CN106571034B - 基于融合数据的城市快速路交通状态滚动预测方法 - Google Patents
基于融合数据的城市快速路交通状态滚动预测方法 Download PDFInfo
- Publication number
- CN106571034B CN106571034B CN201610970246.0A CN201610970246A CN106571034B CN 106571034 B CN106571034 B CN 106571034B CN 201610970246 A CN201610970246 A CN 201610970246A CN 106571034 B CN106571034 B CN 106571034B
- Authority
- CN
- China
- Prior art keywords
- speed
- time
- test point
- hourage
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005096 rolling process Methods 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007796 conventional method Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于多源异构数据融合的城市快速路交通状态滚动预测方法,包括步骤如下:针对待预侧路段获取检测点的卡口、微波数据;通过卡口的匹配车辆获取其真实的旅行时间,通过微波检测器获取检测点的真实速度,按照其空间相对位置,进行多源异构数据的融合;通过非线性插值算法获得任意非检测点速度,并构建虚拟轨迹线获取其估计旅行时间;通过优化目标函数(速度和旅行时间的均方根误差),对其参数进行标定;利用标定好的参数对下一时间段的速度和旅行时间进行预测。本发明方法简便有效,便于操作,避免的传统方法在参数标定的过程中,一经标定,即不发生改变的弊端。
Description
技术领域
本发明涉及交通状态的预测领域,具体是一种基于多源异构数据融合的交通状态滚动预测方法。
背景技术
在城市道路交通中,交通流是由成千上万的人、车参与的,每个交通的参与者都会基于自己的行为目标与行为准则,依据不同的交通运行环境做出符合自身利益的决策。这种决策主要来源于对未来交通流运行状况的估计,只有准确的把握交通流运行过程中的行为变化,才能使制定出的决策更富有针对性。因此将交通流的动态性预测作为日常监测和管理的重要内容,是交通管理决策科学的基础,也是主动、全方位交通管理的关键。
对于出行者来说,需要实时交通状态信息和对未来交通状态的准确预测,从而做出有效的决策,例如决定出发时间,进行路径选择等。对于实时交通状态建立合理的模型,设计简单高效的算法来准确地预测未来的交通状态。交通流模型描述了车辆和驾驶者的动态行为,传统的交通状态预测模型参数依赖于对历史数据的校准,而且模型参数一经标定,便不再改变,在此情况下进行标定的参数就存在了一些不足的地方,不能够适应实时的交通状态预测,存在着应用的局限性。
发明内容
本发明为克服上述不足之处,提供一种基于多源异构数据融合的交通状态滚动预测方法,本发明通过获取卡口、微波数据,并在此基础上进行数据分析和参数的标定,实现对下一时刻的路况进行预测。本发明方法简便有效,便于操作,克服了传统的静态参数标定方法不能应用于实时交通状态预测的不足,解决了现有交通参数标定方法适用范围的局限性问题。
一种基于多源异构数据融合的城市快速路交通状态滚动预测方法,包括步骤如下:
(1)针对交通状态待预测的路段,获取检测点的位置,所述检测点包括布设在该路段的卡口和微波检测器。
(2)获得路段的真实旅行时间T(tj)和检测点(xi,ti)处的真实速度v(xi,ti),其中,tj为在卡口处获取车辆驶入上匝道的时间,结合该车辆驶出下匝道时间,从而得到车辆的真实旅行时间T(tj),根据实测道路长度计算车辆在该路段的空间平均速度,并以该平均速度作为车辆在卡口处的行驶速度,即获得卡口处的真实行驶速度;通过微波探测器获取车辆的时间平均速度,从而得到该路段上微波检测器位置处的行驶速度,即得到微波检测器位置点的真实速度。
(3)将该路段上检测点的行驶速度,按照其空间相对位置进行多源异构数据融合。
(4)在步骤(3)的融合数据基础上,重建时空速度场。根据已知检测点的真实速度v(xi,ti),求该路段上除检测点以外的非检测点的估计速度,具体采用如下非线性插值算法:
V(x,t)=w(x,t)Vcong(x,t)+[1-w(x,t)]Vfree(x,t)
式中,Vthr临界速度,ΔV为自由流和阻塞流转换之间的带宽,cfree为自由流速度,ccong消散波速度。ti,xi,vi分别为已知检测点所在的时刻、位置、速度。t,x,V分别为任意非检测点所在的时刻、位置、速度。σ为空间平滑宽度,τ是时间平滑宽度。
(5)计算检测点的估计速度,具体为:针对某一检测点,通过其余检测点的真实速度,结合步骤(4)所述的非线性插值算法,计算出检测点的估计速度
(6)根据步骤(2)中检测点的真实速度v(xi,ti)和步骤(4)中非检测点的估计速度,构建虚拟轨迹线,对旅行时间进行估计,得到估计旅行时间
(7)微波数据估计速度的标准均方根误差为
卡口数据估计旅行时间的标准均方根误差为
其中,v(xi,ti)为真实速度,为估计速度,T(tj)为真实旅行时间,为估计旅行时间,N为微波检测数据量,M为卡口旅行时间数据量。
(8)采用交通状态预测滚动优化算法,通过计算其目标函数,对空间平滑宽度σ、时间平滑宽度τ两个参数进行标定:
式中:Dmicrowave(t0-Th→t0)为从t0-Th时刻到t0时刻的微波数据,DLPR(t0-Th→t0)为同一时间段的卡口数据,t0为当前时刻,Th为历史时间窗口,g为目标函数,即两种数据的标准均方根误差之和。
(9)根据步骤(8)标定后的空间平滑宽度σ、时间平滑宽度τ,采用步骤(4)所述的非线性的插值算法,结合当前时刻采集的真实速度,对该路段上任意位置的下一时刻行驶速度进行预测,进一步根据预测后的速度,采用步骤(6)所述的虚拟轨迹线算法,对下一时刻的旅行时间进行预测。
本发明的有益效果是采用滚动优化思想,在进行交通预测的过程中,依据实时数据,不断调整和更新模型参数,使得预测结果更加贴合实际,从而避免传统方法在参数标定过程中,一经标定,即不发生改变,造成交通状态预测结果与实际出现很大偏差的弊端。
附图说明
图1路段拓扑结构和检测器布设位置;
图2望江路上匝道,登云路下匝道所匹配的车辆为例,构建其虚拟轨迹线;
图3是本发明交通状态预测滚动方法示意图。
具体实施方式
本发明是基于国家自然科学基金青年基金项目(51508505)和浙江省自然科学基金杰出青年项目(LR17E080002)的研究,提出一种基于多源异构融合数据的城市快速路交通状态滚动预测方法。下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此。
以杭州市上塘-中河高架快速路为例,选取由南向北行驶的一段长度为9.7km的路段。其中共包含9个上下匝道(4个上匝道和5个下匝道),以及6个微波检测器。路段拓扑结构和检测器布设位置如图1所示。通过以下方法对该路段的交通状态进行短时预测。
(1)针对交通状态待预测的路段,获取检测点的位置,所述检测点包括布设在该路段的卡口和微波检测器。
(2)获得路段的真实旅行时间T(tj)和检测点的真实速度v(xi,ti):在卡口处获取车辆驶入上匝道和驶出下匝道时间,从而得到车辆的真实旅行时间T(tj),根据实测道路长度计算车辆在该路段的空间平均速度,并以该平均速度作为车辆在卡口处的行驶速度,即获得卡口处的真实行驶速度,其中上下匝道匹配车辆数和平均旅行时间如表1所示;通过微波探测器获取车辆的时间平均速度,从而得到该路段上微波检测器位置处的行驶速度,即得到微波检测器位置点的真实速度。
表1
注:表中数字为匹配车辆数、括号中数字为匹配车辆的平均旅行时间(单位:秒)。
(3)将该路段上检测点的行驶速度,按照其空间相对位置进行多源异构数据融合。
(4)在步骤(3)的融合数据基础上,重建时空速度场。根据已知检测点的真实速度v(xi,ti),求该路段上除检测点以外的非检测点的估计速度,具体采用如下非线性插值算法:
V(x,t)=w(x,t)Vcong(x,t)+[1-w(x,t)]Vfree(x,t)
式中,Vthr临界速度,ΔV为自由流和阻塞流转换之间的带宽,cfree为自由流速度,ccong消散波速度。ti,xi,vi分别为已知检测点所在的时刻、位置、速度。t,x,V分别为任意非检测点所在的时刻、位置、速度。σ为空间平滑宽度,τ是时间平滑宽度。
(5)计算检测点的估计速度,具体为:针对某一检测点,通过其余检测点的真实速度,结合步骤(4)所述的非线性插值算法,计算出检测点的估计速度
(6)根据步骤(2)中检测点的真实速度v(xi,ti)和步骤(4)中非检测点的估计速度,按照现有方法,构建虚拟轨迹线,对旅行时间进行估计,得到估计旅行时间以上塘-中河高架望江路上匝道,登云路下匝道所匹配的车辆为例,构建其虚拟轨迹线如图2所示。具体如下:
(6.1)给定足够小的时间增量Δt和空间增量Δx;
(6.2)如果一辆车从点A(tA,xA)出发,那么该辆车的虚拟轨迹线可以通过重复以下步骤构建;
(6.3)假设车辆当前的位置是点(t,x),采用所使用的插值算法计算出该点的速度v(t,x);
(6.4)如果v(t,x)=0,给时间一个增量即t'=t+Δt,更新当前位置至x'=x,进入第(6.6)步;
(6.5)否则以v(t,x)为斜率,更新至下一点的位置即t'=t+Δt,x'=x+Δx,然后对新点进行速度的插值计算;
(6.6)检查x'≥xF,若为否,则转入第(6.3)步;
(6.7)否则,计算车辆在xF处时的时间,TF=t+(t'-t)*(xF-x)/(x'-x);
(6.8)车辆的估计旅行时间为TF-TA,在此过程中,车辆由A点行驶至F点。
(7)微波数据估计速度的标准均方根误差为
卡口数据估计旅行时间的标准均方根误差为
其中,v(xi,ti)为真实速度,为估计速度,T(tj)为真实旅行时间,为估计旅行时间。
(8)采用交通状态预测滚动优化算法,通过计算其目标函数,对空间平滑宽度σ、时间平滑宽度τ两个参数进行标定:
式中:Dmicrowave(t0-Th→t0)为从t0-Th时刻到t0时刻的微波数据,DLPR(t0-Th→t0)为同一时间段的卡口数据,t0为当前时刻,Th为历史时间窗口,g为目标函数,即两种数据的标准均方根误差之和。
(9)根据步骤(8)标定后的空间平滑宽度σ、时间平滑宽度τ,采用步骤(4)所述的非线性的插值算法,结合当前时刻采集的真实速度,对该路段上任意位置的下一时刻行驶速度进行预测,进一步根据预测后的速度,采用步骤(6)所述的虚拟轨迹线算法,对下一时刻的旅行时间进行预测。交通状态滚动预测示意如图3所示,采用传统默认值方法和滚动优化算法预测结果如表2所示。
表2默认与滚动优化算法预测结果。
从表2可以看出,滚动优化算法的均方根误差(RMSE)、标准均方根误差(NRMSE)对称绝对百分比误差(SMAPE1、SMAPE2)均低于默认算法,从而验证了滚动优化算法优于一般的默认值方法。
Claims (1)
1.一种基于多源异构融合数据的城市快速路交通状态滚动预测方法,包括步骤如下:
(1)针对交通状态待预测的路段,获取检测点的位置,所述检测点包括布设在该路段的卡口和微波检测器;
(2)获得路段的真实旅行时间T(tj)和检测点(xi,ti)处的真实速度v(xi,ti),其中,tj为在卡口处获取车辆驶入上匝道的时间,结合该车辆驶出下匝道时间,从而得到车辆的真实旅行时间T(tj),根据实测道路长度计算车辆在该路段的空间平均速度,并以该平均速度作为车辆在卡口处的行驶速度,即获得卡口处的真实行驶速度;通过微波探测器获取车辆的时间平均速度,从而得到该路段上微波检测器位置处的行驶速度,即得到微波检测器位置点的真实速度;
(3)将该路段上检测点的行驶速度,按照其空间相对位置进行多源异构数据融合;
(4)在步骤(3)的融合数据基础上,重建时空速度场;根据已知检测点的真实速度v(xi,ti),求该路段上除检测点以外的非检测点的估计速度,具体采用如下非线性插值算法:
V(x,t)=w(x,t)Vcong(x,t)+[1-w(x,t)]Vfree(x,t)
式中,Vthr临界速度,ΔV为自由流和阻塞流转换之间的带宽,cfree为自由流速度,ccong消散波速度;ti,xi,vi分别为已知检测点所在的时刻、位置、速度;t,x,V分别为任意非检测点所在的时刻、位置、速度;σ为空间平滑宽度,τ是时间平滑宽度;
(5)计算检测点的估计速度,具体为:针对某一检测点,通过其余检测点的真实速度,结合步骤(4)所述的非线性插值算法,计算出检测点的估计速度
(6)根据步骤(2)中检测点的真实速度v(xi,ti)和步骤(4)中非检测点的估计速度,构建虚拟轨迹线,对旅行时间进行估计,得到估计旅行时间
(7)微波数据估计速度的标准均方根误差为
卡口数据估计旅行时间的标准均方根误差为
其中,v(xi,ti)为真实速度,为估计速度,T(tj)为真实旅行时间,为估计旅行时间,N为微波检测数据量,M为卡口旅行时间数据量;
(8)采用交通状态预测滚动优化算法,通过计算其目标函数,对空间平滑宽度σ、时间平滑宽度τ两个参数进行标定:
式中:Dmicrowave(t0-Th→t0)为从t0-Th时刻到t0时刻的微波数据,DLPR(t0-Th→t0)为同一时间段的卡口数据,t0为当前时刻,Th为历史时间窗口,g为目标函数,即两种数据的标准均方根误差之和;
(9)根据步骤(8)标定后的空间平滑宽度σ、时间平滑宽度τ,采用步骤(4)所述的非线性的插值算法,结合当前时刻采集的真实速度,对该路段上任意位置的下一时刻行驶速度进行预测,进一步根据预测后的速度,采用步骤(6)所述的虚拟轨迹线算法,对下一时刻的旅行时间进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610970246.0A CN106571034B (zh) | 2016-11-02 | 2016-11-02 | 基于融合数据的城市快速路交通状态滚动预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610970246.0A CN106571034B (zh) | 2016-11-02 | 2016-11-02 | 基于融合数据的城市快速路交通状态滚动预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106571034A CN106571034A (zh) | 2017-04-19 |
CN106571034B true CN106571034B (zh) | 2019-02-05 |
Family
ID=58541584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610970246.0A Active CN106571034B (zh) | 2016-11-02 | 2016-11-02 | 基于融合数据的城市快速路交通状态滚动预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106571034B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166310A (zh) * | 2018-08-15 | 2019-01-08 | 银江股份有限公司 | 基于lbs和传统交通路况数据的路段旅行时间估计方法 |
CN110197586A (zh) * | 2019-05-20 | 2019-09-03 | 重庆大学 | 一种基于多源数据的高速公路路段拥堵检测方法 |
CN111383452A (zh) * | 2019-12-03 | 2020-07-07 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN113436442B (zh) * | 2021-06-29 | 2022-04-08 | 西安电子科技大学 | 一种利用多地磁传感器的车速估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542801A (zh) * | 2011-12-23 | 2012-07-04 | 北京易华录信息技术股份有限公司 | 一种融合多种交通数据的交通状况预测系统及方法 |
CN104269059A (zh) * | 2014-10-15 | 2015-01-07 | 河海大学 | 一种基于多源数据融合的城市路径行程时间预测方法 |
EP2950293A2 (en) * | 2014-05-30 | 2015-12-02 | LG CNS Co., Ltd. | Method and apparatus for estimating an arrival time of a transportation vehicle |
CN105405291A (zh) * | 2015-12-09 | 2016-03-16 | 清华大学 | 交通数据采集及主动防控系统 |
CN105787858A (zh) * | 2016-03-29 | 2016-07-20 | 交通运输部公路科学研究所 | 一种高速公路网态势推演方法 |
CN105868870A (zh) * | 2016-05-17 | 2016-08-17 | 北京数行健科技有限公司 | 一种基于数据融合的城市快速路旅行时间估计方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7221287B2 (en) * | 2002-03-05 | 2007-05-22 | Triangle Software Llc | Three-dimensional traffic report |
US9384590B2 (en) * | 2014-06-10 | 2016-07-05 | Here Global B.V. | Estimating travel times through transportation structures using location traces |
-
2016
- 2016-11-02 CN CN201610970246.0A patent/CN106571034B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542801A (zh) * | 2011-12-23 | 2012-07-04 | 北京易华录信息技术股份有限公司 | 一种融合多种交通数据的交通状况预测系统及方法 |
EP2950293A2 (en) * | 2014-05-30 | 2015-12-02 | LG CNS Co., Ltd. | Method and apparatus for estimating an arrival time of a transportation vehicle |
CN104269059A (zh) * | 2014-10-15 | 2015-01-07 | 河海大学 | 一种基于多源数据融合的城市路径行程时间预测方法 |
CN105405291A (zh) * | 2015-12-09 | 2016-03-16 | 清华大学 | 交通数据采集及主动防控系统 |
CN105787858A (zh) * | 2016-03-29 | 2016-07-20 | 交通运输部公路科学研究所 | 一种高速公路网态势推演方法 |
CN105868870A (zh) * | 2016-05-17 | 2016-08-17 | 北京数行健科技有限公司 | 一种基于数据融合的城市快速路旅行时间估计方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106571034A (zh) | 2017-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106571034B (zh) | 基于融合数据的城市快速路交通状态滚动预测方法 | |
US10928521B2 (en) | Traffic volume estimation | |
US11265252B2 (en) | Wireless network optimization | |
US10846540B2 (en) | Lane level traffic | |
JP5649726B2 (ja) | 障害横断情報を判断する方法 | |
CN102663887B (zh) | 基于物联网技术的道路交通信息云计算和云服务实现系统及方法 | |
US20180283895A1 (en) | Navigation system and method | |
Kuchipudi et al. | Development of a hybrid model for dynamic travel-time prediction | |
US20180292224A1 (en) | System and method for traffic volume estimation | |
Tabeshian et al. | Modeling nonmotorized travel demand at intersections in Calgary, Canada: use of traffic counts and Geographic Information System data | |
Rao et al. | Free speed modeling for urban arterials-A case study on Delhi | |
Miller et al. | Determining time to traverse road sections based on mapping discrete GPS vehicle data to continuous flows | |
CN104851298A (zh) | 预测交通状况和行车时间 | |
Gan et al. | Estimation of performance metrics at signalized intersections using loop detector data and probe travel times | |
CN106530693B (zh) | 基于融合数据的城市快速路交通状态滚动估计方法 | |
Wang et al. | Freeway truck travel time prediction for freight planning using truck probe GPS data | |
Dailey et al. | AVL-equipped vehicles as traffic probe sensors | |
Ma et al. | An approach to urban traffic condition estimation by aggregating GPS data | |
CN109166310A (zh) | 基于lbs和传统交通路况数据的路段旅行时间估计方法 | |
Lin et al. | Estimating nationwide link speed distribution using probe position data | |
Ma et al. | A low-cost GPS-data-enhanced approach for traffic network evaluations | |
Puangprakhon et al. | Travel time estimation by running speed and stopped delay method on urban road using probe vehicle data | |
AL-khuzai et al. | Evaluation traffic characteristics of Al-Diwaniyah urban streets | |
Duthie et al. | Impacts of network connectivity on multimodal travel metrics | |
Costanzo | Using GPS data to monitor road traffic flows in a metropolitan area: methodology and case study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |