CN105702029B - 一种分时段考虑时空关联性的快速路交通状态预测方法 - Google Patents

Abstract

本发明公开了一种分时段考虑时空关联性的快速路交通状态预测方法，首先利用有序聚类算法对流量及速度时间序列进行分析时段动态划分，在不打乱交通流参数时间顺序的前提下将全天划分为具有不同交通特征的分析时段；进而针对不同时段，选用多变量的向量自回归模型，综合考虑上下游交通流的时空关联性，对目标地点的流量或速度进行预测。本发明的动态时段划分为快速路交通状态短时预测提供了一种廉价简便但却能够显著提高效率的基础方法；时段划分后考虑时空关联性的向量自回归模型，与未考虑上下游交通流影响的传统方法相比，预测结果在精度上明显提高。

Description

一种分时段考虑时空关联性的快速路交通状态预测方法

技术领域

本发明属于智能交通领域，可以应用于准确把握城市快速路交通流的时空关联性，分时段精确预测城市快速路短时交通流量及行驶速度。

背景技术

ITS的快速发展使得城市快速路交通流检测信息日趋完备，然而由于交通状态的动态时变特性，实时数据并不能有效满足交通管理部门及出行者需求。快速路作为城市路网的主骨架，准确把握其交通流时变特性、预测其交通状态对于精细化交通管理、改善出行服务具有重要的理论研究价值与现实意义。

交通状态短时预测作为ITS领域长期的研究热点，概括起来其建模方法主要包括历史均值法、时间序列法、Kalman滤波法、非参数回归法、神经元网络法等。然而，交通流的时空关联性及预测模型的特性决定了交通状态预测很难基于单一模型或方法解决，故预测过程中需要重点解决的问题是根据实际交通状况，考虑交通流的时空关联性，选择最适合的模型，提出最优的组合模型，并能够依据预测的效果对选择的模型进行判断和评价，以便及时改进。

发明内容

本发明的目的是为了解决上述问题，提出一种能够准确把握城市快速路交通流的时空关联性，分时段精确预测城市快速路短时交通流量及行驶速度的方法。

本发明的一种分时段考虑时空关联性的快速路交通状态预测方法，包括下列步骤：

1)确定与研究的城市快速路路段相邻的周围路网作为目标研究区域，采集目标研究区域内各路段在一定时段内(连续多天)的流量、速度数据作为样本数据，并对数据进行预处理；

2)根据预处理后的各路段交通流量与速度数据，对快速路交通流的时间和空间分布特性进行相关性分析，初步确定与目标预测路段相关联的路段时空范围；

3)以目标路段的流量和速度时间序列作为二维交通状态表征类，采用有序聚类算法，在不打乱交通状态时间序列顺序的前提下，计算有序样本进行分割时对应的误差函数E[c(k，m)]；并根据误差函数曲线的斜率变化，确定流量和速度时序列的最优分割数k，将全天划分为多个具有典型交通特征的分析时段；

4)针对各个分析时段，考虑目标地点的交通状态与上下游交通流的时空关联性，基于序列稳定性检测，构建一定滞后阶数、包含不同上下游流量与速度组合的多变量向量自回归模型；

5)根据实时采集的交通流量与速度数据，采用目标路段分时段构建的多变量向量自回归模型，进行交通状态短时预测。

本发明的优点在于：

本发明提出的分时段考虑时空关联性的快速路交通状态预测方法相比以往各类短时交通预测模型，克服了预测变量单一、较少考虑交通流时空关联性、易受交通流随机波动影响等缺点，在动态时段划分的基础上，利用多变量向量自回归模型，进行同时考虑上下游交通状态综合影响的某一地点的流量和速度预测，预测精度显著提高。

附图说明

图1是本发明的方法流程图；

图2是某路段二维交通状态分段数目k对应的误差函数曲线E[c(k,m)]；

图3是某路段基于有序聚类算法的二维交通状态动态时段划分。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明是一种分时段考虑时空关联性的快速路交通状态预测方法，流程如图1所示，包括以下几个步骤：

(1)界定目标区域及相邻路段

确定拟研究的城市快速路目标区域，并界定与目标路段相邻的周围路段，采用固定点线圈检测器获取目标区域内所有路段交通流量及速度时间序列数据，并对采集的数据进行预处理，根据各路段在一天中各个时刻交通状态数据95％置信度的置信区间，过滤剔除异常数据，对于缺失数据，根据动态交通流特征，采用相邻时段实测数据和历史趋势数据的加权平均值进行补足；

(2)交通流时空分布相关性分析

根据预处理后的各路段流量、速度时间序列数据，采用相关系数度量交通流时空分布的相关性，即各路段交通状态在典型工作日/非工作日(时间)的相似性与周期性，以及各路段之间(空间)交通状态的时滞性与相关性，初步确定与目标预测路段相关联的路段时空范围，即上游和下游分别有多少个路段与目标预测路段的交通状态相关；

(3)交通状态分析时段动态划分

将目标区域内待预测路段典型工作日/非工作日的流量和速度时间序列作为交通状态的表征类，采用有序聚类算法，即最优分割法，在不打乱原有数据顺序的基础上，将全天划分为具有典型交通流变化特征的时段，从而使针对各时段的短时预测更加准确。

有序聚类算法的核心是分段后的各段之间数据有明显差异，而各段内数据具有一定的相似特征。

具体分段方法如下：

定义路段流量与速度的二维交通状态矩阵X：

其中：x₁,x₂,…x_m代表每隔一定时间间隔(如5分钟)路段流量与速度的二维交通状态向量，x_i1代表流量时间序列，x_i2代表速度时间序列。i＝1,2,…,m，m为时间序列的个数，例如每天24个小时按照5分钟的时间间隔统计流量及速度数据，m＝288。

将二维交通状态矩阵X正规化处理，即矩阵X中的路段流量、速度的交通状态x_ij变换为：

其中，z_ij为正规化处理后的路段流量、速度交通状态，i＝1,2,…,m，j＝1,2；

得到正规化处理后的二维交通状态矩阵Z：

其中：z₁,z₂,…z_m代表正规化后的路段流量与速度的二维交通状态向量，z_i1代表正规化后的流量时间序列，z_i2代表正规化后的速度时间序列。

计算离差平方和矩阵D来度量表征类中二维时间序列的差异。设每隔一定时间间隔(如5分钟)连续n个时段的二维交通状态序列{z_p,z_p+1,…,z_n}为一类(1≤p≤n≤m)，其平均值样本的离差平方和则整个矩阵Z的离差平方和矩阵D为：表示矩阵Z中前a行路段流量与速度的二维交通状态向量的平均值；

用c(k,m)表示对二维有序交通状态样本{z₁,z₂,…,z_m}分割为k类，即将全天划分为k个具有典型交通特征的分析时段，t₁,t₂,…,t_k分别为每一类第一个有序样本的下标，即分割为(t₁＝1,t₁+1,…,t₂-1)，(t₂,t₂+1,…,t₃-1)，…，t_k＝1,t_k+1,…,m。

计算误差函数即k个分类对应的离差平方和之和，其中q＝1,2,…,k，表示上述离差平方和矩阵D中第t_q行、第t_q+1列的元素。E[c(k,m)]越小，表示每一类内的离差平方和越小，对应单个时段的交通状态越趋于稳定，各个时段之间的交通状态差异越大，则时段划分方式越趋于最优。

分别计算k＝1,2,…,m时对应的k分类误差函数E[c(k,m)]，根据误差函数曲线的斜率变化规律(参见图2)，即连续分类数目k及k+1对应的误差函数连线与水平线夹角α随k值增大而不断减小，取α首次小于30度的点对应的k值为最优的交通状态分析时段动态划分数目。该分类方法既遵循了交通流数据有序性的规律，又有效克服现有人工时段划分主观性等不合理因素。

参见图3根据某快速路路段每5分钟交通流量及地点速度数据，将全天划分为k＝6个具有不同交通流变化特征的时段。

(4)构建交通状态向量自回归预测模型；

快速路下游交通流来自于上游、伴有一定延迟，同时由于拥堵传播的影响，下游交通流对上游交通状态也存在一定影响。在交通状态分析时段动态划分的基础上，针对各个划分出的时段，分别建立考虑时空关联性的目标地点流量及速度向量自回归预测模型，参见Hamilton,James D.(1994).Time Series Analysis.Princeton UniversityPress.p.293.

向量自回归既有回归模型的多变量特性，即考虑上下游相邻路段交通状态对目标预测路段的影响，又包含了时间数值的联系，即根据目标路段过去交通状态所表现出来的规律预测未来时段的流量/速度值。以目标路段的流量预测模型为例，介绍其一般形式为，亦可扩展至速度预测：

其中，Y_t是包含目标预测路段在内的s个路段流量变量向量，s由上面第二个步骤：交通流时空分布相关性分析中确定；Y_t-i(i＝1,2,…,l₁)是滞后时段为l₁的s维流量变量向量；X_t-i(i＝1,2,…,l₂)是滞后时段为l₂的w维速度变量向量，表示目标预测路段的流量变量与相邻路段的速度变量亦有一定关联；l₁、l₂分别是s个路段流量与速度变量的滞后阶数，如果按照5分钟间隔统计流量及速度数据，滞后阶数为1代表目前的流量/速度与5分钟前的流量/速度相关；A_t是s×s维系数矩阵，B_r是s×d维系数矩阵，均为待估计的参数矩阵；ε_t是s维随机误差项构成的向量。

向量自回归模型形式需结合研究区域内交通状态的时空特性确定，下面结合一个实例介绍模型构建的具体形式：在平峰时段，某快速路路段流量变量(Y₃)与上游两个路段(Y₁,Y₂)及本身(Y₃)滞后阶数为l₁＝1,2的流量向量，及滞后阶数l₂＝1的速度向量(X₁,X₂,X₃)相关，构造流量预测向量自回归模型如下：

其中，为待估计的常数项矩阵，为待估计的滞后阶数为l₁＝1的流量向量(Y₁,Y₂,Y₃)模型参数，为待估计的滞后阶数为l₁＝2的流量向量(Y₁,Y₂,Y₃)模型参数，为待估计的滞后阶数l₂＝1的速度向量(X₁,X₂,X₃)模型参数，是三维随机误差项构成的向量。

以上模型在具体的构建过程中，需要首先对比不同检验水平检验差分后的流量或速度时间序列平稳性；根据AIC准则与SC准则确定合适的滞后时段l₁、l₂，并利用最小二乘法对模型的各参数进行估计。

综上，根据上下游路段与目标预测路段的流量和速度相关性，针对各个动态划分的分析时段，分别建立目标路段流量及速度的向量自回归预测模型。

(5)分时段快速路交通状态短时预测

在实时获取研究区域内所有路段流量及速度数据的基础上，根据交通状态分析时段动态划分的结果，采用分时段建立的流量及速度向量自回归模型，预测目标路段在未来一个或多个时段的交通状态。

Claims (1)

1.一种分时段考虑时空关联性的快速路交通状态预测方法，包括下列步骤：

(1)界定目标区域及相邻路段

确定快速路目标区域，界定与目标路段相邻的周围路段，获取目标区域内所有路段交通流量及速度时间序列数据，并对采集的数据进行预处理，根据各路段在一天中各个时刻交通状态数据95％置信度的置信区间，过滤剔除异常数据，对于缺失数据，根据动态交通流特征，采用相邻时段实测数据和历史趋势数据的加权平均值进行补足；

(2)交通流时空分布相关性分析

根据预处理后的各路段流量、速度时间序列数据，采用相关系数度量交通流时空分布的相关性，即各路段交通状态在典型工作日/非工作日的相似性与周期性，以及各路段之间交通状态的时滞性与相关性，确定与目标预测路段相关联的路段时空范围；

(3)交通状态分析时段动态划分

将目标区域内待预测路段典型工作日/非工作日的流量和速度时间序列作为交通状态的表征类，采用有序聚类算法，即最优分割法，将全天划分为具有典型交通流变化特征的时段；

(4)构建交通状态向量自回归预测模型；

在交通状态分析时段动态划分的基础上，针对各个划分出的时段，分别建立目标路段流量及速度的向量自回归预测模型；

(5)分时段快速路交通状态短时预测

在实时获取研究区域内所有路段流量及速度数据的基础上，根据交通状态分析时段动态划分的结果，采用分时段建立的流量及速度向量自回归模型，预测目标路段在未来一个或多个时段的交通状态；

所述的步骤(3)中具体方法为：

设路段流量与速度的二维交通状态矩阵X：

其中：x₁,x₂,…x_m代表每隔一定时间间隔路段流量与速度的二维交通状态向量，x_i1代表流量时间序列，x_i2代表速度时间序列；i＝1,2,…,m，m为时间序列的个数；

将二维交通状态矩阵X正规化处理，即矩阵X中的路段流量、速度的交通状态x_ij变换为：

其中，z_ij为正规化处理后的路段流量、速度交通状态，i＝1,2,…,m；j＝1,2；

得到正规化处理后的二维交通状态矩阵Z：

其中：z₁,z₂,…z_m代表正规化后的路段流量与速度的二维交通状态向量，z_i1代表正规化后的流量时间序列，z_i2代表正规化后的速度时间序列；

计算离差平方和矩阵D来度量表征类中二维时间序列的差异，设每隔一定时间间隔连续n

个时段的二维交通状态序列{z_p,z_p+1,…,z_n}为一类，1≤p≤n≤m，其平均值样本的离差平方和则整个矩阵Z的离差平方和矩阵D为： 表示矩阵Z中前a行路段流量与速度的二维交通状态向量的平均值；

用c(k,m)表示对二维有序交通状态样本{z₁,z₂,…,z_m}分割为k类，即将全天划分为k个具有典型交通特征的分析时段，t1,t2,…,tk分别为每一类第一个有序样本的下标，即分割为(t₁＝1,t₁+1,…,t₂-1)，(t₂,t₂+1,…,t₃-1)，…，t_k＝1,t_k+1,…,m；

计算误差函数即k个分类对应的离差平方和之和，其中q＝1,2,…,k，表示上述离差平方和矩阵D中第t_q行、第t_q+1列的元素；

分别计算k＝1,2,…,m时对应的k分类误差函数E[c(k,m)]，误差函数曲线的斜率中，连续分类数目k及k+1对应的误差函数连线与水平线夹角α随k值增大而不断减小，取α首次小于30度的点对应的k值为最优的交通状态分析时段动态划分数目。