CN106355879A - 一种基于时空关联的城市交通流量预测方法 - Google Patents
一种基于时空关联的城市交通流量预测方法 Download PDFInfo
- Publication number
- CN106355879A CN106355879A CN201610872617.1A CN201610872617A CN106355879A CN 106355879 A CN106355879 A CN 106355879A CN 201610872617 A CN201610872617 A CN 201610872617A CN 106355879 A CN106355879 A CN 106355879A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- minutes
- flow
- statistics
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Abstract
本发明属于智能交通领域,尤其涉及一种基于时空关联的城市交通流量预测方法。该方法包括以下步骤:1)预测模型训练:根据不同的时间预测粒度,生成相应的预测模型;2)流量实时预测:与模型训练的过程一致,进行交通流量预测时会将最新采集到的流量数据加入预测模型的输入端,再经过预测模型的处理,即可输出下一时段的预测流量。本发明对城市道路交通流量进行准确预测,可以实现智能交通控制与管理,交通信息服务,为缓解城市交通拥堵提供实时数据,具有显著的社会和经济效益。
Description
技术领域
本发明属于智能交通领域,尤其涉及一种基于时空关联的城市交通流量预测方法。
背景技术
城市道路交通流的状态变化是一个实时、非线性、高维、非平稳的过程,带有随机性和不确定性,统计时间越短,随机性和不确定性越强。除此之外,还与出行需求、上下游流量、节假日、天气变化、交通事故和道路环境等因素密切相关,为交通流量的预测带来很大困难。传统的历史均值法、时间序列法、卡尔曼滤波等虽然实现简单,但在路况复杂的情况下预测精度急剧下降;而基于非线性系统理论小波分析、突变理论、混沌理论等预测方法虽能比较好地模拟系统的非线性特征,且精确性相对较高,但计算复杂,理论基础尚不成熟,难以推广。而基于知识发现的智能模型尤其是已被广泛应用的神经网络预测方法,因其具有非线性数据拟合能力强,理论成熟,预测精度高、稳定性好等显著特征,在训练数据充分的情况下,可在时空分布上产生很强的泛化能力,能够很好地满足交通系统尤其是大规模智能交通系统的交通流量预测需求。
发明内容
本发明为解决背景技术中存在的上述技术问题,而提供一种基于时空关联的城市交通流量预测方法。
本发明的技术解决方案是:本发明为一种基于时空关联的城市交通流量预测方法,其特殊之处在于:该方法包括以下步骤:
1)预测模型训练:根据不同的时间预测粒度,生成相应的预测模型;
1.1)流量分类统计
1.1.1)设定每天的统计时间范围、统计时间;
1.1.2)采集每一统计时间需要进行预测的路段的时段数据;
1.2)样本预处理
1.2.1)完整性检验:为保证历史数据的完整性,对历史数据进行检验,
如当日某一统计时间段内数据不存在,则计算在该时间段内的其余所有历史数据的平均值,将该均值作为其他日期内在该时间段内数据缺失时的默认补充值,若某条道路当天的缺失数据累计超过预设时间段,则丢弃该路段当天所有数据;
1.2.2)有效性检验:将每日所有路段所有统计时间间隔内统计的流量转换到以小时为单位,即pcu/小时,当每小时交通流量超出预设的车道流量上限和下限时,视为错误数据,用其余所有日期内该时间段的流量均值替换;若某条道路当天的无效数据累计超过预设时间段,则丢弃该路段当天所有数据;
1.2.3)将所有的历史数据整理为训练网络所需的输入输出对;
1.2.4)数据归一化:将所有原始数据归一化到[0,1]范围内,利用以下公式:归一化后流量值=((归一化前流量值)-MINVALUE)/(MAXVALUE-MINVALUE)MAXVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最大值,MINVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最小值,这两个数值在完成数据完整性检验和数据有效性检验后通过人工观察或程序检索得到;
1.3)神经网络模型训练:训练模型采用BP神经网络,输入层神经元的数目与输入数据的维度一致,神经网络结构如下:
1.3.1)设定输入层的神经元数目,输出层神经元数目,隐藏层层数,隐藏层神经元的数目由经验公式确定,其中n为输入层神经元数目,l为输出层数目,α取0;
1.3.2)选择迭代次数,训练收敛时的绝对误差不大于0.001。
2)流量实时预测:与模型训练的过程一致,进行交通流量预测时会将最新采集到的流量数据加入预测模型的输入端,再经过预测模型的处理,即可输出下一时段的预测流量。
2.1)数据采集:
根据不同的预测的时间范围,启动不同的预测进程,不同的进程根据各自数据更新的时间粒度去检索对应的文件,将最新统计的流量数据加载到模型的输入端,如果在统计时刻结束时没有对应的文件生成,则保持等待,如在等待预设时间后仍无对应的文件生成,则直接将上一时段的统计流量作为补充进行发布;
2.2)数据预处理:
将最新生成的流量数据从文件中解析出来,并与各时段历史流量数据、关联路段流量数据按照与模型训练过程一致的格式组合成训练模型的输入数据,再经归一化处理后送入预测模型;归一化的格式、MAXVALUE和MINVALUE与样本训练时的保持一致;
2.3)预测输出
预测模型的输出是介于[0,1]之间经过归一化后的数值,在发布前进行反归一化,采用公式:反归一化后流量值=反归一化前流量值*(MAXVALUE-MINVALUE)+MINVALUE。
该方法的具体步骤如下:
1)预测模型训练
根据不同的时间预测粒度,生成相应的预测模型,包括流量5分钟预测模型,30分钟预测模型,1小时预测模型,24小时预测模型和1周内预测模型,每种模型的训练过程输入输出不同,训练流程一致,具体如下:
1.1)流量分类统计
针对不同的时间预测范围,采集所有需要进行预测的路段历史数据,保证历史数据完整、有效。对每一路段的上下游关系进行关联,以路段ID号为索引,统计方法如下:
1.1.1)5分钟流量预测:从每日00时00分00秒开始,每5分钟统计一次,每次统计时间范围为5分钟,每条路段每日可采集288个时段数据;
1.1.2)30分钟流量预测:从每日00时00分00秒开始,每10分钟统计一次,每次统计时间范围为30分钟,每条路段每日可采集144个时段数据;
1.1.3)1小时流量预测:从每日00时00分00秒开始,每15分钟统计一次,每次统计时间范围为60分钟,每条路段每日可采集96个时段数据;
1.1.4)24小时流量预测:从每日00时00分00秒开始,每1小时统计一次,每次统计时间范围为60分钟,每条路段每日可采集24个时段数据;
1.2)样本预处理
1.2.1)完整性检验。为保证历史数据的完整性,需要对历史数据进行检验,如当日某一统计时间段内数据不存在,则计算在该时间段内的其余所有历史数据的平均值,并将该均值作为其他日期内在该时间段内数据缺失时的默认补充值;若某条道路当天的缺失数据累计超过2小时,则丢弃该路段当天所有数据;
1.2.2)有效性检验。将每日所有路段所有统计时间间隔内统计的流量转换到以小时为单位(该数值只用作数据有效性检验),即pcu/小时,如5分钟流量(统计时间间隔为5分钟时)*12或者30分钟流量(统计时间间隔为30分钟时)*2即可,当每小时交通流量超出预设的车道流量上限(2000pcu/每小时每车道)和下限(0pcu/每小时每车道)时,视为错误数据,用其余所有日期内该时间段的流量均值替换;若某条道路当天的无效数据累计超过2小时,则丢弃该路段当天所有数据;
1.2.3)将所有的历史数据整理为训练网络所需的输入输出对;
对于5分钟流量预测、30分钟流量预测、1小时流量预测,其训练输入数据来自三个部分:前5个统计时段的数据、前7日每日同时段的统计数据、来自各个上游路段的流量数据;训练输出数据为从第6个时段开始的每个时段的流量数据;
对于24小时流量预测、1周流量预测,其训练输入数据分为两部分:前7日每日同时段流量数据、来自各个上游路段的流量数据;训练输出数据为从第6个时段开始的每个时段的流量数据;
每组输入输出对整理完成后依次处理下一个时段;
1.2.4)数据归一化。为了减小不同数量级的原始数据之间对模型的影响,将所有原始数据归一化到[0,1]范围内,利用以下公式:归一化后流量值=((归一化前流量值)-MINVALUE)/(MAXVALUE-MINVALUE)MAXVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最大值,MINVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最小值,这两个数值在完成数据完整性检验和数据有效性检验后通过人工观察或程序检索得到;
1.3)神经网络模型训练
训练模型采用BP神经网络,输入层神经元的数目与输入数据的维度一致,神经网络结构如下:
1.3.1)5分钟/30分钟/1小时预测:输入层的神经元数目为15个,输出层神经元数目均为1个,隐藏层设置为1层,隐藏层神经元的数目由经验公式确定,其中n为输入层神经元数目,l为输出层数目,α取0;
1.3.2)24小时/1周流量预测:输入层的神经元数目为10个,输出层神经元数目均为1个,隐藏层设置为1层,隐藏层数目、迭代次数、训练收敛时的绝对误差与步骤1.3.1)一致;
1.3.3)迭代次数选择10000次,训练收敛时的绝对误差不大于0.001;
2)流量实时预测
与模型训练的过程一致,进行交通流量预测时会将最新采集到的流量数据加入预测模型的输入端,再经过预测模型的处理,即可输出下一时段的预测流量;
2.1)数据采集
由于预测的时间范围不同,主程序会启动不同的预测进程,不同的进程根据各自数据更新的时间粒度去检索对应的文件,将最新统计的流量数据加载到模型的输入端,如果在统计时刻结束时没有对应的文件生成,则保持等待,如在等待60秒后仍无对应的文件生成,则直接将上一时段的统计流量作为补充进行发布;
2.2数据预处理
将最新生成的流量数据从文件中解析出来,并与各时段历史流量数据、关联路段流量数据按照与模型训练过程一致的格式组合成训练模型的输入数据,再经归一化处理后送入预测模型。归一化的格式、MAXVALUE和MINVALUE与样本训练时的保持一致;
2.3)预测输出
预测模型的输出是介于[0,1]之间经过归一化后的数值,在发布前进行反归一化,采用公式:反归一化后流量值=反归一化前流量值*(MAXVALUE-MINVALUE)+MINVALUE;
发布方式如下:
2.3.1)5分钟流量预测:所有路段每5分钟发布一次;
2.3.2)30分钟流量预测:所有路段每10分钟发布一次,依次发布从当前时刻起30分钟内每隔10分钟共3个时间点的流量数据;
2.3.3)1小时流量预测:所有路段每15分钟发布一次,每次发布从当前时刻起1小时内每隔15分钟共4个时间点的流量数据;
2.3.4)24小时流量预测:所有路段每1小时发布一次,每次发布从当前时刻起24小时内每隔1小时共24个时间点的流量数据;
2.3.5)1周流量预测:所有路段每24小时发布一次,每次发布从当前时刻起7日内每隔1小时共168个时间点的流量数据。
本发明的优点如下:
对城市道路交通流量进行准确预测是实现智能交通控制与管理,交通信息服务的重要前提,具有显著的社会和经济效益:
1)为缓解城市交通拥堵提供实时数据:包括交通信号控制中单点控制、干线协调控制和区域协调控制中流量、车辆排队长度、车辆达到时间等参数的估算;交通流诱导系统中道路状态预测和预警等;
2)交通安全方面:道路交通事件检测、流量预警与应急等提供数据支持;
3)为开展城市污染治理和能源节约等研究提供参考数据。城市交通路网流量预测是实现智能交通系统的重要前提,通过研究道路交通流量在路网中的时空分布特性和内在变化规律并实现准确、及时、有效的路网流量预测,不仅能为出行者提供重要参考,节约出行时间,也可以为管理者在交通规划、交通控制与管理、交通流诱导、交通事件检测与事故预防、污染治理和能源节约等方面提供数据支持,为实现城市道路交通精细化、智能化和系统化管理提供有力手段。
附图说明
图1为本发明具体实施例的流程示意图。
具体实施方式
本发明的方法如下:
参见图1,本实施例主要分为两部分:预测模型训练部分和交通流量实时预测部分。预测模型训练又分为样本流量分类统计、样本预处理和模型训练三个部分;流量预测分为数据采集、数据预处理和预测输出三个部分。
1)预测模型训练
根据不同的时间预测粒度,生成相应的预测模型,包括流量5分钟预测模型,30分钟预测模型,1小时预测模型,24小时预测模型和1周内预测模型,每种模型的训练过程输入输出不同,训练流程一致,具体如下:
1.1)流量分类统计
针对不同的时间预测范围,采集所有需要进行预测的路段历史数据,保证历史数据完整、有效。对每一路段的上下游关系进行关联,以路段ID号为索引,统计方法如下:
1.1.1)5分钟流量预测:从每日00时00分00秒开始,每5分钟统计一次,每次统计时间范围为5分钟,每条路段每日可采集288个时段数据;
1.1.2)30分钟流量预测:从每日00时00分00秒开始,每10分钟统计一次,每次统计时间范围为30分钟,每条路段每日可采集144个时段数据;
1.1.3)1小时流量预测:从每日00时00分00秒开始,每15分钟统计一次,每次统计时间范围为60分钟,每条路段每日可采集96个时段数据;
1.1.4)24小时流量预测:从每日00时00分00秒开始,每1小时统计一次,每次统计时间范围为60分钟,每条路段每日可采集24个时段数据;
1.2)样本预处理
1.2.1)完整性检验。为保证历史数据的完整性,需要对历史数据进行检验,如当日某一统计时间段内数据不存在,则计算在该时间段内的其余所有历史数据的平均值,并将该均值作为其他日期内在该时间段内数据缺失时的默认补充值。若某条道路当天的缺失数据累计超过2小时,则丢弃该路段当天所有数据。
1.2.2)有效性检验。将每日所有路段所有统计时间间隔内统计的流量转换到以小时为单位(该数值只用作数据有效性检验),即pcu/小时,如5分钟流量(统计时间间隔为5分钟时)*12或者30分钟流量(统计时间间隔为30分钟时)*2即可,当每小时交通流量超出预设的车道流量上限(2000pcu/每小时每车道)和下限(0pcu/每小时每车道)时,视为错误数据,用其余所有日期内该时间段的流量均值替换。若某条道路当天的无效数据累计超过2小时,则丢弃该路段当天所有数据。
1.2.3)将所有的历史数据整理为训练网络所需的输入输出对。
对于5分钟流量预测、30分钟流量预测、1小时流量预测,其训练输入数据来自三个部分:前5个统计时段的数据、前7日每日同时段的统计数据、来自各个上游路段的流量数据;训练输出数据为从第6个时段开始的每个时段的流量数据;
对于24小时流量预测、1周流量预测,其训练输入数据分为两部分:前7日每日同时段流量数据、来自各个上游路段的流量数据;训练输出数据为从第6个时段开始的每个时段的流量数据;
每组输入输出对整理完成后依次处理下一个时段;
1.2.4)数据归一化。为了减小不同数量级的原始数据之间对模型的影响,将所有原始数据归一化到[0,1]范围内,利用以下公式:归一化后流量值=((归一化前流量值)-MINVALUE)/(MAXVALUE-MINVALUE)MAXVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最大值,MINVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最小值,这两个数值在完成数据完整性检验和数据有效性检验后通过人工观察或程序检索得到;
1.3)神经网络模型训练
训练模型采用BP神经网络,输入层神经元的数目与输入数据的维度一致,神经网络结构如下:
1.3.1)5分钟/30分钟/1小时预测:输入层的神经元数目为15个,输出层神经元数目均为1个,隐藏层设置为1层,隐藏层神经元的数目由经验公式确定,其中n为输入层神经元数目,l为输出层数目,α取0;
1.3.2)24小时/1周流量预测:输入层的神经元数目为10个,输出层神经元数目均为1个,隐藏层设置为1层,隐藏层数目、迭代次数、训练收敛时的绝对误差与步骤1.3.1)一致;
1.3.3)迭代次数选择10000次,训练收敛时的绝对误差不大于0.001。
2)流量实时预测
与模型训练的过程一致,进行交通流量预测时会将最新采集到的流量数据加入预测模型的输入端,再经过预测模型的处理,即可输出下一时段的预测流量。
2.1)数据采集
由于预测的时间范围不同,主程序会启动不同的预测进程,不同的进程根据各自数据更新的时间粒度去检索对应的文件,将最新统计的流量数据加载到模型的输入端,如果在统计时刻结束时没有对应的文件生成,则保持等待,如在等待60秒后仍无对应的文件生成,则直接将上一时段的统计流量作为补充进行发布。
2.2数据预处理
将最新生成的流量数据从文件中解析出来,并与各时段历史流量数据、关联路段流量数据按照与模型训练过程一致的格式组合成训练模型的输入数据,再经归一化处理后送入预测模型。归一化的格式、MAXVALUE和MINVALUE与样本训练时的保持一致。
2.3)预测输出
预测模型的输出是介于[0,1]之间经过归一化后的数值,在发布前进行反归一化,采用公式:反归一化后流量值=反归一化前流量值*(MAXVALUE-MINVALUE)+MINVALUE;
发布方式如下:
2.3.1)5分钟流量预测:所有路段每5分钟发布一次;
2.3.2)30分钟流量预测:所有路段每10分钟发布一次,依次发布从当前时刻起30分钟内每隔10分钟共3个时间点的流量数据;
2.3.3)1小时流量预测:所有路段每15分钟发布一次,每次发布从当前时刻起1小时内每隔15分钟共4个时间点的流量数据;
2.3.4)24小时流量预测:所有路段每1小时发布一次,每次发布从当前时刻起24小时内每隔1小时共24个时间点的流量数据;
2.3.5)1周流量预测:所有路段每24小时发布一次,每次发布从当前时刻起7日内每隔1小时共168个时间点的流量数据。
Claims (2)
1.一种基于时空关联的城市交通流量预测方法,其特征在于:该方法包括以下步骤:
1)预测模型训练:根据不同的时间预测粒度,生成相应的预测模型;
1.1)流量分类统计
1.1.1)设定每天的统计时间范围、统计时间;
1.1.2)采集每一统计时间需要进行预测的路段的时段数据;
1.2)样本预处理
1.2.1)完整性检验:为保证历史数据的完整性,对历史数据进行检验,
如当日某一统计时间段内数据不存在,则计算在该时间段内的其余所有历史数据的平均值,将该均值作为其他日期内在该时间段内数据缺失时的默认补充值,若某条道路当天的缺失数据累计超过预设时间段,则丢弃该路段当天所有数据;
1.2.2)有效性检验:将每日所有路段所有统计时间间隔内统计的流量转换到以小时为单位,即pcu/小时,当每小时交通流量超出预设的车道流量上限和下限时,视为错误数据,用其余所有日期内该时间段的流量均值替换;若某条道路当天的无效数据累计超过预设时间段,则丢弃该路段当天所有数据;
1.2.3)将所有的历史数据整理为训练网络所需的输入输出对;
1.2.4)数据归一化:将所有原始数据归一化到[0,1]范围内,利用以下公式:归一化后流量值=((归一化前流量值)-MINVALUE)/(MAXVALUE-MINVALUE)MAXVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最大值,MINVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最小值,这两个数值在完成数据完整性检验和数据有效性检验后通过人工观察或程序检索得到;
1.3)神经网络模型训练:训练模型采用BP神经网络,输入层神经元的数目与输入数据的维度一致,神经网络结构如下:
1.3.1)设定输入层的神经元数目,输出层神经元数目,隐藏层层数,隐藏层神经元的数目由经验公式确定,其中n为输入层神经元数目,l为输出层数目,α取0;
1.3.2)选择迭代次数,训练收敛时的绝对误差不大于0.001;
2)流量实时预测:与模型训练的过程一致,进行交通流量预测时会将最新采集到的流量数据加入预测模型的输入端,再经过预测模型的处理,即可输出下一时段的预测流量;
2.1)数据采集:
根据不同的预测的时间范围,启动不同的预测进程,不同的进程根据各自数据更新的时间粒度去检索对应的文件,将最新统计的流量数据加载到模型的输入端,如果在统计时刻结束时没有对应的文件生成,则保持等待,如在等待预设时间后仍无对应的文件生成,则直接将上一时段的统计流量作为补充进行发布;
2.2)数据预处理:
将最新生成的流量数据从文件中解析出来,并与各时段历史流量数据、关联路段流量数据按照与模型训练过程一致的格式组合成训练模型的输入数据,再经归一化处理后送入预测模型;归一化的格式、MAXVALUE和MINVALUE与样本训练时的保持一致;
2.3)预测输出:
预测模型的输出是介于[0,1]之间经过归一化后的数值,在发布前进行反归一化,采用公式:反归一化后流量值=反归一化前流量值*(MAXVALUE-MINVALUE)+MINVALUE。
2.根据权利要求所述的基于时空关联的城市交通流量预测方法,其特征在于:该方法的具体步骤如下:
1)预测模型训练
根据不同的时间预测粒度,生成相应的预测模型,包括流量5分钟预测模型,30分钟预测模型,1小时预测模型,24小时预测模型和1周内预测模型,每种模型的训练过程输入输出不同,训练流程一致,具体如下:
1.1)流量分类统计
针对不同的时间预测范围,采集所有需要进行预测的路段历史数据,保证历史数据完整、有效;对每一路段的上下游关系进行关联,以路段ID号为索引,统计方法如下:
1.1.1)5分钟流量预测:从每日00时00分00秒开始,每5分钟统计一次,每次统计时间范围为5分钟,每条路段每日可采集288个时段数据;
1.1.2)30分钟流量预测:从每日00时00分00秒开始,每10分钟统计一次,每次统计时间范围为30分钟,每条路段每日可采集144个时段数据;
1.1.3)1小时流量预测:从每日00时00分00秒开始,每15分钟统计一次,每次统计时间范围为60分钟,每条路段每日可采集96个时段数据;
1.1.4)24小时流量预测:从每日00时00分00秒开始,每1小时统计一次,每次统计时间范围为60分钟,每条路段每日可采集24个时段数据;
1.2)样本预处理
1.2.1)完整性检验;为保证历史数据的完整性,需要对历史数据进行检验,如当日某一统计时间段内数据不存在,则计算在该时间段内的其余所有历史数据的平均值,并将该均值作为其他日期内在该时间段内数据缺失时的默认补充值;若某条道路当天的缺失数据累计超过2小时,则丢弃该路段当天所有数据;
1.2.2)有效性检验;将每日所有路段所有统计时间间隔内统计的流量转换到以小时为单位(该数值只用作数据有效性检验),即pcu/小时,如5分钟流量(统计时间间隔为5分钟时)*12或者30分钟流量(统计时间间隔为30分钟时)*2即可,当每小时交通流量超出预设的车道流量上限(2000pcu/每小时每车道)和下限(0pcu/每小时每车道)时,视为错误数据,用其余所有日期内该时间段的流量均值替换;若某条道路当天的无效数据累计超过2小时,则丢弃该路段当天所有数据;
1.2.3)将所有的历史数据整理为训练网络所需的输入输出对;
对于5分钟流量预测、30分钟流量预测、1小时流量预测,其训练输入数据来自三个部分:前5个统计时段的数据、前7日每日同时段的统计数据、来自各个上游路段的流量数据;训练输出数据为从第6个时段开始的每个时段的流量数据;
对于24小时流量预测、1周流量预测,其训练输入数据分为两部分:前7日每日同时段流量数据、来自各个上游路段的流量数据;训练输出数据为从第6个时段开始的每个时段的流量数据;
每组输入输出对整理完成后依次处理下一个时段;
1.2.4)数据归一化;为了减小不同数量级的原始数据之间对模型的影响,将所有原始数据归一化到[0,1]范围内,利用以下公式:
归一化后流量值=((归一化前流量值)-MINVALUE)/(MAXVALUE-MINVALUE)MAXVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最大值,MINVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最小值,这两个数值在完成数据完整性检验和数据有效性检验后通过人工观察或程序检索得到;
1.3)神经网络模型训练
训练模型采用BP神经网络,输入层神经元的数目与输入数据的维度一致,神经网络结构如下:
1.3.1)5分钟/30分钟/1小时预测:输入层的神经元数目为15个,输出层神经元数目均为1个,隐藏层设置为1层,隐藏层神经元的数目由经验公式确定,其中n为输入层神经元数目,l为输出层数目,α取0;
1.3.2)24小时/1周流量预测:输入层的神经元数目为10个,输出层神经元数目均为1个,隐藏层设置为1层,隐藏层数目、迭代次数、训练收敛时的绝对误差与步骤1.3.1)一致;
1.3.3)迭代次数选择10000次,训练收敛时的绝对误差不大于0.001;
2)流量实时预测
与模型训练的过程一致,进行交通流量预测时会将最新采集到的流量数据加入预测模型的输入端,再经过预测模型的处理,即可输出下一时段的预测流量;
2.1)数据采集
由于预测的时间范围不同,主程序会启动不同的预测进程,不同的进程根据各自数据更新的时间粒度去检索对应的文件,将最新统计的流量数据加载到模型的输入端,如果在统计时刻结束时没有对应的文件生成,则保持等待,如在等待60秒后仍无对应的文件生成,则直接将上一时段的统计流量作为补充进行发布;
2.2)数据预处理
将最新生成的流量数据从文件中解析出来,并与各时段历史流量数据、关联路段流量数据按照与模型训练过程一致的格式组合成训练模型的输入数据,再经归一化处理后送入预测模型;归一化的格式、MAXVALUE和MINVALUE与样本训练时的保持一致;
2.3)预测输出
预测模型的输出是介于[0,1]之间经过归一化后的数值,在发布前进行反归一化,采用公式:
反归一化后流量值=反归一化前流量值*(MAXVALUE-MINVALUE)+MINVALUE;
发布方式如下:
2.3.1)5分钟流量预测:所有路段每5分钟发布一次;
2.3.2)30分钟流量预测:所有路段每10分钟发布一次,依次发布从当前时刻起30分钟内每隔10分钟共3个时间点的流量数据;
2.3.3)1小时流量预测:所有路段每15分钟发布一次,每次发布从当前时刻起1小时内每隔15分钟共4个时间点的流量数据;
2.3.4)24小时流量预测:所有路段每1小时发布一次,每次发布从当前时刻起24小时内每隔1小时共24个时间点的流量数据;
2.3.5)1周流量预测:所有路段每24小时发布一次,每次发布从当前时刻起7日内每隔1小时共168个时间点的流量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610872617.1A CN106355879A (zh) | 2016-09-30 | 2016-09-30 | 一种基于时空关联的城市交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610872617.1A CN106355879A (zh) | 2016-09-30 | 2016-09-30 | 一种基于时空关联的城市交通流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106355879A true CN106355879A (zh) | 2017-01-25 |
Family
ID=57867011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610872617.1A Pending CN106355879A (zh) | 2016-09-30 | 2016-09-30 | 一种基于时空关联的城市交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106355879A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN107832866A (zh) * | 2017-09-26 | 2018-03-23 | 晶赞广告(上海)有限公司 | 一种流量预测方法及装置、存储介质、终端 |
CN107832890A (zh) * | 2017-11-15 | 2018-03-23 | 浙江大华技术股份有限公司 | 一种拥堵预测方法和装置 |
CN108682147A (zh) * | 2018-05-03 | 2018-10-19 | 广东省高速公路营运管理协会 | 一种高速公路交通拥堵疏导决策方法 |
CN108734614A (zh) * | 2017-04-13 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 交通拥堵预测方法及装置、存储介质 |
CN108898838A (zh) * | 2018-08-03 | 2018-11-27 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
CN109785618A (zh) * | 2019-01-11 | 2019-05-21 | 西安电子科技大学 | 一种基于组合逻辑的短时交通流预测方法 |
CN110164127A (zh) * | 2019-04-04 | 2019-08-23 | 中兴飞流信息科技有限公司 | 一种车流量预测的方法、装置及服务器 |
CN110444010A (zh) * | 2018-05-02 | 2019-11-12 | 芝麻开门网络信息股份有限公司 | 一种基于物联网的高速路车流预测方法 |
CN110491120A (zh) * | 2019-07-05 | 2019-11-22 | 广州车行易科技股份有限公司 | 一种基于大数据的道路交通控制方法及其系统 |
CN110956807A (zh) * | 2019-12-05 | 2020-04-03 | 中通服咨询设计研究院有限公司 | 基于多源数据与滑动窗口组合的高速公路流量预测方法 |
CN110969275A (zh) * | 2018-09-30 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法、装置、可读存储介质及电子设备 |
CN111507499A (zh) * | 2019-12-05 | 2020-08-07 | 阿里巴巴集团控股有限公司 | 预测用模型的构建方法、测试方法、装置及系统 |
CN111833594A (zh) * | 2019-04-23 | 2020-10-27 | 杭州海康威视系统技术有限公司 | 车流量预测方法、装置、电子设备及存储介质 |
CN112309109A (zh) * | 2019-08-01 | 2021-02-02 | 中移(苏州)软件技术有限公司 | 一种道路通行时间预测的方法、装置及存储介质 |
CN114639233A (zh) * | 2020-12-15 | 2022-06-17 | 腾讯科技(深圳)有限公司 | 一种拥堵状态预测方法、装置、电子设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436347A (zh) * | 2008-12-09 | 2009-05-20 | 北京交通大学 | 一种快速路行程时间预测方法 |
CN101438334A (zh) * | 2006-03-03 | 2009-05-20 | 因瑞克斯有限公司 | 未来交通状况的动态时序预测 |
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 |
CN102622418A (zh) * | 2012-02-21 | 2012-08-01 | 北京联合大学 | 一种基于bp神经网络的预测装置及设备 |
WO2013018656A1 (ja) * | 2011-07-29 | 2013-02-07 | 日本電気株式会社 | 交通制御システム、混雑制御方法、情報処理装置およびその制御方法並びに記録媒体 |
CN103871246A (zh) * | 2014-02-10 | 2014-06-18 | 南京大学 | 基于路网空间关系约束Lasso的短时交通流预测方法 |
CN104134351A (zh) * | 2014-08-14 | 2014-11-05 | 中国科学院自动化研究所 | 一种短时交通流预测方法 |
CN105046953A (zh) * | 2015-06-18 | 2015-11-11 | 南京信息工程大学 | 一种短时交通流组合预测方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
-
2016
- 2016-09-30 CN CN201610872617.1A patent/CN106355879A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101438334A (zh) * | 2006-03-03 | 2009-05-20 | 因瑞克斯有限公司 | 未来交通状况的动态时序预测 |
CN101436347A (zh) * | 2008-12-09 | 2009-05-20 | 北京交通大学 | 一种快速路行程时间预测方法 |
WO2013018656A1 (ja) * | 2011-07-29 | 2013-02-07 | 日本電気株式会社 | 交通制御システム、混雑制御方法、情報処理装置およびその制御方法並びに記録媒体 |
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 |
CN102622418A (zh) * | 2012-02-21 | 2012-08-01 | 北京联合大学 | 一种基于bp神经网络的预测装置及设备 |
CN103871246A (zh) * | 2014-02-10 | 2014-06-18 | 南京大学 | 基于路网空间关系约束Lasso的短时交通流预测方法 |
CN104134351A (zh) * | 2014-08-14 | 2014-11-05 | 中国科学院自动化研究所 | 一种短时交通流预测方法 |
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN105046953A (zh) * | 2015-06-18 | 2015-11-11 | 南京信息工程大学 | 一种短时交通流组合预测方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
Non-Patent Citations (4)
Title |
---|
LELITHA VANAJAKSHI等: "Support Vector Machine Technique for the Short Term Prediction of Travel Time", 《2007 IEEE INTELLIGENT VEHICLES SYMPOSIUM》 * |
胡佩锋: "交通流量短时预测方法研究", 《中国优秀博硕士学位论文全文数据库 (硕士)工程科技Ⅱ辑》 * |
谢晓华: "基于交通流量短时预测的城际高速公路基本路段服务水平判定研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
高为: "基于时空特性和RBF神经网络的短时交通流预测", 《交通信息与安全》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734614A (zh) * | 2017-04-13 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 交通拥堵预测方法及装置、存储介质 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN107832866A (zh) * | 2017-09-26 | 2018-03-23 | 晶赞广告(上海)有限公司 | 一种流量预测方法及装置、存储介质、终端 |
CN107832890A (zh) * | 2017-11-15 | 2018-03-23 | 浙江大华技术股份有限公司 | 一种拥堵预测方法和装置 |
CN110444010A (zh) * | 2018-05-02 | 2019-11-12 | 芝麻开门网络信息股份有限公司 | 一种基于物联网的高速路车流预测方法 |
CN108682147A (zh) * | 2018-05-03 | 2018-10-19 | 广东省高速公路营运管理协会 | 一种高速公路交通拥堵疏导决策方法 |
CN108898838A (zh) * | 2018-08-03 | 2018-11-27 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
CN108898838B (zh) * | 2018-08-03 | 2020-08-28 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
CN110969275B (zh) * | 2018-09-30 | 2024-01-23 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法、装置、可读存储介质及电子设备 |
CN110969275A (zh) * | 2018-09-30 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法、装置、可读存储介质及电子设备 |
CN109785618A (zh) * | 2019-01-11 | 2019-05-21 | 西安电子科技大学 | 一种基于组合逻辑的短时交通流预测方法 |
CN109785618B (zh) * | 2019-01-11 | 2022-05-13 | 西安电子科技大学 | 一种基于组合逻辑的短时交通流预测方法 |
CN110164127A (zh) * | 2019-04-04 | 2019-08-23 | 中兴飞流信息科技有限公司 | 一种车流量预测的方法、装置及服务器 |
CN110164127B (zh) * | 2019-04-04 | 2021-06-25 | 中兴飞流信息科技有限公司 | 一种车流量预测的方法、装置及服务器 |
CN111833594A (zh) * | 2019-04-23 | 2020-10-27 | 杭州海康威视系统技术有限公司 | 车流量预测方法、装置、电子设备及存储介质 |
CN110491120A (zh) * | 2019-07-05 | 2019-11-22 | 广州车行易科技股份有限公司 | 一种基于大数据的道路交通控制方法及其系统 |
CN112309109A (zh) * | 2019-08-01 | 2021-02-02 | 中移(苏州)软件技术有限公司 | 一种道路通行时间预测的方法、装置及存储介质 |
CN111507499A (zh) * | 2019-12-05 | 2020-08-07 | 阿里巴巴集团控股有限公司 | 预测用模型的构建方法、测试方法、装置及系统 |
CN111507499B (zh) * | 2019-12-05 | 2023-05-26 | 阿里巴巴集团控股有限公司 | 预测用模型的构建方法、测试方法、装置及系统 |
CN110956807A (zh) * | 2019-12-05 | 2020-04-03 | 中通服咨询设计研究院有限公司 | 基于多源数据与滑动窗口组合的高速公路流量预测方法 |
CN114639233A (zh) * | 2020-12-15 | 2022-06-17 | 腾讯科技(深圳)有限公司 | 一种拥堵状态预测方法、装置、电子设备及存储介质 |
CN114639233B (zh) * | 2020-12-15 | 2024-02-02 | 腾讯科技(深圳)有限公司 | 一种拥堵状态预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355879A (zh) | 一种基于时空关联的城市交通流量预测方法 | |
CN102169630B (zh) | 一种道路连续交通流数据质量控制方法 | |
CN107610469A (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
CN110782093B (zh) | 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统 | |
CN108491682B (zh) | 降雨径流预报系统 | |
CN104899405A (zh) | 数据预测方法和系统以及报警方法和系统 | |
CN106059661A (zh) | 一种基于时序分析的光传输网络趋势预测方法 | |
CN109615226A (zh) | 一种运营指标异常监测方法 | |
CN103713336B (zh) | 基于gis分区的水电站流域面雨量气象预报方法 | |
CN109191842B (zh) | 基于实时通行能力的拥堵调控策略推荐方法及系统 | |
CN105046953A (zh) | 一种短时交通流组合预测方法 | |
CN102880755B (zh) | 一种极端降水的定量预测方法及系统 | |
CN105260803A (zh) | 一种系统用电量预测方法 | |
CN106875314A (zh) | 一种城市轨道交通线网客流od动态估计方法 | |
CN103903452A (zh) | 交通流短时预测方法 | |
CN104183119A (zh) | 基于路段od反推的实时交通流分布预测系统 | |
CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
CN105374209A (zh) | 一种城市区域路网运行状态特征信息提取方法 | |
CN104463344A (zh) | 电网短期负荷预测方法和系统 | |
CN102930155A (zh) | 获取电力需求的预警参数的方法及装置 | |
CN103279802A (zh) | 通勤者日活动―出行时间预测方法 | |
CN106898142A (zh) | 一种考虑路段相关性的路径行程时间可靠度计算方法 | |
CN104679970A (zh) | 一种数据检测方法及装置 | |
CN112116149A (zh) | 一种考虑预报不确定性关联演化特征的多站中长期径流滚动概率预测方法 | |
CN104484722A (zh) | 一种基于cim标准的气象因子影响电网灾害模型建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170125 |