CN107767036A - 一种基于条件随机场的实时交通状态估计方法 - Google Patents

Abstract

本发明公开了一种基于条件随机场的实时交通状态估计方法，通过对历史数据进行学习，构建单个车辆运动过程中的速度序列的变化情况和道路拥堵程度的对应关系，采用条件随机场模型对两者之间的隐含关系进行学习，学习的结果即为对应的条件随机场模型；模型构建完成后，利用实时获取的某个路段的单个车辆的速度序列数据，即可实现对该路段交通状况的实时精确估计；降低了对采集数据的苛刻要求，在相对较为简单的采集条件下(如仅需单个车辆的速度序列数据)，即可达到较好的估计效果。

Description

一种基于条件随机场的实时交通状态估计方法

技术领域

本发明涉及智能交通系统领域，具体为一种基于条件随机场的实时交通状态估计方法。

背景技术

随着社会的发展，尤其是科学技术的不断进步，以计算机智能化、通信信息化为技术前沿代表的发展，使得人们的生活发生了翻天覆地的变化。随着社会的发展，尤其是交通的便捷，私家车已经走进千家万户，驾车出行已经成为了多数社会家庭及工作单位中重要的组成部分，而对于出行的线路规划，尤其是去一个陌生的地方，已经显现的十分重要。

现实生活中，根据地图提供的各种交通路况信息，安排出行计划，已成为一种普遍的方式。目前百度、高德、腾讯地图等都提供了丰富的路况参考。这些路况信息都是通过动态采集大量的浮动车、地感线圈、摄像头等信息，并通过大规模运算处理后获得的。准确的交通路况信息有利于提高客户对地图的使用体验，提高客户使用的满意度。

但是，这些系统提供的交通路况信息都要基于丰富的数据采集系统来实现。当某些路段此类数据仅有一条或几条车辆轨迹时，较少的数据信息可能会带来路况估计的较大偏差，甚至出现对于目的地的偏离；尤其是对于野外环境或者人烟稀少的乡村或远离城市的山区地带，会给地图使用者造成出行规划时间延误，甚至出现生命危险情况的发生；因此如何在少量数据的条件下，仍然实现对交通状况的准确估计，对提高地图路况显示的精准性，提高客户出行体验具有重要意义。

发明内容

为了克服了现有技术在缺乏丰富数据采集系统的情况下，道路状态估计结果存在较大偏差的不足，本发明提供了一种通过模型实现弥补了基础数据的不足，能够保证对交通状况实现较高精度的实时准确估计基于条件随机场的实时交通状态估计方法。

本发明的目的是这样实现的：

一种基于条件随机场的实时交通状态估计方法，包括以下步骤：

步骤1)、实时采集每个车辆GPS/北斗定位终端发出的位置、速度、方向信息；

步骤2)、通过调用搜狗地图接口，实时获取主要干道的交通状态信息；

步骤3)、将采集的车辆信息通过位置、方向信息匹配至搜狗地图；

步骤4)、提取车辆在该路段的速度数据，将连续采样的数据组成是一个时间序列；

步骤5)、利用采集的速度时间序列数据和搜狗地图提供的交通拥堵级别数据，形成训练样本集；

步骤6)、利用CRF(条件随机场)算法对速度序列和路段拥堵级别之间的关系进行训练；

步骤7)、利用步骤6)训练后的模型，对部分路段的拥堵状况进行预测，形成该路段的拥堵状况挖掘结果。

上述技术方案中，所述步骤3)匹配的实现方法为：

车辆在t时刻的位置信息为经度Lon_i,t纬度信息为Lat_i,t，地图路段起点经度为Lon_s，纬度为Lat_s，给定误差范围ε，则当满足：

|lon_s-lon_i,t|＜ε且|lat_s-lat_i,t|＜ε时，即为同一路段；

上述方案中，所述步骤6)，具体实现方法为：

车辆速度时间序列为X＝{x₁,x₂,Λ,x_n}，对应的路段拥堵级别采样结果为Y＝{y₁,y₂,Λ,y_n}，则条件概率为：

上式中

为归一化因子；

为状态转移特征函数，表示当X中的第i个观测值给定时，存在从状态y_i向y_i+1的状态转移；

训练过程即为基于已经获取的路段中，车辆速度和路况拥堵级别之间的对应关系，求取参数λ和μ；

基于历史数据信息，通过最小化如下目标函数进行参数的求解：

其中P(X,Y)是给定的经验分布；

上述技术方案中，所述步骤7)的预测方法为：

在步骤6)训练模型的基础上，对于给定的路段的速度序列，通过最优化如下模型实现交通状况的估计：

令F(Y,X)表示t_j(y_i+1,y_i,X,i)和s_k(y_i,X,i)的集合并集；

W表示λ和μ的并集；

则步骤6)为在训练完成模型的基础上，根据输入模型特征向量F(Y,X)和权值向量W，以及观测序列X，实现对Y序列的最优估计问题；

进一步包括：

步骤6-1)、初始化：

δ₁(j)＝W*F₁

其中F₁＝F(Y₀＝start,Y₁＝j,X)即在初始状态下各特征函数的取值；

步骤6-2)、递推计算，令i＝2,3,4,…,n

步骤6-3)、终止：

步骤6-4)、返回每一步的最优路径

步骤6-5)、获得最终最优结果序列

积极有益效果：本发明通过对历史数据进行学习，构建单个车辆运动过程中的速度序列的变化情况和道路拥堵程度的对应关系，采用条件随机场模型对两者之间的隐含关系进行学习，学习的结果即为对应的条件随机场模型；模型构建完成后，利用实时获取的某个路段的单个车辆的速度序列数据，即可实现对该路段交通状况的实时精确估计；降低了对采集数据的苛刻要求，在相对较为简单的采集条件下(如仅需单个车辆的速度序列数据)，即可达到较好的估计效果.

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图及具体实施例，对本发明做进一步的说明：

一种基于条件随机场的实时交通状态估计方法，包括以下步骤：

步骤1)、实时采集每个车辆GPS/北斗定位终端发出的位置、速度、方向信息；

步骤2)、通过调用搜狗地图接口，实时获取主要干道的交通状态信息；

步骤3)、将采集的车辆信息通过位置、方向信息匹配至搜狗地图；

步骤4)、提取车辆在该路段的速度数据，将连续采样的数据组成是一个时间序列；

步骤5)、利用采集的速度时间序列数据和搜狗地图提供的交通拥堵级别数据，形成训练样本集；

步骤6)、利用CRF(条件随机场)算法对速度序列和路段拥堵级别之间的关系进行训练；

步骤7)、利用步骤6)训练后的模型，对部分路段的拥堵状况进行预测，形成该路段的拥堵状况挖掘结果。

上述技术方案中，所述步骤3)匹配的实现方法为：

车辆在t时刻的位置信息为经度Lon_i,t纬度信息为Lat_i,t，地图路段起点经度为Lon_s，纬度为Lat_s，给定误差范围ε，则当满足：

|lon_s-lon_i,t|＜ε且|lat_s-lat_i,t|＜ε时，即为同一路段；

上述方案中，所述步骤6)，具体实现方法为：

车辆速度时间序列为X＝{x₁,x₂,Λ,x_n}，对应的路段拥堵级别采样结果为Y＝{y₁,y₂,Λ,y_n}，则条件概率为：

上式中

为归一化因子；

为状态转移特征函数，表示当X中的第i个观测值给定时，存在从状态y_i向y_i+1的状态转移；

训练过程即为基于已经获取的路段中，车辆速度和路况拥堵级别之间的对应关系，求取参数λ和μ；

基于历史数据信息，通过最小化如下目标函数进行参数的求解：

其中P(X,Y)是给定的经验分布；

上述技术方案中，所述步骤7)的预测方法为：

在步骤6)训练模型的基础上，对于给定的路段的速度序列，通过最优化如下模型实现交通状况的估计：

令F(Y,X)表示t_j(y_i+1,y_i,X,i)和s_k(y_i,X,i)的集合并集；

W表示λ和μ的并集；

则步骤6)为在训练完成模型的基础上，根据输入模型特征向量F(Y,X)和权值向量W，以及观测序列X，实现对Y序列的最优估计问题；

进一步包括：

步骤6-1)、初始化：

δ₁(j)＝W*F₁

其中F₁＝F(Y₀＝start,Y₁＝j,X)即在初始状态下各特征函数的取值；

步骤6-2)、递推计算，令i＝2,3,4,…,n

步骤6-3)、终止：

步骤6-4)、返回每一步的最优路径

步骤6-5)、获得最终最优结果序列

实施例1

某路段仅有一条车辆轨迹数据上传至服务器，基于此车辆的轨迹数据，估计该路段当前的交通状况；因为缺少足够数量的采集车辆，无法采用统计等方法进行道路状态的综合评估；且单一车辆运行过程中，速度波动大，难以实现对路况状态的精确估计，实现对路况精确的实时估计是难点；

为了解决上述具体情况，如图1所示，本发明按照数据的流向通过以下方法步骤实现：

步骤1)、从搜狗API接口实时获取主要交通路段的道路状态信息；同时，获取当前每个车辆的轨迹数据；将所有数据存入数据库；

步骤2)、基于步骤1)所得到的相关数据存入数据库，并生成训练样本集，准备算法调用；

步骤3)、利用CRF(条件随机场)算法对速度序列和路段拥堵级别之间的关系进行训练；

步骤4)、利用步骤3)训练后的模型，对部分路段的拥堵状况进行预测，形成该路段的拥堵状况挖掘结果。

本发明通过对历史数据进行学习，构建单个车辆运动过程中的速度序列的变化情况和道路拥堵程度的对应关系，采用条件随机场模型对两者之间的隐含关系进行学习，学习的结果即为对应的条件随机场模型；模型构建完成后，利用实时获取的某个路段的单个车辆的速度序列数据，即可实现对该路段交通状况的实时精确估计；降低了对采集数据的苛刻要求，在相对较为简单的采集条件下(如仅需单个车辆的速度序列数据)，即可达到较好的估计效果.

以上实施案例仅用于说明本发明的优选实施方式，但本发明并不限于上述实施方式，在所述领域普通技术人员所具备的知识范围内，本发明的精神和原则之内所作的任何修改、等同替代及改进等，均应视为本申请的保护范围。

Claims (3)

1.一种基于条件随机场的实时交通状态估计方法，其特征在于：包括以下步骤：

步骤1)、实时采集每个车辆GPS/北斗定位终端发出的位置、速度、方向信息；

步骤2)、通过调用搜狗地图接口，实时获取主要干道的交通状态信息；

步骤3)、将采集的车辆信息通过位置、方向信息匹配至搜狗地图；

步骤4)、提取车辆在该路段的速度数据，将连续采样的数据组成是一个时间序列；

步骤5)、利用采集的速度时间序列数据和搜狗地图提供的交通拥堵级别数据，形成训练样本集；

步骤6)、利用CRF(条件随机场)算法对速度序列和路段拥堵级别之间的关系进行训练；

步骤7)、利用步骤6)训练后的模型，对部分路段的拥堵状况进行预测，形成该路段的拥堵状况挖掘结果。

2.根据权利要求1所述的一种基于条件随机场的实时交通状态估计方法，其特征在于：上述技术方案中，所述步骤3)匹配的实现方法为：

车辆在t时刻的位置信息为经度Lon_i,t纬度信息为Lat_i,t，地图路段起点经度为Lon_s，纬度为Lat_s，给定误差范围ε，则当满足：

|lon_s-lon_i,t|＜ε且|lat_s-lat_i,t|＜ε时，即为同一路段；

上述方案中，所述步骤6)，具体实现方法为：

车辆速度时间序列为X＝{x₁,x₂,Λ,x_n}，对应的路段拥堵级别采样结果为Y＝{y₁,y₂,Λ,y_n}，则条件概率为：

上式中

为归一化因子；

为状态转移特征函数，表示当X中的第i个观测值给定时，存在从状态y_i向y_i+1的状态转移；

训练过程即为基于已经获取的路段中，车辆速度和路况拥堵级别之间的对应关系，求取参数λ和μ；

基于历史数据信息，通过最小化如下目标函数进行参数的求解：

其中P(X,Y)是给定的经验分布。

3.根据权利要求1所述的一种基于条件随机场的实时交通状态估计方法，其特征在于：上述技术方案中，所述步骤7)预测的方法为：

在步骤6)训练模型的基础上，对于给定的路段的速度序列，通过最优化如下模型实现交通状况的估计：

令F(Y,X)表示t_j(y_i+1,y_i,X,i)和s_k(y_i,X,i)的集合并集；

W表示λ和μ的并集；

则步骤6)为在训练完成模型的基础上，根据输入模型特征向量F(Y,X)和权值向量W，以及观测序列X，实现对Y序列的最优估计问题；

进一步包括：

步骤6-1)、初始化：

δ₁(j)＝W*F₁

其中F₁＝F(Y₀＝start,Y₁＝j,X)即在初始状态下各特征函数的取值；

步骤6-2)、递推计算，令i＝2,3,4,…,n

步骤6-3)、终止：

步骤6-4)、返回每一步的最优路径

步骤6-5)、获得最终最优结果序列