CN106875684A - 基于大规模动态语义图的交通流量预测算法 - Google Patents
基于大规模动态语义图的交通流量预测算法 Download PDFInfo
- Publication number
- CN106875684A CN106875684A CN201710216276.7A CN201710216276A CN106875684A CN 106875684 A CN106875684 A CN 106875684A CN 201710216276 A CN201710216276 A CN 201710216276A CN 106875684 A CN106875684 A CN 106875684A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- section
- beta
- traffic
- algorithm based
- 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.)
- Pending
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种应用在交通流量中基于大规模动态语义图的交通流量预测算法,通过获取每个路段的交通流信息,以及路段之间的相关度,来获取交通流相关度的动态语义图,再运用逻辑回归方程,来预测下一个时间周期的交通图的交通流。本发明提供的算法提出了一种新的预测交通流的预测算法,适合应用在交通出行的最优路线,可以起到一定程度的减缓交通堵塞的问题。本发明提供的基于大规模动态语义图的交通流量预测算法不仅在空间、时间上大,同时也体现在数据上大,这样可以更加准确地预测每一个路段的交通流。
Description
技术领域
本发明涉及一种基于大规模动态语义图的交通流量预测算法,属于交通大数据分析技术领域。
背景技术
城市交通是城市社会经济活动的命脉,对促进城市经济的发展、便捷人们的出行都具有重要的意义,随着科学技术的进步和工业的发展,城市中交通量激增,原始的交通方式已不能满足要求;同时,由于工业发展为城市交通提供的各种交通工具越来越多,从而加速了城市交通事业的发展。
但是城市发展的同时,也造成了交通堵塞、交通事故经常发生等一系列的问题。而交通事故的频发往往在交通拥堵的路段,因此,预测下一个时间周期的交通流就显得尤为重要。
目前国内外在大规模的交通量预测技术区域的研究还不够深入,尤其是在进行公路建设项目可行性研究,往往只考虑有直接影响的某一条或几条线路,缺乏对所建公路在公路网整体中的作用进行研究,往往造成预测交通量与实际交通量相差太远。
发明内容
目的:为了克服现有技术中存在的不足,本发明提供一种基于大规模动态语义图的交通流量预测算法。
技术方案:为解决上述技术问题,本发明采用的技术方案为:
一种基于大规模动态语义图的交通流量预测算法,包括如下步骤:
步骤一:获取随着时间传递的交通流相关度动态语义图;
步骤二:应用逻辑回归方程,预测下一个时间周期的交通动态语义图交通流。
作为优选方案,所述交通流相关度动态语义图为多个路段在一定的时间内通过的车辆数目,相通的路段之间就具有了相关度,把有相关度的路段彼此连接起来,每过一个时间周期T动态更新各个路段的车辆数目,即可以获得实时的交通流动态语义图。
作为优选方案,所述步骤二包括如下步骤:
2a:建立逻辑函数;
2b:计算发生比率;
2c:采用最大似然估计法对其回归参数进行估计;
2d:求出参数α;
2e:结合步骤一的动态语义图,预测交通流;把以上求得的参数代入xk代入所预测路段的上一个路段的交通流,所求出的yi就是所预测的下一个路段的交通流。
作为优选方案,所述步骤2a包括如下步骤:
2a1:假设有一个理论上存在的连续反应变量yi*代表交通流量,其值域为0到正无穷,当该变量的值域跨越一个临界值c时,便导致事件发生,此处c=0,于是有:
yt=1表示事件发生,即有交通流;yt=0表示事件不发生,即没有交通流;
2a2:假设在反应变量yi*和自变量xk之间存在一种线性关系,
即
yi*指的是实际观察到的交通流量,
k表示与所观察到的yi*路段相连的上k个路段,xk代表与所观察到的yi*路段相连的上面路段的第k个路段的交通流,βk、α、εi为辅助预测的参数,0≤βk≤1;
指的是反应变量yi*所在路段的与其相连的k个路段所贡献的交通流量之和;
2a3:则得到:
2a4:通常,假设上式中εi有逻辑分布或者标准正态分布,因此可将(3)改写为:
这一函数称为逻辑函数,它具有S型分布。
作为优选方案,所述步骤2b包括如下步骤:
2b1:令
表示事件发生的概率,而事件不发生的概率可以定义为:
2b2:
2b3:因此事件发生与不发生概率的比记为
两端取对数为称之为logit形式。
作为优选方案,所述步骤2c包括如下步骤:
2c1:因为以为对称中心,同样适合复杂的多元回归函数情况,其多元逻辑回归方程为:
2c2:两端取自然对数得:
2c3:估计了初始函数后,对残差进行检验并用改进的函数进行重新估计,直到收敛为止,最大似然估计就是选取β0,β1,…βk的估计值使得似然函数值最大,同理,可以运用上述的方法求出,该项工作可由SPSS软件计算得到。
作为优选方案,所述步骤2d包括如下步骤:
2d1:因为εi有逻辑分布或者标准正态分布,可通过数据统计求出εi;
2d2:由步骤2c中求出了β1,把他们带入中,其中yi*代入实际观测到的交通流,x1代入yi*上一个路段的交通流,可求出α的值。
有益效果:本发明提供的基于大规模动态语义图的交通流量预测算法,创造性地运用交通流量相关性动态语义图;可以实时更新交通流量预测。
附图说明
图1为本发明交通流量相关性语义图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示,一种基于大规模动态语义图的交通流量预测算法,包括步骤如下:
步骤一:获取随着时间传递的交通流相关度动态语义图:
设每一个路段在一定的时间内通过的车辆数目X为这个时间段的交通流,因此,每一个路段都会有各自一个特定的交通流,如X,Y,Z等。如果每个路段互不干扰的话,则在一定的时间周期内,交通流都是一定的,但实际上,每个路段都会受到其他和其相通的路段的交通流的影响,从而自身路段的交通流也随之改变,相通的路段之间就具有了相关度。把有相关度的路段彼此连接起来,每过一个时间周期T动态更新,即可以获得实时的交通流动态语义图。
如图1所示:图中最底层有A1、B1、C1、D1四个路段,对应的交通流分别为a1、b1、c1、d1,上一层有A2、B2、C2、D2四个路段,对应的交通流分别为a2、b2、c2、d2,同理,再上一层有A3、B3、C3、D3四个路段,对应的交通流分别为a3、b3、c3、d3,再上一层有A4、B4、C4、D4四个路段,对应的交通流分别为a4、b4、c4、d4,假设路段A1与B2相通、B2与C3相通、C3与B4相通;与此同时,A1与C2也相通,C2与D3相通,D3与D4相通,在此我们就知道,A1的交通流a1,影响B2和C2的交通流,即B2和C2的交通流与A1具有一定的相关度,把有相关度的路段彼此连接起来,每过一个时间周期t动态更新,在t=1(t=1指的是第一个时间周期)时,A1路口的交通流a1会选择通往B2或C2;t=2时,B2和C2上所获得的交通流b2和c2又会分别通往C3和D3;同理,t=3时,C3和D3上所获得的交通流c3和d3又会分别通往B4和D4,此时就获取了随着时间变化的流量传递图,即获取了随着时间传递的交通流相关度动态语义图。
步骤二:应用逻辑回归方程,预测下一个时间周期的交通动态语义图交通流:1)建立逻辑函数:假设有一个理论上存在的连续反应变量yi*代表交通流量,其值域为0到正无穷,当该变量的值域跨越一个临界值c时,便导致事件发生,此处c=0,于是有:
yt=1表示事件发生,即有交通流;yt=0表示事件不发生,即没有交通流。
假设在反应变量yi*和自变量xk之间存在一种线性关系,即
yi*指的是实际观察到的交通流量,
k表示与所观察到的yi*路段相连的上k个路段,xk代表与所观察到的yi*路段相连的上面路段的第k个路段的交通流,βk、α、εi为辅助预测的参数,0≤βk≤1。
指的是反应变量yi*所在路段的与其相连的k个路段所贡献的交通流量之和。
则得到:
通常,假设上式中εi有逻辑分布或者标准正态分布,因此可将(3)改写为:
(4)这一函数称为逻辑函数,它具有S型分布。
2)发生比率:
令
表示事件发生的概率,而事件不发生的概率可以定义为:
因此事件发生与不发生概率的比记为
两端取对数为
称之为logit形式。
3)采用最大似然估计法对其回归参数进行估计:
因为以为对称中心,同样适合复杂的多元回归函数情况,其多元逻辑回归方程为:
两端取自然对数得:
最大似然估计是利用总体的分布密度或概率分布的表达式及其样本所提供信息建立起求未知参数估计量的一种方法,是一种迭代算法,以一个预计估算值作为参数的初始值,根据算法确定能增大对数似然值的参数的方法和变动。
估计了初始函数后,对残差进行检验并用改进的函数进行重新估计,直到收敛为止,最大似然估计就是选取β0,β1,…βk的估计值 使得似然函数值最大,同理,可以运用上述的方法求出该项工作可由SPSS软件计算得到。
4)求出参数α:因为εi有逻辑分布或者标准正态分布,可通过数据统计求出εi,且在3)中求出了β1,把他们带入中,其中yi*代入实际观测到的交通流,x1代入yi*上一个路段的交通流,可求出α的值。
5)结合步骤一的动态语义图,预测交通流;把以上求得的参数代入xk代入所预测路段的上一个路段的交通流,所求出的yi就是所预测的下一个路段的交通流。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于大规模动态语义图的交通流量预测算法,其特征在于:包括如下步骤:
步骤一:获取随着时间传递的交通流相关度动态语义图;
步骤二:应用逻辑回归方程,预测下一个时间周期的交通动态语义图交通流。
2.根据权利要求1所述的基于大规模动态语义图的交通流量预测算法,其特征在于:所述交通流相关度动态语义图为多个路段在一定的时间内通过的车辆数目,相通的路段之间就具有了相关度,把有相关度的路段彼此连接起来,每过一个时间周期T动态更新各个路段的车辆数目,即可以获得实时的交通流动态语义图。
3.根据权利要求1所述的基于大规模动态语义图的交通流量预测算法,其特征在于:所述步骤二包括如下步骤:
2a:建立逻辑函数;
2b:计算发生比率;
2c:采用最大似然估计法对其回归参数进行估计;
2d:求出参数α;
2e:结合步骤一的动态语义图,预测交通流;把以上求得的参数代入xk代入所预测路段的上一个路段的交通流,所求出的yi就是所预测的下一个路段的交通流。
4.根据权利要求1所述的基于大规模动态语义图的交通流量预测算法,其特征在于:所述步骤2a包括如下步骤:
2a1:假设有一个理论上存在的连续反应变量yi*代表交通流量,其值域为0到正无穷,当该变量的值域跨越一个临界值c时,便导致事件发生,此处c=0,于是有:
yt=1表示事件发生,即有交通流;yt=0表示事件不发生,即没有交通流;
2a2:假设在反应变量yi*和自变量xk之间存在一种线性关系,
即
yi*指的是实际观察到的交通流量,
k表示与所观察到的yi*路段相连的上k个路段,xk代表与所观察到的yi*路段相连的上面路段的第k个路段的交通流,βk、α、εi为辅助预测的参数,0≤βk≤1;
指的是反应变量yi*所在路段的与其相连的k个路段所贡献的交通流量之和;
2a3:则得到:
2a4:通常,假设上式中εi有逻辑分布或者标准正态分布,因此可将(3)改写为:
这一函数称为逻辑函数,它具有S型分布。
5.根据权利要求1所述的基于大规模动态语义图的交通流量预测算法,其特征在于:所述步骤2b包括如下步骤:
2b1:令
表示事件发生的概率,而事件不发生的概率可以定义为:
2b2:
2b3:因此事件发生与不发生概率的比记为
两端取对数为称之为logit形式。
6.根据权利要求1所述的基于大规模动态语义图的交通流量预测算法,其特征在于:所述步骤2c包括如下步骤:
2c1:因为以为对称中心,同样适合复杂的多元回归函数情况,其多元逻辑回归方程为:
2c2:两端取自然对数得:
2c3:估计了初始函数后,对残差进行检验并用改进的函数进行重新估计,直到收敛为止,最大似然估计就是选取β0,β1,…βk的估计值使得似然函数值最大,同理,可以运用上述的方法求出,该项工作可由SPSS软件计算得到。
7.根据权利要求1所述的基于大规模动态语义图的交通流量预测算法,其特征在于:所述步骤2d包括如下步骤:
2d1:因为εi有逻辑分布或者标准正态分布,可通过数据统计求出εi;
2d2:由步骤2c中求出了β1,把他们带入中,其中yi*代入实际观测到的交通流,x1代入yi*上一个路段的交通流,可求出α的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710216276.7A CN106875684A (zh) | 2017-04-01 | 2017-04-01 | 基于大规模动态语义图的交通流量预测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710216276.7A CN106875684A (zh) | 2017-04-01 | 2017-04-01 | 基于大规模动态语义图的交通流量预测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106875684A true CN106875684A (zh) | 2017-06-20 |
Family
ID=59159857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710216276.7A Pending CN106875684A (zh) | 2017-04-01 | 2017-04-01 | 基于大规模动态语义图的交通流量预测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106875684A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859477A (zh) * | 2019-03-15 | 2019-06-07 | 同盾控股有限公司 | 一种拥堵数据的确定方法和装置 |
CN110098944A (zh) * | 2018-01-29 | 2019-08-06 | 中国科学院声学研究所 | 一种基于FP-Growth和RNN预测协议数据流量的方法 |
CN110491145A (zh) * | 2018-10-29 | 2019-11-22 | 魏天舒 | 一种交通信号优化控制方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700255A (zh) * | 2013-12-30 | 2014-04-02 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
CN103971520A (zh) * | 2014-04-17 | 2014-08-06 | 浙江大学 | 一种基于时空相关性的交通流量数据恢复方法 |
CN104408913A (zh) * | 2014-11-03 | 2015-03-11 | 东南大学 | 一种考虑时空相关性的交通流三参数实时预测方法 |
-
2017
- 2017-04-01 CN CN201710216276.7A patent/CN106875684A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700255A (zh) * | 2013-12-30 | 2014-04-02 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
CN103971520A (zh) * | 2014-04-17 | 2014-08-06 | 浙江大学 | 一种基于时空相关性的交通流量数据恢复方法 |
CN104408913A (zh) * | 2014-11-03 | 2015-03-11 | 东南大学 | 一种考虑时空相关性的交通流三参数实时预测方法 |
Non-Patent Citations (7)
Title |
---|
LI WEIGUO: "A traffic flow prediction model based on ordered logistic regression", 《INTERNATIONAL CONFERENCE ON DIGITAL CONTENT , 2010》 * |
刘思辰: "基于灰色线性回归组合模型的战略流量预测方法研究", 《航空航天科技创新与长三角经济转型发展论坛论文集》 * |
王勇: "Logistic回归分析在交通流量预测中的应用", 《万方数据库》 * |
董春娇: "基于实测数据的快速路交通流参数模型", 《交通运输系统工程与信息》 * |
达庆东: "交通流非参数回归模型", 《数理统计与管理》 * |
邱世崇: "基于时空特性分析和数据融合的交通流预测", 《武汉理工大学学报(信息与管理工程版)》 * |
邱世崇: "基于时空特性的城市道路短时交通流预测研究", 《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 |
---|---|---|---|---|
CN110098944A (zh) * | 2018-01-29 | 2019-08-06 | 中国科学院声学研究所 | 一种基于FP-Growth和RNN预测协议数据流量的方法 |
CN110098944B (zh) * | 2018-01-29 | 2020-09-08 | 中国科学院声学研究所 | 一种基于FP-Growth和RNN预测协议数据流量的方法 |
CN110491145A (zh) * | 2018-10-29 | 2019-11-22 | 魏天舒 | 一种交通信号优化控制方法及装置 |
CN109859477A (zh) * | 2019-03-15 | 2019-06-07 | 同盾控股有限公司 | 一种拥堵数据的确定方法和装置 |
CN109859477B (zh) * | 2019-03-15 | 2021-03-19 | 同盾控股有限公司 | 一种拥堵数据的确定方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109887282A (zh) | 一种基于层级时序图卷积网络的路网交通流预测方法 | |
CN104183119B (zh) | 基于路段od反推的实时交通流分布预测方法 | |
Nie et al. | Network traffic prediction based on deep belief network and spatiotemporal compressive sensing in wireless mesh backbone networks | |
CN105096614B (zh) | 基于生成型深信度网络的新建路口交通流量预测方法 | |
CN112767682A (zh) | 一种基于图卷积神经网络的多尺度交通流量预测方法 | |
CN112489426B (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
Aljohani et al. | An algorithm for accessing traffic database using wireless technologies | |
CN106875684A (zh) | 基于大规模动态语义图的交通流量预测算法 | |
CN104468192B (zh) | 一种多尺度多权重链路质量评估的路由方法 | |
CN109584552A (zh) | 一种基于网络向量自回归模型的公交到站时间预测方法 | |
CN106504535A (zh) | 一种结合重力模型与Fratar模型的交通分布预测方法 | |
CN105162654A (zh) | 一种基于局部社团信息的链路预测方法 | |
Feng et al. | A novel evolving model of urban rail transit networks based on the local-world theory | |
CN113409576A (zh) | 一种基于贝叶斯网络的交通路网动态预测方法及系统 | |
Zhang et al. | BP-PSO-based intelligent case retrieval method for high-rise structural form selection | |
CN106658638A (zh) | 一种基于hh‑vbf的时间序列预测方法 | |
CN106157603A (zh) | 一种衡量公交网络交通流空间分布不均衡程度的方法 | |
CN114205251B (zh) | 基于时空特征的交换机链路资源预测方法 | |
Wong et al. | Estimation of origin‐destination matrices for a multimodal public transit network | |
CN107170235B (zh) | 基于深度特征提取网络的交通流量预测时序方法 | |
Zhu et al. | Modified stochastic user-equilibrium assignment algorithm for urban rail transit under network operation | |
Yang | RETRACTED ARTICLE: An intelligent method to select emergency allocation path of groundwater resource based on game theory | |
Ma et al. | The influence of layered community network structure on traffic capacity | |
CN105321356A (zh) | 基于2-维流预测的智能城市交通流预测方法 | |
Li et al. | Ridesplitting demand prediction via spatiotemporal multi-graph convolutional network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170620 |
|
RJ01 | Rejection of invention patent application after publication |