CN105303856A - 一种预测模型的可变情报板信息发布方法 - Google Patents

Abstract

本发明公开了属于城市公共交通管理技术领域的一种预测模型的可变情报板信息发布方法。该方法是在真实道路交通数据的基础上，利用统计推断、机器学习的方法，将多范围旅行时间预测模型与基于预测时间范围的路网动态划分方法相结合，结合城区路网结构与公共诱导设备的自身特点，建立动态化、层次化的交通预测模型；依据可变情报板特点进行信息发布。本发明具有层次化、精细化的特点。针对可变情报板的特点，结合路网结构，从驾驶员的角度出发，提供符合其驾驶行为、决策习惯的诱导信息。帮助驾驶员在途经诱导牌时，获知未来实际行驶到目的路段时目的路段的交通状况，从而做出更为合理的路径决策，使诱导牌附近路网的整体交通状况都能得到改善。

Description

一种预测模型的可变情报板信息发布方法

技术领域

本发明属于城市公共交通管理技术领域，特别涉及一种预测模型的可变情报板信息发布方法。

背景技术

随着我国城市化进程的加快，中小型城市的数量日益增加，其在我国城镇发展的总体战略规划中的地位也愈发重要。与此同时，中小型城市的经济正在快速发展、规模正在不断扩大，倘若现阶段不能很好地解决其所面临的交通问题，高峰期大面积拥堵、交通瓶颈点增多等大城市当前交通问题很有可能在未来出现。

为解决这一问题，改善公共交通诱导方式、提升公共诱导设备的诱导效果是十分重要的一个环节，其中，可变情报板(VariableMessageSign，简称VMS)是当前城市公共交通诱导设备的重要组成之一，其具有成本较为低廉、建设分布较为广泛、显示效果较为明显的特点。从微观角度出发，单个驾驶员在到达路口、进行路径决策时，能够方便、直观地从可变情报板中获取有关当前道路交通状况的有关信息，从而做出较为明智的决策。而从宏观角度考虑，当多数驾驶员能根据可变情报板的交通信息作出合理的路径决策后，将舒缓拥堵道路的通行压力，进而改善城区交通路网的整体通行状况。

在现有技术中，绝大多数可变情报板仅能以光带的形式显示前方路网实时道路交通状况。而实时交通路况对驾驶员进行路径选择的帮助较为有限：诱导牌无法显示有关未来路况的预测信息，驾驶员仅能结合其显示的当前路况，凭经验进行路径选取。诱导牌仅仅是实时路况显示设备，诱导作用十分有限。

发明内容

本发明的目的是提供一种预测模型的可变情报板信息发布方法，其特征在于，在真实道路交通数据的基础上，利用统计推断、机器学习的方法，结合城区路网结构与公共诱导设备的自身特点，建立动态化、层次化的交通预测模型。包括如下步骤：

步骤1：获取可变情报板所覆盖路网内每一条道路的1～前8天的道路交通流量、车辆平均速度数据，且数据最大时间间隔不大于1分钟；

步骤2：利用多项式回归的方法，根据历史交通数据建立道路流量‐旅行时间关系，并利用交叉验证的方式增强模型泛化性；

步骤3：假设当前时刻为n，在目标道路及与目标道路几何相邻的两条道路各取第n‐3、第n‐2、第n‐1、第n时刻的车流量作为输入变量,共12个输入变量：x_i，1，x_i，2，x_i，3，x_i，4，x_i，5，x_i，6，x_i，7，x_i，8，x_i，9，x_i，10，x_i，11，x_i，12，以待预测时刻的交通流量(y_i)作为输出变量来训练多元线性回归模型，

其中Y＝[y₁，y₂，...，y_N]，N为数据的组数；计算得到模型参数

步骤4：在道路流量预测的基础上建立多范围模型。假设当前时刻为n(规定：每一天的同一时间对应的时刻标号相同)，利用第n‐3、第n‐2、第n‐1、第n时刻的车流量数据，按照步骤3的预测模型，预测出第n+1时刻的数据；利用第n‐2、第n‐1、第n时刻的车流量数据和一周前第n+1时刻的车流量数据作为输入变量，按照步骤3的预测模型，预测出第n+2时刻的数据；利用第n‐1、第n时刻的车流量数据和一周前第n+1、第n+2时刻的车流量数据作为输入变量，按照步骤3的预测模型，预测出第n+3时刻的数据；利用第n时刻的车流量数据和一周前第n+1、第n+2、第n+3时刻的车流量数据作为输入变量，按照步骤3的预测模型，预测出第n+4时刻的数据；

步骤5：将步骤4中流量预测结果输入道路流量‐旅行时间关系，计算得到旅行时间预测结果；

步骤6：(按照图2的流程，)对路网进行动态划分；其中假设路段编号为i，相应的路段长度为L_i；进行第j次迭代时，预测出的路段i旅行时间为t_ij；第j‐1至第j分钟内一辆车行驶的平均路程为l_ij；使用步骤4中的多范围预测模型计算得到t_ij值；l_ij初始时全赋为零。

步骤7：根据公式计算得到需要可变情报板上显示的时间。

所属步骤2中包括：

步骤201：使用十折交叉验证的方法确定多项式回归阶数，具体方法为将初始采样分割成10个子样本，轮流选取1个单独的子样本作为验证模型的数据，其他9个样本用来训练，交叉验证重复10次并计算其均方根误差的平均值，对不同阶数的多项式模型依次使用十折交叉验证方法，选取均方根误差最小的阶数；

步骤202：按照201步骤中求得的最小阶数，按照多项式回归流程建立模型n为当前时刻；按照多项式回归的方法训练得到模型参数，建立道路流量‐旅行时间关系模型。

本发明的有益效果是与现有技术相比，本发明提供的可变情报板信息发布方法克服现有可变情报板只能显示实时交通路况信息的局限性，具有以下优点：本发明将多范围旅行时间预测模型与基于预测时间范围的路网动态划分方法相结合后，得到基于可变情报板特点的信息发布方法，具有层次化、精细化的特点。该方法能在已有交通预测模型的基础上，针对可变情报板的特点，结合路网结构，从驾驶员的角度出发，提供符合其驾驶行为、决策习惯的诱导信息。该方法能帮助驾驶员在途经诱导牌时，获知未来实际行驶到目的路段时目的路段的交通状况，从而做出更为合理的路径决策。进一步地，诱导牌附近路网的整体交通状况都能得到改善；主要适用于中小型城市城区路网。

附图说明

图1为可变情报板信息发布流程图。

图2为路网动态划分流程图。

图3为选择的数据对象路网图。

图4为多项式回归流程图。

图5为道路流量‐旅行时间关系拟合效果示意图。

图6为多元线性回归流程图。

图7为基本预测模型预测效果图。

图8为多范围预测模型流量预测效果图，其中，a为未来0‐1分钟车流量预测，b为未来1‐2分钟车流量预测，c为未来2‐3分钟车流量预测，d未来3‐4分钟车流量预测。

图9为多范围预测模型旅行时间预测效果图，其中，a为未来0‐1分钟旅行时间预测，b为未来1‐2分钟旅行时间预测，c为未来2‐3分钟旅行时间预测，d未来3‐4分钟旅行时间预测。

图10为可变情报板应显示的诱导信息示意图。

具体实施方式

本发明提供一种预测模型的可变情报板信息发布方法，包括如下步骤：

步骤1：获取可变情报板所覆盖路网内每一条道路的1～前8天的道路交通流量、车辆平均速度数据，且数据最大时间间隔不大于1分钟；

步骤2：利用多项式回归的方法，根据历史交通数据建立道路流量‐旅行时间关系，并利用交叉验证的方式增强模型泛化性；

步骤3：假设当前时刻为n，在目标道路及与目标道路几何相邻的两条道路各取第n‐3、第n‐2、第n‐1、第n时刻的车流量作为输入变量(共12个输入变量：x_i，1，x_i，2，x_i，3，x_i，4，x_i，5，x_i，6，x_i，7，x_i，8，x_i，9，x_i，10，x_i，11，x_i，12)，以待预测时刻的交通流量(y_i)作为输出变量来训练多元线性回归模型

其中Y＝[y₁，y₂，...，y_N]，N为数据的组数，计算得到模型参数

步骤4：在道路流量预测的基础上建立多范围模型。假设当前时刻为n(规定：每一天的同一时间对应的时刻标号相同)，利用第n‐3、第n‐2、第n‐1、第n时刻的车流量数据，按照步骤3的预测模型，预测出第n+1时刻的数据；利用第n‐2、第n‐1、第n时刻的车流量数据和一周前第n+1时刻的车流量数据作为输入变量，按照步骤3的预测模型，预测出第n+2时刻的数据；利用第n‐1、第n时刻的车流量数据和一周前第n+1、第n+2时刻的车流量数据作为输入变量，按照步骤3的预测模型，预测出第n+3时刻的数据；利用第n时刻的车流量数据和一周前第n+1、第n+2、第n+3时刻的车流量数据作为输入变量，按照步骤3的预测模型，预测出第n+4时刻的数据；

步骤5：将步骤4中流量预测结果输入道路流量‐旅行时间关系，计算得到旅行时间预测结果；

步骤6：(按照图2的流程，)对路网进行动态划分；其中假设路段编号为i，相应的路段长度为L_i；进行第j次迭代时，预测出的路段i旅行时间为t_ij；第j‐1至第j分钟内一辆车行驶的平均路程为l_ij；使用步骤4中的多范围预测模型计算得到t_ij值；l_ij初始时全赋为零。

步骤7：根据公式计算得到需要可变情报板上显示的时间。下面通过在浙江省海宁市市区交通数据，结合附图对本发明作进一步阐述。

根据图1所示的可变情报板信息发布流程图和图2所示的路网动态划分流程图。在真实道路交通数据的基础上，利用统计推断、机器学习的方法，结合城区路网结构与公共诱导设备的自身特点，建立动态化、层次化的交通预测模型。

在步骤1中，数据为在海宁市市区交通数据，来源分为微波数据与线圈数据两种，时间范围分为2014年11月6日至2014年11月14日、2014年11月30日至2014年12月12日两段。数据对象包括设备编号、平均速度、车流量、道路占有率、数据采集时间、数据上传时间等，平均每天每个路段有约11000条数据，涵盖一天的每一分钟。我们选取12月1日‐12月10日为研究对象进行说明。仅选取数据中的“车流量”、“平均车速”作为研究对象。选择的数据对象路网图如图3所示。

在步骤2中，建立道路流量‐旅行时间关系时，选取12月1日‐12月5日水月亭路1段晚高峰时间段为15：40‐18：40的道路车流量和道路旅行时间为例进行说明，其中12月1日‐12月4日的数据作为训练集，12月5日的数据作为测试集。由于数据时间间隔1分钟，训练集共有724组车流量和道路旅行时间的数据。考虑到存在异常点，且为方便进行十折交叉验证，此处舍弃旅行时间最大的12个点和旅行时间最小的12个点。在使用该函数时，需要指定多项式模型的阶数。阶数过低时拟合精度不够，而阶数过高时容易出现过拟合现象，使模型泛化性变差。故此处采用十折交叉验证的方法进行模型阶数的确定。方法为将初始采样分割成10个子样本，轮流选取1个单独的子样本作为验证模型的数据，其他9个样本用来训练，按照图4的流程建立模型，交叉验证重复10次并计算其均方根误差的平均值。对不同阶数的多项式模型依次使用十折交叉验证方法，选取均方根误差最小的阶数。在本例中，十折交叉验证的结果如表1所示，

表1不同阶数的多项式模型的十折交叉验证结果

从表1所示可知应选取二阶多项式模型作为多项式回归的模型。令模型中最高阶数为二阶，按照图4的流程建立模型即可。得到道路流量‐旅行时间关系为f(t)＝0.0062v²-0.1654v+52.4643(单位：t：秒；v：车辆数/每分钟)，拟合效果为图5。

在步骤3中建立基本预测模型时，选取12月1日‐12月5日及12月8日水月亭路1段晚高峰时间段(15：40‐18：40)的道路车流量为研究对象，其中12月1日‐12月5日的数据作为训练集，12月8日的数据作为测试集。每条道路与其几何邻接道路的搭配如表2所示。

表2每条道路与其几何邻接道路的搭配

在表2所示每条道路与其几何邻接道路的搭配的基础上，按照图6的流程计算预测结果即可，得到道路流量预测模型为其中

$\begin{array}{c}\widehat{\mathrm{\β}}=\[0.2715,-0.0178,0.1803,0.2163,-0.1311,0.0587,0.1671,\\ 0.2557,0.0927,0.0272,0.0596,0.0261,0.0873\]\end{array}$

V＝[1，v₁，v₂，...，v₁₂]

设当前时刻为n，v₁，v₂，v₃，v₄分别为目标道路第n‐3、第n‐2、第n‐1、第n时刻的车流量；v₅，v₆，v₇，v₈分别为第一条相邻道路第n‐3、第n‐2、第n‐1、第n时刻的车流量；v₉，v₁₀，v₁₁，v₁₂分别为第二条相邻道路第n‐3、第n‐2、第n‐1、第n时刻的车流量。预测效果如图7所示；

步骤4中，在道路流量预测的基础上建立多范围模型。此处选取12月1日‐12月5日及12月8日水月亭路1段晚高峰时间段(15：40‐18：40)的道路车流量为研究对象，其中12月1日‐12月5日的数据作为训练集，12月8日的数据作为测试集。假设当前时刻为n(规定：每一天的同一时间对应的时刻标号相同)，利用第n‐3、第n‐2、第n‐1、第n时刻的车流量数据，按照图6的流程，预测出第n+1时刻的数据；利用第n‐2、第n‐1、第n时刻的车流量数据和一周前第n+1时刻的车流量数据作为输入变量，按照图6的流程，预测出第n+2时刻的数据；利用第n‐1、第n时刻的车流量数据和一周前第n+1、第n+2时刻的车流量数据作为输入变量，按照图6的流程，预测出第n+3时刻的数据；利用第n时刻的车流量数据和一周前第n+1、第n+2、第n+3时刻的车流量数据作为输入变量，按照图6的流程，预测出第n+4时刻的数据；如图8所示的多范围预测模型流量预测效果图所示的预测结果(其中，a为未来0‐1分钟车流量预测，b为未来1‐2分钟车流量预测，c为未来2‐3分钟车流量预测，d未来3‐4分钟车流量预测)。

步骤5中，将步骤4计算得到流量预测数据，代入步骤2中获取的道路流量‐旅行时间关系，即可得到旅行时间预测值，结果如图9所示的多范围预测模型旅行时间预测效果图(其中，a为未来0‐1分钟旅行时间预测，b为未来1‐2分钟旅行时间预测，c为未来2‐3分钟旅行时间预测，d未来3‐4分钟旅行时间预测)。

步骤6：按照图2的流程，对路网进行动态划分；其中假设路段编号为i，相应的路段长度为L_i；进行第j次迭代时，预测出的路段i旅行时间为t_ij；第j‐1至第j分钟内一辆车行驶的平均路程为l_ij；使用步骤4中多范围预测模型计算得到t_ij值；l_ij初始时全赋为零；

步骤7中，根据假设，车辆在同一路段上的旅行时间与行驶距离成正比，而第j次迭代内一辆车行驶的平均路程为l_ij，故可得到道路k的旅行时间加权平均值为：以16:45为例，计算得到该时刻可变情报板应显示的诱导信息如图10所示。

Claims (2)

1.一种预测模型的可变情报板信息发布方法，其特征在于，在真实道路交通数据的基础上，利用统计推断、机器学习的方法，结合城区路网结构与公共诱导设备的自身特点，建立动态化、层次化的交通预测模型，包括如下步骤：

步骤1：获取可变情报板所覆盖路网内每一条道路的1～前8天的道路交通流量、车辆平均速度数据，且数据最大时间间隔不大于1分钟；

步骤2：利用多项式回归的方法，根据历史交通数据建立道路流量‐旅行时间关系，并利用交叉验证的方式增强模型泛化性；

步骤3：假设当前时刻为n，在目标道路及与目标道路几何相邻的两条道路各取第n‐3、第n‐2、第n‐1、第n时刻的车流量作为输入变量,共12个输入变量：x_i，1，x_i，2，x_i，3，x_i，4，x_i，5，x_i，6，x_i，7，x_i，8，x_i，9，x_i，10，x_i，11，x_i，12，以待预测时刻的交通流量(y_i)作为输出变量来训练多元线性回归模型，

其中Y＝[y₁，y₂，...，y_N]，N为数据的组数；计算得到模型参数

步骤4：在道路流量预测的基础上建立多范围模型，假设当前时刻为n(规定：每一天的同一时间对应的时刻标号相同)，利用第n‐3、第n‐2、第n‐1、第n时刻的车流量数据，按照步骤3的预测模型，预测出第n+1时刻的数据；利用第n‐2、第n‐1、第n时刻的车流量数据和一周前第n+1时刻的车流量数据作为输入变量，按照步骤3的预测模型，预测出第n+2时刻的数据；利用第n‐1、第n时刻的车流量数据和一周前第n+1、第n+2时刻的车流量数据作为输入变量，按照步骤3的预测模型，预测出第n+3时刻的数据；利用第n时刻的车流量数据和一周前第n+1、第n+2、第n+3时刻的车流量数据作为输入变量，按照步骤3的预测模型，预测出第n+4时刻的数据；

步骤5：将步骤4中流量预测结果输入道路流量‐旅行时间关系，计算得到旅行时间预测结果；

步骤6：对路网进行动态划分；其中假设路段编号为i，相应的路段长度为L_i；进行第j次迭代时，预测出的路段i旅行时间为t_ij；第j‐1至第j分钟内一辆车行驶的平均路程为l_ij；使用步骤4中的多范围预测模型计算得到t_ij值；l_ij初始时全赋为零；

步骤7：根据公式计算得到需要可变情报板上显示的时间。

2.根据权利要求1所述一种预测模型的可变情报板信息发布方法，其特征在于，所属步骤2中包括：

步骤201：使用十折交叉验证的方法确定多项式回归阶数，具体方法为将初始采样分割成10个子样本，轮流选取1个单独的子样本作为验证模型的数据，其他9个样本用来训练，交叉验证重复10次并计算其均方根误差的平均值，对不同阶数的多项式模型依次使用十折交叉验证方法，选取均方根误差最小的阶数；

步骤202：按照201步骤中求得的最小阶数，按照步骤4中的多范围预测模型计算流程建立模型按照多项式回归的方法训练得到模型参数，建立道路流量-旅行时间关系模型。