CN106875684A - 基于大规模动态语义图的交通流量预测算法 - Google Patents

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

基于大规模动态语义图的交通流量预测算法

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x_k代入所预测路段的上一个路段的交通流，所求出的y_i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y_i*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：

y_t＝1表示事件发生，即有交通流；y_t＝0表示事件不发生，即没有交通流；

2a2：假设在反应变量y_i*和自变量x_k之间存在一种线性关系，

即

y_i*指的是实际观察到的交通流量，

k表示与所观察到的y_i*路段相连的上k个路段，x_k代表与所观察到的y_i*路段相连的上面路段的第k个路段的交通流，β_k、α、ε_i为辅助预测的参数，0≤β_k≤1；

指的是反应变量y_i*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ε_i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，…β_k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ε_i有逻辑分布或者标准正态分布，可通过数据统计求出ε_i；

2d2：由步骤2c中求出了β₁，把他们带入中，其中y_i*代入实际观测到的交通流，x₁代入y_i*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y_i*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：

y_t＝1表示事件发生，即有交通流；y_t＝0表示事件不发生，即没有交通流。

假设在反应变量y_i*和自变量x_k之间存在一种线性关系，即

y_i*指的是实际观察到的交通流量，

k表示与所观察到的y_i*路段相连的上k个路段，x_k代表与所观察到的y_i*路段相连的上面路段的第k个路段的交通流，β_k、α、ε_i为辅助预测的参数，0≤β_k≤1。

指的是反应变量y_i*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ε_i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，…β_k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ε_i有逻辑分布或者标准正态分布，可通过数据统计求出ε_i，且在3)中求出了β₁，把他们带入中，其中y_i*代入实际观测到的交通流，x₁代入y_i*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x_k代入所预测路段的上一个路段的交通流，所求出的y_i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x_k代入所预测路段的上一个路段的交通流，所求出的y_i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y_i*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：

$\left\{\begin{array}{cc}{y}_t=1& y_i*>0\\ y_t=0& y_i*=0\end{array}\right.---\left(1\right)$

y_t＝1表示事件发生，即有交通流；y_t＝0表示事件不发生，即没有交通流；

2a2：假设在反应变量y_i*和自变量x_k之间存在一种线性关系，

即

y_i*指的是实际观察到的交通流量，

k表示与所观察到的y_i*路段相连的上k个路段，x_k代表与所观察到的y_i*路段相连的上面路段的第k个路段的交通流，β_k、α、ε_i为辅助预测的参数，0≤β_k≤1；

指的是反应变量y_i*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：

$P(y_i=1|x_k)=P\[(\mathrm{\α}+\underset{k=0}{\overset{n}{\Σ}}{\mathrm{\β}}_k{x}_k+{\mathrm{\ϵ}}_i)>0\]=P\[{\mathrm{\ϵ}}_i>(-\mathrm{\α}-\underset{k=0}{\overset{n}{\Σ}}{\mathrm{\β}}_k{x}_k)\]---\left(3\right)$

2a4：通常，假设上式中ε_i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

$\frac{p_i}{1-p_i}=e^{(\mathrm{\α}+\underset{k=0}{\overset{n}{\Σ}}{\mathrm{\β}}_k{x}_k)}---\left(7\right)$

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：

$f\left(p\right)=\frac{e^p}{1+e^p}=\frac{e^{({\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_x+{\mathrm{\β}}_2{x}_2+{\mathrm{\β}}_3{x}_3+...{\mathrm{\β}}_k{x}_k)}}{1+e^{({\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_x+{\mathrm{\β}}_2{x}_2+{\mathrm{\β}}_3{x}_3+...{\mathrm{\β}}_k{x}_k)}}---\left(9\right)$

2c2：两端取自然对数得：

$g\left(p\right)=ln\left(\frac{f\left(p\right)}{1-f\left(p\right)}\right)={\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_1+{\mathrm{\β}}_2{x}_2+...+{\mathrm{\β}}_k{x}_k---\left(10\right)$

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，…β_k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ε_i有逻辑分布或者标准正态分布，可通过数据统计求出ε_i；

2d2：由步骤2c中求出了β₁，把他们带入中，其中y_i*代入实际观测到的交通流，x₁代入y_i*上一个路段的交通流，可求出α的值。