CN107978148A - 一种基于多源交通数据动态可靠性的交通状态预测方法 - Google Patents
一种基于多源交通数据动态可靠性的交通状态预测方法 Download PDFInfo
- Publication number
- CN107978148A CN107978148A CN201711118220.4A CN201711118220A CN107978148A CN 107978148 A CN107978148 A CN 107978148A CN 201711118220 A CN201711118220 A CN 201711118220A CN 107978148 A CN107978148 A CN 107978148A
- Authority
- CN
- China
- Prior art keywords
- traffic
- reliability
- source
- data source
- moment
- 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.)
- Withdrawn
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供的一种基于多源交通数据动态可靠性的交通状态预测方法首先构建交通状态D‑S证据理论识别框架;其次,利用时间序列模型中的ARIMA‑GARCH模型来预测不同数据源交通状态判别参数的均值和方差。然后,以动态方差预测结果为输入参数计算不同数据源的可靠性,并以此为基础构建基本概率分配。进而通过证据合成规则计算各待识别状态的基本概率分配函数,最后通过最大信度法则方法判别最终的交通状态。该方法充分利用多种交通检测信息,并考虑数据源的动态可靠性来预测交通状态,降低单一数据源存在的局限性和不确定性,有效提高城市道路交通状态预测的准确性和可靠性。
Description
技术领域
本发明涉及一种交通信息处理方法,具体涉及一种基于多源交通数据动态可 靠性的交通状态预测方法。
背景技术
交通状态是智能交通系统的重要交通参数,为城市交通控制和交通诱导提供 重要数据支撑。目前,国内外学者在交通状态预测方面进行了大量的研究,提出 了诸多较成熟的预测方法,主要包括随机漫步法、历史平均法、线性回归模型、 时间序列模型、神经网络模型、模糊逻辑模型、支持向量机等。如何提高交通状 态预测的准确性和可靠性成为研究热点和难点。
随着智能交通技术的发展,交通信息采集手段越来越多样化,充分利用各类 交通数据的进行交通状态预测越来越受到关注。通过处理各种传感器采集的实时 交通信息获取更准确更可靠的交通状态,可有效弥补单一交通数据源设施空间覆 盖率低、采集数据样本覆盖率低、检测数据缺失等缺陷,充分利用各类数据源的 优势。由于不同交通检测方法具备不同的可靠性,基于不同交通检测方法的交通 数据在融合中的权重也不同,交通检测方法越可靠,在融合中所占权重应该更大, 反之,在融合中所占的权重更小。在基于多源数据的交通状态融合算法中综合考 虑不同数据源的动态可靠性,可进一步提升交通状态预测的准确性和可靠性。
发明内容
本发明要解决的技术问题是:提高交通状态预测的准确性。
为了解决上述技术问题,本发明的技术方案是提供了一种基于多源交通数据 动态可靠性的交通状态预测方法,其特征在于,包括以下步骤:
步骤1、构建交通状态D-S证据理论识别框架,确定目标路段的M个待识 别交通状态;
步骤2、将不同数据源的交通信息转化为统一的交通状态判别参数;
步骤3、利用时间序列模型中的差分自回归移动平均-广义自回归条件异方差 模型预测交通状态判别参数的条件方差,其中,第i类数据源在t时刻的交通状 态判别参数的条件方差为
步骤4、以步骤3预测得到的条件方差计算每个数据源的可靠性,其中,数 据源i在t时刻的可靠性为n表示数据源的总个数;
步骤5、以步骤4得到的所有数据源的可靠性为基础,构建基于不同数据源 动态可靠性的基本概率分配;
步骤6、通过D-S证据理论合成规则进行证据合成,得到所有待识别状态的 基本概率分配函数;
步骤7、进行交通状态的决策。
优选地,在所述步骤3中,所述差分自回归移动平均-广义自回归条件异方 差模型ARIMA(p1,d,q1)-GARCH(p2,q2)的公式为:
式中,Xit为第i类数据源在t时刻的特征信息;Bi为后移算子,通过 Bi kXit=Xi(t-k)计算得到,k为整数;d为Xit的差分阶数; 为自回归算子多项式,为自回归系数; 称为滑动平均算子多项式,为移动平 均系数;uit为第i类数据源在t时刻的随机误差项;是第i类数据源在t时刻 的交通状态判别参数的条件方差;Ωi(t-1)为第i类数据源在t-1时刻的信息集合; 为均值为零,方差为的正态分布;eit~IIN(0,1),即均值为0,方差为1 的独立同分布(iid)随机变量序列;αij和βij为非负系数。
优选地,在所述步骤5中,构建基于不同数据源动态可靠性的基本概率分配 包括以下步骤:
(1)确定每一数据源中每一种待识别交通状态的重心,组成重心向量,第 i类数据源在t时刻的重心向量Ait=[gi1,gi2,...,giM];
(2)计算每一数据源的交通状态判别参数与所有待识别交通状态重心的距 离,第i类数据源在t时刻的交通状态判别参数与所有待识别交通状态重心的距 离dit=[di1,di2,...,diM];
(3)建立每一数据源的基本概率分配,其中,第i类数据源在t时刻的基本 概率分配为mit(AIt):
式中,βit和γi为基本概率分配区分度参数;
(4)构建基于不同数据源动态可靠性的基本概率分配,其中,基于第i类 数据源在t时刻可靠性wit的基本概率分配为m′it(Ait):
m′it(Ait)=witmit(Ait)。
优选地,在所述步骤6中,任意一种待识别状态的基本概率分配函数为 mt(Ct):
式中,Ct为任意一种待识别交通状态。
优选地,所述步骤7通过最大信度法则获得最终交通状态预测结果。
有益效果:本发明提供的方法首先构建交通状态D-S证据理论识别框架;其 次,利用时间序列模型中的差分自回归移动平均-广义自回归条件异方差模型 (ARIMA-GARCH模型)来预测不同数据源交通状态判别参数的均值和方差。 然后,以动态方差预测结果为输入参数计算不同数据源的可靠性,并以此为基础 构建基本概率分配。进而通过证据合成规则计算各待识别状态的基本概率分配函 数,最后通过最大信度法则方法判别最终的交通状态。该方法充分利用多种交通 检测信息,并考虑数据源的动态可靠性来预测交通状态,降低单一数据源存在的 局限性和不确定性,有效提高城市道路交通状态预测的准确性和可靠性。
本发明具有的积极效益主要包括:(1)充分利用融合多种交通检测信息,弥 补单一数据源存在设施空间覆盖率低、采集数据样本覆盖率低、检测数据存在缺 失等局限性问题,降低由于单一数据源不确定性造成预测误差大、可靠性低的问 题;(2)利用时间序列模型捕捉不同数据源的波动性,根据数据源的波动性来确 定同交通检测方法的可靠性,将不同数据源的可靠性融入到多源数据融合算法中, 有效提升融合算法的精度。该方法满足交通状态预测的准确性和可靠性,为城市 交通控制和交通诱导提供重要数据支撑。
附图说明
图1为本发明方法步骤示意图;
图2为本发明中不同数据源的交通状态判别参数预测;
图3为本发明中不同数据源可靠性预测;
图4为本发明中基于多源交通数据动态可靠性的交通状态预测。
具体实施方式
为使本发明更显易懂,下面结合附图对本发明的实施例作详细说明:本实施 例在本发明技术方案下进行实施,给出了本发明的实施过程和实施效果。本发明 的保护范围不限于下述的实施例。
该实施例以昆山市某路段进行交通状态预测,该路段属于城市主干道,采用 两源交通信息进行交通状态预测,包括微波车辆检测器采集数据和视频号牌识别 数据。
如图1所示,本实施例包括如下步骤:
步骤一)构建交通状态D-S证据理论识别框架
本实施例中将交通状态分为5种独立的状态S1~S5,图表可视化展示时分别 用数值1~5进行表示。则交通状态D-S证据理论识别框架Θ={S1,S2,S3,S4,Ss,}。
步骤二)不同数据源的交通状态判别参数估计,是指将不同数据源的交通信 息转化为统一的交通状态判别参数,一般可为路段平均速度、交叉口饱和度等交 通流参数。例如将环形线圈检测器采集的交通参数通过交通流理论转化为路段平 均速度;将GPS浮动车数据通过坐标变换、地图匹配、建模拟合转化成路段平 均速度;将路段两侧交叉口的视频号牌识别数据进行匹配,先计算行程时间,再 转化为路段平均速度。
本实施例中,对微波车辆检测器采集数据和视频号牌识别数据进行交通状态 判别参数估计。
本实施例选取路段平均速度作为交通状态判别参数。对于微波车辆检测器采 集数据,通过交通流理论估计路段行程时间,再将路段行程时间转换为路段平均 速度;对于视频号牌识别数据,将路段两侧交叉口的视频号牌识别数据进行匹配, 先计算行程时间,再转化为路段平均速度。
步骤三)不同数据源的交通状态判别参数均值及其方差预测
通过时间序列平稳性检验、ARIMA模型构建、ARIMA模型残差异方差检 验后,构建时间序列ARIMA(p1,d,q1)-GARCH(p2,q2)模型实现,模型表达式如 下:
式中,Xit为第i类数据源在t时刻的特征信息;Bi为后移算子,通过 Bi kXit=Xi(t-k)计算得到,k为整数;d为Xit的差分阶数; 为自回归算子多项式,为自回归系数; 称为滑动平均算子多项式,为移动 平均系数;uit为第i类数据源在t时刻的随机误差项;是第i类数据源在t时 刻的交通状态判别参数的条件方差;Ωi(t-1)为第i类数据源在t-1时刻的信息集合; 为均值为零,方差为的正态分布;eit~IIN(0,1)即均值为0,方差为1的 独立同分布(iid)随机变量序列;αij和βij为非负系数。
本实施例采用了ARIMA(0,1,1)-GARCH(1,1)模型作为路段平均速度均 值及其方差预测模型。图2展示了不同数据源的交通状态判别参数预测结果。
ARIMA(0,1,1)-GARCH(1,1)模型表达式如下:
式中,i=1为微波车辆检测器采集数据源,i=2为GPS浮动车数据源;αi0, αi1和βi1为待估非负系数。
步骤四)确定不同数据源可靠性
基于步骤三的路段平均速度在t时刻的预测方差,计算数据源i在t时刻的 可靠性为不同数据源可靠性的预测结果如图3所示,由于一天中 交通状况的不断变化,基于不同交通数据源的路段平均速度可靠性也不断变化。
步骤五.基于不同数据源动态可靠性的基本概率分配的建立
所述的基于不同数据源动态可靠性的基本概率分配的建立,通过以下步骤实 现:
(1)5种独立的交通状态S1:0~15,S2:15~20,S3:20~30,S4:30~40, S5:40~60,单位为千米/小时,每一种待识别交通状态的重心为它们的中心,重 心向量Ait=[7.5,17.5,25,35,50]。
(2)计算每一数据源的路段平均速度与所有待识别交通状态重心的距离 dit=[di1,di2,...,di5];
(3)根据下式,建立每一检测数据的基本概率分配:
其中,参数βit设置为2,γit设置为20。计算完毕之后再进行归一化处理, 使所有待识别状态被分配的概率之和等于1。
(4)构建基于不同数据源动态可靠性的基本概率分配:
m′it(Ait)=witmit(Ait)
步骤六)确定所有待识别状态的基本概率分配函数
过D-S证据理论合成规则进行证据合成,得到所有待识别状态的基本概率分 配函数,表示为:
式中,Ct为任意一种待识别交通状态
步骤七)交通状态的决策。
通过最大信度法则,获得每一时刻的最终的交通状态预测结果。
图4为基于多源交通数据动态可靠性的交通状态预测结果,通过对比图2以 及观察当天该路段的视频录像,验证了该方法可以有效地融合多种交通数据源进 行交通状态预测,并且具备较高的准确性和可靠性。
Claims (5)
1.一种基于多源交通数据动态可靠性的交通状态预测方法,其特征在于,包括以下步骤:
步骤1、构建交通状态D-S证据理论识别框架,确定目标路段的M个待识别交通状态;
步骤2、将不同数据源的交通信息转化为统一的交通状态判别参数;
步骤3、利用时间序列模型中的差分自回归移动平均-广义自回归条件异方差模型预测交通状态判别参数的条件方差,其中,第i类数据源在t时刻的交通状态判别参数的条件方差为
步骤4、以步骤3预测得到的条件方差计算每个数据源的可靠性,其中,数据源i在t时刻的可靠性为n表示数据源的总个数;
步骤5、以步骤4得到的所有数据源的可靠性为基础,构建基于不同数据源动态可靠性的基本概率分配;
步骤6、通过D-S证据理论合成规则进行证据合成,得到所有待识别状态的基本概率分配函数;
步骤7、进行交通状态的决策。
2.如权利要求1所述的一种基于多源交通数据动态可靠性的交通状态预测方法,其特征在于,在所述步骤3中,所述差分自回归移动平均-广义自回归条件异方差模型的公式为:
式中,Xit为第i类数据源在t时刻的特征信息;Bi为后移算子,通过Bi kXit=Xi(t-k)计算得到,k为整数;d为Xit的差分阶数; 为自回归算子多项式,为自回归系数; 称为滑动平均算子多项式,为移动平均系数;uit为第i类数据源在t时刻的随机误差项;是第i类数据源在t时刻的交通状态判别参数的条件方差;Ωi(t1)为第i类数据源在t-1时刻的信息集合;为均值为零,方差为的正态分布;eit~IIN(0,1),即均值为0,方差为1的独立同分布(iid)随机变量序列;αij和βij为非负系数。
3.如权利要求1所述的一种基于多源交通数据动态可靠性的交通状态预测方法,其特征在于,在所述步骤5中,构建基于不同数据源动态可靠性的基本概率分配包括以下步骤:
(1)确定每一数据源中每一种待识别交通状态的重心,组成重心向量,第i类数据源在t时刻的重心向量Ait=[gi1,gi2,...,giM];
(2)计算每一数据源的交通状态判别参数与所有待识别交通状态重心的距离,第i类数据源在t时刻的交通状态判别参数与所有待识别交通状态重心的距离dit=[di1,di2,...,diM];
(3)建立每一数据源的基本概率分配,其中,第i类数据源在t时刻的基本概率分配为mit(Ait):
式中,βit和γi为基本概率分配区分度参数;
(4)构建基于不同数据源动态可靠性的基本概率分配,其中,基于第i类数据源在t时刻可靠性wit的基本概率分配为m′it(Ait):
m′it(Ait)=witmit(Ait)。
4.如权利要求1所述的一种基于多源交通数据动态可靠性的交通状态预测方法,其特征在于,在所述步骤6中,所有待识别状态的基本概率分配函数为mt(Ct):
式中,Ct为任意一种待识别交通状态。
5.如权利要求1所述的一种基于多源交通数据动态可靠性的交通状态预测方法,其特征在于,所述步骤7通过最大信度法则获得最终交通状态预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711118220.4A CN107978148A (zh) | 2017-11-13 | 2017-11-13 | 一种基于多源交通数据动态可靠性的交通状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711118220.4A CN107978148A (zh) | 2017-11-13 | 2017-11-13 | 一种基于多源交通数据动态可靠性的交通状态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107978148A true CN107978148A (zh) | 2018-05-01 |
Family
ID=62013428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711118220.4A Withdrawn CN107978148A (zh) | 2017-11-13 | 2017-11-13 | 一种基于多源交通数据动态可靠性的交通状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107978148A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108777064A (zh) * | 2018-05-24 | 2018-11-09 | 深圳市益鑫智能科技有限公司 | 一种基于信息融合的交通状态评估系统 |
CN108877272A (zh) * | 2018-08-02 | 2018-11-23 | 哈尔滨工程大学 | 一种基于目的地状态的车辆导航系统和导航方法 |
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 |
CN112614336A (zh) * | 2020-11-19 | 2021-04-06 | 南京师范大学 | 一种基于量子随机游走的交通流模态拟合方法 |
CN113920726A (zh) * | 2021-09-30 | 2022-01-11 | 东南大学 | 一种大型活动道路交通运行的多源风险叠加分级方法 |
CN113920721A (zh) * | 2021-09-18 | 2022-01-11 | 东南大学 | 一种城市道路交通运行的多源风险叠加方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903430A (zh) * | 2014-04-14 | 2014-07-02 | 东南大学 | 一种采用多源同构数据的行程时间动态融合预测方法 |
KR101541500B1 (ko) * | 2014-02-07 | 2015-08-03 | 부산대학교 산학협력단 | 교통 정체 변화 판별 시스템 및 방법 |
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
- 2017-11-13 CN CN201711118220.4A patent/CN107978148A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101541500B1 (ko) * | 2014-02-07 | 2015-08-03 | 부산대학교 산학협력단 | 교통 정체 변화 판별 시스템 및 방법 |
CN103903430A (zh) * | 2014-04-14 | 2014-07-02 | 东南大学 | 一种采用多源同构数据的行程时间动态融合预测方法 |
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 |
Non-Patent Citations (1)
Title |
---|
崔青华等: "基于ARIMA-GARCH模型的城市主干道行程时间时变置信区间预测", 《东南大学学报(英文版)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108777064A (zh) * | 2018-05-24 | 2018-11-09 | 深圳市益鑫智能科技有限公司 | 一种基于信息融合的交通状态评估系统 |
CN108877272A (zh) * | 2018-08-02 | 2018-11-23 | 哈尔滨工程大学 | 一种基于目的地状态的车辆导航系统和导航方法 |
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 |
CN112614336A (zh) * | 2020-11-19 | 2021-04-06 | 南京师范大学 | 一种基于量子随机游走的交通流模态拟合方法 |
CN113920721A (zh) * | 2021-09-18 | 2022-01-11 | 东南大学 | 一种城市道路交通运行的多源风险叠加方法 |
CN113920721B (zh) * | 2021-09-18 | 2022-07-15 | 东南大学 | 一种城市道路交通运行的多源风险叠加方法 |
CN113920726A (zh) * | 2021-09-30 | 2022-01-11 | 东南大学 | 一种大型活动道路交通运行的多源风险叠加分级方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107978148A (zh) | 一种基于多源交通数据动态可靠性的交通状态预测方法 | |
CN104157139B (zh) | 一种交通拥堵预测方法及可视化方法 | |
Nocera et al. | Assessing carbon emissions from road transport through traffic flow estimators | |
CN109886491A (zh) | 一种海量运行数据驱动的地面公交两阶段优化调度方法 | |
Ma et al. | Short-term traffic flow forecasting by selecting appropriate predictions based on pattern matching | |
CN106448132A (zh) | 一种常规公交服务指数实时评价系统及评价方法 | |
CN106682812B (zh) | 综合运输体系客运方式分担率-距离转移曲线确定方法 | |
EP3608850A1 (en) | Energy management device, model management method and computer program | |
KR101742043B1 (ko) | 교통수단분담 예측 장치, 방법 및 교통수단분담 예측을 위한 프로그램을 저장하는 저장매체 | |
Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
Xiao et al. | Evaluation of urban taxi-carpooling matching schemes based on entropy weight fuzzy matter-element | |
CN105678036A (zh) | 公交车辆在公交站点停靠时间的测算方法及系统 | |
Chen et al. | Applying Artificial Intelligence and Deep Belief Network to predict traffic congestion evacuation performance in smart cities | |
CN114187766B (zh) | 一种基于饱和率的道路服务水平评价方法 | |
CN112418696A (zh) | 城市交通动态知识图谱的构建方法及装置 | |
CN112419131A (zh) | 交通起讫点需求估算方法 | |
CN113205698A (zh) | 一种基于igwo-lstm的短时交通流预测的导航提醒方法 | |
CN110796317A (zh) | 一种基于需求预测的城市出租车调度方法 | |
Yang et al. | Dynamic origin-destination matrix estimation based on urban Rail transit AFC data: deep optimization framework with forward passing and backpropagation techniques | |
Khetarpaul et al. | Bus arrival time prediction using a modified amalgamation of fuzzy clustering and neural network on spatio-temporal data | |
Chen et al. | Online eco-routing for electric vehicles using combinatorial multi-armed bandit with estimated covariance | |
CN111723871B (zh) | 一种公交车实时车厢满载率的估算方法 | |
CN109409563A (zh) | 一种公交运营车辆实时人数的分析方法、系统和存储介质 | |
CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
Hu et al. | A study on urban road traffic safety based on matter element analysis |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180501 |
|
WW01 | Invention patent application withdrawn after publication |