CN106448159A - 一种基于动态交通信息的道路交通分级预警方法 - Google Patents

Abstract

本发明属于城市交通大数据挖掘技术领域，具体涉及一种基于动态交通信息的道路交通分级预警方法。本方法包括以下步骤：获取路段平均速度；路段平均速度的融合；按照采样周期的时间戳，将融合以后的路段平均速度进行编号排序并储存；基于时间序列预测预测下一个采样周期的路段平均速度；获得下一个采样周期的路段交通拥堵指数；交通运行分级预警通过本发明的交通预警分析，不仅方便用户能自主选择和适时变更更为合适的出行路线，同时交通管理者也可以通过本发明的相关信息进行一些中观和宏观层面的交通规律性研究，以制定一些有针对性的政策方针。本发明的计算过程简洁，客观性强，计算灵活多变而适用面广，预测交通状态判别准确度高。

Description

一种基于动态交通信息的道路交通分级预警方法

技术领域

本发明属于城市交通大数据挖掘技术领域，具体涉及一种基于动态交通信息的道路交通分级预警方法。

背景技术

随着城市的不断发展，城市交通的矛盾主要表现为城市交通供给不能满足日益增长的交通需求，城市道路的交通拥堵问题越来越严重，甚至开始逐渐成为制约城市和谐发展的一个全球性社会问题。城市干道是城市交通的动脉，对城市干道交通拥堵状况进行及时、准确的提前预测和识别，有针对性地对拥堵点采取交通控制和诱导等措施，可缓解干道交通瓶颈的拥堵程度，减少交通拥堵带来的负面效应。就目前国内外环境而言，对交通拥堵的预测研究更多的停留在理论层面，在实际工程运用过程中使用的技术较少，目前国内外使用最多的仍旧是通过视频监控等方法来适时的判断城市道路交通拥堵状况，存在着预警效率低、准确度差甚至是无法预警等诸多缺点。如何寻求一种操作便捷而可操作度高的道路交通预警方式，从而当交通拥堵有可能发生或者已经发生，甚至有可能进一步扩散的时候，可进行交通运行预警；并根据不同预警的级别采取不同的应急措施，以保证交通系统在日常运营中的可靠运行，为本领域近年来所亟待解决的技术难题。

发明内容

本发明的目的为克服上述现有技术的不足，提供一种基于动态交通信息的道路交通分级预警方法；通过本发明的交通预警分析，不仅方便用户能自主选择和适时变更更为合适的出行路线，同时交通管理者也可以通过本发明的相关信息进行一些中观和宏观层面的交通规律性研究，以制定一些有针对性的政策方针。本发明的计算过程简洁，客观性强，计算灵活多变而适用面广，预测交通状态判别准确度高，对当地交通通行效率的提升有着良好促进作用。

为实现上述目的，本发明采用了以下技术方案：

一种基于动态交通信息的道路交通分级预警方法，其特征在于包括以下步骤：

1)、获取路段平均速度；

根据需预警路段的编号，分别从浮动车数据库和微波检测器数据库中提取对应该路段编号的交通平均速度值；

2)、路段平均速度的融合；

将同一路段编号上浮动车获取的平均速度与微波检测器获取的平均速度，以如下融合计算公式进行融合：

v＝ω_fv_a+ω_wv_w

式中：

v是融合以后的路段平均速度；

v_a是通过浮动车获取的路段平均速度；

v_w是通过微波检测器获取的路段平均速度；

ω_f、ω_w分别是浮动车、微波检测器获取的路段平均速度占的权重,ω_f+ω_w＝1；

3)、按照采样周期的时间戳，将2)步骤中得出的融合以后的路段平均速度v进行编号排序并储存；

4)、基于时间序列预测预测下一个采样周期的路段平均速度，包含以下子步骤：

a、计算基于时间序列的预测的路段平均行程车速；

式中：

其中：

v'_j是用时间序列方法预测得到的第j个采样周期的路段平均行程车速；

v是2)步骤中的融合以后的路段平均速度；

t是采样周期的编号；

v_j-1是第j-1个采样周期的路段平均行程车速；

v_j-2是第j-2个采样周期的路段平均行程车速；

v_j-3是第j-3个采样周期的路段平均行程车速；

t_j-1是第j-1个采样周期的编号；

t_j-2是第j-2个采样周期的编号；

t_j-3是第j-3个采样周期的编号；

b、以如下公式，计算第j个采样周期路段平均行程车速的历史数据平均值：

v"_j＝∑v_jh/m

其中：

v"_j是下一个采样周期路段平均行程车速的历史数据平均值；

v_jh是一年之内所有第j个采样周期的路段平均行程车速的历史值；

m是一年之内的所有第j个采样周期的路段平均行程车速历史数据的总数量；

c、将所述的v_j-1、v_j-2、v_j-3、v'_j作为样本集合X₁，获得样本集合X₁的均值和标准差σ'，计算公式如下：

d、将所述的v_j-1、v_j-2、v_j-3、v"_j作为样本集合X₂，获得样本集合X₂的均值和标准差σ"，计算公式如下：

e、由c子步骤和d子步骤得出的数据，以如下公式获得第j个采样周期周期路段平均行程车速的预测值v_j：

若σ'<σ"，则v_j＝v_j'；若σ'≥σ"，则v_j＝v"_j；

5)、建立如下的下一个采样周期的路段交通拥堵指数TCI模型，获得下一个采样周期的路段交通拥堵指数p：

p＝10*(1-v_j/v_f)

式中：

p为下一个采样周期的路段交通拥堵指数；

v为路段的平均行程车速；

v_f为路段的最大畅行速度，v_f为常量；

6)、以5)步骤获得的下一个采样周期的路段交通拥堵指数p,与交通拥堵指数表所划分的拥堵程度判别区间进行比对，获知需预警路段在下一个采样周期的交通拥堵程度，提醒管理者执行相应的预警措施。

步骤6)中，根据交通拥堵指数表所划分的拥堵程度判别区间，可将拥堵预警分为三级：黄色预警、橙色预警和红色预警，分别如下：

黄色预警：当预测的路段交通拥堵指数p≥4进行黄色预警，提醒管理者采取相应的诱导措施，进行分流；

橙色预警：当预测的路段交通拥堵指数p≥6进行橙色预警，提醒管理者采取相应的控制措施，进行限流；

红色预警：当预测的路段交通拥堵指数p≥8时，进行红色预警，提醒管理者采取相应的管制措施，进行截流。

本发明的有益效果在于：

1)、通过上述方案，抛弃了传统的视频适时监控等方式所导致的交通预警困难甚至无法预警的状况。本发明首次提出了按照样本波动幅度来确定交通平均速度预测模型的方法，通过充分利用移动源(浮动车)和固定源(微波检测器)两类交通平均速度，先采用时间序列法进行交通平均速度的预测，然后利用平均速度历史数据，通过将实时数据与历史数据作为样本集合，判断标准差与置信度之间的关系确定实时数据与历史数据是否存在波动，然后再进行交通平均速度预测值的计算，最终精准而科学的达到对需预警路段的“未来路况”的预警目的。

顾名思义，“未来路况”，也即需预警路段在很近的未来将发生的路面交通状况。本发明一方面依据和利用了现有的数据库资料，无需额外数据来源，适用性更高，使用成本也能得到保证。另一方面，结合了高精确的数据计算过程，通过数学模型对需预警路段进行预先预警，从而预测出可能将在哪儿发生堵塞，司机甚至可以提前40分钟就知晓哪个路段将难以前行，这样，他们就将有足够的时间转换路线和及时改道。此外的，通过本发明对需预警路段的“未来路况”的预先交通预警分析，不仅方便用户能自主选择和适时变更更为合适的出行路线，同时交通管理者也可以通过本发明的相关信息进行一些中观和宏观层面的交通规律性研究，以制定一些有针对性的政策方针。本发明的计算过程简洁，客观性强，计算灵活多变而适用面广，预测交通状态判别准确度高，对当地交通通行效率的提升有着良好促进作用。

附图说明

图1为本发明的方法流程图；

图2为需预警路段的路段行程速度分布统计图。

具体实施方式

为便于理解，此处结合附图1对本发明的具体实施步骤作以下描述：

如图1所示，本发明所包含的步骤为：

1)、获取路段平均速度；

2)、路段平均速度的融合；

3)、按照采样周期的时间戳，将融合以后的路段平均速度进行编号排序并储存；

4)、基于时间序列预测预测下一个采样周期的路段平均速度；

5)、获得下一个采样周期的路段交通拥堵指数；

6)、交通运行分级预警。

上述步骤中：

获取路段平均速度，是指通过数据抽取从浮动车数据库、微波检测器数据库中提取交通平均速度值，并通过相应的路段编号将两类速度数据进行关联。

路段平均速度的融合，是将同一路段上浮动车获取的平均速度与微波检测器获取的平均速度进行融合，融合计算公式下：

v＝ω_fv_a+ω_wv_w

式中：

v是融合以后的路段平均速度；

v_a是通过浮动车获取的路段平均速度；

v_w是通过微波检测器获取的路段平均速度；

ω_f、ω_w分别是浮动车、微波检测器获取的路段平均速度占的权重，存在关系ω_f+ω_w＝1，具体取值需要根据浮动车和微波检测器获取的路段平均速度的精度确定。其中浮动车获取的路段平均速度的精度和浮动车样本有关，而微波检测器获取的路段平均速度的精度与外界环境和设备状态有关。在目前已有的交通信息采集系统中，相应的数据精度通常都由采集系统直接给予。

举个例子，假如一个路段上浮动车获取的路段平均速度是根据6辆装有GPS终端的在线的出租车作为样本得到。根据浮动车样本最优的原则，此时浮动车获取的路段平均速度精度为98％以上，则权重应该为0.9以上。而微波检测器在车流拥堵以及大型车较多、车型分布不均匀的路段，由于遮挡，测量精度会受到比较大的影响。当流量过大的时候，微波检测器精度较低，权重取值在0.1以下。

将上述路段平均速度按照时间序列进行存储，是将融合过后的路段平均速度按照采样周期的时间戳进行编号排序保存，便于计算。

而预测下一个采样周期的路段平均速度，则包含以下子步骤：

a、计算基于时间序列的预测的路段平均行程车速；

式中：

其中：

v'_j是用时间序列方法预测得到的第j个采样周期的路段平均行程车速；

v是2)步骤中的融合以后的路段平均速度；

t是采样周期的编号；

v_j-1是第j-1个采样周期的路段平均行程车速；

v_j-2是第j-2个采样周期的路段平均行程车速；

v_j-3是第j-3个采样周期的路段平均行程车速；

t_j-1是第j-1个采样周期的编号；

t_j-2是第j-2个采样周期的编号；

t_j-3是第j-3个采样周期的编号；

b、以如下公式，计算第j个采样周期路段平均行程车速的历史数据平均值：

v"_j＝∑v_jh/m

其中：

v"_j是下一个采样周期路段平均行程车速的历史数据平均值；

v_jh是一年之内所有第j个采样周期的路段平均行程车速的历史值；

m是一年之内的所有第j个采样周期的路段平均行程车速历史数据的总数量。

c、将所述的v_j-1、v_j-2、v_j-3、v'_j作为样本集合X₁，获得样本集合X₁均值和标准差σ'，计算公式如下：

d、将所述的v_j-1、v_j-2、v_j-3、v"_j作为样本集合X₂，获得样本集合X₂均值和标准差σ"，计算公式如下：

e、由c子步骤和d子步骤得出的数据，以如下公式获得第j个采样周期周期路段平均行程车速的预测值v_j：

若σ'<σ"，则v_j＝v_j'，反之σ'≥σ"，则v_j＝v"_j；

5)、建立如下的下一个采样周期的路段交通拥堵指数TCI模型，获得下一个采样周期的路段交通拥堵指数p：

p＝10*(1-v_j/v_f)

式中：

p为下一个采样周期的路段交通拥堵指数；

v为路段的平均行程车速；

v_f为路段的最大畅行速度，v_f为常量。

路段的最大畅行速度是指当车流密度趋近于零时，车辆畅行无阻的平均速度。畅行速度值大小与道路本身属性及车辆相关，在此通过对视频检测器的速度数据进行频率统计分析，并添加数据趋势线，分析可得出。举个例子，如图2所示，是需预警路段的路段行程速度分布统计图，横坐标是路段行程速度值，纵坐标是样本数量，从图中添加趋势线可知，该路段的最大畅行速度是64km/h。

在获得上述的下一个采样周期的路段交通拥堵指数p后，即可根据《城市道路交通拥堵评价指标体系》的规定，进行需预警路段的交通运行分级预警。由于《城市道路交通拥堵评价指标体系》中，路段交通运行指数等级划分共分为5个等级，分别是非常畅通、畅通、轻度拥堵、中度拥堵、严重拥堵，分别对应[0，2)、[2，4)、[4，6)、[6，8)、[8，10]五个区间；因此，对于本发明而言,当上述p值达到上述指定区域时，进而即可执行相应的预警操作。在此可将拥堵预警分为三级：黄色预警、橙色预警和红色预警，交通运行分级预警规则如下：

黄色预警：当预测的路段交通拥堵指数p≥4进行黄色预警，提醒管理者采取相应的诱导措施，进行分流；

橙色预警：当预测的路段交通拥堵指数p≥6进行橙色预警，提醒管理者采取相应的控制措施，进行限流；

红色预警：当预测的路段交通拥堵指数p≥8时，进行红色预警，提醒管理者采取相应的管制措施，进行截流。

实施例1：

地点：选取合肥市南北一号高架路段进行实施案例验证。

该路段在南向北的方向布设了微波检测器，该路段南向北有4个车道，同时也有装在GPS的出租车从该路段经过。通过微波检测器的后台数据库可以获取该路段单个采样周期的路段平均速度以及可信度。通过浮动车的后台数据库也可以获取该路段的单个采样周期的路段平均速度以及可信度。由于该路段的微波检测器精度较好，浮动车覆盖率比较低，获取的数据精度较差。

以2016年7月4日00：00-00：05这个采样周期的数据作为例子进行路段平均速度的融合计算。00：00-00：05这个采样周期微波获取的路段平均速度是82km/h,浮动车获取的路段平均速度是90k/h，没有浮动车样本也就是浮动车获取路段平均速度是精度极差，故设置权重为ω_f＝0，ω_w＝1。

获得v＝ω_fv_a+ω_wv_w＝0*90+1*82＝82km/h

依此类推，通过数据库的存储过程的编写每更新一个周期，会自动计算一次并储存到融合表内并按照采样周期的先后顺序编号排序。为了方便计算在此截取了如下表所示的部分数据：

编号	路段平均速度
		1	85
2	82
		3	82
4	85
		5	83
6	90
		7	85
8	77
		9	83
10	75

此时，进行基于时间序列预测预测第11个采样周期的路段平均速度的计算：

a、计算基于时间序列的预测的路段平均行程车速；

b、计算第11个采样周期路段平均行程车速的历史数据平均值；

通常情况下现有的信息采集系统都有历史补充的功能，也就是历史数据会在数据库历史表可以直接获取，如果没有的话可以取同一个工作日同一时刻的数据，也就是过去一年之内所有周一(7月4日是周一)的第11个周期的路段平均速度求平均，具体如下：

v"₁₁＝∑v_11h/m＝79.12km/h

c、作为样本集合X₁＝{77，83，75，76.42}，获得样本集合X₁均值和标准差σ'：

d、作为样本集合X₂＝{77，83，75，79.12}，获得样本集合X₂均值和标准差σ"：

e、由c子步骤和d子步骤得出的数据，以如下公式获得第11个采样周期周期路段平均行程车速的预测值v_j：

由于σ'≥σ"，则v_j＝v"_j＝79.12km/h；

5)、由下一个采样周期的路段交通拥堵指数TCI模型，获得下一个采样周期的路段交通拥堵指数p：

p＝10*(1-v₁₁/v_f)＝10*(1-79.12/80)＝1.1

式中：

p为下一个采样周期的路段交通拥堵指数；

v为路段的平均行程车速；

v_f为路段的最大畅行速度，v_f为80km/h。

由于p甚至都小于4，表明该路段交通畅通，无需预警。

Claims (2)

1.一种基于动态交通信息的道路交通分级预警方法，其特征在于包括以下步骤：

1)、获取路段平均速度；

根据需预警路段的编号，分别从浮动车数据库和微波检测器数据库中提取对应该路段编号的交通平均速度值；

2)、路段平均速度的融合；

将同一路段编号上浮动车获取的平均速度与微波检测器获取的平均速度，以如下融合计算公式进行融合：

v＝ω_fv_a+ω_wv_w

式中：

v是融合以后的路段平均速度；

v_a是通过浮动车获取的路段平均速度；

v_w是通过微波检测器获取的路段平均速度；

ω_f、ω_w分别是浮动车、微波检测器获取的路段平均速度占的权重,ω_f+ω_w＝1；

3)、按照采样周期的时间戳，将2)步骤中得出的融合以后的路段平均速度v进行编号排序并储存；

4)、基于时间序列预测预测下一个采样周期的路段平均速度，包含以下子步骤：

a、计算基于时间序列的预测的路段平均行程车速；

$v_j^{\&prime;}=(\stackrel{\&OverBar;}{vt}-\stackrel{\&OverBar;}{vt})/(\stackrel{\&OverBar;}{t^2}-{\stackrel{\&OverBar;}{t}}^2)t_j+\stackrel{\&OverBar;}{v}-(\stackrel{\&OverBar;}{vt}-\stackrel{\&OverBar;}{vt})/(\stackrel{\&OverBar;}{t^2}-{\stackrel{\&OverBar;}{t}}^2)\stackrel{\&OverBar;}{t}$

式中：

$\stackrel{\&OverBar;}{v}=1/3(v_{j-1}+v_{j-2}+v_{j-3})$

$\stackrel{\&OverBar;}{t}=1/3(t_{j-1}+t_{j-2}+t_{j-3})$

其中：

v'_j是用时间序列方法预测得到的第j个采样周期的路段平均行程车速；

v是2)步骤中的融合以后的路段平均速度；

t是采样周期的编号；

v_j-1是第j-1个采样周期的路段平均行程车速；

v_j-2是第j-2个采样周期的路段平均行程车速；

v_j-3是第j-3个采样周期的路段平均行程车速；

t_j-1是第j-1个采样周期的编号；

t_j-2是第j-2个采样周期的编号；

t_j-3是第j-3个采样周期的编号；

b、以如下公式，计算第j个采样周期路段平均行程车速的历史数据平均值：

v″_j＝∑v_jh/m

其中：

v"_j是下一个采样周期路段平均行程车速的历史数据平均值；

v_jh是一年之内所有第j个采样周期的路段平均行程车速的历史值；

m是一年之内的所有第j个采样周期的路段平均行程车速历史数据的总数量；

c、将所述的v_j-1、v_j-2、v_j-3、v'_j作为样本集合X₁，获得样本集合X₁的均值和标准差σ'，计算公式如下：

${\stackrel{\&OverBar;}{v}}^{\&prime;}=1/4(v_{j-1}+v_{j-2}+v_{j-3}+{v_j}^{\&prime;});$

${\mathrm{\&sigma;}}^{\&prime;}=\sqrt{1/4\&lsqb;{(v_{j-1}-{\stackrel{\&OverBar;}{v}}^{\&prime;})}^2+{(v_{j-2}-{\stackrel{\&OverBar;}{v}}^{\&prime;})}^2+{(v_{j-3}-{\stackrel{\&OverBar;}{v}}^{\&prime;})}^2+{(v_j^{\&prime;}-{\stackrel{\&OverBar;}{v}}^{\&prime;})}^2\&rsqb;};$

d、将所述的v_j-1、v_j-2、v_j-3、v"_j作为样本集合X₂，获得样本集合X₂的均值和标准差σ"，计算公式如下：

${\stackrel{\&OverBar;}{v}}^{\&prime;\&prime;}=1/4(v_{j-1}+v_{j-2}+v_{j-3}+v_j^{\&prime;\&prime;})$

${\mathrm{\&sigma;}}^{\&prime;\&prime;}=\sqrt{1/4\&lsqb;{(v_{j-1}-{\stackrel{\&OverBar;}{v}}^{\&prime;\&prime;})}^2+{(v_{j-2}-{\stackrel{\&OverBar;}{v}}^{\&prime;\&prime;})}^2+{(v_{j-3}-{\stackrel{\&OverBar;}{v}}^{\&prime;\&prime;})}^2+{(v_j^{\&prime;\&prime;\&prime;}-{\stackrel{\&OverBar;}{v}}^{\&prime;\&prime;})}^2\&rsqb;}$

e、由c子步骤和d子步骤得出的数据，以如下公式获得第j个采样周期周期路段平均行程车速的预测值v_j：

若σ'<σ"，则v_j＝v_j'；若σ'≥σ"，则v_j＝v″_j；

5)、建立如下的下一个采样周期的路段交通拥堵指数TCI模型，获得下一个采样周期的路段交通拥堵指数p：

p＝10*(1-v_j/v_f)

式中：

p为下一个采样周期的路段交通拥堵指数；

v为路段的平均行程车速；

v_f为路段的最大畅行速度，v_f为常量；

6)、以5)步骤获得的下一个采样周期的路段交通拥堵指数p,与交通拥堵指数表所划分的拥堵程度判别区间进行比对，获知需预警路段在下一个采样周期的交通拥堵程度，提醒管理者执行相应的预警措施。

2.根据权利要求1中所述的一种基于动态交通信息的道路交通分级预警方法，其特征在于：所述步骤6)中，根据交通拥堵指数表所划分的拥堵程度判别区间，可将拥堵预警分为三级：黄色预警、橙色预警和红色预警，分别如下：

黄色预警：当预测的路段交通拥堵指数p≥4进行黄色预警，提醒管理者采取相应的诱导措施，进行分流；

橙色预警：当预测的路段交通拥堵指数p≥6进行橙色预警，提醒管理者采取相应的控制措施，进行限流；

红色预警：当预测的路段交通拥堵指数p≥8时，进行红色预警，提醒管理者采取相应的管制措施，进行截流。