CN108269401A

CN108269401A - 一种基于数据驱动的高架桥交通拥堵预测方法

Info

Publication number: CN108269401A
Application number: CN201810091588.4A
Authority: CN
Inventors: 林炜鑫; 程鹏; 陈积明; 李建元; 梁佳锦
Original assignee: Enjoyor Co Ltd
Current assignee: Yinjiang Technology Co.,Ltd.
Priority date: 2018-01-30
Filing date: 2018-01-30
Publication date: 2018-07-10
Anticipated expiration: 2038-01-30
Also published as: CN108269401B

Abstract

本发明公开了一种基于数据驱动的高架桥交通拥堵预测方法，包括以下步骤：高架桥面出入口匝道交通状态数据采集；对高架桥入口匝道流量数据进行预处理，获取被控路段的车流速度、密度等；利用交通流量、速度、密度三个指标数据构造被控路段的宏观交通流图，标定拥堵速度阈值；选取速度作为拥堵特征，取出历史拥堵的速度序列，根据拥堵程度不同进行聚类获得拥堵程度类型；根据历史速度数据构建多尺度速度预测器；将实时的速度数据序列输入多尺度速度预测器，获得预测速度序列，利用分类器进行拥堵预测。本发明方法能够有效地根据历史交通状况预测未来一定周期的交通状态，对预测的速度序列进行判断归类，从而对未来的交通拥堵程度进行有效地判断。

Description

一种基于数据驱动的高架桥交通拥堵预测方法

技术领域

本发明涉及一种基于数据驱动的高架桥交通拥堵预测方法，更具体地说是一种基于历史数据进行拟合交通规律，并对未来交通拥堵进行预判的方法。

背景技术

近年来，利用大量数据挖掘交通领域行为规律并辅助管理决策的研究受到了越来越多的关注。大数据技术的发展促进了智能交通领域的发展。利用长期累积的数据，可以挖掘出交通系统的运行规律，进而对未来交通状况进行预测、判断以及决策等。在交通领域最为关心的一个问题是交通状况是否发生拥堵，以及如何进行拥堵疏导。但往往交通发生拥堵后难以进行疏导。因此本发明提出一种基于数据驱动的高架桥交通拥堵预测方法，旨在寻找高架桥交通拥堵即将发生的特征，从而对交通拥堵进行预判，并通过预测的交通状态序列对拥堵程度进行分类，以便后期实施不同力度的调控手段。

对拥堵要进行预判，首先要对交通拥堵速度阈值进行标定，考虑到每条路段的交通条件不一致，其发生拥堵的阈值存在一定的差异性。因此需要利用每条路段的交通数据对各个路段进行拟合，寻找其交通规律。在传统交通领域，描述交通流速度、密度、流量三者指标的关系表达式存在多种形式，比如指数型、三角型和抛物线型。

在做拥堵预测的过程中，我们选择了速度指标作为具体的表征方式。基于大数据的交通预测工作已经探索了很多年，比如卡尔曼滤波(Kalman Filtering,KF)被Okutani和Stephanedes首次运用在了交通预测中，后来Yang等人运用了迭代最小二乘法(RecursiveLeas Square,RLS)来做短时交通预测，并且通过KF方法自适应选择极大似然估计法和贝叶斯规则来自适应改变参数。另一个常用的做短时预测的方法就是基于时间序列模型，例如G.Box等人利用时间序列分析方法提出了自回归移动平均(Auto-Regressive Integratedmoving average,ARIMA)模型，后来R.S.Marshment等人提出了指数平滑模型(ExponentialSmoothing,ES)，这种方法被广泛的用在短时交通预测中。除了时间序列模型，神经网路也是在短时交通预测中运用比较成功的方法。但上述方法中，都只考虑了预测时间之前的几个时刻的历史数据，没有考虑时间尺度更大的数据周期性，从而在模型精准性上仍有欠缺。

基于历史速度数据，构建了交通速度预测器后，需要配合拥堵分类器才能对交通拥堵程度进行预判，为后期根据不同拥堵程度进行自适应匝道控制提供了判断基础。针对时序数据进行分类，目前现有工作存在多种有效的机器学习算法。根据训练数据是否拥有标记信息，学习任务大致可以分为两大类：“监督学习”和“无监督学习”，其中分类是前者的代表，而聚类则是后者的代表。由于进行拥堵程度分类是无先验的标记信息，因此本发明针对的情景是聚类算法，而在时序数据聚类上常用算法有K-means算法、学习向量量化、高斯混合聚类、密度聚类等。

发明内容

本发明的目的在于提出一种基于数据驱动的高架桥交通拥堵预测方法，能够有效地根据历史交通状况预测未来一定周期的交通状态(速度表征)，并根据训练获得拥堵程度分类器，对预测的速度序列进行判断归类，从而对未来的交通拥堵程度有效地判断。

本发明的目的是通过以下技术方案来实现的：一种基于数据驱动的高架桥交通拥堵预测方法，该方法包括以下步骤：

步骤1，通过高架桥出入口匝道上的记录设备，获得经过出入口车辆的卡口数据；在指定周期T内统计通过出入口车辆的数量，转化为高架桥出入口匝道的交通流量数据；

步骤2，对于每段道路，根据出入口车辆的卡口数据，筛选位于周期T内的过车记录；计算每辆车经过入口和出口的时间差，删除异常记录；将周期T内所有经过该段道路出入口车辆的时间差进行平均计算，作为该段道路周期T内的平均行程时间；根据该段道路的长度计算该段道路周期T内的平均车速，将第i段道路第k个时间周期的平均车速记录为V_i(k)；根据步骤1统计的交通流量数据，利用下式计算第i段道路在第k+1个时间周期的密度D_i(k+1)：

其中，Δx为该段道路长度，Q_in(k)、Q_out(k)、Q_r(k)、Q_s(k)分别为第k个时间周期该段道路上游流量、下游流量、入口匝道流量以及出口匝道流量；

第i段道路第k个时间周期的交通流量由Q_i(k)表示，指的是该段道路缓冲区下游段的流量，其中：

Q_i(k)＝Q_out(k)+Q_s(k)

步骤3，利用第i段道路的交通流量Q_i(k)、速度V_i(k)、密度D_i(k)三个指标数据构造宏观交通流模型，通过该模型得到第i段道路拥堵发生的阈值模型公式如下：

其中分别表示第i段道路的自由流速度、最大拥堵密度，这两个参数需要利用实际数据拟合获得；

步骤4，选取速度作为交通拥堵特征，将第i段道路第k个时间周期的平均车速V_i(k)小于的速度定义为拥堵速度，从历史速度数据中取出时长为n*T、包含拥堵速度的序列(定义为拥堵速度序列){V_i(k)、V_i(k-1)……V_i(k-nT)}，组成训练样本空间；在样本空间中对拥堵速度序列进行聚类，根据拥堵程度的轻重形成不一样的分类，获得拥堵程度分类器；

步骤5，利用系统辨识方法，根据历史速度数据内部存在时序上的相关性，构建多时间尺度速度预测器，利用该预测器对未来一定时长的道路车流速度进行预测；

步骤6，根据步骤5获得未来一段时间的速度序列，根据预测速度和拥堵速度阈值进行判断，若所指定的预测时间间隔发生拥堵，则运用步骤4获得的拥堵程度分类器对这段序列进行分析，获得未来预测时长内的高架桥交通拥堵程度。

进一步地，所述系统辨识方法具体为：

定义第i段道路的速度数据序列为V_i(k)、V_i(k-1)、V_i(k-2)….；其过去时刻的速度序列为V_i(k-1)、V_i(k-2)、V_i(k-3)….；定义某一时刻以天为周期的速度序列为DV_i(k-1)、DV_i(k-2)…；其中DV_i(k-n)表征第i段道路前n天第k个周期的速度；

根据相关性系数R计算方法：

其中{x₁、x₂、x₃……x_n}、{y₁、y₂、y₃……y_n}表征两个n维数据序列，分别表征这个n维数据序列的平均数；

分别计算以时长为T、时长为天两种周期速度数据之间的相关系数，利用该相关系数可得速度这一变量的内在趋势；对于某一路段而言，当前时刻的速度与之前时刻的历史速度、以及之前每天同一时刻的速度存在比较强的相关性和周期性，以此为规律、结合系统辨识方法建立多时间尺度速度预测器：

其中分别是需要通过数据训练获得的参数列表。

进一步地，所述系统辨识方法中，运用最小二乘法使预测模型训练数据输出误差最小获得相应的参数列表，得到多时间尺度速度预测器，表征当前速度与以时长为T、时长为天两种周期历史速度数据的相关关系。

进一步地，所述步骤1中，所述卡口数据包括车牌号码、时间戳和车辆类型，所述高架桥出入口匝道的交通流量数据包括入口匝道流量Q_r和出口匝道流量Q_s。

进一步地，所述步骤3中，选取一定时间段的历史数据，利用最小二乘法寻找出使模型训练输出误差最小的参数，获得第i段道路的宏观交通流模型，通过该模型得到第i段道路拥堵发生的阈值

本发明提供的基于数据驱动的高架桥交通拥堵预测方法，通过挖掘高架桥历史数据的内部规律，提出一种基于系统辨识的速度预测模型，结合宏观交通流模型找到的拥堵速度阈值进行拥堵预判，并结合速度序列聚类分析技术，预判出具体交通拥堵程度，与现有技术相比，本发明具有如下优势：

1.从拥堵和调控的矛盾出发，提出一个高架桥拥堵预测模型，对实时交通状况进行检测，利用当前及历史交通状况预测未来一定时长的速度序列，并根据拥堵程度分类器对预测的速度序列进行标定，预判未来拥堵程度；

2.从寻找拥堵速度阈值的角度，利用现实历史数据结合宏观交通流模型进行拟合，通过数据使模型误差最小化后获得拥堵速度阈值，这个阈值根据实际数据拟合取得，具备实际应用价值；

3.基于速度作为特征，对即将发生拥堵的速度序列进行聚类分析，从而判断出交通拥堵的程度，拥堵程度标定方法新颖，并具有实际价值；

附图说明

图1是某一条路段的宏观流模型图；

图2是k-means聚类算法进行拥堵程度聚类训练过程；

图3是高架桥交通速度预测模型训练过程；

图4是高架桥拥堵预测的框架图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

本发明给出了一种基于数据驱动的高架桥交通拥堵预测方法，下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于：

实施例：本实施例以杭州快速路网为例，杭州目前共有8条快速路，“中河——上塘高架”为其中一条，双向4车道。其单向道路长度约27公里，累计共有48个卡口，其中10个为桥面卡口，19个为上匝道，19个为下匝道，每个方向上均有24个卡口。本实施例中，时间周期T为5分钟；

所用到的数据为卡口过车记录，卡口编号(一个卡口编号唯一对应一个路口的卡口)，卡口坐标(GPS坐标)，卡口间的实际距离，卡口类型(上匝道卡口、下匝道卡口、桥面中间卡口)。

步骤1，采集高架桥出入口匝道的交通流量数据，设置周期为T，其中本案例设置T为5分钟，通过匝道上记录设备，获得经过车辆的车牌号码、时间戳、车辆类型。在指定周期T内，统计通过车辆数量，转化为高架桥出入口匝道和桥面的流量数据，即每5分钟每个匝道口会有一个平均流量数据；

步骤2，将出入匝道、桥面进行按顺序排列，并依照前后两两组合的原则，形成路段，获得一个路段编号表，并依据过车记录计算平均行车时长，并利用各个路段长度计算获得各个时间段的平均行车速度。对第i个路段第k个时间槽平均车速记录为V_i(k)；根据流量数据，我们利用下式计算被控路段在第k+1时刻其密度：

其中，Δx为该段道路长度，Q_in(k)、Q_out(k)、Q_r(k)、Q_s(k)分别为第k个时间周期该段道路上游流量、下游流量、入口匝道流量以及出口匝道流量；转化成密度数据后，记录在数据库中，对第i个路段第k个时间槽平均密度记录为D_i(k)；第i段道路第k个时间周期的密度由Q_i(k)表示，指的是该段道路缓冲区下游段的流量，其中：

Q_i(k)＝Q_out(k)+Q_s(k)

步骤3，利用交通流量、速度、密度三个指标数据构造被控路段的宏观交通流图，然后标定拥堵密度阈值和拥堵速度阈值；其中这三者存在的关系为：

利用一定时间段的历史数据进行拟合以上模型，利用最小二乘法寻找出误差最小的参数，获得各个路段的宏观交通流模型，该模型指出路段的流量、速度、密度的关系，通过该模型我们能获得第i个路段拥堵发生的速度阈值因此记录各路段寻找出来的拥堵速度阈值记录在数据表中；

其中取路段1获得的宏观流模型图如图1所示，该流图表征的是流量与密度呈现二次型关系，其中拥堵密度阈值为流量峰值对应的密度值，并通过其与速度值的关系转化得到拥堵速度阈值

步骤4，选取速度作为交通拥堵特征，结合上一步骤获得拥堵速度阈值可将数据划分为拥堵速度和非拥堵速度，在拥堵速度的数据中取出时长为nT的历史拥堵速度序列，组成训练样本空间。在样本空间中选取一个距离度量方式，本专利选取欧式距离作为度量样本数据之间相似性的方式。给定样本x_i＝(x_i1；x_i2；x_i3；…；x_in)与x_j＝(x_j1；x_j2；x_j3；…；x_jn),其欧式距离为：

通过样本的相似性计算，并根据先验知识确定分为三类，通过K-means算法，给定样本集D＝{x₁,x₂…x_m}，针对聚类所得簇划分C＝{C₁,C₂,C₃}(本专利将拥堵程度分为3类)最小化平方误差：

根据最小化平方的误差的准则，获得3类样本的中心，表征三种不同的拥堵程度，根据拥堵程度的不同形成不一样的分类，获得拥堵程度分类器；

图2阐述了利用k‐means聚类算法进行聚类训练的过程，表示训练一开始确定三类数据的中心是随机的，然后把样本数据逐一加入，并计算出新数据与三类数据中心的距离，计算出最近的归入同一类，并更新新的数据中心点，直至把所有样本数据都计算过后得出三个确定的数据中心点。

步骤5，利用系统辨识方法，根据历史速度数据内部存在的相关性，构建多尺度速度预测器，利用该预测器对未来一定时长的路面车流速度进行预测；

首先，定义某一个路段的速度数据序列为V_i(k)、V_i(k-1)、V_i(k-2)….；其过去时刻的速度序列为V_i(k-1)、V_i(k-2)、V_i(k-3)….；定义某一时刻以天为周期的速度序列为DV_i(k)、DV_i(k-1)、DV_i(k-2)…；

根据相关性系数计算方法：

分别计算以分钟、天为周期的速度数据之间的相关系数，利用该相关系数可得速度这一变量的内在趋势。对于某一路段而言，当前时刻的速度与之前时刻的历史速度、以及之前每天同一时刻的速度存在比较强的相关性和周期性，因此以此为规律、结合系统辨识方法建立预测模型：

其中分别是需要通过数据训练获得的参数列表，再运用最小二乘法使拟合数据最小获得相应的参数列表，得到多尺度预测模型，表征当前速度与多尺度以分钟、天为周期的历史数据的相关关系。

对于本专利的模型而言，预测速度即为输出数据，对于k时刻来说，将其定义为V_i(k)。我们要预测的速度跟以分钟为间隔、以天为间隔的历史数据有关，将其分别定义为V_i(k-1)-…V_i(k-n_a)以及DV_i(k-1)-…DV_i(k-n_b)。V_i(k-n_a)表示与过去n_a个小时的数据有关，DV_i(k-n_b)表示与过去n_b天同一个时刻的数据有关，而模型中前面的系数a、b则表示每个影响因子对当前速度产生影响的权重。

图3表征了高架桥交通速度预测模型的训练过程。图2所示，我们利用历史速度数据进行拟合。首先设定了以分钟和以天为周期的历史数据的阶次n_a＝1和n_b＝1，系统的输入数据为V_i(k-1)-…V_i(k-n_a)以及DV_i(k-1)-…DV_i(k-n_b)。我们利用递推最小二乘法得到了模型参数，等参数迭代收敛稳定后，选取一组稳定的参数作为模型参数，我们就得到了一个历史模型。然后利用该模型做预测，将预测数据与真实数据比较，计算RMSE，接着分别逐渐增加n_a和n_b知道达到设定值，选取具有最小RMSE的模型，将其参数作为最终模型参数。

步骤6，在指定的预测时长内，根据预测速度和拥堵速度阈值进行判断，若所指定的预测时间间隔发生拥堵，则将该时间间隔的预测速度序列输入至步骤4获得的交通拥堵程度分类器，即将预测速度序列x_i＝(x_i1；x_i2；x_i3；…；x_in)与三类中心C＝{C₁,C₂,C₃}进行欧式距离计算，根据距离最短的原则归类。举例说明，把预测的某段即将拥堵的速度序列与三类中心计算，与第一类中心C₁的欧式距离最短，则预判该时刻即将发生I类拥堵。

细粒度的拥堵程度预判，能为后期自适应拥堵疏导方案提供有针对性的指导建议。

图4表征了整个高架桥交通拥堵预测架构。我们利用上述训练好的预测模型，对未来30分钟的速度进行预测，获得该道路30分钟后的速度值，将预测值与拥堵速度阈值做比较，速度小于拥堵速度阈值，表征30分钟后即将拥堵，则将这个速度序列(从当前到30分钟后逐一预测形成的序列)输入拥堵程度分类器进行判断归类，获得拥堵程度的预判。

Claims

1.一种基于数据驱动的高架桥交通拥堵预测方法，其特征在于，该方法包括以下步骤：

Q_i(k)＝Q_out(k)+Q_s(k)

步骤4，选取速度作为交通拥堵特征，将第i段道路第k个时间周期的平均车速V_i(k)小于的速度定义为拥堵速度，从历史速度数据中取出时长为n*T、包含拥堵速度的序列(定义为拥堵速度序列){V_i(k)、V_i(k-1)......V_i(k-nT)}，组成训练样本空间；在样本空间中对拥堵速度序列进行聚类，根据拥堵程度的轻重形成不一样的分类，获得拥堵程度分类器；

2.根据权利要求1所述的一种基于数据驱动的高架桥交通拥堵预测方法，其特征在于，所述系统辨识方法具体为：

定义第i段道路的速度数据序列为V_i(k)、V_i(k-1)、V_i(k-2)....；其过去时刻的速度序列为V_i(k-1)、V_i(k-2)、V_i(k-3)....；定义某一时刻以天为周期的速度序列为DV_i(k-1)、DV_i(k-2)...；其中DV_i(k-n)表征第i段道路前n天第k个周期的速度；

根据相关性系数R计算方法：

其中{x₁、x₂、x₃......x_n}、{y₁、y₂、y₃......y_n}表征两个n维数据序列，分别表征这个n维数据序列的平均数；

其中n_a,n_b分别是需要通过数据训练获得的参数列表。

3.根据权利要求2所述的一种基于数据驱动的高架桥交通拥堵预测方法，其特征在于，所述系统辨识方法中，运用最小二乘法使预测模型训练数据输出误差最小获得相应的参数列表，得到多时间尺度速度预测器，表征当前速度与以时长为T、时长为天两种周期历史速度数据的相关关系。

4.根据权利要求1所述的一种基于数据驱动的高架桥交通拥堵预测方法，其特征在于，所述步骤1中，所述卡口数据包括车牌号码、时间戳和车辆类型，所述高架桥出入口匝道的交通流量数据包括入口匝道流量Q_r和出口匝道流量Q_s。

5.根据权利要求1所述的一种基于数据驱动的高架桥交通拥堵预测方法，其特征在于，所述步骤3中，选取一定时间段的历史数据，利用最小二乘法寻找出使模型训练输出误差最小的参数，获得第i段道路的宏观交通流模型，通过该模型得到第i段道路拥堵发生的阈值