CN106600959A - 一种交通拥堵指数的预测方法 - Google Patents

Abstract

本发明涉及实时交通领域，尤其涉及一种交通拥堵指数的预测方法，获取待测路网的当前时刻的上一时段的历史同期相同时段的历史交通拥堵指数；获取待测路网的当前时刻的上一时段的交通拥堵指数变化趋势；根据所述历史交通拥堵指数和所述交通拥堵指数变化趋势来预测待测路网的当前时刻的下一时段的交通拥堵指数，从而预测的准确度较高，能准确预测交通状况。

Description

一种交通拥堵指数的预测方法

技术领域

本发明涉及实时交通领域，尤其涉及一种交通拥堵指数的预测方法。

背景技术

随着智能交通系统日益普及，实时交通流量在智能交通系统内的应用越来越广泛与深入，如使用导航系统。目前，交通拥堵指数的预测方法一般有两种，第一种是每隔一段时间(如10s、30s、1分钟或2分钟等)发布一次道路的实时交通拥堵指数；第二种是选取时间尺度较大(例如年、月、日)的历史交通拥堵指数进行预测。现有技术中发布的实时交通数据即为当前时刻道路的实时交通情况，但是并不能发布未来某一时段的交通流数据。但是在实际生活中，越来越多的用户为了提前合理的安排行程更期望能够提前获知某些道路、或者某些区域的交通数据，因此，现有的发布实时交通流数据的方式并不能满足用户的这种需求。

发明内容

本发明的目的是提供一种交通拥堵指数的预测方法，其能够准确预测交通拥堵指数。

本发明提供一种交通拥堵指数的预测方法，获取待测路网的当前时刻的上一时段的历史同期相同时段的历史交通拥堵指数；获取待测路网的当前时刻的上一时段的交通拥堵指数变化趋势；根据所述历史交通拥堵指数和所述交通拥堵指数变化趋势来预测待测路网的当前时刻的下一时段的交通拥堵指数。

其中，对当前时刻的上一时段的交通拥堵指数与历史同期相同时段的拥堵指数的相近程度进行计算。

其中，交通拥堵指数预测采用K近邻预测算法对历史交通拥堵指数进行搜索，搜索出最相似的K个历史状态向量，再根据所对应的K个交通拥堵指数计算预测值。

其中，利用欧氏距离计算方法计算预测状态向量与历史状态向量之间的差异。

其中，通过对各影响因素进行加权修正从而算出所述差异。

其中，采用遗传算法进行权重优化计算。

有益效果：本发明一种交通拥堵指数的预测方法，因为交通拥堵指数变化趋势可以真实的反映一段时间交通拥堵指数的变化规律，所以根据历史交通拥堵指数和交通拥堵指数变化趋势预测路网的当前时刻的下一时段的交通拥堵指数，预测的准确度较高，能准确预测交通状况。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明交通拥堵指数的预测流程框图。

图2是本发明交通拥堵指数的K近邻预测中K＝3时的邻居选取方式示意图。

图3是本发明交通拥堵指数的时间序列相近程度分析图。

图4是是本发明交通拥堵指数的遗传算法优化参数流程图。

具体实施方式

结合以下实施例对本发明作进一步描述。

交通拥堵指数是交通参数的一种，交通参数普遍具有随机性、周期性的特点，难以用简单的数学公式进行模拟预测，本申请选择基于K近邻预测算法。

基于K近邻交通拥堵指数预测模型的建模思路是，根据广义交通运行影响因素，构建状态向量(包括历史拥堵指数、放假信息、气象信息、工作日信息等)；根据状态向量对历史数据进行归类，构建历史数据库储存各状态向量及其所对应的交通拥堵指数，历史数据库记录形式为“状态向量—交通拥堵指数”；理想情况下历史数据库应该包含了各类交通状态下的交通拥堵指数，对于未来的交通变化趋势预测，根据可提前预知的工作日信息、放假信息、气象信息进行状态向量搜索，搜索出最相似的K个历史状态向量，再根据所对应的K个交通拥堵指数计算预测值。K近邻算法流程如图1所示。图2为K＝3时的邻居选取方式，根据距离远近选取N₂、N₃和N₅作为邻居。

1.状态向量设计

(1)中期预测状态向量的设计

中期预测是对第二天全天交通运行变化情况预测，由于第二天的交通运行情况与前一天没有直接关联关系，更多的是根据以往历史变化规律的对未来的推断。因此中期预测的输入(状态向量)可以选取明天交通影响关键因素。确定中期预测状态向量为：

P＝[年份，月份，星期几，时间，工作日，学生假期，降雨量，特殊日期]＝[y，m，w，t，h，s，r，j]，

其中：

y——年份，如2016表示2016年；

m——月份，用1-12表示1-12月份；

w——星期几，用1-7表示星期一至星期日；

t——时间，因为广州市交通指数发布间隔为5分钟，因此可以1代表5分钟，0-288表示0-24时里面的每个5分钟；

h——工作日，用0表示休假，1表示上班；

s——学生假期，用0表示上课，1表示普通放假，2表示寒、暑假。

r——降雨量，用0、1、1.5、2分别表示无雨、小雨、中雨和大暴雨。

j——特殊日期，用1表示正常日；0表示正常工昨日，但全天交通明显变好的日期，如“春节黄金周”前后5天；2表示正常工作日，但早高峰交通明显变差的日期，如寒暑假后的开学首日；3表示正常工作日，但是晚高峰交通明显变差的日期，如冬至日、圣诞日以及元旦节前、清明节前等。

(2)短期预测状态向量的设计

短期预测是对未来一段时间(如1个小时)的交通拥堵指数大小进行预估。因为除非有特殊事件，交通系统的变化基本平稳，在有限的时间范围之内，交通拥堵指数是依据目前所处的拥堵水平以及变化趋势而变化，因此短期预测可在中期预测状态向量的基础上，增加考虑当前拥堵指数、指数变化趋势以及未来几个小时的降雨情况进行预测，预测状态向量与历史状态向量的交通指数变化趋势越接近、前期拥堵指数越相近，则预测值越接近历史值。假定当前时刻为t，其中对于当前拥堵指数变化趋势的考量，实质上是对t以前n个时间间隔内的拥堵指数序列A[X_t-n,X_t-n+1，……，X_t-1]，与历史同期相同时间段的拥堵指数序列B[X′_t-n,X′_t-n+1，……，X′_t-1]的相近程度进行计算。对两个离散时间序列相近程度的计算，拟采用相关系数与方差相结合的方法。

相关系数是可以反映变量之间相关关系密切程度。但是相关系数仅能反映两个时间序列变化取值的线性相近程度，但是无法反映差异大小，如图3所示，有三个时间序列：基准序列A[1，2，3，2，1，2，3，4]、“A*1.5”以及“A+0.5”，可以算出A与“A*1.5”与“A+0.5”的相关系数都是1，都属于完全相关。但是序列“A+0.5”明显比序列“A*1.5”更加接近基准序列A。因此要评判两个时间序列是否相近要同时使用方差与相关系数。

由此得到短期预测状态向量为：

P＝[年份，月份，星期几，时间，工作日，学生假期，降雨量，特殊日期，当前时刻拥堵指数，拥堵指数变化趋势，未来3小时降雨趋势]＝[y，m，w，t，h，s，r，j，ɑ，η，FR]

其中：

a是当前时刻拥堵指数，其取值范围是0-10；

η是拥堵指数变化趋势，本申请根据当前时刻前1小时的拥堵指数序列判断变化趋势；

FR是未来3小时降雨趋势。

2.距离计算方法

距离是判定历史状态向量与预测状态向量相似程度的指标，距离越小历史状态向量越相似，越有可能成为邻居。距离有欧氏距离、曼哈顿距离、巴氏距离等十多种距离计算方法。本文选取最常用的欧氏距离计算方法。

(1)中期预测距离计算

中期预测距离的计算主要是计算两天的同等因素差异，求预测状态向量与历史状态向量之间的差异，所谓的差异就是欧氏距离，具体计算公式如下：

其中，

P_f(y_f，m_f，w_f，t_f，h_f，s_f，r_f，j_f)是预测对象的状态向量；

P_i(y_i，m_i，w_i，t_i，h_i，s_i，r_i，j_i)是历史状态向量i；

ω是各影响因素的权重系数。权重系数的设置非常有必要，它是对于后期预测效果跟踪、算法微调等都是必不可少的，对于确保预测算法找到合理邻居意义重大。

(2)短期预测距离计算

短期预测距离的计算需考虑更加多的因素，增加计算的因素包括当前时刻的拥堵指数差异，拥堵指数变化趋势差异，未来数小时的预测降雨量差异。其中，拥堵指数和降雨量差异可以用欧式距离来代替，拥堵指数变化趋势差异可以当前时刻之前M个时间间隔拥堵指数的相关系数以及方差表示。假定当前时刻之前m个时间间隔的拥堵指数序列分别为A_f[ɑ_f1，ɑ_f2，…ɑ_fm]，A_i[ɑ_i1，ɑ_i2，…ɑ_im]为历史库中要比较的拥堵指数时间序列，两个时间序列的元素个数一致，则拥堵指数变化趋势的差异计算公式如下：

其中：

ρ_fi是两个拥堵指数时间序列的相关系数，其反映两个拥堵指数序列之间的变化趋势差异；δ_fi是两个拥堵指数时间序列的欧氏距离，其反映两个拥堵指数序列之间的的实际数值差异；a_fj是当前时刻之前第j个时间间隔的拥堵指数；a_ij是历史向量中相同时间点的拥堵指数；是当前时刻之前m个时间间隔的拥堵指数均值；是历史拥堵指数时间序列的均值。

在计算出拥堵指数历史变化趋势之后，综合考虑其它因素得到短期拥堵指数预测距离计算公式如下所示：

3.基于遗传算法的权重确定方法

从短期拥堵指数预测距离计算公式可知，距离实质上各状态向量要素的加权平均值，要素权重越大，其对距离的贡献就越大。不同的权重组合，其预测效果也自然差异较大，本申请着力于寻找一种能达到较优预测效果的权重组合，而遗传算法在全局寻优方面具有明显的优势，因此可以采用遗传算法进行权重优化计算。

本申请利用遗传算法能够寻找全局最优参数组合的特点，构建遗传算法优化程序寻找最优权重组合。遗传算法的优化实质上是，优化K近邻距离计算中的各个权重的大小，如图4所示，其优化过程如下所示：

(1)进行染色体编码，随机产生初始群体。遗传算法传统的编码方式有二进制编码和实数编码方法，由于本申请的权重多达N个(8个以上)，而且各权重的小数点位不确定，采用二进制编码表达非常复杂，因此采用实数编码，个体就是[ω_m，ω_w，ω_t，ω_h，ω_s，ω_r，ω_j，ω_a，ω_FR]，其中ω就是个体的基因。

(2)根据各基因的数值范围生成随机数，形成M个初始化个体，每个个体含N个基因，这M个个体也形成了种群。生物的进化以群体的形式进行，这样的一个群体称为种群。

(3)计算群体中每个个体的适应度函数值。适应度函数的设计是遗传算法的核心。按照“物竞天择，适者生存”的遗传理论，适度函数是“个体”对自然界适应程度的量化描述，适应度越高，个体及其后代的生存率就越高；适应度低的个体参与繁殖的机会比较少，后代就会越来越少。

一般而言，适应度函数是由目标函数变换而成的。本申请的目标是寻找预测效果最好的权重组合，因此可以用拥堵指数预测值与实际值的误差作为适应度评价——“误差越小，适应度越大”。计算方法是：根据已知个体的基因ω计算距离，并筛选出距离最近的K个邻居；根据这K个邻居所对应的拥堵指数计算出拥堵指数预测值；计算预测值与实际值之间的绝对相对差异；以绝对相对误差的负数作为适应度。具体的适应度计算过程如上图所示。

(3)按照遗传策略，运用选择、交叉和变异算子作用于群体，形成下一代群体。

所谓的选择是指根据个体的适应度，从当前种群中随机选择出适应值高的个体以形成新种群的过程，适应度越大被选中的概率就越高，可以采用轮盘赌选择法。假定种群中个体的数目是M，某个个体a的适应度为x,，M个个体的总适应度是y则个体a被选中的概率是x/y。

交叉操作又称为基因重组，是指将两个父个体重新组合产生两个子代个体的操作。因为本研究采用实数编码，因为交叉是指按照一定概率，交换同一个个体中的两个基因。

变异操作是模拟自然界生物进化中染色体某位基因发生的突变现象。一方面，变异可以使群进化过程中丢失的等位基因信息得以恢复，以保持群体中个体的差异性，防止未成熟收敛；另一方面，当群体规划较大时，在交叉操作基础上引入适度的变异，能够提高遗传算法的局部搜索效率。本研究中的变异是指按照一定概率，对个体中的某一个基因进行增加或者减少操作。

(4)判断群体性能是否满足某一指标，或者己达到预定迭代次数，不满足则返回步骤(3)；若满足，则把当前代中出现的最好个体指定为计算结果"遗传算法的总结果。

实测结果表明，对于不同预测模式如中期预测和短期预测的普通日降雨、黄金周(国庆、春节黄金周期前后)、特殊日期(开学首日、重大节前)等的上午和下午可以设定不同的参数组合，预测效果更好。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (6)

1.一种交通拥堵指数的预测方法，其特征在于，获取待测路网的当前时刻的上一时段的历史同期相同时段的历史交通拥堵指数；获取待测路网的当前时刻的上一时段的交通拥堵指数变化趋势；根据所述历史交通拥堵指数和所述交通拥堵指数变化趋势来预测待测路网的当前时刻的下一时段的交通拥堵指数。

2.根据权利要求1所述的一种交通拥堵指数的预测方法，对当前时刻的上一时段的交通拥堵指数与历史同期相同时段的拥堵指数的相近程度进行计算。

3.根据权利要求1所述的一种交通拥堵指数的预测方法，其特征在于，交通拥堵指数预测采用K近邻预测算法对历史交通拥堵指数进行搜索，搜索出最相似的K个历史状态向量，再根据所对应的K个交通拥堵指数计算预测值。

4.根据权利要求3所述的一种交通拥堵指数的预测方法，其特征在于，利用欧氏距离计算方法计算预测状态向量与历史状态向量之间的差异。

5.根据权利要求4所述的一种交通拥堵指数的预测方法，其特征在于，通过对各影响因素进行加权修正从而算出所述差异。

6.根据权利要求5所述的一种交通拥堵指数的预测方法，其特征在于，采用遗传算法进行权重优化计算。