CN106781457A - 一种基于多源融合数据的高速公路交通流参数修正方法 - Google Patents
一种基于多源融合数据的高速公路交通流参数修正方法 Download PDFInfo
- Publication number
- CN106781457A CN106781457A CN201611076605.4A CN201611076605A CN106781457A CN 106781457 A CN106781457 A CN 106781457A CN 201611076605 A CN201611076605 A CN 201611076605A CN 106781457 A CN106781457 A CN 106781457A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- traffic flow
- model
- flow parameter
- 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源融合数据的高速公路交通流参数修正方法,包括如下步骤:(1)从相应的交通流检测设备和气象检测设备中提取交通流参数数据和气象数据,并对数据进行时间和空间维度的匹配;(2)对缺失数据进行筛选;(3)对数据进行修复建模;(4)对数据进行修复;(5)数据返归一化;将返归一化结果数据插入到矩阵X的相应位置,得到完整的数据矩阵。本发明的有益效果为:充分利用数据信息,包括缺失数据中数据的信息,对缺失数据进行修正;考虑天气因素对交通流的影响,可以提高修复精度;提出的算法简单明了,能够满足实时处理的要求。
Description
技术领域
本发明涉及智能交通技术领域,尤其是一种基于多源融合数据的高速公路交通流参数修正方法。
背景技术
随着信息技术的不断发展,交通运营管理中心不仅可以通过各种采集设备获取大量的交通流参数数据,尤其是高速公路上安装大量的固定检测器,可以实时检测交通流参数包括:交通量、速度和占有率,且能够获取大量的气象数据。但固定检测器由于通信、通电等原因常常发生数据缺失问题,为后续的交通数据挖掘带来较大困难。
现有技术中,交通流参数修复的方法包括时间序列及神经网络等各种智能算法。然而,这些算法不能够充分挖掘数据信息,并且多采用单一的数据源,缺乏考虑天气等因素对交通流的影响,不能够满足智能交通系统的发展要求。
发明内容
本发明所要解决的技术问题在于,提供一种基于多源融合数据的高速公路交通流参数修正方法,可以对缺失数据进行修正,提高修复精度,满足实时处理的需求。
为解决上述技术问题,本发明提供一种基于多源融合数据的高速公路交通流参数修正方法,包括如下步骤:
(1)从相应的交通流检测设备和气象检测设备中提取交通流参数数据和气象数据,并对数据进行时间和空间维度的匹配;
(2)对缺失数据进行筛选;
(3)对数据进行修复建模;
(4)对数据进行修复;
(5)数据返归一化;将返归一化结果数据插入到矩阵X的相应位置,得到完整的数据矩阵。
优选的,步骤(1)中,提取交通流参数数据,根据检测设备的经纬度位置提取距离最近的气象监测设备中的气象数据,完成空间维度的匹配;选取时间间隔,将两种数据进行转换,使两种数据具有相同的时间间隔,时间间隔取两种不同数据的时间间隔的公倍数,完成时间维度的匹配。
优选的,步骤(2)中,对缺失数据进行筛选的具体步骤为:设数据矩阵其中该矩阵包含m行n列,其中m行表示时间段的个数,n列为相应的交通流参数和气象参数,表示第i列第j行的数据;从数据矩阵中筛选出缺失数据,将第i列第j行的缺失数据定义为xij。
优选的,步骤(3)中,对数据进行修复建模的具体步骤为:
(a)记录缺失数据所在行的编号集合M,将其从数据矩阵X中提出出来为数据矩阵Xmiss,其余数据组成新的数据矩阵X′,然后将矩阵进行归一化处理;针对数据矩阵X′,随机产生30%的交通流缺失数据,记录缺失数据所在行的编号集合M′,将其从数据矩阵X′中提取出来构成新的数据矩阵为X′test,剩余数据矩阵为X′train;
(b)基于多元时间序列模型和数据矩阵X′train分别建立各项交通流数据与气象数据的回归方程,包括模型一:流量与湿度、风速、降雨量、温度的回归方程;模型二:速度与流量、湿度、风速、降雨量、温度的回归方程;模型三:占有率与速度、流量、湿度、风速、降雨量、温度的回归方程;
所述的多元时间序列如下式:
yt=δ+Φ1yt-1+…+Φpyt-p+εt-Θ1εt-1-…-Θpεt-p
式中:yt=(y1t,...,ykt)′,t=0,1,...表示k维时间序列向量;ykt表示第k个变量在t时刻的观测值;εt=(ε1t,...,εkt)′为白噪声向量,当t≠s时,满足E(εt)=0,E(εtε′s)=0;Φ1,...,Φp,Θ1,...,Θp为模型中需求解的参数矩阵;
(c)将集合X′test中对应变量的数据依次带入到模型一、二、三中计算交通流参数的数值,得到交通流参数数据矩阵Y={yij},并将数据按照其时间位置插入到数据矩阵X′train中得到数据矩阵X″train;
(d)对数据矩阵X″train,按照时间进行降序排列,得到数据矩阵X″′train和缺失数据编号集合M″;利用多元时间序列模型和数据矩阵X″′train分别建立各项交通流数据与气象数据的回归方程,包括模型四:流量与速度、占有率、湿度、风速、降雨量、温度的回归方程;模型五:速度与流量、占有率、湿度、风速、降雨量、温度的回归方程;模型六:占有率与速度、流量、湿度、风速、降雨量、温度回归方程;
(e)将集合M″中的数据依次带入到模型四、五、六中计算缺失的交通流参数数据,得到数据矩阵Y′={y′ij};
(f)设数据矩阵X′test中交通流参数数据矩阵为利用最小二乘原理求解下式中的参数a、b、∈:
优选的,步骤(4)中,对数据进行修复的具体步骤为:将数据矩阵Xmiss归一化,其公式如下:
上式中X1为归一化序列,Xmin和Xmax分别为归一化序列中的最小值和最大值,Xnorm为归一化结果;
利用模型一、二、三求得数据矩阵模型四、五、六求得数据矩阵缺失数据可通过下式求得:
优选的,步骤(5)中,数据返归一化的具体步骤为:
上式中,为待返归一化序列,分别为待返归一化序列中的最大值和最小值,X2为返归一化结果;将返归一化结果数据插入到矩阵X的相应位置,得到完整的数据矩阵。
本发明的有益效果为:充分利用数据信息,包括缺失数据中数据的信息,对缺失数据进行修正;考虑天气因素对交通流的影响,可以提高修复精度;提出的算法简单明了,能够满足实时处理的要求。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
如图1所示,一种基于多源融合数据的高速公路交通流参数修正方法,包括如下步骤:
(1)从相应的交通流检测设备和气象检测设备中提取交通流参数数据和气象数据,并对数据进行时间和空间维度的匹配。
首先提取交通流参数数据,根据检测设备的经纬度位置提取距离最近的气象监测设备中的气象数据,完成空间维度的匹配。然后选取时间间隔,将两种数据进行转换,使两种数据具有相同的时间间隔,完成时间维度的匹配。
所述的时间间隔应取两种不同数据的时间间隔的公倍数。
(2)缺失数据筛选
设数据矩阵其中该矩阵包含m行n列,其中m行表示时间段的个数,n列为相应的交通流参数和气象参数,表示第i列第j行的数据。从数据矩阵中筛选出缺失数据,将第i列第j行的缺失数据定义为xij。
(3)数据修复建模
3.1记录缺失数据所在行的编号集合M,将其从数据矩阵X中提出出来为数据矩阵Xmiss,其余数据组成新的数据矩阵X′,然后将矩阵进行归一化处理。针对数据矩阵X′,随机产生30%的交通流缺失数据,记录缺失数据所在行的编号集合M′,将其从数据矩阵X′中提取出来构成新的数据矩阵为X′test,剩余数据矩阵为X′train。
3.2基于多元时间序列模型和数据矩阵X′train分别建立各项交通流数据与气象数据的回归方程,包括模型一:流量与湿度、风速、降雨量、温度的回归方程;模型二:速度与流量、湿度、风速、降雨量、温度的回归方程;模型三:占有率与速度、流量、湿度、风速、降雨量、温度的回归方程。
所述的多元时间序列如下式:
yt=δ+Φ1yt-1+…+Φpyt-p+εt-Θ1εt-1-…-Θpεt-p
式中:yt=(y1t,...,ykt)′,t=0,1,...表示k维时间序列向量。ykt表示第k个变量在t时刻的观测值。εt=(ε1t,...,εkt)′为白噪声向量,当t≠s时,满足E(εt)=0,E(εtε′s)=0。Φ1,...,Φp,Θ1,...,Θp为模型中需求解的参数矩阵。
3.3将集合X′test中对应变量的数据依次带入到模型一、二、三中计算交通流参数的数值,得到交通流参数数据矩阵Y={yij},并将数据按照其时间位置插入到数据矩阵X′train中得到数据矩阵X″train。
3.4对数据矩阵X″train,按照时间进行降序排列,得到数据矩阵X″′train和缺失数据编号集合M″。利用多元时间序列模型和数据矩阵X″′train分别建立各项交通流数据与气象数据的回归方程,包括模型四:流量与速度、占有率、湿度、风速、降雨量、温度的回归方程;模型五:速度与流量、占有率、湿度、风速、降雨量、温度的回归方程;模型六:占有率与速度、流量、湿度、风速、降雨量、温度回归方程。
3.5将集合M″中的数据依次带入到模型四、五、六中计算缺失的交通流参数数据,得到数据矩阵Y′={y′ij}。
3.6设数据矩阵X′test中交通流参数数据矩阵为利用最小二乘原理求解下式中的参数a、b、∈:
(4)数据修复
将数据矩阵Xmiss归一化,其公式如下:
上式中X1为归一化序列,Xmin和Xmax分别为归一化序列中的最小值和最大值,Xnorm为归一化结果。
利用模型一、二、三求得数据矩阵模型四、五、六求得数据矩阵缺失数据可通过下式求得:
(5)数据返归一化
上式中,为待返归一化序列,分别为待返归一化序列中的最大值和最小值,X2为返归一化结果。将返归一化结果数据插入到矩阵X的相应位置,得到完整的数据矩阵。
尽管本发明就优选实施方式进行了示意和描述,但本领域的技术人员应当理解,只要不超出本发明的权利要求所限定的范围,可以对本发明进行各种变化和修改。
Claims (6)
1.一种基于多源融合数据的高速公路交通流参数修正方法,其特征在于,包括如下步骤:
(1)从相应的交通流检测设备和气象检测设备中提取交通流参数数据和气象数据,并对数据进行时间和空间维度的匹配;
(2)对缺失数据进行筛选;
(3)对数据进行修复建模;
(4)对数据进行修复;
(5)数据返归一化;将返归一化结果数据插入到矩阵X的相应位置,得到完整的数据矩阵。
2.如权利要求1所述的基于多源融合数据的高速公路交通流参数修正方法,其特征在于,步骤(1)中,提取交通流参数数据,根据检测设备的经纬度位置提取距离最近的气象监测设备中的气象数据,完成空间维度的匹配;选取时间间隔,将两种数据进行转换,使两种数据具有相同的时间间隔,时间间隔取两种不同数据的时间间隔的公倍数,完成时间维度的匹配。
3.如权利要求1所述的基于多源融合数据的高速公路交通流参数修正方法,其特征在于,步骤(2)中,对缺失数据进行筛选的具体步骤为:设数据矩阵 其中该矩阵包含m行n列,其中m行表示时间段的个数,n列为相应的交通流参数和气象参数,表示第i列第j行的数据;从数据矩阵中筛选出缺失数据,将第i列第j行的缺失数据定义为xij。
4.如权利要求1所述的基于多源融合数据的高速公路交通流参数修正方法,其特征在于,步骤(3)中,对数据进行修复建模的具体步骤为:
(a)记录缺失数据所在行的编号集合M,将其从数据矩阵X中提出出来为数据矩阵Xmiss,其余数据组成新的数据矩阵X′,然后将矩阵进行归一化处理;针对数据矩阵X′,随机产生30%的交通流缺失数据,记录缺失数据所在行的编号集合M′,将其从数据矩阵X′中提取出来构成新的数据矩阵为X′test,剩余数据矩阵为X′train;
(b)基于多元时间序列模型和数据矩阵X′train分别建立各项交通流数据与气象数据的回归方程,包括模型一:流量与湿度、风速、降雨量、温度的回归方程;模型二:速度与流量、湿度、风速、降雨量、温度的回归方程;模型三:占有率与速度、流量、湿度、风速、降雨量、温度的回归方程;
所述的多元时间序列如下式:
yt=δ+Φ1yt-1+…+Φpyt-p+εt-Θ1εt-1-…-Θpεt-p
式中:yt=(y1t,…,ykt)′,t=0,1,…表示k维时间序列向量;ykt表示第k个变量在t时刻的观测值;εt=(ε1t,…,εkt)′为白噪声向量,当t≠s时,满足E(εt)=0,E(εtε′s)=0;Φ1,…,Φp,Θ1,…,Θp为模型中需求解的参数矩阵;
(c)将集合X′test中对应变量的数据依次带入到模型一、二、三中计算交通流参数的数值,得到交通流参数数据矩阵Y={yij},并将数据按照其时间位置插入到数据矩阵X′train中得到数据矩阵X″train;
(d)对数据矩阵X″train,按照时间进行降序排列,得到数据矩阵X″′train和缺失数据编号集合M″;利用多元时间序列模型和数据矩阵X″′train分别建立各项交通流数据与气象数据的回归方程,包括模型四:流量与速度、占有率、湿度、风速、降雨量、温度的回归方程;模型五:速度与流量、占有率、湿度、风速、降雨量、温度的回归方程;模型六:占有率与速度、流量、湿度、风速、降雨量、温度回归方程;
(e)将集合M″中的数据依次带入到模型四、五、六中计算缺失的交通流参数数据,得到数据矩阵
(f)设数据矩阵X′test中交通流参数数据矩阵为利用最小二乘原理求解下式中的参数a、b、∈:
5.如权利要求4所述的基于多源融合数据的高速公路交通流参数修正方法,其特征在于,步骤(4)中,对数据进行修复的具体步骤为:将数据矩阵Xmiss归一化,其公式如下:
上式中X1为归一化序列,Xmin和Xmax分别为归一化序列中的最小值和最大值,Xnorm为归一化结果;
利用模型一、二、三求得数据矩阵模型四、五、六求得数据矩阵缺失数据可通过下式求得:
6.如权利要求4所述的基于多源融合数据的高速公路交通流参数修正方法,其特征在于,步骤(5)中,数据返归一化的具体步骤为:
上式中,为待返归一化序列,分别为待返归一化序列中的最大值和最小值,X2为返归一化结果;将返归一化结果数据插入到矩阵X的相应位置,得到完整的数据矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611076605.4A CN106781457B (zh) | 2016-11-29 | 2016-11-29 | 一种基于多源融合数据的高速公路交通流参数修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611076605.4A CN106781457B (zh) | 2016-11-29 | 2016-11-29 | 一种基于多源融合数据的高速公路交通流参数修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106781457A true CN106781457A (zh) | 2017-05-31 |
CN106781457B CN106781457B (zh) | 2019-04-30 |
Family
ID=58900941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611076605.4A Active CN106781457B (zh) | 2016-11-29 | 2016-11-29 | 一种基于多源融合数据的高速公路交通流参数修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106781457B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107919016A (zh) * | 2017-11-15 | 2018-04-17 | 夏莹杰 | 基于多源检测器数据的交通流参数缺失填补方法 |
CN108492560A (zh) * | 2018-04-04 | 2018-09-04 | 东南大学 | 一种道路检测器缺失数据补全方法及装置 |
CN114267184A (zh) * | 2021-12-29 | 2022-04-01 | 北京泰策科技有限公司 | 一种多元行为数据挖掘方法 |
CN114267173A (zh) * | 2021-12-13 | 2022-04-01 | 河北雄安京德高速公路有限公司 | 高速公路时空特征的多源数据融合方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050091176A1 (en) * | 2003-10-24 | 2005-04-28 | Mitsubishi Denki Kabushiki Kaisha | Forecasting apparatus |
CN104064023A (zh) * | 2014-06-18 | 2014-09-24 | 银江股份有限公司 | 一种基于时空关联的动态交通流预测方法 |
CN104318795A (zh) * | 2014-10-31 | 2015-01-28 | 重庆大学 | 基于时空分析的高速公路地点交通状态偏离度获取方法 |
CN105679022A (zh) * | 2016-02-04 | 2016-06-15 | 北京工业大学 | 一种基于低秩的多源交通数据的补全方法 |
-
2016
- 2016-11-29 CN CN201611076605.4A patent/CN106781457B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050091176A1 (en) * | 2003-10-24 | 2005-04-28 | Mitsubishi Denki Kabushiki Kaisha | Forecasting apparatus |
CN104064023A (zh) * | 2014-06-18 | 2014-09-24 | 银江股份有限公司 | 一种基于时空关联的动态交通流预测方法 |
CN104318795A (zh) * | 2014-10-31 | 2015-01-28 | 重庆大学 | 基于时空分析的高速公路地点交通状态偏离度获取方法 |
CN105679022A (zh) * | 2016-02-04 | 2016-06-15 | 北京工业大学 | 一种基于低秩的多源交通数据的补全方法 |
Non-Patent Citations (1)
Title |
---|
金逸文等: "《基于相关分析的交通流参数修正方法研究》", 《控制工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107919016A (zh) * | 2017-11-15 | 2018-04-17 | 夏莹杰 | 基于多源检测器数据的交通流参数缺失填补方法 |
CN107919016B (zh) * | 2017-11-15 | 2020-02-18 | 杭州远眺科技有限公司 | 基于多源检测器数据的交通流参数缺失填补方法 |
CN108492560A (zh) * | 2018-04-04 | 2018-09-04 | 东南大学 | 一种道路检测器缺失数据补全方法及装置 |
CN114267173A (zh) * | 2021-12-13 | 2022-04-01 | 河北雄安京德高速公路有限公司 | 高速公路时空特征的多源数据融合方法、装置及设备 |
CN114267173B (zh) * | 2021-12-13 | 2023-08-18 | 河北雄安京德高速公路有限公司 | 高速公路时空特征的多源数据融合方法、装置及设备 |
CN114267184A (zh) * | 2021-12-29 | 2022-04-01 | 北京泰策科技有限公司 | 一种多元行为数据挖掘方法 |
CN114267184B (zh) * | 2021-12-29 | 2022-08-02 | 北京泰策科技有限公司 | 一种多元行为数据挖掘方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106781457B (zh) | 2019-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242049B (zh) | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 | |
CN106781457A (zh) | 一种基于多源融合数据的高速公路交通流参数修正方法 | |
CN111079602A (zh) | 基于多尺度区域特征约束的车辆细粒度识别方法及装置 | |
CN106384250A (zh) | 一种选址方法及装置 | |
Mubea et al. | Assessing application of Markov chain analysis in predicting land cover change: a case study of Nakuru municipality | |
CN107516145A (zh) | 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 | |
CN104063718A (zh) | 在作物识别和面积估算中选择遥感数据和分类算法的方法 | |
CN107609707B (zh) | 一种洪水预报、防灾决策方法及系统 | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
CN102324038A (zh) | 一种基于数字图像的植物种类识别方法 | |
CN104732092A (zh) | 一种基于聚类的水文降雨一致区分析方法 | |
Jayanth et al. | Identification of land cover changes in the coastal area of Dakshina Kannada district, South India during the year 2004–2008 | |
Shi et al. | Progress on quantitative assessment of the impacts of climate change and human activities on cropland change | |
CN106600046A (zh) | 基于多分类器融合的土地闲置预测方法及装置 | |
CN107220676A (zh) | 一种智慧城市规划系统 | |
CN102567648A (zh) | 一种绿地生态评价单元粒度自适应栅格取样方法 | |
CN110110339A (zh) | 一种日前水文预报误差校正方法及系统 | |
CN104463252A (zh) | 一种基于自适应极限学习机的地基云分类方法 | |
Ärje et al. | Automatic flower detection and classification system using a light-weight convolutional neural network | |
CN112241844B (zh) | 饮用水水源地环境风险源本底清单确定及更新方法和装置 | |
CN106372765B (zh) | 一种基于融合数据的高速公路气象站数据修复方法 | |
CN103324959A (zh) | 播种质量检测方法和装置 | |
CN114582128B (zh) | 基于图离散注意力网络的交通流预测方法、介质及设备 | |
CN109977797A (zh) | 基于排序损失函数的一阶目标检测器的优化方法 |
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 |