CN106875681A - 一种交通拥塞趋势预测方法及系统 - Google Patents
一种交通拥塞趋势预测方法及系统 Download PDFInfo
- Publication number
- CN106875681A CN106875681A CN201710173078.7A CN201710173078A CN106875681A CN 106875681 A CN106875681 A CN 106875681A CN 201710173078 A CN201710173078 A CN 201710173078A CN 106875681 A CN106875681 A CN 106875681A
- Authority
- CN
- China
- Prior art keywords
- traffic
- congestion
- change degree
- current
- interval
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Abstract
本发明公开了一种交通拥塞趋势预测系统及方法，其中，该方法包括：实时获取路口的交通数据，所述交通数据包括车辆经过时刻、速度及行驶方向；利用预设时间段的滑动窗口来记录交通数据，进而输出一个车辆数序列；对输出的车辆数序列进行平滑处理并更新自回归积分滑动平均模型；利用更新后的自回归积分滑动平均模型对当前窗口及下一个窗口所对应的车辆数进行预测；求取预测的车辆数的期望频率之差的对数值，作为交通状态的当前变化度；求取交通状态的变化度均值作为交通状态预测变化度，并与拥塞区间的变化度阈值比较，进而预测出相应路口的交通拥塞趋势。本发明通过当前交通状态的变化，实现了对交通拥塞趋势进行预测。
Description
技术领域
本发明属于智能交通系统领域，尤其涉及一种交通拥塞趋势预测方法及系统。
背景技术
目前，随着经济的发展和人口的增长，交通拥塞的问题在城市中越来越严重。交通拥塞带来了在经济、社会和生态等方面的一系列问题，造成了在这些方面的严重损失。很多国家开始大力发展以城市公共交通为主的公共交通，然而仍然无法解决交通事故、交通拥堵、交通污染的通病。于是各国开始寻找解决的方法，其中一个重要研究方向就是智能运输系统(ITS)。智能交通系统上是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
本发明的内容作为智能交通系统的一个重要研究方向，着重于对道路交通拥塞趋势的预测。对交通拥塞趋势的智能预测在全世界正受到越来越多的关注。精确和实时的交通趋势信息能够带来减少污染、节约能源和提高车流的速度等方面的好处。这样的话，如果人们在出行之前能够得到对于交通状况的预测信息，那么就可以相对应地选择出行的路线，同时相关政府部门也能根据这些信息来合理地对交通进行调度。
在交通预测的研究方面，很多工作都选择了回归模型作为工具。比如，有人使用了卡尔曼滤波器来实现了短期的交通流量预测，还有人使用了自回归积分滑动平均模型(ARIMA)。也有很多工作使用了机器学习方面的工具，比如说有人使用了人工神经网络(ANN)，还有人使用了深度学习。这些工作和方法基本上都把他们的注意力放在了交通拥塞检测上面，在这方面都为了找到一个拥塞的阈值或者自适应阈值。然而，交通拥塞都逐步形成的，利用一个阈值来决定是否产生了交通拥塞，并不能准确地预测交通拥塞。
发明内容
为了解决现有技术中交通拥塞预测结果准确性的问题，本发明的第一目的是提供一种交通拥塞趋势预测方法。
本发明的一种交通拥塞趋势预测方法，包括：
利用预设时间段的滑动窗口来记录交通数据，进而输出一个车辆数序列；
对输出的车辆数序列进行平滑处理并更新自回归积分滑动平均模型；
利用更新后的自回归积分滑动平均模型对当前窗口及下一个窗口所对应的车辆数进行预测；
求取预测的车辆数的期望频率之差的对数值，作为交通状态的当前变化度；
求取交通状态的变化度均值作为交通状态预测变化度，并与拥塞区间的变化度阈值比较，进而预测出相应路口的交通拥塞趋势。
进一步的，在利用预设时间段的滑动窗口来记录交通数据的过程中，首先，确定需要预测的车辆行驶方向；
然后，将第一个车辆经过当前路口的时刻作为起始时刻，直至经过滑动窗口的预设时间段后，记录车辆经过时刻及速度，并对当前窗口执行滑动操作。
本发明利用预设时间段的滑动窗口，以实时交通数据作为输入，对其进行处理以得到所需要的数据，即窗口中的车辆数，保证了数据获取的真实性，进一步提高了交通拥塞趋势预测的准确性。
由于窗口输出的车辆数序列中的数据存在波动性，因此为了提高车辆数预测的准确性，本发明使用数据平滑技术对窗口输出的车辆数序列进行平滑处理。
进一步的，若求取的交通状态预测变化度与拥塞区间的变化度阈值两者相同，则当前交通状态不变。
进一步的，若求取的交通状态预测变化度大于拥塞区间的变化度阈值，则判断当前交通状态是否为正常，若正常，则说明当前交通进入了进入完全拥塞前的弹性区间，否则就是退出完全拥塞后的弹性区间；
若求取的交通状态预测变化度小于拥塞区间的变化度阈值，则判断当前交通状态是否为进入完全拥塞前的弹性区间，若是，则当前交通状态为完全拥塞，否则就是正常状态。
本发明在对交通趋势预测的过程中，通过分析收集实时的交通数据，来实时得到当前交通状态，并且根据当前交通状态来实时预测交通的趋势，比如是否交通是否即将开始拥塞，交通是否即将进入完全拥塞状态，交通是否即将退出完全拥塞状态，交通是否即将退出拥塞变为正常状态，最终准确地预测交通拥塞趋势及其状况。
本发明的第二目的是提供一种交通拥塞趋势预测系统。
本发明的一种交通拥塞趋势预测系统，包括：
交通数据获取模块，其用于实时获取路口的交通数据，所述交通数据包括车辆经过时刻、速度及行驶方向；
滑动窗口记录模块，其用于利用预设时间段的滑动窗口来记录交通数据，进而输出一个车辆数序列；
模型更新模块，其用于对输出的车辆数序列进行平滑处理并更新自回归积分滑动平均模型；
当前变化度计算模块，其用于求取预测的车辆数的期望频率之差的对数值，作为交通状态的当前变化度；；
交通拥塞趋势预测模块，其用于求取交通状态的变化度均值作为交通状态预测变化度，并与拥塞区间的变化度阈值比较，进而预测出相应路口的交通拥塞趋势。
进一步的，滑动窗口记录模块还包括：
车辆行驶方向确定模块，其用于确定需要预测的车辆行驶方向；
滑动操作执行模块，其用于将第一个车辆经过当前路口的时刻作为起始时刻，直至经过滑动窗口的预设时间段后，记录车辆经过时刻及速度，并对当前窗口执行滑动操作。
本发明利用预设时间段的滑动窗口，以实时交通数据作为输入，对其进行处理以得到所需要的数据，即窗口中的车辆数，保证了数据获取的真实性，进一步提高了交通拥塞趋势预测的准确性。
进一步的，在所述交通拥塞趋势预测模块中，若求取的交通状态预测变化度与拥塞区间的变化度阈值两者相同，则当前交通状态不变。
由于窗口输出的车辆数序列中的数据存在波动性，因此为了提高车辆数预测的准确性，本发明使用数据平滑技术对窗口输出的车辆数序列进行平滑处理。
进一步的，在所述交通拥塞趋势预测模块中，若求取的交通状态预测变化度大于拥塞区间的变化度阈值，则判断当前交通状态是否为正常，若正常，则说明当前交通进入了进入完全拥塞前的弹性区间，否则就是退出完全拥塞后的弹性区间；
若求取的交通状态预测变化度小于拥塞区间的变化度阈值，则判断当前交通状态是否为进入完全拥塞前的弹性区间，若是，则当前交通状态为完全拥塞，否则就是正常状态。
本发明在对交通趋势预测的过程中，通过分析收集实时的交通数据，来实时得到当前交通状态，并且根据当前交通状态来实时预测交通的趋势，比如是否交通是否即将开始拥塞，交通是否即将进入完全拥塞状态，交通是否即将退出完全拥塞状态，交通是否即将退出拥塞变为正常状态，最终准确地预测交通拥塞趋势及其状况。
与现有技术相比，本发明的有益效果是：
(1)本发明在对交通拥塞趋势的预测中，利用交通拥塞是逐步形成(退出)的这一现象，认为交通拥塞的预测并不能仅仅使用一个阈值来决定，本发明通过实时获取路口的交通数据，利用预设时间段的滑动窗口来记录交通数据，输出一个车辆数序列；再对输出的车辆数序列进行平滑处理并更新自回归积分滑动平均模型；利用更新后的自回归积分滑动平均模型对当前窗口及下一个窗口所对应的车辆数进行预测；求取预测的车辆数的期望频率之差的对数值，作为交通状态的当前变化度；再求取交通状态的变化度均值作为交通状态预测变化度，并与拥塞区间的变化度阈值比较，进而准确地预测出当前路口的交通拥塞趋势；
(2)根据当前交通状态来实时预测交通的趋势，比如是否交通是否即将开始拥塞，交通是否即将进入完全拥塞状态，交通是否即将退出完全拥塞状态，交通是否即将退出拥塞变为正常状态，最终准确地预测交通拥塞趋势及其状况。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本发明的拥塞趋势预测方法的总体流程图；
图2为本发明中使用的滑动窗口技术示意图；
图3为本发明的交通数据预处理方法的流程图；
图4为本发明的计算交通趋势预测值方法的流程图；
图5为本发明的计算变化度方法的流程图；
图6为本发明的获取当前交通状态方法的流程图；
图7是本发明的一种交通拥塞趋势预测系统结构示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明针对在实际交通系统中存在着的一个现象：当交通拥塞即将形成之前，低速车辆的数量会急剧增加；在拥塞即将结束之时，低速车辆的数量则急剧减少。故低速车辆数量开始急剧变化的时刻正是交通拥塞开始和结束的时候。利用了这个现象，提出一种新型的交通拥塞趋势预测系统，具体来说：
一是利用滑动窗口技术，以实时交通数据作为输入，对其进行处理以得到本系统所需要的数据，即窗口中的车辆数，作为下一步骤的输入。
二是使用处理后的数据对自回归积分滑动平均模型(ARIMA)进行更新，得到预测值，并使用这些预测值计算本发明使用的度量，最终变化度以及变化度阈值，通过获取当前交通状态进而找到交通拥塞弹性区间，以此为依据对即将到来的交通拥塞趋势进行预测，并能实时确定交通是否进入完全拥塞状态；同理，也能对即将消去的交通拥塞趋势进行预测。
在运行过程中实时监测交通系统中的最终变化度的值，通过与变化度的阈值进行比较，判断当前交通状态是正常，拥塞弹性区间还是完全拥塞，预测即将到来的拥塞趋势或者即将消去的拥塞趋势。为交通部门的对交通系统的总体调度和人们的出行选择提供参考。
其中，本发明所涉及的下列名词为：
自回归积分滑动平均模型(ARIMA)：是时间序列预测中一种常用而有效的方法，ARIMA方法能够在对数据模式未知的情况下找到适合数据所考察的模型,因而在金融和经济领域预测方面得到了广泛应用。在本发明中的具体形式可表达成ARIMA(N,p,d,q),其中N即交通数据预处理模块输出的车辆数序列(当有新的车辆数nc输入时，在N序列的末尾加上这个数据，并且使用新的序列对模型进行更新)；p表示自回归过程阶数；d表示差分的阶数；q表示移动平均过程的阶数。如果时间序列数据是非平稳的,则需要对其进行d阶差分,使其平稳化,然后对平稳化后的序列用ARIMA建模。
弹性区间：根据当交通拥塞即将形成之前，低速车辆的数量会急剧增加，在拥塞即将结束之时，低速车辆的数量则急剧减少，这一现象则为弹性区间念。在该区间中交通或正在进入完全拥塞状态，或正在推出完全拥塞状态。
图1是一种交通拥塞趋势预测方法整体流程图。
如图1所示，该实施例的交通拥塞趋势预测方法，至少包括：
S1：实时获取路口的交通数据，所述交通数据包括车辆经过时刻、速度及行驶方向；利用预设时间段的滑动窗口来记录交通数据，进而输出一个车辆数序列；
在具体实际中，选择待预测的路口，在路口处安装传感器来获取实时的交通数据，每取得一辆车辆的实时行驶数据(比如说时间点、速度和方向)。
具体地，在利用预设时间段的滑动窗口来记录交通数据的过程中，首先，确定需要预测的车辆行驶方向；
然后，将第一个车辆经过当前路口的时刻作为起始时刻，直至经过滑动窗口的预设时间段后，记录车辆经过时刻及速度，并对当前窗口执行滑动操作。
本发明利用预设时间段的滑动窗口，以实时交通数据作为输入，对其进行处理以得到所需要的数据，即窗口中的车辆数，保证了数据获取的真实性，进一步提高了交通拥塞趋势预测的准确性。
本发明通过滑动窗口技术进行处理，对当前窗口中的数据点进行更新，当前窗口填满数据之后再进行移动，每个窗口输出一个落在该窗口内的车辆数，最终该模块会输出一个车辆数的序列；
其中，滑动窗口技术：如图2所示，经过初步预处理的数据(含通过时间和行驶速度)加入到该窗口中，若没有落在当前窗口中，则丢弃当前数据，输入下个数据；若落在当前窗口中，进行判断是否该进行滑动窗口操作，若窗口满了(即时间点到了当前窗口的极限)，进行滑动窗口操作，否则，继续放入数据。一个窗口满了之后，输出该窗口中的点数。
S2：对输出的车辆数序列进行平滑处理并更新自回归积分滑动平均模型；
具体地，由于输入的数据有很大的波动性，故需要对其进行平滑处理，原来的数据由该数据和两个最近的数据所求的平均值替代。
例如：在对输出的车辆数序列进行平滑处理过程中，平滑处理后的车辆数序列中首尾两个数据分别为：平滑处理前的车辆数序列中首尾两个数据分别与其相邻的数据的均值；
平滑处理后的车辆数序列中其他数据分别为：平滑处理前的车辆数序列中数据、其前后相邻的数据的三者所求取的均值。
由于窗口输出的车辆数序列中的数据存在波动性，因此为了提高车辆数预测的准确性，本发明使用数据平滑技术对窗口输出的车辆数序列进行平滑处理。
在实际应用中，也可以采用其他两两数据求均值来进行平滑处理，并不影响本发明对交通拥塞趋势的预测。
S3：利用更新后的自回归积分滑动平均模型对当前窗口及下一个窗口所对应的车辆数进行预测。
S4：求取预测的车辆数的期望频率之差的对数值，作为交通状态的当前变化度。
S5：求取交通状态的变化度均值作为交通状态预测变化度，并与拥塞区间的变化度阈值比较，进而预测出相应路口的交通拥塞趋势。
在该步骤中，拥塞区间的变化度阈值可以是前一天拥塞区间的变化度的均值，也可以是人为预设的值，不影响本发明对交通拥塞趋势的预测。
具体地，若求取的交通状态预测变化度与拥塞区间的变化度阈值两者相同，则当前交通状态不变。
若求取的交通状态预测变化度大于拥塞区间的变化度阈值，则判断当前交通状态是否为正常，若正常，则说明当前交通进入了进入完全拥塞前的弹性区间，否则就是退出完全拥塞后的弹性区间；
若求取的交通状态预测变化度小于拥塞区间的变化度阈值，则判断当前交通状态是否为进入完全拥塞前的弹性区间，若是，则当前交通状态为完全拥塞，否则就是正常状态。
在本实施例中，弹性区间分为进入完全拥塞前的弹性区间和退出完全拥塞后的弹性区间。
判断是否进入弹性区间，通过比较最终变化度与变化度阈值的大小。若大于，则说明进入了弹性区间。
当前交通状态为进入完全拥塞前的弹性区间时，说明交通正在即将进入完全拥塞状态，当退出该区间时，说明交通进入完全拥塞状态。
当前交通状态为退出完全拥塞后的弹性区间时，说明交通正在即将退出完全拥塞状态，当退出该区间时，说明交通进入正常状态。
在实际中，一般路段每天会有四个弹性区间，分布在早高峰和晚高峰。
本发明在对交通趋势预测的过程中，通过分析收集实时的交通数据，来实时得到当前交通状态，并且根据当前交通状态来实时预测交通的趋势，比如是否交通是否即将开始拥塞，交通是否即将进入完全拥塞状态，交通是否即将退出完全拥塞状态，交通是否即将退出拥塞变为正常状态，最终准确地预测交通拥塞趋势及其状况。
下面以一个实施例对交通拥塞趋势预测算法进行具体的阐述，如图3-图6所示：
步骤101：通过放置在卡口附近的传感器来获取行驶车辆的实时数据，确定需要预测的车流的方向，移除无用数据项，保留有用的数据项(通过时间和行驶速度)；
步骤102：通过预先设定的窗口的参数来确定当前点是否落在当前窗口内，若落在当前窗口内，则将当前点加入到该窗口，否则丢弃；
步骤103：当前窗口中加入点之后，检查当前窗口是否已满，若未满，则可以继续加入点，否则当前窗口执行滑动操作；
步骤104：在当前窗口已满的条件下，对窗口内的点进行计数，输出落在该窗口内的点数即车辆数nc。
步骤201：通过数据平滑技术对上个步骤中的窗口所输出的波动性很大的数据进行平滑处理。在平滑处理的过程中，原来的数据由该数据和两个最近的数据所求的平均值替代；
步骤202：使用平滑处理后的数据对本发明中使用的自回归积分滑动平均模型(ARIMA)进行更新；
步骤203：使用更新后的回归模型来得到对当前点的预测值和对下一个点的预测值这些预测值作为下一步骤的输入。
得到预测值的具体公式和步骤为：
zc＝nc-[(1-r)nc-1+rnc]，并将zc加入到Z序列中；
使用Z序列更新ARIMA模型后，可以得到z的预测值和
最后得到对当前窗口车辆数的两个预测值：
步骤301：通过计算上一个回归模型对当前点的预测和当前更新后的回归模型对下一个点的预测之间的差异。这些差异即当前变化度使用本发明提出的变化度计算公式来计算；
假设当前值nc服从高斯分布，先计算方差和期望，其中期望可以是或者方差的计算公式为：通过使用高斯分布得到nc的期望概率Pc，c和Pc，c-1；当前变化度CSc＝-ln(|Pc，c-Pc，c-1|)。
步骤302：通过计算当前变化度、上一个变化度和上上个变化度的均值得到最终变化度；
最终变化度FCSc＝(CSc+CSc-1+CSc-2)/3。
步骤303：通过计算前一天拥塞区间的变化度的均值得到变化度的阈值；最终变化度和变化度作为下一步骤的输入
步骤401：判断最终变化度与变化度阈值的大小关系是否发生变化，若不发生变化，则当前交通状态不变；否则转(402)
步骤402：判断最终变化度是否大于变化度阈值，若大于，则判断当前交通状态是否为正常，若正常，则说明当前交通进入了进入完全拥塞前的弹性区间，否则就是退出完全拥塞后的弹性区间。若小于，转(403)
步骤403：判断当前交通状态是否为进入完全拥塞前的弹性区间，若是，则当前交通状态为完全拥塞，否则就是正常状态。
步骤404：经过上述步骤，输出当前交通状态，通过实时输出的交通状态，来预测当前交通的趋势，尤其是拥塞趋势。
本发明在对交通拥塞趋势的预测中，利用交通拥塞是逐步形成(退出)的这一现象，认为交通拥塞的预测并不能仅仅使用一个阈值来决定，本发明通过实时获取路口的交通数据，利用预设时间段的滑动窗口来记录交通数据，输出一个车辆数序列；再对输出的车辆数序列进行平滑处理并更新自回归积分滑动平均模型；利用更新后的自回归积分滑动平均模型对当前窗口及下一个窗口所对应的车辆数进行预测；计算相邻窗口的车辆数预测值之差并记为车辆数变化度，求取预设时间段内车辆数变化度的均值并与拥塞区间的变化度阈值比较，进而准确地预测出当前路口的交通拥塞趋。
图7是本发明的一种交通拥塞趋势预测系统结构示意图。
如图7所示的一种交通拥塞趋势预测系统，包括：
(1)交通数据获取模块，其用于实时获取路口的交通数据，所述交通数据包括车辆经过时刻、速度及行驶方向；
(2)滑动窗口记录模块，其用于利用预设时间段的滑动窗口来记录交通数据，进而输出一个车辆数序列
进一步的，滑动窗口记录模块还包括：
车辆行驶方向确定模块，其用于确定需要预测的车辆行驶方向；
滑动操作执行模块，其用于将第一个车辆经过当前路口的时刻作为起始时刻，直至经过滑动窗口的预设时间段后，记录车辆经过时刻及速度，并对当前窗口执行滑动操作。
本发明利用预设时间段的滑动窗口，以实时交通数据作为输入，对其进行处理以得到所需要的数据，即窗口中的车辆数，保证了数据获取的真实性，进一步提高了交通拥塞趋势预测的准确性。
(3)模型更新模块，其用于对输出的车辆数序列进行平滑处理并更新自回归积分滑动平均模型。
在所述模型更新模块中，平滑处理后的车辆数序列中首尾两个数据分别为：平滑处理前的车辆数序列中首尾两个数据分别与其相邻的数据的均值；
平滑处理后的车辆数序列中其他数据分别为：平滑处理前的车辆数序列中数据、其前后相邻的数据的三者所求取的均值。
(4)当前变化度计算模块，其用于求取预测的车辆数的期望频率之差的对数值，作为交通状态的当前变化度；；
(5)交通拥塞趋势预测模块，其用于求取交通状态的变化度均值作为交通状态预测变化度，并与拥塞区间的变化度阈值比较，进而预测出相应路口的交通拥塞趋势。
在所述交通拥塞趋势预测模块中，若求取的交通状态预测变化度与拥塞区间的变化度阈值两者相同，则当前交通状态不变。
由于窗口输出的车辆数序列中的数据存在波动性，因此为了提高车辆数预测的准确性，本发明使用数据平滑技术对窗口输出的车辆数序列进行平滑处理。
进一步的，在所述交通拥塞趋势预测模块中，若求取的交通状态预测变化度大于拥塞区间的变化度阈值，则判断当前交通状态是否为正常，若正常，则说明当前交通进入了进入完全拥塞前的弹性区间，否则就是退出完全拥塞后的弹性区间；
若求取的交通状态预测变化度小于拥塞区间的变化度阈值，则判断当前交通状态是否为进入完全拥塞前的弹性区间，若是，则当前交通状态为完全拥塞，否则就是正常状态。
本发明在对交通趋势预测的过程中，通过分析收集实时的交通数据，来实时得到当前交通状态，并且根据当前交通状态来实时预测交通的趋势，比如是否交通是否即将开始拥塞，交通是否即将进入完全拥塞状态，交通是否即将退出完全拥塞状态，交通是否即将退出拥塞变为正常状态，最终准确地预测交通拥塞趋势及其状况。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种交通拥塞趋势预测方法，其特征在于，包括：
实时获取路口的交通数据，所述交通数据包括车辆经过时刻、速度及行驶方向；
利用预设时间段的滑动窗口来记录交通数据，进而输出一个车辆数序列；
对输出的车辆数序列进行平滑处理并更新自回归积分滑动平均模型；
利用更新后的自回归积分滑动平均模型对当前窗口及下一个窗口所对应的车辆数进行预测；
求取预测的车辆数的期望频率之差的对数值，作为交通状态的当前变化度；
求取交通状态的变化度均值作为交通状态预测变化度，并与拥塞区间的变化度阈值比较，进而预测出相应路口的交通拥塞趋势。
2.如权利要求1所述的一种交通拥塞趋势预测方法，其特征在于，在利用预设时间段的滑动窗口来记录交通数据的过程中，首先，确定需要预测的车辆行驶方向；
然后，将第一个车辆经过当前路口的时刻作为起始时刻，直至经过滑动窗口的预设时间段后，记录车辆经过时刻及速度，并对当前窗口执行滑动操作。
3.如权利要求1所述的一种交通拥塞趋势预测方法，其特征在于，若求取的交通状态预测变化度与拥塞区间的变化度阈值两者相同，则当前交通状态不变。
4.如权利要求1所述的一种交通拥塞趋势预测方法，其特征在于，若求取的交通状态预测变化度大于拥塞区间的变化度阈值，则判断当前交通状态是否为正常，若正常，则说明当前交通进入了进入完全拥塞前的弹性区间，否则就是退出完全拥塞后的弹性区间。
5.如权利要求1所述的一种交通拥塞趋势预测方法，其特征在于，若求取的交通状态预测变化度小于拥塞区间的变化度阈值，则判断当前交通状态是否为进入完全拥塞前的弹性区间，若是，则当前交通状态为完全拥塞，否则就是正常状态。
6.一种交通拥塞趋势预测系统，其特征在于，包括：
交通数据获取模块，其用于实时获取路口的交通数据，所述交通数据包括车辆经过时刻、速度及行驶方向；
滑动窗口记录模块，其用于利用预设时间段的滑动窗口来记录交通数据，进而输出一个车辆数序列；
模型更新模块，其用于对输出的车辆数序列进行平滑处理并更新自回归积分滑动平均模型；
当前变化度计算模块，其用于求取预测的车辆数的期望频率之差的对数值，作为交通状态的当前变化度；
交通拥塞趋势预测模块，其用于求取交通状态的变化度均值作为交通状态预测变化度，并与拥塞区间的变化度阈值比较，进而预测出相应路口的交通拥塞趋势。
7.如权利要求6所述的一种交通拥塞趋势预测系统，其特征在于，滑动窗口记录模块还包括：
车辆行驶方向确定模块，其用于确定需要预测的车辆行驶方向；
滑动操作执行模块，其用于将第一个车辆经过当前路口的时刻作为起始时刻，直至经过滑动窗口的预设时间段后，记录车辆经过时刻及速度，并对当前窗口执行滑动操作。
8.如权利要求6所述的一种交通拥塞趋势预测系统，其特征在于，在所述交通拥塞趋势预测模块中，若求取的交通状态预测变化度与拥塞区间的变化度阈值两者相同，则当前交通状态不变。
9.如权利要求6所述的一种交通拥塞趋势预测系统，其特征在于，在所述交通拥塞趋势预测模块中，若求取的交通状态预测变化度大于拥塞区间的变化度阈值，则判断当前交通状态是否为正常，若正常，则说明当前交通进入了进入完全拥塞前的弹性区间，否则就是退出完全拥塞后的弹性区间。
10.如权利要求6所述的一种交通拥塞趋势预测系统，其特征在于，在所述交通拥塞趋势预测模块中，若求取的交通状态预测变化度小于拥塞区间的变化度阈值，则判断当前交通状态是否为进入完全拥塞前的弹性区间，若是，则当前交通状态为完全拥塞，否则就是正常状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710173078.7A CN106875681B (zh) | 2017-03-22 | 2017-03-22 | 一种交通拥塞趋势预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710173078.7A CN106875681B (zh) | 2017-03-22 | 2017-03-22 | 一种交通拥塞趋势预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106875681A true CN106875681A (zh) | 2017-06-20 |
| CN106875681B CN106875681B (zh) | 2019-08-13 |
Family
ID=59172768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710173078.7A Active CN106875681B (zh) | 2017-03-22 | 2017-03-22 | 一种交通拥塞趋势预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106875681B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109697849A (zh) * | 2018-12-26 | 2019-04-30 | 航天科工广信智能技术有限公司 | 基于滑动平均算法的智能交通时段划分方法 |
| CN109871412A (zh) * | 2018-12-26 | 2019-06-11 | 航天科工广信智能技术有限公司 | 基于K-Means聚类的车道流量分析方法 |
| CN111223297A (zh) * | 2020-01-17 | 2020-06-02 | 宁波工程学院 | 一种基于Wiener随机过程车辆工况预测方法和系统 |
| CN111383444A (zh) * | 2018-12-28 | 2020-07-07 | 腾讯大地通途（北京）科技有限公司 | 预测路况状态的方法、装置、服务器及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101673463A (zh) * | 2009-09-17 | 2010-03-17 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
| CN104464291A (zh) * | 2014-12-08 | 2015-03-25 | 杭州智诚惠通科技有限公司 | 一种交通流量预测方法和系统 |
| WO2015100993A1 (zh) * | 2013-12-30 | 2015-07-09 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
| CN105321345A (zh) * | 2015-09-18 | 2016-02-10 | 浙江工业大学 | 一种基于ARIMA模型和kalman滤波的道路交通流预测方法 |
-
2017
- 2017-03-22 CN CN201710173078.7A patent/CN106875681B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101673463A (zh) * | 2009-09-17 | 2010-03-17 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
| WO2015100993A1 (zh) * | 2013-12-30 | 2015-07-09 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
| CN104464291A (zh) * | 2014-12-08 | 2015-03-25 | 杭州智诚惠通科技有限公司 | 一种交通流量预测方法和系统 |
| CN105321345A (zh) * | 2015-09-18 | 2016-02-10 | 浙江工业大学 | 一种基于ARIMA模型和kalman滤波的道路交通流预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王腾: "基于时间序列的交通拥堵事件检测", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109697849A (zh) * | 2018-12-26 | 2019-04-30 | 航天科工广信智能技术有限公司 | 基于滑动平均算法的智能交通时段划分方法 |
| CN109871412A (zh) * | 2018-12-26 | 2019-06-11 | 航天科工广信智能技术有限公司 | 基于K-Means聚类的车道流量分析方法 |
| CN111383444A (zh) * | 2018-12-28 | 2020-07-07 | 腾讯大地通途（北京）科技有限公司 | 预测路况状态的方法、装置、服务器及存储介质 |
| CN111383444B (zh) * | 2018-12-28 | 2021-08-17 | 腾讯大地通途（北京）科技有限公司 | 预测路况状态的方法、装置、服务器及存储介质 |
| CN111223297A (zh) * | 2020-01-17 | 2020-06-02 | 宁波工程学院 | 一种基于Wiener随机过程车辆工况预测方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106875681B (zh) | 2019-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106503840A (zh) | 停车场可用车位预测方法及系统 | |
| CN105023433B (zh) | 一种高速公路交通异常事件影响范围预估方法 | |
| CN107862864B (zh) | 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 | |
| CN110223517B (zh) | 基于时空相关性的短时交通流量预测方法 | |
| CN103413443B (zh) | 基于隐马尔科夫模型的短时交通流状态预测方法 | |
| Wang | Predicting tourism demand using fuzzy time series and hybrid grey theory | |
| CN106875681A (zh) | 一种交通拥塞趋势预测方法及系统 | |
| CN105405293B (zh) | 一种道路旅行时间短期预测方法和系统 | |
| CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
| CN106887141B (zh) | 基于排队论的连续交通节点拥塞程度预测模型、系统及方法 | |
| CN104464304A (zh) | 一种基于路网特性的城市道路车辆行驶速度预测方法 | |
| CN102346964A (zh) | 道路交通网络区域拥堵实时预测与智能管理系统 | |
| Xu et al. | Short-term traffic volume prediction using classification and regression trees | |
| CN106652441A (zh) | 一种基于时空数据的城市道路交通状态预测方法 | |
| CN110047291A (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
| CN104183134A (zh) | 基于智能分车型的高速公路短时交通流量预测方法 | |
| CN102592453A (zh) | 一种基于时间窗口的实时交通状况判别方法 | |
| CN105118294A (zh) | 一种基于状态模式的短时交通流预测方法 | |
| CN106295888A (zh) | 一种基于实测数据的公共建筑物配建停车泊位共享时间窗口确定方法 | |
| CN110889558A (zh) | 路况预测方法及装置 | |
| CN106355905A (zh) | 一种基于卡口数据的高架信号控制方法 | |
| CN108831181A (zh) | 一种用于公交车辆行程时间预测的模型建立方法及系统 | |
| CN105551250A (zh) | 一种基于区间聚类的城市道路交叉口运行状态判别方法 | |
| CN105303835A (zh) | 一种道路交通流状态的短时预测方法 | |
| CN112669595B (zh) | 一种基于深度学习的网约车流量预测方法 |
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 |