CN108091132B - 一种交通流量预测方法及装置 - Google Patents
一种交通流量预测方法及装置 Download PDFInfo
- Publication number
- CN108091132B CN108091132B CN201611036110.9A CN201611036110A CN108091132B CN 108091132 B CN108091132 B CN 108091132B CN 201611036110 A CN201611036110 A CN 201611036110A CN 108091132 B CN108091132 B CN 108091132B
- Authority
- CN
- China
- Prior art keywords
- traffic
- road
- predicted
- traffic flow
- event
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000011144 upstream manufacturing Methods 0.000 claims description 17
- 206010039203 Road traffic accident Diseases 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 4
- 239000010410 layer Substances 0.000 description 29
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- 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
-
- 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
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
-
- 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)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通流量预测方法，包括：接收铺设在待预测道路上的各传感线圈采集的交通流量信息；利用当前交通流量信息及历史交通流量信息，得到交通事件识别结果；基于接收的交通流量信息及所述交通事件识别结果，对所述道路的交通流量进行预测。本发明同时还公开了一种交通流量预测装置。
Description
技术领域
本发明涉及物联网技术，尤其涉及一种交通流量预测方法及装置。
背景技术
交通事件是指是指高速公路上影响交通安全和畅通的偶发性事件，如车辆交通事故、故障停车、管制等。交通事件对道路交通存在着严重的影响，有报道表明，60％的交通阻塞是由交通事件引起的非周期性拥挤造成的，并在逐年急剧增长。因此，对交通事件进行检测，同时对交通事件引发的交通流量的变化进行预测，对道路通行效率的提升有重要的影响。
然而，现有的交通事件检测和交通流量预测主要基于视频文件进行，那就需要在道路上布设多个摄像头，每个摄像头将视频文件传输至平台，然后根据视频文件进行直观分析，从而得到交通事件，并对交通流量进行预测，但是这种预测方法的预测精度较低。
现有的技术方案主要利用道路线圈传感器，采集交通流量信息，基于历史和当前的交通流量，运用神经网络、隐马尔可夫模型(HMM，Hidden Markov Model)等模型对一段时间后的交通流量进行预测和分析。当前方案只能对短时间的交通流量进行预测，如5-15分钟，对于长时间的交通流量预测，需要积累大量的历史数据，且预测精度较差。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种交通流量预测方法及装置。
本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种交通流量预测方法，包括：
接收铺设在待预测道路上的各传感线圈采集的交通流量信息；
利用当前交通流量信息及历史交通流量信息，得到交通事件识别结果；
基于接收的交通流量信息及所述交通事件识别结果，对所述道路的交通流量进行预测。
上述方案中，所述利用当前交通流量信息及历史交通流量信息，得到交通事件识别结果，包括：
利用当前交通流量信息及历史交通流量信息，确定所述待预测道路的交通参数；所述交通参数包括交通流量、交通流平均速度及时间占有率；所述时间占有率为所述待预测道路上的传感器线圈被车辆占用的时间总和与观测时长的比值；
从确定的交通参数中筛选出符合预设规则的交通参数；
从筛选出的交通参数中提取特征参数；
利用提取的特征参数，基于建立的交通事件识别模型，对所述待预测道路的交通事件进行识别。
上述方案中，所述利用提取的特征参数，基于建立的交通事件识别模型，对所述待预测道路的交通事件进行识别之前，所述方法还包括：
基于朴素贝叶斯方法建立所述交通事件识别模型。
上述方案中，所述基于接收的交通流量信息及所述交通事件识别结果，对所述道路的交通流量进行预测，包括：
当所述交通识别结果表征所述待预测道路上未发生交通事件时，利用接收的交通流量信息，基于机器学习方法，对所述待预测道路的交通流量进行预测；
或者，
当所述交通识别结果表征所述待预测道路上发生交通事件时，基于发生的交通事件类型，对所述待预测道路进行区域划分；基于接收的交通流量信息对划分的区域进行交通流量预测。
上述方案中，所述利用接收的交通流量信息，基于机器学习方法，对所述待预测道路的交通流量进行预测，包括：
利用接收的交通流量信息，基于BP神经网络模型或HMM，对所述待预测道路的交通流量进行预测。
上述方案中，所述基于发生的交通事件类型，对所述待预测道路进行区域划分，包括：
当交通事件类型表征所述待预测道路发生交通管制时，以交通管制发生地点将所述待预测道路划分成上游和下游区域；
相应地，所述基于接收的交通流量信息对划分的区域分别进行交通流量预测，包括：
利用交通管制的特点，基于接收的交通流量信息对所述上游和下游区域分别进行交通流量预测。
上述方案中，所述基于发生的交通事件类型，对所述待预测道路进行区域划分，包括：
当交通事件类型表征所述待预测道路发生交通事故或道路施工事件时，基于采集的交通流量信息，确定事件在所述待预测路道上的影响区域；
相应地，所述基于接收的交通流量信息对划分的区域进行交通流量预测，包括：
针对所述影响区域，利用事件发生时的交通流量信息和历史交通流量信息，基于BP神经网络模型或HMM进行交通流量预测。
上述方案中，所述基于发生的交通事件类型，对所述待预测道路进行区域划分，包括：
当交通事件类型表征所述待预测道路发生交通拥堵事件时，基于所述交通事件识别结果，确定所述待预测道路的拥堵路段；
相应地，所述基于接收的交通流量信息对划分的区域进行交通流量预测，包括：
针对所述拥堵路段，利用事件发生时的交通流量信息和历史交通流量信息，基于BP神经网络模型或HMM进行交通流量预测。
上述方案中，所述基于发生的交通事件类型，对所述待预测道路进行区域划分，包括：
当交通事件类型表征所述待预测道路及周围发生社会活动时，基于事件发生处的平均速度，确定事件在在所述待预测路道上的影响区域；
相应地，所述基于接收的交通流量信息对划分的区域进行交通流量预测，包括：
针对所述影响区域，基于利用事件发生时的交通流量信息和历史交通流量信息，基于BP神经网络模型或HMM进行交通流量预测。
上述方案中，所述方法还包括：
当所述交通事件识别结果表征所述待预测道路上有交通事件发生时，发送交通事件和预测的交通流量，对相关车辆进行预警。
上述方案中，所述发送交通事件和预测的交通流量，包括：
将交通事件和预测的交通流量发送至能够与所述待预测道路上的第一路侧单元进行通信的车辆；
和/或，将交通事件和预测的交通流量发送至基站，以下发至与所述待预测道路关联的其它道路上的第二路侧单元，以对相应的车辆进行预警。
本发明实施例还提供了一种交通流量预测装置，包括：
接收单元，用于接收铺设在待预测道路上的各传感线圈采集的交通流量信息；
识别单元，用于利用当前交通流量信息及历史交通流量信息，得到交通事件识别结果；
预测单元，用于基于接收的交通流量信息及所述交通事件识别结果，对所述道路的交通流量进行预测。
上述方案中，所述识别单元，具体用于：
利用当前交通流量信息及历史交通流量信息，确定所述待预测道路的交通参数；所述交通参数包括交通流量、交通流平均速度及时间占有率；所述时间占有率为所述待预测道路上的传感器线圈被车辆占用的时间总和与观测时长的比值；
从确定的交通参数中筛选出符合预设规则的交通参数；
从筛选出的交通参数中提取特征参数；
利用提取的特征参数，基于建立的交通事件识别模型，对所述待预测道路的交通事件进行识别。
上述方案中，所述预测单元，具体用于：
当所述交通识别结果表征所述待预测道路上未发生交通事件时，利用接收的交通流量信息，基于机器学习方法，对所述待预测道路的交通流量进行预测；
或者，
当所述交通识别结果表征所述待预测道路上发生交通事件时，基于发生的交通事件类型，对所述待预测道路进行区域划分；基于接收的交通流量信息对划分的区域进行交通流量预测。
上述方案中，所述装置还包括：预警单元，用于当所述交通事件识别结果表征所述待预测道路上有交通事件发生时，发送交通事件和预测的交通流量，对相关车辆进行预警。
本发明实施例提供的交通流量预测方法及装置，接收铺设在待预测道路上的各传感线圈采集的交通流量信息；利用当前交通流量信息及历史交通流量信息，得到交通事件识别结果；基于接收的交通流量信息及所述交通事件识别结果，对所述道路的交通流量进行预测，利用传感线圈采集的交通流量信息进行交通流量预测，无需传输大量数据，减轻了网络负担，同时，在进行交通流量预测时引入了交通事件信息，如此，能提高预测的准确性。
附图说明
在附图(其不一定是按比例绘制的)中，相似的附图标记可在不同的视图中描述相似的部件。具有不同字母后缀的相似附图标记可表示相似部件的不同示例。附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。
图1为本发明实施例一交通流量预测的方法流程示意图；
图2为本发明实施例二系统架构示意图；
图3为本发明实施例二交通流量预测的方法流程示意图；
图4为朴素贝叶斯分类的流程示意图；
图5为BP神经网络算法中的前馈多层网络的结构示意图；
图6为三个状态的HMM状态转移示意图；
图7为本发明实施例三交通流量预测装置结构示意图。
具体实施方式
下面结合附图及实施例对本发明再作进一步详细的描述。
目前主要通过对视频文件(路面传感器采集当前和历史交通流量信息)进行运用相应的统计和预测，从而对交通流量进行预测，所以这种预测方式是直观分析方法。正是由于是根据视频文件中的车辆状况直观进行分析，所以这种预测方式的预测精度是比较低的。而且，这种预测方式只能对短时间的交通流量进行预测，如5-15分钟，对于长时间的交通流量预测，需要积累大量的历史数据(很多视频文件)。
另外，交通事件对交通流产生更为直接的影响，因此将交通事件作为交通流量预测的输入，能够更加直观的对交通流量进行预测。
基于此，在本发明的各种实施例中：接收铺设在待预测道路上的各传感线圈采集的交通流量信息；利用当前交通流量信息及历史交通流量信息，得到交通事件识别结果；基于接收的交通流量信息及所述交通事件识别结果，对所述道路的交通流量进行预测。
实施例一
本发明实施例交通流量预测的方法，如图1所示，包括以下步骤：
步骤101：接收铺设在待预测道路上的各传感线圈采集的交通流量信息；
步骤102：利用当前交通流量信息及历史交通流量信息，得到交通事件识别结果；
具体地，利用当前交通流量信息及历史交通流量信息，确定所述待预测道路的交通参数；所述交通参数包括交通量、交通流平均速度及时间占有率；所述时间占有率为所述待预测道路上的传感器线圈被车辆占用的时间总和与观测时长的比值；
从确定的交通参数中筛选出符合预设规则的交通参数；
从筛选出的交通参数中提取特征参数；
利用提取的特征参数，基于建立的交通事件识别模型，对所述待预测道路的交通事件进行识别。
其中，所述交通量是指：单位时间内通过传感线圈的车辆数目。单位为辆/h。
所述交通流平均速度是指：车辆经过传感线圈上的平均速度。
从确定的交通参数中筛选出符合预设规则的交通参数是指：筛选出没有交通事件发生和发生拥堵、交通事故、交通管制等各种交通事件时的交通参数。
这里，在一实施例中，所述利用提取的特征参数，基于建立的交通事件识别模型，对所述待预测道路的交通事件进行识别之前，该方法还可以包括：
基于朴素贝叶斯方法建立所述交通事件识别模型。
其中，朴素贝叶斯方法的基本思想为：对于待分类项，求解在此项出现的条件下各个类别出现的概率，在某个类别下出现的概率最大，则认为待分类项属于该类别。
步骤103：基于接收的交通流量信息及所述交通事件识别结果，对所述道路的交通流量进行预测。
具体地，当所述交通识别结果表征所述待预测道路上未发生交通事件时，利用接收的交通流量信息，基于机器学习方法，对所述待预测道路的交通流量进行预测；
或者，
当所述交通识别结果表征所述待预测道路上发生交通事件时，基于发生的交通事件类型，对所述待预测道路进行区域划分；基于接收的交通流量信息对划分的区域进行交通流量预测。
其中，所述利用接收的交通流量信息，基于机器学习方法，对所述待预测道路的交通流量进行预测，具体包括：
利用接收的交通流量信息，基于BP神经网络模型或HMM，对所述待预测道路的交通流量进行预测。
实际应用时，道路上会出现不同类型的交通事件，所以要针对不同类型的交通事件，去对交通流量进行预测，能够对更长时间后的交通流量进行准确预测。
基于此，所述基于发生的交通事件类型，对所述待预测道路进行区域划分；基于接收的交通流量信息对划分的区域分别进行交通流量预测，具体包括：
当交通事件类型表征所述待预测道路发生交通管制时，以交通管制发生地点将所述待预测道路划分成上游和下游区域；利用交通管制的特点，基于接收的交通流量信息对所述上游和下游区域分别进行交通流量预测；
当交通事件类型表征所述待预测道路发生交通事故或道路施工事件时，基于采集的交通流量信息，确定事件在所述待预测路道上的影响区域；针对所述影响区域，利用事件发生时的交通流量信息和历史交通流量信息，基于BP神经网络模型或HMM进行交通流量预测；
当交通事件类型表征所述待预测道路发生交通拥堵事件时，基于所述交通事件识别结果，确定所述待预测道路的拥堵路段；针对所述拥堵路段，利用事件发生时的交通流量信息和历史交通流量信息，基于BP神经网络模型或HMM进行交通流量预测；
当交通事件类型表征所述待预测道路及周围发生社会活动时，基于事件发生处的平均速度，确定事件在在所述待预测路道上的影响区域；针对所述影响区域，基于利用事件发生时的交通流量信息和历史交通流量信息，基于BP神经网络模型或HMM进行交通流量预测。
其中，当基于BP神经网络模型或HMM进行交通流量预测时，首先利用历史交通流量信息，进行主成分分析(即提取特征值，包括交通量、交通流平均速度以及时间占有率)，得到特征值，然后利用这些特征值所形成的训练集对对BP神经网络模型或HMM进行训练，得到训练后的模型；接着将交通事件发生时的交通参数输入至模型中，以进行交通流量预测。
实际应用时，当所述交通事件识别结果表征所述待预测道路上有交通事件发生时，可以发送交通事件和预测的交通流量，以便对相关车辆进行预警，避免进入交通拥堵路段，提升用户体验。
具体地，可以将交通事件和预测的交通流量发送至能够与所述待预测道路上的路侧单元进行通信的车辆；
并可以将交通事件和预测的交通流量发送至基站，以下发至与所述待预测道路关联的其它道路上的路侧单元，以对相应的车辆进行预警。
这里，所述待预测道路上的路测单元可以根据交通事件和预测的交通流量，并结合其它路测单元发送的交通事件和预测的交通流量信息，提醒车辆可以选择其它道路进行避让。
本发明实施例提供的交通流量预测方法，接收铺设在待预测道路上的各传感线圈采集的交通流量信息；利用当前交通流量信息及历史交通流量信息，得到交通事件识别结果；基于接收的交通流量信息及所述交通事件识别结果，对所述道路的交通流量进行预测，利用传感线圈采集的交通流量信息进行交通流量预测，无需传输大量数据，减轻了网络负担，同时，在进行交通流量预测时引入了交通事件信息，如此，能提高预测的准确性。
另外，当所述交通事件识别结果表征所述待预测道路上有交通事件发生时，可以发送交通事件和预测的交通流量，对相关车辆进行预警，当有交通事件发生时，车辆能够及时躲避拥堵路段，如此，提高了通行效率。
实施例二
在实施例一的基础上，本实施例对交通流量预测的过程进行详细描述。
图2为本发明实施例的系统架构示意图。从图2中可以看出，本发明实施例的方案是：传感线圈将采集到的交通流量信息传递至路侧单元(RSU)，RSU基于接收的信息确定交通事件信息和预测交通流量，并将相应的信息下发至车辆。
图3为本实施例交通流量预测的流程示意图。结合图3，本实施例交通流量预测的过程，包括以下步骤：
步骤301：传感线圈采集道路的交通流量信息，并将交通流量信息发送RSU；
这里，目前，道路上一般都铺设有传感线圈，当有车辆经过传感线圈时，传感线圈的信号被触发，传感线圈将有车辆经过的信息记录下来，同时能记录车辆经过传感线圈所用的时间，从而得到交通流量信息；进而可以计算出车辆的运动速度和时间占有率。
传感线圈均配备有通信设备，通过通信设备将记录的信息发送至RSU。
步骤302：RSU基于接收到的传感线圈数据，对交通事件进行判断，得到交通事件识别结果；
具体地，首先，RSU利用当前交通流量信息及历史交通流量信息，确定所述待预测道路的交通参数；所述交通参数包括交通量、交通流平均速度及时间占有率；换句话说，RSU接收到传感线圈的数据后，即可对交通量、平均速度、时间占有率参数进行计算，具体地：
(1)交通量
交通量是指单位时间内通过道路某一地点或某一截面的实际车辆数，在本发明实施例中，交通量为通过传感线圈的车辆数目。交通量分为日交通量、小时交通量等，在本实施例中，交通量的单位为辆/h。
(2)交通流平均速度
通常交通流平均速度分为在特定地点的时间平均速度和在特定路段上的区间平均速度。其中，时间平均速度是指在观测时间内通过某断面所有车辆瞬时速度的算术平均值，区间平均速度是指观测距离与车辆通过该观测距离所用平均行程时间的商。前者体现了交通流在特定观测地点处的运行状况，后者体现了交通流在特定路段空间上的运行状况。当这两种速度值明显低于正常值时，表明观测地点或观测路段的交通处有交通事件发生。
在本实施例中，交通流平均速度是指车辆经过传感线圈上的平均速度。
(3)时间占有率
时间占有率是指在一定的观测时间T内，传感线圈被车辆占用的时间总和与观测时间长度的比值，计算公式为occupy＝∑Δti/T。
其中，Δti为第i辆车占用传感线圈的时间，T为观测时间段的长度。
时间占有率的大小能够体现交通运行的状态。具体地，在交通流量较小的情况下，单位时间内通过传感线圈的车辆数较少，而且由于车速较高，所以时间占有率比较低。随着交通流量的增加，单位时间内通过传感线圈的车辆数增加，且车速有所降低，因此传感线圈被车辆占用的时间增加，时间占有率会显著增加。当出现交通事件时，通过传感线圈的交通量虽然可能会有所降低，但由于车速明显下降而使得时间占有率仍然处于较高的水平。对于每一条路段，计算其所有传感线圈上的时间占有率。
接着，计算得出交通流量、平均速度和时间占有率后，基于每个传感线圈所在道路断面上的数据，对是否发生交通事件、交通事件的类型进行判断，具体包括：
1、筛选出没有交通事件发生和发生拥堵、交通事故、道路管制等各种交通事件时的交通参数；
2、基于筛选出的交通参数(多种数据)进行特征提取；
这里，本发明实施例选取待预测道路断面的平均速度、时间占有率占有率和交通量作为特征参数，但对于判定交通状态来说，这些特征参数之间是有一定关联性的，有可能包含了冗余与重复的信息，而且参数过多会增加计算的复杂度。因此需要对这些交通特征参数进行处理和提炼，即进行特征提取，以达到降低交通数据维数、减少计算复杂。
本发明实施例选取主成分分析法进行特征提取。特征提取的要求是：选取的主成分贡献率不低于95％。
主成分分析的计算过程主要包括：
1)特征中心化；
具体地，首先列出n个数据特征值，得到矩阵A(n列)，分别求出每个列数据平均值；对每列数据都减去其平均值，得到矩阵B(n列)。
2)求向量矩阵B的特征协方差矩阵C；
这里，协方差(i,j)＝(第i列的所有元素-第i列的均值)*(第j列的所有元素-第j列的均值)。
3)计算协方差矩阵C的特征值和特征向量；
4)选取大的特征值对应的特征向量，得到新的数据集；
这里，特征值是由大到小排列的，当前几个特征值的和超过了所有特征值之和的95％时即可选择前几个特征值及其对应的特征向量。
5)根据选择的特征向量得出降维后的影响因子。
Y1＝(n个特征值)x(x11，x21…xn1)
Y2＝(n个特征值)x(x12，x22…xn2)
…
Yn＝(n个特征值)x(x1n，x2n…xnn)
换句话说，得到样本数据的特征提取结果，以便进行后续的交通事件识别。
3、基于建立的交通事件识别模型，进行交通事件识别。
这里，首先要建立交通事件模型，将样本数据的特征提取的结果作为模型的输入、交通事件的类型作为模型的输出，建立交通事件识别模型。
具体可以利用朴素贝叶斯方法建立交通事件识别模型。
其中，朴素贝叶斯的思想为：对于待分类项，求解在此项出现的条件下各个类别出现的概率，在某个类别下出现的概率最大，则认为待分类项属于该类别。
朴素贝叶斯分类的定义如下：
(1)设x＝{a1，a2，...，am}为一个待分类项，而每个a为x的一个特征属性；
(2)有类别集合C＝{y1，y2，...，yn}。
(3)计算P(y1|x)，P(y2|x)，...，P(yn|x)。
(4)如果P(yk|x)＝max{P(y1|x)，P(y2|x)，...，P(yn|x)}，则x∈yk。
其中，对于第3步中的条件概率，可以采取以下计算方法：
1、找到一个已知分类的待分类项集合，这个集合叫做训练样本集；
2、统计得到在各类别下各个特征属性的条件概率估计，即
P(a1|y1)，P(a2|y1)，...，P(am|y1)；P(a1|y2)，P(a2|y2)，...，P(am|y2)；...；P(a1|yn)，P(a2|yn)，...，P(am|yn)。
3、如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：
这里，由于分母对于所有类别为常数，因为只需要将分子最大化皆可。又因为各特征属性是条件独立的，所以有：
从上面的描述中可以看出，朴素贝叶斯分类的流程可以由图4所示，包括：
步骤401：确定特征属性；
步骤402：获取训练样本；
步骤403：对每个类别分别计算P(yi)；
步骤404：对每个特征属性计算所有划分的条件概率；
步骤405：对每个类别分别计算P(x|yi)P(yi)；
步骤406：以P(x|yi)P(yi)最大项作为x所属类别。
步骤303：基于采集的交通流量信息及交通事件识别结果(交通事件信息)，进行交通流量预测；
这里，不同的交通事件对当前交通情况会产生不同的影响，如发生交通管制时，当前道路不允许车辆行驶，会造成管制路段上游短时间内的交通流量增加、而管制路段交通流量减小的情况，当道路管制解除时，交通情况很快恢复；如果不考虑交通事件造成的影响，用历史交通流量信息对当前交通流量进行预测，在这种情况下会出现非常大的误差。因此，将不同交通事件导致的交通流量的变化情况进行分析，并将分析结果应用于交通流量预测，能够对交通流量进行更为精确的预测，同时能够预测较长时间后的交通流量。
交通流量预测的具体方法包括：
首先，统计不同交通事件的特点、以及对交通流量造成的影响；
这里，实际应用时，可以利用传感线圈采集的数据，将不同的交通事件信息进行分类和统计，将不同的交通事件造成的交通流量的变化进行分析和总结。将常见的交通事件及其造成的影响进行梳理如表1所示。
表1
接着，在上面的统计的基础上，就可以基于对交通事件的识别结果和不同交通事件对交通流的影响，对交通流量进行预测了，下面分情况详细说明。
(1)当道路上没有交通事件发生时，可以利用交通流量信息，直接使用BP神经网络模型或HMM对交通流量进行预测；
(2)当道路上有交通事件发生时，基于交通事件的类型，对道路进行区域划分，然后对划分的区域进行交通流量的预测和计算。
1、当发生交通管制时，以道路管制发生地点为界限，分为管制发生点的上游和下游，分别在上、下游对交通流量进行预测。
这里，根据表1可以得到：道路管制截断了交通流，使得下游车辆不受道路交通管制的影响，所以预测下游车辆继续以当前速度行驶，交通流量逐渐降为0，且下游由于管制的作用车辆无法通行；上游在短时间内交通流量突然增大，车辆平均速度降低至0，上游区域流量预测过程包括：假设原有道路交通流量为M，平均速度为V，车辆平均减速度为a，那么上游车辆由于道路管制速度逐渐降低为0，即在时间t＝V/a内车辆速度逐渐降低为0，且经过时间t后道路上预测交通流量从当前流量M逐渐达到该道路设计的流量最大值，时间占有率为1。
2、发生交通事故或道路施工时，从表1可以得出：这种情况的特点一般是由于交通事故或者道路施工占用了一条或者两条车道的一部分路面，使得其他车辆必须绕行通过，由于车辆需要绕行通过，事件发生点上游车辆运行速度降低，下游都由于车流量减少，使得行车速度逐渐增大；即事件发生点周边的速度降低、流量增大，其余道路流量基本不受影响，且当道路初始交通流量大小不同时，由于交通事故或者道路施工造成的流量增大的范围大小也不尽相同。
因此在进行交通流量预测时，首先根据道路初始交通流量对受到影响的范围(影响区域)进行确定。具体地，收集不同初始交通流量下的交通参数信息，每隔一段距离计算道路断面上的交通参数，假定道路初始交通流量为M，道路断面上的交通流量为P，如果从某一断面X开始P<0.8M，那么从X断面开始的道路开始受到交通事件的影响。从X断面沿着道路向后继续比较P和0.8M，如果到Y断面使得P超过了0.8M，那么Y断面即为影响范围的另一界限，因此道路断面X到Y即为受到交通事件影响的范围，在该范围内交通流量受到交通事件的影响，流量先逐渐增大，再逐渐减小，在该范围之外的其他区域中的交通流量不受交通事件的影响。
接着，对影响范围即[X,Y]范围内的交通流量进行预测。首先收集同等初始交通流量的情况下的历史交通流量参数，对数据进行主成分分析，然后选取训练集对BP神经网络模型或HMM进行训练，得到训练后的模型，然后将本次交通事件发生时的交通参数输入至BP神经网络模型或HMM中，对一段时间后的交通流量进行预测，即可得到交通流量预测值。
3、发生交通拥堵时，根据表1可以得到：道路整体的交通流量增大，平均速度降低，此时需要对拥堵路段进行交通流量预测。首先根据交通事件识别的结果对拥堵路段进行划分，划分方法是比较车辆的平均速度，如果连续几个断面的车辆平均速度小于其下游道路断面平均速度的70％，那么该断面即视为交通拥堵的起始点。得到道路拥堵的范围后，然后对拥堵路段范围内的交通流量进行预测。在预测的过程中，首先采集交通拥堵历史数据和当前交通拥堵数据，基于BP神经网路模型或HMM建立预测模型，然后根据当前交通参数对一段时间后的交通流量进行预测，得到拥堵路段的交通流量预测值。
4、当道路及其周边有社会活动发生时，根据表1可以得到：经过活动发生地点的车辆会降低行驶速度，导致交通流量增大。因此需要确定道路活动的影响范围。道路活动影响范围的划定方法为：取交通事件发生处的平均速度值作为基准，向事件发生的上下游进行延伸，如果上下游传感线圈处的平均速度与事件地点平均速度差值在30％以内，则该地点属于交通事件影响范围内，如果平均速度差值超出30％，则不属于交通事件影响范围。以此为标准，将道路划分为三段，并分别进行交通流量的预测。在交通事件发生点中心附近的路段上，交通流量受到道路活动的影响，对该范围内的交通流量进行单独预测，采集车辆历史交通流量、当前交通流量等信息，对BP神经网络模型或HMM进行训练，得到预测模型后，即可对一段时间后的交通流量进行预测。
其中，使用BP神经网络进行交通流量预测时，将道路历史交通流量、平均速度、道路当前交通流量、平均速度等作为模型的输入，建立多层神经网络，并对神经网络各层参数进行设置，以对后续一段时间的交通流量进行预测。
BP神经网络算法是用于前馈多层网络的学习算法，前馈多层网络的结构一般如图5所示。从图5中可以看出，它含有输入层、输出层以及处于输入输出层之间的中间层。中间层有单层或多层，由于它们和外界没有直接的联系，因此也称为隐层。在隐层中的神经元也称隐单元。隐层虽然和外界不连接，但是它们的状态则影响输入输出之间的关系。这也是说，改变隐层的权系数，可以改变整个多层神经网络的性能。
设有一个m层的神经网络，并在输入层加有样本X；设第k层的i神经元的输入总和表示为Uik，输出Xik；从第k-1层的第j个神经元到第k层的第i个神经元的权系数为Wij，各个神经元的激发函数为f，则各个变量的关系可用下面有关数学式表示：
BP神经网络算法分两步进行，即正向传播和反向传播。这两个过程的工作简述如下：
正向传播：输入的样本从输入层经过隐单元一层一层进行处理，通过所有的隐层之后，则传向输出层；在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响。在输出层把现行输出和期望输出进行比较，如果现行输出不等于期望输出，则进入反向传播过程。
反向传播：反向传播时，把误差信号按原来正向传播的通路反向传回，并对每个隐层的各个神经元的权系数进行修改，以望误差信号趋向最小。
对于HMM，是一种统计模型，用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数，然后利用这些参数来作进一步的分析。图6是一个三个状态的HMM状态转移图。其中x表示隐含状态，y表示可观察的输出，a表示状态转换概率，b表示输出概率。
HMM中假设，每个状态的转移只依赖于之前的n个状态，这个过程被称为1个n阶的模型，其中n是影响转移状态的数目。最简单的马尔科夫过程就是一阶过程，每一个状态的转移只依赖于其之前的那一个状态
马尔可夫链是随机变量X1,…,Xn的一个数列。这些变量的范围，即他们所有可能取值的集合，被称为“状态空间”，而Xn的值则是在时间n的状态。如果Xn+1对于过去状态的条件概率分布仅是Xn的一个函数，则
P(Xn+1＝x|X0，...，Xn)＝P(Xn+1＝x|Xn)
这里，x为过程中的某个状态，上面这个恒等式可以被看作是马尔可夫性质。
步骤304：当有交通事件发生时，RSU将交通事件和预测的交通流量发送至基站，以便能发送给与待预测道路相关的其它道路上的RSU；
具体地，当有交通事件发生时，RSU将信息上传至基站，并通过基站向其他RSU发送。
其中，基站收到信息后，根据道路地图信息，将道路交通事件和交通流量信息发送至该道路的其它RSU，并且将信息发送至有连接关系的其它道路上的相关RSU。
步骤305：RSU将交通事件和预测的交通流量发送给周边的车辆，进行预警。
这里，实际应用时，RSU收到当前路段前方由于交通事故发生了拥堵或者交通运行缓慢时，根据当前道路的交通情况，判断是否将拥堵或者交通缓慢信息进行广播。
具体来说，当RSU接收到本路段上交通事件、交通拥堵等信息时，立即将该信息广播给本路段车辆，提醒车辆前方发生交通事件，注意避让，避免二次事故的发生。其中，RSU还可以根据接收的其他道路上的信息，提醒车辆可以选择其它道路进行避让。
那么对于其它RSU，收到信息后，可以根据当前道路上的交通流量判断是否对该信息广播给本道路上的车辆，具体来说，假定发生交通事件道路上的交通流量为R，本道路上平均交通流量为Q，如果Q<0.5R，说明本道路上的车辆较少，在较少的车辆中会去往发生交通事件的道路上的车辆将更少，因此不对信息进行广播，以免对驾驶员造成不必要的干扰；如果Q>＝0.5R，那么在本道路上会有相当一部分车辆驶向发生了交通事件的道路，那么路侧设备需要对该信息进行广播，提醒驾驶员选择其他道路行驶，避免进入交通拥堵路段。
综上所述，本发明实施例提供的方案，主要利用道路传感线圈，采集交通流量信息，基于历史和当前的交通流量，运用BP神经网络、HMM等模型对一段时间后的交通流量进行预测和分析。其中，针对交通流量预测，引入交通事件作为交通流量预测的输入值，基于交通事件的类型和持续时间(通过采集的交通流量信息体现)预测较长时间后的交通流量。
具体地，传感线圈采集道路交通流量等参数，并通过车辆对车辆(V2X)装置将信息传递至RSU，RSU接收到附近路段上所有传感线圈的数据后，对数据进行统一分析和计算，首先计算出道路上是否发生了交通事件，如果发生了交通事件，则判断交通事件的类型、该交通事件可能的持续时间，然后将交通事件判断结果作为交通流量预测的输入值，对该路段的交通流量进行预测。
在判断交通事件影响时间时，将当前交通事件的类型、当前平均速度、交通量、时间占有率等参数与历史数据进行比较，基于历史数据给出影响时间，再将该影响时间作为本次交通事件可能的影响时间。同时根据交通参数计算影响范围。将计算出的影响时间和影响范围作为交通流量预测的输入值，利用机器学习方法对交通流量进行预测。
当发生交通事件时，RSU通过V2X装置将交通流量预测结果和交通事件信息传递至周边车辆，提醒车辆及时绕行，避免通过缓慢或者拥堵路段。
本发明实施例提供的方案，利用传感线圈的检测数据对交通事件进行检测，避免了使用视频检测方法时对固定设施的投入，同时无需传输大量数据，减轻了网络负担。
在进行交通流量预测时引入交通事件信息，使交通流量的预测更加结合实际，提高预测准确性。
当有交通事件发生时，能够及时提醒周边车辆躲避拥堵路段，提高通行效率。
实施例三
为实现本发明实施例的方法，本实施例提供一种交通流量预测装置，可以设置在RSU中，如图7所示，该装置包括：
接收单元71，用于接收铺设在待预测道路上的各传感线圈采集的交通流量信息；
识别单元72，用于利用当前交通流量信息及历史交通流量信息，得到交通事件识别结果；
预测单元73，用于基于接收的交通流量信息及所述交通事件识别结果，对所述道路的交通流量进行预测。
其中，所述识别单元72，具体用于：
利用当前交通流量信息及历史交通流量信息，确定所述待预测道路的交通参数；所述交通参数包括交通流量、交通流平均速度及时间占有率；所述时间占有率为所述待预测道路上的传感器线圈被车辆占用的时间总和与观测时长的比值；
从确定的交通参数中筛选出符合预设规则的交通参数；
从筛选出的交通参数中提取特征参数；
利用提取的特征参数，基于建立的交通事件识别模型，对所述待预测道路的交通事件进行识别。
这里，其中，所述交通量是指：单位时间内通过传感线圈的车辆数目。单位为辆/h。
所述交通流平均速度是指：车辆经过传感线圈上的平均速度。
从确定的交通参数中筛选出符合预设规则的交通参数是指：筛选出没有交通事件发生和发生拥堵、交通事故、交通管制等各种交通事件时的交通参数。
其中，在一实施例中，所述识别单元72，还用于基于朴素贝叶斯方法建立所述交通事件识别模型。
其中，朴素贝叶斯方法的基本思想为：对于待分类项，求解在此项出现的条件下各个类别出现的概率，在某个类别下出现的概率最大，则认为待分类项属于该类别。
所述预测单元73，具体用于：
当所述交通识别结果表征所述待预测道路上未发生交通事件时，利用接收的交通流量信息，基于机器学习方法，对所述待预测道路的交通流量进行预测；
或者，
当所述交通识别结果表征所述待预测道路上发生交通事件时，基于发生的交通事件类型，对所述待预测道路进行区域划分；基于接收的交通流量信息对划分的区域进行交通流量预测。
其中，所述利用接收的交通流量信息，基于机器学习方法，对所述待预测道路的交通流量进行预测，具体包括：
所述预测单元73利用接收的交通流量信息，基于BP神经网络模型或HMM，对所述待预测道路的交通流量进行预测。
实际应用时，道路上会出现不同类型的交通事件，所以要针对不同类型的交通事件，去对交通流量进行预测，能够对更长时间后的交通流量进行准确预测。
基于此，所述基于发生的交通事件类型，对所述待预测道路进行区域划分；对划分的区域分别进行交通流量预测，具体包括：
当交通事件类型表征所述待预测道路发生交通管制时，所述预测单元73以交通管制发生地点将所述待预测道路划分成上游和下游区域；所述预测单元73利用交通管制的特点，基于接收的交通流量信息对所述上游和下游区域分别进行交通流量预测；
当交通事件类型表征所述待预测道路发生交通事故或道路施工事件时，所述预测单元73基于采集的交通流量信息，确定事件在所述待预测路道上的影响区域；所述预测单元73针对所述影响区域，利用事件发生时的交通流量信息和历史交通流量信息，基于BP神经网络模型或HMM进行交通流量预测；
当交通事件类型表征所述待预测道路发生交通拥堵事件时，所述预测单元73基于所述交通事件识别结果，确定所述待预测道路的拥堵路段；所述预测单元73针对所述拥堵路段，利用事件发生时的交通流量信息和历史交通流量信息，基于BP神经网络模型或HMM进行交通流量预测；
当交通事件类型表征所述待预测道路及周围发生社会活动时，所述预测单元73基于事件发生处的平均速度，确定事件在在所述待预测路道上的影响区域；所述预测单元73针对所述影响区域，基于利用事件发生时的交通流量信息和历史交通流量信息，基于BP神经网络模型或HMM进行交通流量预测。
其中，当基于BP神经网络模型或HMM进行交通流量预测时，首先利用历史交通流量信息，进行主成分分析(即提取特征值，包括交通量、交通流平均速度以及时间占有率)，得到特征值，然后利用这些特征值所形成的训练集对对BP神经网络模型或HMM进行训练，得到训练后的模型；接着将交通事件发生时的交通参数输入至模型中，以进行交通流量预测。
实际应用时，当所述交通事件识别结果表征所述待预测道路上有交通事件发生时，可以发送交通事件和预测的交通流量，以便对相关车辆进行预警，避免进入交通拥堵路段，提升用户体验。
基于此，在一实施例中，该装置还可以包括：
预警单元，用于当所述交通事件识别结果表征所述待预测道路上有交通事件发生时，发送交通事件和预测的交通流量，对相关车辆进行预警。
具体地，所述预警单元可以将交通事件和预测的交通流量发送至能够与所述待预测道路上的路侧单元进行通信的车辆；
并可以将交通事件和预测的交通流量发送至基站，以下发至与所述待预测道路关联的其它道路上的路侧单元，以对相应的车辆进行预警。
这里，所述预警单元可以根据交通事件和预测的交通流量，并结合其它路测单元发送的交通事件和预测的交通流量信息，提醒车辆可以选择其它道路进行避让。
实际应用时，所述接收单元71可由交通流量预测装置中的V2X装置实现，所述识别单元72、预测单元73可由交通流量预测装置中的中央处理器(CPU，Central ProcessingUnit)、微处理器(MCU，Micro Control Unit)、数字信号处理器(DSP，Digital SignalProcessor)或可编程逻辑阵列(FPGA，Field－Programmable Gate Array)实现。所述预警单元可由交通流量预测装置中的CPU、MCU、DSP或FPGA结合V2X装置实现。
本发明实施例提供的方案，接收铺设在待预测道路上的各传感线圈采集的交通流量信息；利用当前交通流量信息及历史交通流量信息，得到交通事件识别结果；基于接收的交通流量信息及所述交通事件识别结果，对所述道路的交通流量进行预测，利用传感线圈采集的交通流量信息进行交通流量预测，无需传输大量数据，减轻了网络负担，同时，在进行交通流量预测时引入了交通事件信息，如此，能提高预测的准确性。
另外，当所述交通事件识别结果表征所述待预测道路上有交通事件发生时，可以发送交通事件和预测的交通流量，对相关车辆进行预警，当有交通事件发生时，车辆能够及时躲避拥堵路段，如此，提高了通行效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (12)
1.一种交通流量预测方法，其特征在于，所述方法包括：
接收铺设在待预测道路上的各传感线圈采集的交通流量信息；
利用当前交通流量信息及历史交通流量信息，得到交通事件识别结果；
基于接收的交通流量信息及所述交通事件识别结果，对所述道路的交通流量进行预测；其中，
所述基于接收的交通流量信息及所述交通事件识别结果，对所述道路的交通流量进行预测，包括：
当所述交通事件识别结果表征所述待预测道路上发生交通事件时，基于发生的交通事件类型，对所述待预测道路进行区域划分；基于接收的交通流量信息对划分的区域进行交通流量预测；
所述基于发生的交通事件类型，对所述待预测道路进行区域划分，包括：
当交通事件类型表征所述待预测道路发生交通管制时，以交通管制发生地点将所述待预测道路划分成上游和下游区域；
当交通事件类型表征所述待预测道路发生交通事故或道路施工事件时，基于采集的交通流量信息，确定事件在所述待预测道路上的影响区域；
当交通事件类型表征所述待预测道路发生交通拥堵事件时，基于所述交通事件识别结果，确定所述待预测道路的拥堵路段；
当交通事件类型表征所述待预测道路及周围发生社会活动时，基于事件发生处的平均速度，确定事件在所述待预测道路上的影响区域。
2.根据权利要求1所述的方法，其特征在于，所述利用当前交通流量信息及历史交通流量信息，得到交通事件识别结果，包括：
利用当前交通流量信息及历史交通流量信息，确定所述待预测道路的交通参数；所述交通参数包括交通流量、交通流平均速度及时间占有率；所述时间占有率为所述待预测道路上的传感器线圈被车辆占用的时间总和与观测时长的比值；
从确定的交通参数中筛选出符合预设规则的交通参数；
从筛选出的交通参数中提取特征参数；
利用提取的特征参数，基于建立的交通事件识别模型，对所述待预测道路的交通事件进行识别。
3.根据权利要求2所述的方法，其特征在于，所述利用提取的特征参数，基于建立的交通事件识别模型，对所述待预测道路的交通事件进行识别之前，所述方法还包括：
基于朴素贝叶斯方法建立所述交通事件识别模型。
4.根据权利要求1所述的方法，其特征在于，所述基于接收的交通流量信息对划分的区域进行交通流量预测，包括：
利用交通管制的特点，基于接收的交通流量信息对所述上游和下游区域分别进行交通流量预测。
5.根据权利要求1所述的方法，其特征在于，所述基于接收的交通流量信息对划分的区域进行交通流量预测，包括：
针对所述影响区域，利用事件发生时的交通流量信息和历史交通流量信息，基于BP神经网络模型或隐马尔可夫模型HMM进行交通流量预测。
6.根据权利要求1所述的方法，其特征在于，所述基于接收的交通流量信息对划分的区域进行交通流量预测，包括：
针对所述拥堵路段，利用事件发生时的交通流量信息和历史交通流量信息，基于BP神经网络模型或HMM进行交通流量预测。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述方法还包括：
当所述交通事件识别结果表征所述待预测道路上有交通事件发生时，发送交通事件和预测的交通流量，对相关车辆进行预警。
8.根据权利要求7所述的方法，其特征在于，所述发送交通事件和预测的交通流量，包括：
将交通事件和预测的交通流量发送至能够与所述待预测道路上的第一路侧单元进行通信的车辆；
和/或，将交通事件和预测的交通流量发送至基站，以下发至与所述待预测道路关联的其它道路上的第二路侧单元，以对相应的车辆进行预警。
9.一种交通流量预测装置，其特征在于，所述装置包括：
接收单元，用于接收铺设在待预测道路上的各传感线圈采集的交通流量信息；
识别单元，用于利用当前交通流量信息及历史交通流量信息，得到交通事件识别结果；
预测单元，用于基于接收的交通流量信息及所述交通事件识别结果，对所述道路的交通流量进行预测；其中，
所述预测单元，具体用于：
当所述交通事件识别结果表征所述待预测道路上发生交通事件时，基于发生的交通事件类型，对所述待预测道路进行区域划分；基于接收的交通流量信息对划分的区域进行交通流量预测；
所述预测单元，还用于：
当交通事件类型表征所述待预测道路发生交通管制时，以交通管制发生地点将所述待预测道路划分成上游和下游区域；
当交通事件类型表征所述待预测道路发生交通事故或道路施工事件时，基于采集的交通流量信息，确定事件在所述待预测道路上的影响区域；
当交通事件类型表征所述待预测道路发生交通拥堵事件时，基于所述交通事件识别结果，确定所述待预测道路的拥堵路段；
当交通事件类型表征所述待预测道路及周围发生社会活动时，基于事件发生处的平均速度，确定事件在所述待预测道路上的影响区域。
10.根据权利要求9所述的装置，其特征在于，所述识别单元，具体用于：
利用当前交通流量信息及历史交通流量信息，确定所述待预测道路的交通参数；所述交通参数包括交通流量、交通流平均速度及时间占有率；所述时间占有率为所述待预测道路上的传感器线圈被车辆占用的时间总和与观测时长的比值；
从确定的交通参数中筛选出符合预设规则的交通参数；
从筛选出的交通参数中提取特征参数；
利用提取的特征参数，基于建立的交通事件识别模型，对所述待预测道路的交通事件进行识别。
11.根据权利要求9或10所述的装置，其特征在于，所述装置还包括：预警单元，用于当所述交通事件识别结果表征所述待预测道路上有交通事件发生时，发送交通事件和预测的交通流量，对相关车辆进行预警。
12.一种存储介质，所述介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611036110.9A CN108091132B (zh) | 2016-11-22 | 2016-11-22 | 一种交通流量预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611036110.9A CN108091132B (zh) | 2016-11-22 | 2016-11-22 | 一种交通流量预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108091132A CN108091132A (zh) | 2018-05-29 |
| CN108091132B true CN108091132B (zh) | 2021-08-06 |
Family
ID=62169935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611036110.9A Active CN108091132B (zh) | 2016-11-22 | 2016-11-22 | 一种交通流量预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108091132B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325116B (zh) * | 2018-08-23 | 2020-11-27 | 武大吉奥信息技术有限公司 | 一种基于深度学习的城市事件自动分类派发方法及装置 |
| CN109325617B (zh) * | 2018-09-04 | 2021-07-27 | 青岛海信网络科技股份有限公司 | 一种城市交通状态预测方法及装置 |
| CN109598930B (zh) * | 2018-11-27 | 2021-05-14 | 上海炬宏信息技术有限公司 | 一种自动检测高架封闭系统 |
| CN111757288A (zh) * | 2019-03-27 | 2020-10-09 | 阿里巴巴集团控股有限公司 | 道路交通环境中的感知基站及其消息发送方法、装置 |
| CN110264725B (zh) * | 2019-07-31 | 2021-08-03 | 北京世纪高通科技有限公司 | 路段流量的确定方法及装置 |
| CN111861043B (zh) * | 2020-08-04 | 2022-06-24 | 上海钧正网络科技有限公司 | 一种车辆失联预测方法、装置、计算机设备和存储介质 |
| US20220058944A1 (en) * | 2020-08-24 | 2022-02-24 | Quantela Inc | Computer-based method and system for traffic congestion forecasting |
| CN111932898B (zh) * | 2020-09-23 | 2020-12-22 | 南京感动科技有限公司 | 一种基于etc门架系统的短时流量预测方法 |
| CN114495577A (zh) * | 2022-01-21 | 2022-05-13 | 华设设计集团股份有限公司 | 预防快速路二次事故的车路协同动态车道控制系统及方法 |
| CN115017990B (zh) * | 2022-06-01 | 2023-01-17 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种交通流量预测方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127158A (zh) * | 2006-08-18 | 2008-02-20 | 株式会社查纳位资讯情报 | 预测交通信息生成方法、预测交通信息生成装置及交通信息显示终端 |
| CN102360525A (zh) * | 2011-09-28 | 2012-02-22 | 东南大学 | 基于判别分析的快速道路实时交通事故风险预测方法 |
| CN102436740A (zh) * | 2011-09-29 | 2012-05-02 | 东南大学 | 一种高速公路交通事件自动检测方法 |
| CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
| DE102015202782A1 (de) * | 2015-02-17 | 2016-08-18 | Robert Bosch Gmbh | Verfahren zum Betreiben einer Sensorvorrichtung und Sensorvorrichtung |
| CN105894808A (zh) * | 2014-12-03 | 2016-08-24 | 北京旺德瑞通科技发展有限公司 | 检测交通事件的方法及装置 |
-
2016
- 2016-11-22 CN CN201611036110.9A patent/CN108091132B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127158A (zh) * | 2006-08-18 | 2008-02-20 | 株式会社查纳位资讯情报 | 预测交通信息生成方法、预测交通信息生成装置及交通信息显示终端 |
| CN102360525A (zh) * | 2011-09-28 | 2012-02-22 | 东南大学 | 基于判别分析的快速道路实时交通事故风险预测方法 |
| CN102436740A (zh) * | 2011-09-29 | 2012-05-02 | 东南大学 | 一种高速公路交通事件自动检测方法 |
| CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
| CN105894808A (zh) * | 2014-12-03 | 2016-08-24 | 北京旺德瑞通科技发展有限公司 | 检测交通事件的方法及装置 |
| DE102015202782A1 (de) * | 2015-02-17 | 2016-08-18 | Robert Bosch Gmbh | Verfahren zum Betreiben einer Sensorvorrichtung und Sensorvorrichtung |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108091132A (zh) | 2018-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108091132B (zh) | 一种交通流量预测方法及装置 | |
| CN108492555B (zh) | 一种城市路网交通状态评价方法及装置 | |
| CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
| CN112508392B (zh) | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 | |
| CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
| Shepelev et al. | A Study of the Travel Time of Intersections by Vehicles using Computer Vision. | |
| Zhang et al. | Modeling pedestrians’ near-accident events at signalized intersections using gated recurrent unit (GRU) | |
| Chong et al. | A rule-based neural network approach to model driver naturalistic behavior in traffic | |
| Wen et al. | Characterizing car-following behaviors of human drivers when following automated vehicles using the real-world dataset | |
| Zhang et al. | Learning V2V interactive driving patterns at signalized intersections | |
| CN102737508B (zh) | 一种融合svm与bp神经网络的城市道路交通状态检测方法 | |
| CN102750824B (zh) | 基于多种神经网络分类器投票的城市道路交通状态检测方法 | |
| Jahangiri et al. | Adopting machine learning methods to predict red-light running violations | |
| Marczak et al. | Key variables of merging behaviour: empirical comparison between two sites and assessment of gap acceptance theory | |
| Zhao et al. | Understand the impact of traffic states on crash risk in the vicinities of Type A weaving segments: A deep learning approach | |
| CN108091131B (zh) | 一种交通事件识别方法及装置 | |
| Pawar et al. | Classification of gaps at uncontrolled intersections and midblock crossings using support vector machines | |
| CN116461546A (zh) | 车辆预警方法、装置、存储介质和处理器 | |
| Alrassy et al. | Driver behavior indices from large-scale fleet telematics data as surrogate safety measures | |
| Banerjee et al. | A modern intersection data analytics system for pedestrian and vehicular safety | |
| Griesbach et al. | Prediction of lane change by echo state networks | |
| Sun et al. | Vision-based traffic conflict detection using trajectory learning and prediction | |
| Shangguan et al. | An empirical investigation of driver car-following risk evolution using naturistic driving data and random parameters multinomial logit model with heterogeneity in means and variances | |
| CN113538909A (zh) | 一种自动驾驶车辆交通事件预测方法及装置 | |
| Kongkhaensarn et al. | Comparison of probabilistic neural network with multilayer perceptron and support vector machine for detecting traffic incident on expressway based on simulation data |
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 |