:很少、少、中、多、很多,车速项NN、NS、O、PS、PM分别对应车速:很快、快、中、慢、很慢,交通状态项NN、NS、O、PS、PM分别对应:很堵车、堵车、轻微堵车、车较多、畅通;
②建立交通状态的隶属度函数:
以横坐标为论域,纵坐标为隶属度建立交通状态隶属度函数,量值区间都为0~1,利用隶属度函数将交通状态划分为5个模糊子集:很堵车、堵车、轻微堵车、车较多、畅通,分别对应的论域区间为0~0.2、0~0.5、0.3~0.7、0.5~1、0.8~1;
3)根据属度函数确定当前交通状态
①将车流量、速度带入各自的隶属度函数,确定它们的隶属度;
②以每一组车流量和速度的隶属度组合,定义出一个子交通状态隶属度,定义方法为:取该隶属度组合中最小的那个隶属度为子交通状态的隶属度;
③确定每个子交通状态的论域的中心值:每条隶属度曲线中心,若没 有曲线中心则为每条隶属度曲线最大值处对应的横坐标值;
④以每个子交通状态的隶属度为权值,对它们各自的论域中心值进行加权平均,获得交通状态的最终论域值:
其中,xi和μi表示子交通状态i的论域中心值和隶属度,i∈{NN,NS,O,PS,PM};
⑤然后再将x带回到交通状态的隶属度函数,确定当前交通状态,方法为:对于同一论域值x所对应的多个隶属度,取其中最大的那个隶属度所对应的交通状态,为当前的交通状态。
2.根据权利要求1所述的交通状况自动分析预测方法,其特征在于:还包括基于未来交通参数预测和模糊控制相结合的未来交通状况预测;其中所述未来交通参数预测是在一定的预测准则基础上,以k-最近邻法预测未来一段时间之后的车流量和速度参数。
3.根据权利要求2所述的交通状况自动分析预测方法,其特征在于:所述基于未来交通参数预测和模糊控制相结合的未来交通状况预测的具体方法是:
1)构建交通参数状态向量
每个交通状态向量由4个交通参数构成:某一时刻的流量p、车速v以及该时刻5分钟前的流量pold和车速vold,状态向量表示为:a=(p,pold,v,vold),随着时间推移,不断生成新的交通状态向量存入数据库;
2)定义预测准则
使用欧几里德距离中的平方差准则,数学描述为:
式中,当前时刻交通状态向量为(p,pold,v,vold),历史i时刻交通状态向量为(pi,pi,old,vi,vi,old),当di小于阈值时,该历史i时刻交通状态向量被从数据库中选中;
3)以这一准则为标准,使用K-最近邻法搜索这些向量,在数据库中寻找与当前交通状态最接近的5对历史向量;
4)未来交通参数变化状况预测
提取数据库中这5对向量在下5分钟所对应的状态进行加权,数学描述为:
式中,pforecast为流量的预测值,vforecast为车速的预测值,第i个历史状态在历史时刻5分钟后的交通参数为(pi,new,vi,new),按照距离的远近分别赋予大小不同的权值,距离越近权重越大,第i个历史状态的权重为加权平均的结果作为5分钟之后的交通参数预测值pforecast和vforecast;
5)未来交通状况的预测
在预测到未来交通参数后,同样使用基于模糊控制的当前交通状况模 糊评估分析方法,对5分钟之后的交通状态进行评估预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410242472.8A CN104050809B (zh) | 2014-06-03 | 2014-06-03 | 交通状况自动分析预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410242472.8A CN104050809B (zh) | 2014-06-03 | 2014-06-03 | 交通状况自动分析预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104050809A CN104050809A (zh) | 2014-09-17 |
CN104050809B true CN104050809B (zh) | 2016-07-20 |
Family
ID=51503561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410242472.8A Active CN104050809B (zh) | 2014-06-03 | 2014-06-03 | 交通状况自动分析预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104050809B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732075B (zh) * | 2015-03-06 | 2017-07-07 | 中山大学 | 一种城市道路交通事故风险实时预测方法 |
CN104848871B (zh) * | 2015-06-09 | 2018-11-16 | 刘光明 | 带有交通状况变化趋势的地图与行车路线 |
JP6062124B1 (ja) * | 2016-03-03 | 2017-01-18 | 三菱電機株式会社 | 混雑予測装置および混雑予測方法 |
CN106683442A (zh) * | 2016-12-28 | 2017-05-17 | 安徽科力信息产业有限责任公司 | 基于多指标的交叉口信号配时方案评价方法 |
CN110288826B (zh) * | 2019-05-24 | 2020-11-13 | 浙江工业大学 | 基于多源数据融合和milp的交通控制子区聚类划分方法 |
CN110634287B (zh) * | 2019-08-26 | 2021-08-17 | 上海电科智能系统股份有限公司 | 一种基于边缘计算的城市交通状态精细化判别方法 |
TWI774984B (zh) * | 2019-09-05 | 2022-08-21 | 中華電信股份有限公司 | 交通事件偵測系統及方法 |
CN111583639B (zh) * | 2020-04-30 | 2021-05-14 | 山东交通学院 | 一种道路交通拥堵预警方法及系统 |
CN112069376A (zh) * | 2020-08-27 | 2020-12-11 | 武汉理工大学 | 交通信息可视化的数据处理方法、系统和存储介质 |
CN114758495B (zh) * | 2022-03-29 | 2024-02-06 | 北京百度网讯科技有限公司 | 交通信号灯调整方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950482A (zh) * | 2010-09-08 | 2011-01-19 | 公安部交通管理科学研究所 | 道路交通状态智能识别方法 |
CN102592464A (zh) * | 2012-03-12 | 2012-07-18 | 山东大学 | 一种基于视频的相位差模糊推理确定方法 |
CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050068938A (ko) * | 2003-12-30 | 2005-07-05 | 현대자동차주식회사 | 도로 교통상황 판단방법 |
-
2014
- 2014-06-03 CN CN201410242472.8A patent/CN104050809B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950482A (zh) * | 2010-09-08 | 2011-01-19 | 公安部交通管理科学研究所 | 道路交通状态智能识别方法 |
CN102592464A (zh) * | 2012-03-12 | 2012-07-18 | 山东大学 | 一种基于视频的相位差模糊推理确定方法 |
CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
Non-Patent Citations (2)
Title |
---|
基于K近邻非参数回归的短时交通流预测方法;张涛等;《系统工程理论与实践》;20100228;第30卷(第2期);第378页第2段-第379页倒数第5段 * |
基于非参数回归的短时交通流量预测与事件检测综合算法;宫晓燕等;《中国公路学报》;20030131;第16卷(第1期);第84页左栏倒数第1段-第85页第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN104050809A (zh) | 2014-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104050809B (zh) | 交通状况自动分析预测方法 | |
Parsa et al. | Real-time accident detection: Coping with imbalanced data | |
Park et al. | Real-time prediction of secondary incident occurrences using vehicle probe data | |
Zheng et al. | Parking availability prediction for sensor-enabled car parks in smart cities | |
Tang et al. | Traffic-incident detection-algorithm based on nonparametric regression | |
CN105493109B (zh) | 使用多个数据源的空气质量推断 | |
Park et al. | Interpretation of Bayesian neural networks for predicting the duration of detected incidents | |
Zhu et al. | Dynamic prediction of traffic incident duration on urban expressways: A deep learning approach based on LSTM and MLP | |
Demissie et al. | Intelligent road traffic status detection system through cellular networks handover information: An exploratory study | |
He et al. | Incident duration prediction with hybrid tree-based quantile regression | |
AU2020101738A4 (en) | Automated real-time driving behavioural modelling analysis and reporting in denser traffic using data mining | |
CN103065469B (zh) | 行程时间的确定方法和装置 | |
CN104392610A (zh) | 基于分布式视频的高速路交通事件影响范围动态监控方法 | |
CN104200288A (zh) | 一种基于因素与事件间相关关系识别的设备故障预测方法 | |
CN107507421B (zh) | 快速路交通状态判别方法及装置 | |
Pawar et al. | Classification of gaps at uncontrolled intersections and midblock crossings using support vector machines | |
CN108964023A (zh) | 一种用于电网的母线电压态势短期预测方法及系统 | |
Chen et al. | A review on traffic prediction methods for intelligent transportation system in smart cities | |
Liu et al. | Traffic state spatial-temporal characteristic analysis and short-term forecasting based on manifold similarity | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
Hu | Research on city traffic flow forecast based on graph convolutional neural network | |
Prontri et al. | Traffic signal control using fuzzy logic | |
Zhang et al. | A hybrid method of traffic congestion prediction and control | |
Abbas et al. | Real-time traffic jam detection and congestion reduction using streaming graph analytics | |
CN103914984B (zh) | 一种基于单元-区间协作的城市道路交通状态分析方法 |
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 |