CN105808918A - 一种基于数据融合的道路全流量反推方法 - Google Patents
一种基于数据融合的道路全流量反推方法 Download PDFInfo
- Publication number
- CN105808918A CN105808918A CN201510502654.9A CN201510502654A CN105808918A CN 105808918 A CN105808918 A CN 105808918A CN 201510502654 A CN201510502654 A CN 201510502654A CN 105808918 A CN105808918 A CN 105808918A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- road
- section
- full flow
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 29
- 238000007667 floating Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims 2
- 230000037430 deletion Effects 0.000 claims 2
- 230000007935 neutral effect Effects 0.000 description 8
- 238000011144 upstream manufacturing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005201 scrubbing Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
一种基于数据融合的道路全流量反推系统和方法，包括：数据预处理、数据建模、模型有效性检验、确定最小模型集合、道路属性匹配和道路全流量反推。该系统和方法利用了多种交通数据来反推交通全流量，充分考虑了和交通流量有关的影响因素，提高了反推的准确性，并且可以实现基于获取的移动导航的小样本流量数据推算道路上的全部流量数据。
Description
技术领域
本发明涉及交通道路领域，特别涉及基于数据融合的道路全流量反推的方法。
背景技术
交通道路的全流量估计在智能交通系统领域具有十分重要的作用。传统的道路全流量获取方法是在道路上的关键位置设置固定的检测设备（例如微波检测器、线圈检测器）。通过这些检测设备获取特定位置的道路全流量。然而这种方法需要较大的硬件投入，而且只能获取有限的位置的道路全流量。
随着移动互联网的普及，越来越多的车辆上装有车载导航软件或者手机导航软件，这些车辆上的导航软件实时地和远端的服务器进行数据传递。通过这些导航软件，可以较为容易地获取道路上行使的车辆信息。因此，利用移动导航软件获取的车辆信息来估计全路网的交通流量，成为一种可行和简便的方式。但是，目前移动导航软件并未完全覆盖所有车辆，而且移动导航软件存在多家竞争的格局，例如高德、百度、腾讯、凯立德等都占据一部分市场份额，这使得每家导航软件公司能够获取的仅仅是道路上行使的一小部分车辆的数据，从这些数据并不能直接获得路网的全流量。因此，如何通过移动导航软件获取的小样本流量数据来反推路网的全流量数据，是亟待解决的技术问题，并且该问题的解决具有极大的经济价值。
发明内容
本发明所要解决的技术问题是：如何根据移动导航软件获取的小样本流量数据来反推路网的全流量数据。
本发明采用以下技术方案来实现：
一种基于数据融合的道路全流量反推方法，包括：
数据预处理步骤：考虑影响道路全流量的因素，对各影响因素进行数据预处理，作为反推模型的输入变量值，并将检测器获取的断面全流量数据作为模型目标值；
数据建模步骤：根据输入变量值和模型目标值，利用数据拟合方法建立反推模型；
模型有效性检验步骤：确定误差判断标准，并对每个反推模型进行有效性检验；
确定最小模型集合步骤：判断每个反推模型对其他检测器断面的有效性，并确定最小模型集合；
道路属性匹配步骤：确定最小模型集合中的每个模型所对应的道路属性；
道路全流量反推步骤：根据每个位置断面的道路属性，选择所对应的最小模型集合中的反推模型，反推得到该位置断面的道路全流量。
本发明的技术效果是：本发明利用多种交通数据（如浮动车样本数据、气象数据，事故数据，限号数据）来反推交通全流量，充分考虑了和交通流量有关的影响因素，提高了反推的准确性。并且根据本发明的方案，可以实现基于获取的移动导航的小样本流量数据推算道路上的全流量数据，这将为各类移动导航软件公司开发新的应用提供基础。
本发明的技术效果还包括：能够在没有历史流量的基础上，根据所需反推断面的道路属性，找到对应的反推模型，进行流量反推。
附图说明
图1是本发明的方法流程图。
图2是获取的某检测器记录数据。
图3是经过数据清理后的某检测器记录数据。
图4是神经网络模型结构。
图5是有效模型的检测器断面估计结果。
图6是无效模型的检测器断面估计结果。
图7是北京市二环内环道路全流量估计结果。
图8是本发明的系统结构图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述。
实施方式一
正如背景部分所介绍的，虽然导航软件获取的流量仅占道路上的全流量的一部分，但可以认为这两者之间存在一种函数对应关系。因此本发明利用交管局提供的部分时段的道路检测器断面的全流量数据，以及导航软件公司提供的浮动车流量数据，采用数据建模方法，建立道路全流量与浮动车流量之间的函数模型，再利用得到的模型去反推整个路网上任意位置的全流量。
本发明进一步采用一种数据融合的技术，将多种影响因素和浮动车的流量/速度数据作为模型的输入变量，将道路检测器获得的同时段的断面全流量数据作为模型的目标量，通过数据拟合的方法来反推道路全流量与各个影响因素的函数反推模型，然后通过模型验证判断所拟合的反推模型对各个断面是否有效；并根据道路属性将道路断面分为多种类型，针对不同类型的道路断面，确定最合适的函数反推模型，从而构建出一套覆盖所有道路断面的函数模型集合，并用来反推道路路网任意位置的全流量。
因此，本发明主要包括以下步骤（参见附图1）：数据预处理步骤、数据建模步骤、模型有效性检验步骤、确定最小模型集合步骤、道路属性匹配步骤、道路全流量反推步骤。
下面具体介绍各步骤的实现：
1.数据预处理步骤：考虑影响道路全流量的因素，将浮动车速度、浮动车流量和影响因素进行数据预处理，作为反推模型的输入变量值，并将道路检测器获取的断面全流量数据作为模型目标值。
模型输入量：
在建模过程中，需要考虑影响道路全流量的因素。对于北京市来说，时间、天气、交通事故、车辆限号等因素会直接影响道路的全流量。因此当建立道路全流量与浮动车的流量、速度之间的函数对应关系时，需要将这些影响因素考虑在内。
本发明中，把时间、浮动车速度、浮动车流量、天气数据、事故数据和限号数据作为模型的输入变量。输入变量值的预处理过程如下：
（1）对于时间：每10分钟为1个间隔，并转换为以小时为单位；例如8点10分，对应的模型输入变量值是：8+10/60=8.167；8点20分对应的模型输入变量值是：8+20/60=8.333，……；
（2）对浮动车数据：将获取的浮动车样本流量数据处理成以10分钟为时间间隔、以检测器断面所在100米内的浮动车流量及浮动车平均速度作为模型的输入变量值；
（3）对气象数据：若是晴天，认为对交通出行没有影响，模型输入变量值为0；若是下雨或是下雪天，认为对交通出行有影响，模型输入变量值为1；
（4）对交通事故数据：综合考虑事故发生地点与检测器断面的距离，以及交通事故处理时间，具体的计算公式如下：
事故数据=事故处理时间/事故地点距检测器断面的距离
将上述值作为事故数据的模型输入变量值；
（5）对限号数据：采用非限号的车辆数量占总车辆数的比值。对于北京来说，每个工作日两个尾号限行。因此对于工作日的数据，模型输入值为0.8，周末的数据，模型输入值为1；
从而，确定函数模型的六个输入变量值。
当然，函数模型的输入变量值也不仅限于上述六个，随着数据获取的多样化，还可以将其他能够获取的数据作为输入变量值。例如：道路的车道数、道路的限速等等。
模型目标量：
由于道路检测器可能发生故障，因此它所获取的历史数据可能会不准确，需要利用记录到的流量和占有率对检测器每天的数据进行判断。当检测器记录的数据不符合实际情况时，认为该天的检测器发生故障，将该天的数据删去。以下举出四种情况：
情况一：检测器记录的占有率数据长时间为0；
情况二：检测器记录的流量数据长时间为0；
情况三：检测器记录的占有率数据长时间保持较高值；
情况四：检测器记录的占有率数据长时间保持不变。
附图2为获取的检测器记录数据。其中横坐标为时间，纵坐标为流量。从图上可以看出，存在相当一部分的异常情况点。
附图3是经过数据清理后的检测器数据。
将每个检测器经过数据清洗后的有效数据作为模型目标值。
当然，道路检测器并不是必然会发生故障，因此数据清洗并不是本发明必须的步骤。
下表给出了预处理后的输入变量值和模型目标值的部分数值示例：
表1模型的输入值-目标值示例
2．数据建模步骤：根据输入变量值和模型目标值，利用数据拟合方法建立反推模型。
在确定了模型的输入变量值和模型目标值后，具体的数据拟合建模的方法可以根据实际情况选用已知的各种方法，例如多项式拟合、非线性拟合、神经网络拟合等，从而得到每个检测器断面的反推模型。
以神经网络拟合为例，可以采用附图4所示的神经网络模型进行数据拟合建模。其中神经网络的输入层变量为时间、浮动车流量、浮动车速度、气象数据、事故数据和限号数据六个输入变量；神经网络的输出层变量为检测器断面的全流量。神经网络选择本领域最常见的BP神经网络，隐含层节点数选择为25个，然后通过BP神经网络训练，确定神经网络的模型参数，从而得到神经网络反推模型。
对每个检测器，分别使用该检测器断面位置相关的数据进行拟合建模，得到对应每个检测器断面的反推模型。
模型有效性检验步骤：确定误差判断标准，并对每个反推模型进行有效性检验。
将反推模型的输出作为该检测器断面的流量估计值，而检测器采集得到的全流量作为该断面的流量真实值，计算每个反推模型的估计误差，可以是均方根误差RMSE或者平均相对误差MRE等。然后根据估计方差制定判断标准S。
关于判断标准S的选取标准，通常根据经验选取，具体如下：当每个检测器断面的真实流量每时刻的方差较大时，认为此断面每天每时刻流量变化较大，则判断标准S选取较大值；相反，断面真实流量方差较小时，则判断标准S制定较小。
当模型的平均相对误差MRE小于判断标准S时，认为此反推模型是有效的，否则认为此模型无效，并判断该检测器断面数据无法建立反推模型。如图5所示的检测器断面估计的结果，其估计值与目标值比较一致，平均相对误差较小，因此认为该模型对该检测器断面有效，而图6所示的另一断面的估计结果的平均相对误差较大，则认为该模型对该检测器断面无效。
确定最小模型集合步骤：判断每个反推模型对其他检测器断面的有效性，并确定最小模型集合
在之前的步骤中，假设获得了N个有效的反推模型，接下来利用每个反推模型对其他断面进行流量反推，并判断每个反推模型的适用性。具体做法是：使用反推模型i对检测器断面j的输出进行反推，并和断面j的流量真实值作对比，计算平均相对误差MREi,,j，将MREi,,j与第j个模型的判断标准Sj相比，若MREi,,j小于Sj，认为模型i对断面j是有效的，可以使用模型i对断面j进行流量反推，否则就认为模型i对断面j是无效的。具体做法是：
第（1）步：依次将第1、2、3、…、N个检测器位置的6个输入变量数据，代入第1个反推模型，计算模型输出值和相应的第1、2、3、…、N检测器采集的全流量真实值的平均相对误差MRE，并记为MRE1,1、MREMRE1,2，…，MRE1,N；
第（2）步：将第1、2、3、…、N个检测器位置的6个输入变量，代入第2个反推模型，计算模型输出值和相应的第1、2、3、…、N检测器采集的全流量的平均相对误差MRE，并记为MRE2,1、MREMRE2,2，…，MRE2,N；
…..
第（N）步：将第1、2、3、…、N个检测器位置的6个输入变量，代入第N个反推模型，计算模型输出值和相应的第1、2、3、…、N检测器采集的全流量的平均相对误差MRE，并记为MREN,1、MREN,2，…..MREN,N；
第（N+1）步：上述各个平均相对误差MREij构成了一个N*N的平均相对误差矩阵，将平均相对误差矩阵中的每个元素MREi,,j与第j个模型的判断标准Sj相比，若MREi,,j小于Sj，认为模型i可以对断面j进行流量反推，否则认为模型i不可以对断面j进行流量反推。
由于一个模型可能同时对多个检测器断面都是有效的，因此我们无需使用所有的有效模型，可以适当减少模型的个数。接下来，从全部反推模型中找出有限个（记为M，M≤N）模型组成的最小集合，使得所有检测器断面的流量能够使用这M个模型进行有效的反推，换句话说就是：对任意一个检测器断面而言，都可以在这M个最小模型集合中找到一个模型对其是有效的。
具体确定最小集合的方法可以通过数学上的各种优化算法来求解，例如，以下给出了一种方法：
根据前面的步骤，计算每个反推模型i对所有的检测器断面j的反推结果的平均相对误差小于Sj，认为断面j有可用的反推模型i，模型i可以对断面j进行流量反推。如果模型i只能对一个断面进行流量反推，那么该模型将被淘汰。这样，剩下的反推模型中，每个断面都有至少一个可用的反推模型；每个反推模型至少可以反推2个断面的流量；
找到可用反推模型只有1个的断面，假设有M1个，这些断面对应的可用模型为{Model1，Model2，…，ModelM1}。Model1可以反推I1，I2，…，In1这n1个断面的流量，且这n1个断面作为第一类；Model2可以反推J1，J2，…，Jn2这n2个断面的流量，且这n2个断面作为第二类；ModelM1可以反推S1，S2，…，SnM1这nM1个断面的流量，且这nM1个断面作为第M1类。则共有个断面可以被这M1个模型进行流量反推；
接着找到可用反推模型只有2个的断面，假设有M2个。若断面j属于这M2个断面中，且能被模型i1，i2反推。比较模型i1，i2能反推的断面的个数，假设i1能反推的断面个数较多，则选取模型i1，并记下模型i1能反推的断面作为一类断面。这样，可以找到M2个模型。比较容易的，也能找到能被这M2个模型进行流量反推的M2类断面；
以此类推，找到可用反推模型数为3，4，……的断面，找到这些断面对应的M3个，M4个，……..反推模型，直到所有的断面都能被选中的模型进行反推。
上述这些被选中的模型即组成最小模型集合，其包含的模型个数记为M，显然M≤N。
上述方法是从适用2个断面的模型开始寻找，这并不是唯一的方法；事实上，也可以从适用最多个断面的模型开始寻找，同样能够确定最小模型集合。当然，还可以采用其他的数学优化方法，在此就不一一叙述。
道路属性匹配步骤：确定最小模型集合中的每个模型所对应的道路属性。
上一步骤中，获得了M个模型组成的最小模型集合，从而可以将检测器断面分成M类，每一类的断面可以用同一模型进行流量反推。那么同一模型所对应的各个断面必然存在某些共性。于是针对每个模型，确定其所适用的断面的道路共同属性。
经过研究认为，断面的道路参数和出行需求能体现断面的特征。因此取断面上下游最近的匝道跟此断面的距离作为道路参数；取断面上游匝道与最近的热门商圈的距离作为匝道路口出行需求。对比同一类的断面，找到其中的共性。（具体参见后面的示例）。
当然，道路属性不限于此，还可以确定其他的多种属性，例如道路的分道数量、道路的上下坡形态等等。
道路全流量反推步骤：根据每个位置断面的道路属性，选择所对应的最小模型集合中的反推模型，反推得到该位置断面的道路全流量。
对于任意需要反推全流量的位置断面，根据此位置断面的道路属性，选择所对应的最小模型集合中的反推模型Mk，再将此位置断面的6项输入值代入该模型Mk中，模型Mk的输出即为该位置断面的反推全流量。
示例
以北京市二环内环为例，二环内环道路上共有52个检测器。以2014年10、11、12月每个月前2/3的数据作为建模数据，后1/3的数据作为检验数据。
第一步是对原始数据进行预处理，形成下表样式。
表2模型的输入值和目标值
然后对数据进行清洗，把每个检测器每天的数据进行正确性判断，不正确的数据抹去。这样，发现有3个检测器的数据始终是不对的。因此，对剩下的49个检测器的相应数据进行建模。
第二步数据建模步骤，利用MATLAB的BP神经网络函数对上述数据进行建模，其中模型的输入变量个数为6，隐含层节点数为25，输出变量个数为1，其余参数按照默认值，经过BP神经网络函数训练，得到每个检测器断面对应的神经网络模型Model1-Model49。
第三步是对模型进行有效性检验。在此之前，先建立判断标准，这个判断标准和真实流量的方差有关（真实流量方差大，本身就不容易估计，故放宽标准），具体如下：
表3模型有效性的判断标准
| 真实流量方差 | 0~100 | 100~150 | 150~200 | >200 |
| 判断标准S | 0.2 | 0.3 | 0.4 | 0（即认为不可反推） |
将每个模型的流量估计值和检测器流量真实值作平均相对误差，和上表中对应的判断标准对比。发现有4个检测器断面反推的结果误差大于设定的标准，则这四个断面对应的模型认为无效，予以淘汰。从而得到有效模型有45个。
第四步是用这45个有效模型对其他断面进行流量反推，确定最小模型集合。首先，发现45个有效模型中有5个模型只能对1个断面进行流量反推。于是，首先淘汰这5种模型。然后利用上面提到的方法，找到了6个模型组成的最小模型集合，能够覆盖检测器断面的有效性检验。从而将北京市二环内环的断面分成了6类。
第五步是寻找这六个模型所对应的断面相同的道路属性。首先定量找到这些断面上下游最近进出口匝道的经纬度坐标，并计算匝道距断面的距离。接着定出北京二环主要商圈（西直门商圈、金融街商圈、西单商圈、王府井商圈、CBD商圈、朝外商圈、东直门商圈）的中心（取主要街道的交叉路口）。定量出断面上游匝道距最近商圈中心的位置。再归纳每一类断面的共性，如下表所示：
表4断面类别与道路属性的对应关系
| 模型 | 上游匝道口距断面距离 | 下游匝道口距断面距离 | 上游匝道为入口还是出口 | 上游匝道口距最近商圈距离 |
| 1 | <200m | >200m | 入口 | 2500-5000m |
| 2 | <200m | <200m | 入口 | 2500-5000m |
| 3 | <200m | <200m | 入口 | 1000-2500m |
| 4 | >200m | >200m | 入口 | 1000-2500m |
| 5 | <200m | >200m | 出口 | 2500-5000m |
| 6 | >200m | >200m | 出口 | 1000-2500m |
第六步是反推二环内环道路各个位置断面的全流量。针对每个位置断面，确定其道路属性，然后从上表中根据道路属性确定所对应的反推模型，将该位置处的六个输入变量值代入模型，模型的输出即为反推的该位置处的全流量。附图7是最终得到的二环内环的道路路网全流量图。其中，纵坐标代表了一天24小时，横坐标是二环的地理位置展开，不同灰度代表不同的流量值，颜色越深表示流量越大。
实施方式二
本发明在道路全流量反推的方法基础上，还提供一种相应的道路全流量反推系统。该系统具体包括（参见附图8）：
数据预处理单元：考虑影响道路全流量的因素，对各影响因素进行数据预处理，作为反推模型的输入变量值，并将道路检测器获取的断面全流量数据作为模型目标值；
数据建模单元：根据输入变量值和模型目标值，利用数据拟合方法建立反推模型；
模型有效性检验单元：确定误差判断标准，并对每个反推模型进行有效性检验；
确定最小模型集合单元：判断每个反推模型对其他检测器断面的有效性，并确定最小模型集合；
道路属性匹配单元：确定最小模型集合中的每个模型所对应的道路属性；
道路全流量反推单元：根据每个位置断面的道路属性，选择所对应的最小模型集合中的反推模型，反推得到该位置断面的道路全流量。
以上实施例的说明只是用于帮助理解本方案的方法及其核心思想。应当指出，在不脱离本方案原理的前提下，还可以对本方案进行若干改进，这些改进也同样落入本方案权利要求的保护范围内。
Claims (12)
1.一种基于数据融合的道路全流量反推方法，包括：
数据预处理步骤：考虑影响道路全流量的因素，将浮动车速度、浮动车流量和影响因素进行数据预处理，作为反推模型的输入变量值，并将道路检测器获取的断面全流量数据作为模型目标值；
数据建模步骤：根据输入变量值和模型目标值，利用数据拟合方法建立反推模型；
模型有效性检验步骤：确定误差判断标准，并对每个反推模型进行有效性检验；
确定最小模型集合步骤：判断每个反推模型对其他检测器断面的有效性，并确定最小模型集合；
道路属性匹配步骤：确定最小模型集合中的每个模型所对应的道路属性；
道路全流量反推步骤：根据每个位置断面的道路属性，选择所对应的最小模型集合中的反推模型，反推得到该位置断面的道路全流量。
2.根据权利要求1所述的方法，其特征在于：数据预处理步骤中，影响因素包括：时间、天气数据、事故数据和限号数据。
3.根据权利要求1所述的方法，其特征在于：数据预处理步骤中，对于检测器获取的断面全流量数据，将其中错误的数据进行清洗删除后，得到模型目标值。
4.根据权利要求1所述的方法，其特征在于：模型验证步骤中，将反推模型的输出作为该断面的流量估计值，检测器检测的实际全流量作为断面流量真实值，计算每个反推模型的估计误差，并与确定的误差判断标准相比较，判断模型是否有效。
5.根据权利要求1所述的方法，其特征在于：确定最小模型集合步骤中，对任意一个检测器断面而言，都能够在最小模型集合中找到一个模型对其是有效的。
6.根据权利要求1-5所述的方法，其特征在于：道路属性匹配步骤中，选择断面的道路参数和出行需求作为每个模型对应的道路属性。
7.一种基于数据融合的道路全流量反推系统，包括：
数据预处理单元：考虑影响道路全流量的因素，将浮动车速度、浮动车流量和影响因素进行数据预处理，作为反推模型的输入变量值，并将道路检测器获取的断面全流量数据作为模型目标值；
数据建模单元：根据输入变量值和模型目标值，利用数据拟合方法建立反推模型；
模型有效性检验单元：确定误差判断标准，并对每个反推模型进行有效性检验；
确定最小模型集合单元：判断每个反推模型对其他检测器断面的有效性，并确定最小模型集合；
道路属性匹配单元：确定最小模型集合中的每个模型所对应的道路属性；
道路全流量反推单元：根据每个位置断面的道路属性，选择所对应的最小模型集合中的反推模型，反推得到该位置断面的道路全流量。
8.根据权利要求7所述的系统，其特征在于：数据预处理单元中，影响因素包括：时间、天气数据、事故数据和限号数据。
9.根据权利要求7所述的系统，其特征在于：数据预处理单元中，对于检测器获取的断面全流量数据，将其中错误的数据进行清洗删除后，得到模型目标值。
10.根据权利要求7所述的系统，其特征在于：模型验证步骤中，将反推模型的输出作为该断面的流量估计值，检测器检测的实际全流量作为断面流量真实值，计算每个反推模型的估计误差，并与确定的误差判断标准相比较，判断模型是否有效。
11.根据权利要求7所述的系统，其特征在于：确定最小模型集合单元中，对任意一个检测器断面而言，都能够在这个最小模型集合中找到一个模型对其是有效的。
12.根据权利要求7-11所述的系统，其特征在于：道路属性匹配单元中，选择断面的道路参数和出行需求作为每个模型对应的道路属性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510502654.9A CN105808918B (zh) | 2015-08-16 | 2015-08-16 | 一种基于数据融合的道路全流量反推方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510502654.9A CN105808918B (zh) | 2015-08-16 | 2015-08-16 | 一种基于数据融合的道路全流量反推方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105808918A true CN105808918A (zh) | 2016-07-27 |
| CN105808918B CN105808918B (zh) | 2019-04-05 |
Family
ID=56466191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510502654.9A Active CN105808918B (zh) | 2015-08-16 | 2015-08-16 | 一种基于数据融合的道路全流量反推方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105808918B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739824A (zh) * | 2009-11-12 | 2010-06-16 | 上海第二工业大学 | 基于数据融合技术的交通状况估计方法 |
| CN101853573A (zh) * | 2010-05-19 | 2010-10-06 | 北京科技大学 | 一种城市快速路短时交通信息预测系统及方法 |
| CN102496284A (zh) * | 2011-12-24 | 2012-06-13 | 重庆大学 | 一种道路交通流量采集及预测方法 |
| CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
-
2015
- 2015-08-16 CN CN201510502654.9A patent/CN105808918B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739824A (zh) * | 2009-11-12 | 2010-06-16 | 上海第二工业大学 | 基于数据融合技术的交通状况估计方法 |
| CN101853573A (zh) * | 2010-05-19 | 2010-10-06 | 北京科技大学 | 一种城市快速路短时交通信息预测系统及方法 |
| CN102496284A (zh) * | 2011-12-24 | 2012-06-13 | 重庆大学 | 一种道路交通流量采集及预测方法 |
| CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| JIAN GUO ETAL: ""Researching the Relationship among Traffic Flow Three Parameters Based on Swallowtail Catastrophe Model"", 《PROCEEDINGS OF THE 7TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 * |
| 吉同祥: ""厂区道路交通流量仿真研究"", 《宝钢技术》 * |
| 张玉军: ""贵阳市道路网交叉口流量反推研究"", 《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》 * |
| 杨涛: ""基于浮动车技术的路段交通流量推算研究"", 《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》 * |
| 白晓勇 等: ""铁路货运量预测的改进BP神经网络方法"", 《交通运输系统工程与信息》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105808918B (zh) | 2019-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
| Song et al. | Distribution characteristics of vehicle-specific power on urban restricted-access roadways | |
| CN106845371A (zh) | 一种城市路网机动车尾气排放遥感监控系统 | |
| CN104866654A (zh) | 一种一体化城市动态交通仿真平台的构建方法 | |
| CN106384509A (zh) | 考虑出租车运营状态下的城市道路行程时间分布估算方法 | |
| CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
| Goyani et al. | Investigation of crossing conflicts by vehicle type at unsignalized T-intersections under varying roadway and traffic conditions in India | |
| CN105741549B (zh) | 一种基于空间copula理论的交通流量预测方法 | |
| CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
| CN104134349A (zh) | 一种基于交通多源数据融合的公交路况处理系统及方法 | |
| CN100501795C (zh) | 一种路口关联路段动态路况采集方法 | |
| CN104282149B (zh) | 一种基于交通状态精度指标评价的路网浮动车配置方法 | |
| CN106845768A (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 | |
| CN106898142B (zh) | 一种考虑路段相关性的路径行程时间可靠度计算方法 | |
| CN102610092A (zh) | 基于rbf神经网络城市道路速度预测方法 | |
| CN103456163B (zh) | 城市快速路互通立交通行能力和运行状态判别方法与系统 | |
| CN104050319B (zh) | 一种实时在线验证复杂交通控制算法的方法 | |
| CN105320997A (zh) | 一种基于大数据的公交客流轨迹实时跟踪方法 | |
| CN103093643A (zh) | 一种确定公共停车场泊位数的方法 | |
| CN101739822A (zh) | 区域交通状态获取的传感器网络配置方法 | |
| Kodi et al. | Safety evaluation of an adaptive signal control technology using an empirical Bayes approach | |
| CN106228268A (zh) | 一种基于收费数据的高速公路旅行时间的预测方法 | |
| CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
| CN107092794A (zh) | 用于台风混合气候地区极值风速估算的分析方法及装置 | |
| George et al. | Area occupancy-based adaptive density estimation for mixed road traffic |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Guo Yaming Inventor after: Jiang Han Inventor after: He Fang Inventor after: Chen Jieyu Inventor after: Yu Jiaying Inventor before: Li Meng Inventor before: Jiang Han Inventor before: He Fang Inventor before: Chen Jieyu Inventor before: Yu Jiaying |
|
| CB03 | Change of inventor or designer information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20180413 Address after: 102200 Beijing city Changping District future science and Technology City, 237 Oasis Road 112 Oasis Applicant after: BEIJING DCROSSING TECHNOLOGY CO., LTD. Applicant after: Li Meng Address before: 102200 Beijing city Changping District future science and Technology City, 237 Oasis Road 112 Oasis Applicant before: Jiang Han Applicant before: Li Meng Applicant before: BEIJING DCROSSING TECHNOLOGY CO., LTD. |
|
| TA01 | Transfer of patent application right | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Guo Yaming Inventor after: Jiang Han Inventor after: He Fang Inventor after: Chen Jieyu Inventor after: Yu Jiaying Inventor before: Li Meng Inventor before: Jiang Han Inventor before: He Fang Inventor before: Chen Jieyu Inventor before: Yu Jiaying |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20180425 Address after: 102200 Beijing city Changping District future science and Technology City, 237 Oasis Road 112 Oasis Applicant after: BEIJING DCROSSING TECHNOLOGY CO., LTD. Address before: 102200 Beijing city Changping District future science and Technology City, 237 Oasis Road 112 Oasis Applicant before: Jiang Han Applicant before: Li Meng Applicant before: BEIJING DCROSSING TECHNOLOGY CO., LTD. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |