CN108492555B - 一种城市路网交通状态评价方法及装置 - Google Patents
一种城市路网交通状态评价方法及装置 Download PDFInfo
- Publication number
- CN108492555B CN108492555B CN201810230112.4A CN201810230112A CN108492555B CN 108492555 B CN108492555 B CN 108492555B CN 201810230112 A CN201810230112 A CN 201810230112A CN 108492555 B CN108492555 B CN 108492555B
- Authority
- CN
- China
- Prior art keywords
- road
- time period
- preset time
- congestion
- road section
- 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
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
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Abstract
本发明公开了一种城市路网交通状态评价方法及装置,该方法包括通过获取路口的交通数据;根据路口的交通数据以及行程时间预测模型,预测各路段的未来预设时间段内的行程时间,所述行程时间预测模型时根据各路段历史行程时间和历史流量数据进行机器学习得到的,根据预测的所述各路段的未来预设时间段内的行程时间,确定未来预设时间段内各路段的平均行程速度,根据所述未来预设时间段内各路段的平均行程速度,确定未来预设时间段内各路段的拥堵指数以及路网拥堵系数,根据所述未来预设时间段内各路段的拥堵指数以及路网拥堵系数,评价路网交通状态。用以提高交通状态评价的准确度,提高交通状态预测的速度。
Description
技术领域
本发明实施例涉及交通状态评价技术领域,尤其涉及一种城市路网交通状态评价方法及装置。
背景技术
在智能交通领域,能够提前预知未来一段时间的交通状态,将会对交通管理和控制有极大帮助,有利于提高交通管控水平,降低城市道路拥堵程度。随着信息化和人工智能技术的发展,交通管理部门能够检测并获取越来越多的交通信息,为路网交通状态预测提供了依据和方法。目前对路网交通状态的感知和评估主要侧重于历史数据计算并评价过去一段时间道路拥堵情况,一方面不能够实时反应交通运行状态,另一方面对未来交通状态的预测主要依赖于交通工程师的人工经验,无法定量评价预测结果的准确度。
发明内容
本发明实施例提供一种城市路网交通状态评价方法及装置,用以提高交通状态评价的准确度,提高交通状态预测的速度。
本发明实施例提供的一种城市路网交通状态评价方法,包括:
获取路口的交通数据;
根据路口的交通数据以及行程时间预测模型,预测各路段的未来预设时间段内的行程时间;所述行程时间预测模型是根据各路段历史行程时间和历史流量数据进行机器学习得到的;
根据预测的所述各路段的未来预设时间段内的行程时间,确定未来预设时间段内各路段的平均行程速度;
根据所述未来预设时间段内各路段的平均行程速度,确定未来预设时间段内各路段的拥堵指数以及路网拥堵系数;
根据所述未来预设时间段内各路段的拥堵指数以及路网拥堵系数,评价路网交通状态。
可选的,所述行程时间预测模型由下述步骤确定:
获取各路段的历史行程时间和历史流量数据;
根据所述各路段的历史行程时间和历史流量数据,选择样本的特征向量;
采用随机森林对样本的特征向量进行筛选,并进行模型参数调整,得到行程时间预测模型。
可选的,所述根据预测的所述各路段的未来预设时间段内的行程时间,确定未来预设时间段内各路段的平均行程速度,包括:
根据预测的所述各路段的未来预设时间段内不同行驶方向的行程时间,计算未来预设时间段内各路段的平均行程速度。
可选的,所述根据所述未来预设时间段内各路段的平均行程速度,确定未来预设时间段内各路段的拥堵指数以及路网拥堵系数,包括:
根据所述未来预设时间段内各路段的平均行程速度,确定所述未来预设时间段内各路段的各行驶方向的拥堵指数;
根据所述未来预设时间段内各路段的各行驶方向的拥堵指数以及各行驶方向的权重,确定所述未来预设时间段内各路段的拥堵指数;
根据路网各路段所在道路等级,确定各路段的道路权重;
根据各路段的道路权重和所述未来预设时间段内各路段的拥堵指数,确定未来预设时间段内路网拥堵系数。
可选的,所述根据所述未来预设时间段内各路段的拥堵指数以及路网拥堵系数,评价路网交通状态,包括:
对所述未来预设时间段内各路段的拥堵指数进行排序;
计算路段总数,以预设路段数量为步长,按照拥堵指数从高到底选取路口,并计算预设路段数量的路段拥堵指数的占比;
根据所述预设路段数量的路段拥堵指数的占比,采用基尼系数算法,得到路网拥堵均衡系数,评价路网交通状态。
相应的,本发明实施例还提供了一种城市路网交通状态评价装置,包括:
获取单元,用于获取路口的交通数据;
预测单元,用于根据路口的交通数据以及行程时间预测模型,预测各路段的未来预设时间段内的行程时间;所述行程时间预测模型是根据各路段历史行程时间和历史流量数据进行机器学习得到的;
处理单元,用于根据预测的所述各路段的未来预设时间段内的行程时间,确定未来预设时间段内各路段的平均行程速度;根据所述未来预设时间段内各路段的平均行程速度,确定未来预设时间段内各路段的拥堵指数以及路网拥堵系数;
评价单元,用于根据所述未来预设时间段内各路段的拥堵指数以及路网拥堵系数,评价路网交通状态。
可选的,所述预测单元根据下述步骤确定所述行程时间预测模型:
获取各路段的历史行程时间和历史流量数据;
根据所述各路段的历史行程时间和历史流量数据,选择样本的特征向量;
采用随机森林对样本的特征向量进行筛选,并进行模型参数调整,得到行程时间预测模型。
可选的,所述处理单元具体用于:
根据预测的所述各路段的未来预设时间段内不同行驶方向的行程时间,计算未来预设时间段内各路段的平均行程速度。
可选的,所述处理单元具体用于:
根据所述未来预设时间段内各路段的平均行程速度,确定所述未来预设时间段内各路段的各行驶方向的拥堵指数;
根据所述未来预设时间段内各路段的各行驶方向的拥堵指数以及各行驶方向的权重,确定所述未来预设时间段内各路段的拥堵指数;
根据路网各路段所在道路等级,确定各路段的道路权重;
根据各路段的道路权重和所述未来预设时间段内各路段的拥堵指数,确定未来预设时间段内路网拥堵系数。
可选的,所述评价单元具体用于:
对所述未来预设时间段内各路段的拥堵指数进行排序;
计算路段总数,以预设路段数量为步长,按照拥堵指数从高到底选取路口,并计算预设路段数量的路段拥堵指数的占比;
根据所述预设路段数量的路段拥堵指数的占比,采用基尼系数算法,得到路网拥堵均衡系数,评价路网交通状态。
相应的,本发明实施例还提供了一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述城市路网交通状态评价方法。
相应的,本发明实施例还提供了一种计算机存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行上述城市路网交通状态评价方法。
本发明实施例表明,通过获取路口的交通数据;根据路口的交通数据以及行程时间预测模型,预测各路段的未来预设时间段内的行程时间,所述行程时间预测模型时根据各路段历史行程时间和历史流量数据进行机器学习得到的,根据预测的所述各路段的未来预设时间段内的行程时间,确定未来预设时间段内各路段的平均行程速度,根据所述未来预设时间段内各路段的平均行程速度,确定未来预设时间段内各路段的拥堵指数以及路网拥堵系数,根据所述未来预设时间段内各路段的拥堵指数以及路网拥堵系数,评价路网交通状态。用以提高交通状态评价的准确度,提高交通状态预测的速度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种城市路网交通状态评价方法的流程示意图;
图2为本发明实施例提供的一种多功能电警的示意图;
图3为本发明实施例提供的一种均衡系数计算的示意图;
图4为本发明实施例提供的一种城市路网交通状态评价装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1示例性的示出了本发明实施例提供的一种城市路网交通状态评价的流程,该流程可以由城市路网交通状态评价装置执行。
如图1所示,该流程具体包括:
步骤101,获取路口的交通数据。
通过设置路边检测器如视频车牌识别、电子车牌、车载GPS设备等获取路段上车辆通过的行程时间。以路口电子警车视频设备为例,见下图2,如图中所示路段两端的视频检测器检测到车辆通过上游路口的时刻t1,和车辆通过下游路口的时刻t2,进而能够计算出车辆通过路段的行程时间T=t2-t1。
根据监测得到的每一辆车的行程时间,计算5分钟、10分钟或15分钟等多种时段间隔内,路段不同方向的平均行程时间。
然后根据路段不同行驶方向的行程时间,计算多种时段间隔内路段的平均行程速度。
其中:Vj,k表示j时段内,k方向的平均行程速度;Lk表示路段k方向长度。
在得到多种时段间隔内路段的平均行程速度之后,可以规定路段速度的最小值(0)对应的拥堵指数为1,路段速度最大值即自由流速度(vf)对应速度拥堵指数分别为0,则路段在j时段k方向的拥堵指数计算公式为公式(3):
其中:Jj,k为路段在j时段k方向的拥堵指数,vk,f为路段k方向的自由流速度。
在通过公式(3)计算得到路段各行驶方向的拥堵系数,根据各行驶方向的重要性,给定相应的权重αk,根据公式(4)得到路段在j时段的拥堵指数。
Jj=αk*Jj,k,(∑αk=1)………………………………(4)。
根据路网中各路段所在道路等级,按照下表1确定每条路段的道路权重wi,按照公式(5)计算路网拥堵系数。
表1
其中:Ij为路网在时段j的拥堵系数,m为路网中路段总数,wi为路段i的道路权重,Ji,j为路段i在时段j的拥堵指数。
步骤102,根据路口的交通数据以及行程时间预测模型,预测各路段的未来预设时间段内的行程时间。
该行程时间预测模型是由根据各路段历史行程时间和历史流量数据进行机器学习得到的,具体的可以由下述步骤得到:首先,获取各路段的历史行程时间和历史流量数据,然后根据所述各路段的历史行程时间和历史流量数据,选择样本的特征向量,最后采用随机森林对样本的特征向量进行筛选,并进行模型参数调整,得到行程时间预测模型。
在训练预测模型时,可以采用集成学习的方法,选用回归树作为个体学习器,将检测得到的路段行程时间作为输入,训练得到路段行程时间机器学习模型。集成学习算法是基于一些基础的个体学习器(如决策树,神经网络等),通过一定的方法将所有个体学习器产生的结果整合起来产生最终的结果,因此集成学习模型得到的结果往往比单一基础模型更加稳定,也更加准确。回归树模型的原理是将样本数据为不同的区域,并且给每个区域以相应的值(常数),通过将数据划分至不同区域进而得到预测值。回归树每次生成树的子节点只有两个,即递归地二分每个特征,采取平方误差作为评价指标,在每一步选择一个最好的特征来分裂,这样将输入空间,即特征空间划分为有限个单元,并对应以相应的数值。
在机器学习中历史数据量越大,模型输出结果准确性越高。本发明实施例可以采用一年以上的历史行程时间和流量数据建立历史数据集,以此为来训练模型。
然后进行选择样本的特征向量。首先,选择与行程时间在时间上存在相关性的属性,如前n个时间窗的行程时间,当天所处的时刻,当天是星期几。本发明选用多个时段内的平均行程时间和不同时段内行程时间变化值作为特征属性,具体见公式(6)中的特征属性集合。
{TTt-4,TTt-3,TTt-2,TTt-1,ΔTTt-3,ΔTTt-2,ΔTTt-1,st,wk}………………………………(6)
其中,TTt-4—当前时刻前4个时间窗的平均行程时间;TTt-3—当前时刻前3个时间窗的平均行程时间;TTt-2—当前时刻前2个时间窗的平均行程时间;TTt-1—当前时刻前1个时间窗的平均行程时间;ΔTTt-3—前3个时间窗的行程时间变化值,ΔTTt-3=TTt-3-TTt-4;ΔTTt-2—前2个时间窗的行程时间变化值,ΔTTt-2=TTt-2-TTt-3;ΔTTt-1—前1个时间窗的行程时间变化值,ΔTTt-1=TTt-1-TTt-2;st—样本数据所处时刻;wk—样本数据所处的星期几,如周一,周二等。
之后,选择与行程时间在空间上存在相关性的属性。由于行程时间受路段上下游交通的影响,因此,本发明选择路段上游在时段j内的进入流量Q上j和下游路口在j时刻内的流出量Q下j作为空间特征属性。
最后,构建特征向量。在机器学习的实际应用中,特征属性数量可能较多,其中可能存在不相关的特征,特征属性之间也可能存在自相关性,特征属性过多会导致以下三个方面的问题:1)、特征个数越多,分析特征、训练模型所需的时间就越长,模型也会越复杂;2)、特征个数越多,容易引起维度灾难,其推广能力会下降;3)、特征个数越多,容易导致机器学习中经常出现的特征稀疏的问题,导致模型效果下降。
在前两步的特征属性选择中供选取了10个特征属性,为了防止在不同的道路环境下特征属性之间出现自相关或不相关的情况,本发明采用序列后向选择(SBS,SequentialBackward Selection)方法对特性属性进行处理。每次从特征属性集合中剔除一个特征属性x,使用回归树对样本进行分类,使得剔除特征属性x后评价函数公式7的值达到最小,以此来选择最优的特征属性作为最终特征向量。
其中:yj,i为分类j中的样本i对应的行程时间,cj为分类j中所有样本的行程时间均值。
为了评价模型预测结果的好坏,应建立相应的评价指标。本发明实施例采用平均绝对百分误差MAPE作为评估模型优劣的指标,其定义如公式(8)。
其中,tpredic,i表示第i时刻的预测值,ttrue,i表示第i时刻的真实值。
使用交叉验证法对模型进行参数调整,先将数据集D划分为k个大小相似的互斥子集,即D=D1∪D2…Dk,然后每次采用k-1个子集的并集作为训练集,余下的那个子集作为测试集;这样就可获得k组训练测试集,从而可得到k次训练的结果,最终返回的是这k个测试结果的均值。K值一般取5-10之间,本发明实施例建议取为5,仅是示例作用,对此不做限制。
在上述步骤中得到的行程时间预测模型中输入5分钟、10分钟和15分钟等不同时段内的路段行程时间和流量数据,对每条路段5分钟、10分钟和15分钟等不同时段内的行程时间进行预测,得到对应时段内行程时间的预测值。
步骤103,根据预测的所述各路段的未来预设时间段内的行程时间,确定未来预设时间段内各路段的平均行程速度。
根据预测的各路段的未来预设时间段内不同行驶方向的行程时间,计算未来预设时间段内各路段的平均行程速度。具体的,根据预测的各路段的未来预设时间段内不同行驶方向的行程时间,根据公式(2)可以确定出未来预设时间段内各路段的平均行程速度。
步骤104,根据所述未来预设时间段内各路段的平均行程速度,确定未来预设时间段内各路段的拥堵指数以及路网拥堵系数。
首先,根据所述未来预设时间段内各路段的平均行程速度,确定未来预设时间段内各路段的各行驶方向的拥堵指数,根据未来预设时间段内各路段的各行驶方向的拥堵指数以及各行驶方向的权重,确定未来预设时间段内各路段的拥堵指数,然后根据路网各路段所在道路等级,确定各路段的道路权重,最后根据各路段的道路权重和未来预设时间段内各路段的拥堵指数,确定未来预设时间段内路网拥堵系数。
在上述步骤103中得到未来预设时间段内各路段的平均行程速度之后,可以根据公式(3)确定出未来预设时间段内各路段的各行驶方向的拥堵指数,根据未来预设时间段内各路段的各行驶方向的拥堵指数以及各行驶方向的权重以及公式(4),可以确定出未来预设时间段内各路段的拥堵指数。根据路网各路段所在道路等级,确定各路段的道路权重,然后根据各路段的道路权重和未来预设时间段内各路段的拥堵指数以及公式(5),确定未来预设时间段内路网拥堵系数。
步骤105,根据所述未来预设时间段内各路段的拥堵指数以及路网拥堵系数,评价路网交通状态。
在评价路网交通状态时,具体可以为对未来预设时间段内各路段的拥堵指数进行排序,计算路段总数,以预设路段数量为步长,按照拥堵指数从高到底选取路口,并计算预设路段数量的路段拥堵指数的占比,根据预设路段数量的路段拥堵指数的占比,采用基尼系数算法,得到路网拥堵均衡系数,评价路网交通状态。预设路段数量可以依据经验进行设置,例如为1%。
举例来说,首先,根据公式4和公式5计算未来5分钟、10分钟和15分钟等不同时段内各路段的拥堵指数和路网拥堵系数。
然后,根据各路段的拥堵指数,计算路网拥堵均衡系数,共有三个步骤。第一步,根据各个路段的交通拥堵指数,将交通拥堵指数从低到高进行排序;第二步,计算路段总数,并以1%的路段数量为步长,按照交通指数从高到底选取路口,并计算这1%的路口拥堵指数占全部路口拥堵指数的累加比例;第三步,在笛卡尔坐标系中画出每1%的路段对应的拥堵指数累加百分比曲线如图3中星型标记的曲线。根据基尼系数计算方法,计算图3中虚线与曲线之间的面积S1,根据公式NG=2*S1得到路网拥堵均衡系数NG。
最后,根据下表3和表4发布路段拥堵状态信息和路网拥堵均衡信息。
表2
J<sub>iv</sub> | [0,0.2) | [0.2,0.4) | [0.4,0.6) | [0.6,0.8) | [0.8,1) |
路段拥堵系数 | 畅通状态 | 比较畅通 | 轻度拥堵 | 中度拥堵 | 重度拥堵 |
表3
NG | (0,0.3) | [0.3,0.4) | [0.4,0.5) | [0.5,0.6) | [0.6,1) |
路网均衡性 | 绝对均衡 | 比较均衡 | 存在差异 | 显著差异 | 差异悬殊 |
本发明实施例充分利用道路交通监测设备数据,建立路网交通运行状态评估和预测方法,从数据上更加客观的反映每一段路的拥堵程度,和每一个区域路网拥堵均衡性,同时引入机器学习算法对未来交通运行情况进行预测。本发明实施例建立了一套基于数据的路段、路网运行状态评价体系和基于机器学习的路网运行状态预测方法。在具体实施过程中,一方面,可以充分利用已有的道路检测设备,以数据为基础客观反映路段运行状态;另一方面,本专利所提方法能够快速高效地预测未来交通运行状态,交通管理部门根据计算结果及时制定管控措施,有助于降低城市道路拥堵程度。同时,本发明实施例在利用人工智能技术解决或缓解交通拥堵方面具有十分重要的意义。
基于相同的技术构思,图4示例性的示出了本发明实施例提供的一种城市路网交通状态评价装置40的结构,该装置40可以执行城市路网交通状态评价的流程。
如图4所示,该装置40包括:
获取单元401,用于获取路口的交通数据;
预测单元402,用于根据路口的交通数据以及行程时间预测模型,预测各路段的未来预设时间段内的行程时间;所述行程时间预测模型是根据各路段历史行程时间和历史流量数据进行机器学习得到的;
处理单元403,用于根据预测的所述各路段的未来预设时间段内的行程时间,确定未来预设时间段内各路段的平均行程速度;根据所述未来预设时间段内各路段的平均行程速度,确定未来预设时间段内各路段的拥堵指数以及路网拥堵系数;
评价单元404,用于根据所述未来预设时间段内各路段的拥堵指数以及路网拥堵系数,评价路网交通状态。
可选的,所述预测单元402根据下述步骤确定所述行程时间预测模型:
获取各路段的历史行程时间和历史流量数据;
根据所述各路段的历史行程时间和历史流量数据,选择样本的特征向量;
采用随机森林对样本的特征向量进行筛选,并进行模型参数调整,得到行程时间预测模型。
可选的,所述处理单元403具体用于:
根据预测的所述各路段的未来预设时间段内不同行驶方向的行程时间,计算未来预设时间段内各路段的平均行程速度。
可选的,所述处理单元403具体用于:
根据所述未来预设时间段内各路段的平均行程速度,确定所述未来预设时间段内各路段的各行驶方向的拥堵指数;
根据所述未来预设时间段内各路段的各行驶方向的拥堵指数以及各行驶方向的权重,确定所述未来预设时间段内各路段的拥堵指数;
根据路网各路段所在道路等级,确定各路段的道路权重;
根据各路段的道路权重和所述未来预设时间段内各路段的拥堵指数,确定未来预设时间段内路网拥堵系数。
可选的,所述评价单元404具体用于:
对所述未来预设时间段内各路段的拥堵指数进行排序;
计算路段总数,以预设路段数量为步长,按照拥堵指数从高到底选取路口,并计算预设路段数量的路段拥堵指数的占比;
根据所述预设路段数量的路段拥堵指数的占比,采用基尼系数算法,得到路网拥堵均衡系数,评价路网交通状态。
基于相同的技术构思,本发明实施例还提供了一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述城市路网交通状态评价方法。
基于相同的技术构思,本发明实施例还提供了一种计算机存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行上述城市路网交通状态评价方法。
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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种城市路网交通状态评价方法,其特征在于,包括:
获取路口的交通数据;
根据路口的交通数据以及行程时间预测模型,预测各路段的未来预设时间段内的行程时间;所述行程时间预测模型是根据各路段历史行程时间和历史流量数据进行机器学习得到的;
根据预测的所述各路段的未来预设时间段内的行程时间,确定未来预设时间段内各路段的平均行程速度;
根据所述未来预设时间段内各路段的平均行程速度,确定未来预设时间段内各路段的拥堵指数以及路网拥堵系数;
根据所述未来预设时间段内各路段的拥堵指数以及路网拥堵系数,评价路网交通状态;
所述根据所述未来预设时间段内各路段的平均行程速度,确定未来预设时间段内各路段的拥堵指数以及路网拥堵系数,包括:
根据所述未来预设时间段内各路段的平均行程速度,确定所述未来预设时间段内各路段的各行驶方向的拥堵指数;
根据所述未来预设时间段内各路段的各行驶方向的拥堵指数以及各行驶方向的权重,确定所述未来预设时间段内各路段的拥堵指数;
根据路网各路段所在道路等级,确定各路段的道路权重;
根据各路段的道路权重和所述未来预设时间段内各路段的拥堵指数,确定未来预设时间段内路网拥堵系数。
2.如权利要求1所述的方法,其特征在于,所述行程时间预测模型由下述步骤确定:
获取各路段的历史行程时间和历史流量数据;
根据所述各路段的历史行程时间和历史流量数据,选择样本的特征向量;
采用随机森林对样本的特征向量进行筛选,并进行模型参数调整,得到行程时间预测模型。
3.如权利要求1所述的方法,其特征在于,所述根据预测的所述各路段的未来预设时间段内的行程时间,确定未来预设时间段内各路段的平均行程速度,包括:
根据预测的所述各路段的未来预设时间段内不同行驶方向的行程时间,计算未来预设时间段内各路段的平均行程速度。
4.如权利要求1所述的方法,其特征在于,所述根据所述未来预设时间段内各路段的拥堵指数以及路网拥堵系数,评价路网交通状态,包括:
对所述未来预设时间段内各路段的拥堵指数进行排序;
计算路段总数,以预设路段数量为步长,按照拥堵指数从高到底选取路口,并计算预设路段数量的路段拥堵指数的占比;
根据所述预设路段数量的路段拥堵指数的占比,采用基尼系数算法,得到路网拥堵均衡系数,评价路网交通状态。
5.一种城市路网交通状态评价装置,其特征在于,包括:
获取单元,用于获取路口的交通数据;
预测单元,用于根据路口的交通数据以及行程时间预测模型,预测各路段的未来预设时间段内的行程时间;所述行程时间预测模型是根据各路段历史行程时间和历史流量数据进行机器学习得到的;
处理单元,用于根据预测的所述各路段的未来预设时间段内的行程时间,确定未来预设时间段内各路段的平均行程速度;根据所述未来预设时间段内各路段的平均行程速度,确定未来预设时间段内各路段的拥堵指数以及路网拥堵系数;
评价单元,用于根据所述未来预设时间段内各路段的拥堵指数以及路网拥堵系数,评价路网交通状态;
所述处理单元具体用于:
根据所述未来预设时间段内各路段的平均行程速度,确定所述未来预设时间段内各路段的各行驶方向的拥堵指数;
根据所述未来预设时间段内各路段的各行驶方向的拥堵指数以及各行驶方向的权重,确定所述未来预设时间段内各路段的拥堵指数;
根据路网各路段所在道路等级,确定各路段的道路权重;
根据各路段的道路权重和所述未来预设时间段内各路段的拥堵指数,确定未来预设时间段内路网拥堵系数。
6.如权利要求5所述的装置,其特征在于,所述预测单元根据下述步骤确定所述行程时间预测模型:
获取各路段的历史行程时间和历史流量数据;
根据所述各路段的历史行程时间和历史流量数据,选择样本的特征向量;
采用随机森林对样本的特征向量进行筛选,并进行模型参数调整,得到行程时间预测模型。
7.如权利要求5所述的装置,其特征在于,所述处理单元具体用于:
根据预测的所述各路段的未来预设时间段内不同行驶方向的行程时间,计算未来预设时间段内各路段的平均行程速度。
8.如权利要求5所述的装置,其特征在于,所述评价单元具体用于:
对所述未来预设时间段内各路段的拥堵指数进行排序;
计算路段总数,以预设路段数量为步长,按照拥堵指数从高到底选取路口,并计算预设路段数量的路段拥堵指数的占比;
根据所述预设路段数量的路段拥堵指数的占比,采用基尼系数算法,得到路网拥堵均衡系数,评价路网交通状态。
9.一种计算设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行权利要求1至4任一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810230112.4A CN108492555B (zh) | 2018-03-20 | 2018-03-20 | 一种城市路网交通状态评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810230112.4A CN108492555B (zh) | 2018-03-20 | 2018-03-20 | 一种城市路网交通状态评价方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108492555A CN108492555A (zh) | 2018-09-04 |
CN108492555B true CN108492555B (zh) | 2020-03-31 |
Family
ID=63318741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810230112.4A Active CN108492555B (zh) | 2018-03-20 | 2018-03-20 | 一种城市路网交通状态评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492555B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190831A (zh) * | 2018-09-12 | 2019-01-11 | 广州力挚网络科技有限公司 | 一种实时速度推算方法与装置 |
CN109118771B (zh) * | 2018-09-19 | 2020-12-08 | 青岛海信网络科技股份有限公司 | 一种城市交通常发性拥堵特征确定的方法及装置 |
CN109215346A (zh) * | 2018-10-11 | 2019-01-15 | 平安科技(深圳)有限公司 | 一种交通通行时间的预测方法、存储介质和服务器 |
CN109059952A (zh) * | 2018-10-11 | 2018-12-21 | 国家卫星海洋应用中心 | 一种行程时长预测方法及装置 |
CN109740811A (zh) * | 2018-12-28 | 2019-05-10 | 斑马网络技术有限公司 | 通行速度预测方法、装置和存储介质 |
CN111462476A (zh) * | 2019-01-22 | 2020-07-28 | 上海宝康电子控制工程有限公司 | 基于TensorFlow框架下的神经网络算法实现绿波效果巡检与预测的方法 |
CN110047277B (zh) * | 2019-03-28 | 2021-05-18 | 华中科技大学 | 基于信令数据的城市道路交通拥堵排名方法及系统 |
CN110264708A (zh) * | 2019-04-22 | 2019-09-20 | 厦门迅优通信科技有限公司 | 一种研究路网的交通容量与拥塞率相对变化的时空分析法 |
CN110288849B (zh) * | 2019-07-29 | 2020-05-29 | 电子科技大学 | 一种基于混合交通模式的出行路线推荐方法 |
CN110807916B (zh) * | 2019-10-11 | 2022-07-01 | 武汉理工大学 | 一种基于路网拓扑结构的交通状态评定方法及系统 |
CN110992689B (zh) * | 2019-11-28 | 2021-07-30 | 北京世纪高通科技有限公司 | 拥堵特征的确定方法及装置 |
CN111081019B (zh) * | 2019-12-23 | 2021-08-10 | 华南理工大学 | 一种基于路段权重系数的路网交通运行状况评价方法 |
CN111815100A (zh) * | 2019-12-31 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 行程时间指数的确定方法、装置、存储介质和电子设备 |
CN111599170B (zh) * | 2020-04-13 | 2021-12-17 | 浙江工业大学 | 一种基于时序交通网络图的交通运行状态分类方法 |
CN114078321A (zh) * | 2020-08-14 | 2022-02-22 | 阿里巴巴集团控股有限公司 | 一种交通状况确定方法和装置 |
CN111986483A (zh) * | 2020-08-28 | 2020-11-24 | 上海宝康电子控制工程有限公司 | 基于电警数据碰撞实现道路拥堵状态研判处理的方法、装置及存储介质 |
CN112215435B (zh) * | 2020-11-02 | 2023-06-09 | 银江技术股份有限公司 | 一种基于循环自回归模型的城市拥堵传播模式的预测方法 |
CN112598169B (zh) * | 2020-12-17 | 2023-03-24 | 广东南方通信建设有限公司 | 交通运行态势评估方法、系统及装置 |
CN112382098B (zh) * | 2021-01-12 | 2021-07-06 | 中兴通讯股份有限公司 | 交通拥堵检测方法、装置、电子设备及存储介质 |
CN113327418B (zh) * | 2021-05-31 | 2022-10-25 | 同济大学 | 一种快速路拥堵风险分级实时预测方法 |
CN113470356B (zh) * | 2021-06-28 | 2022-11-04 | 青岛海信网络科技股份有限公司 | 电子设备及区域路况预测方法 |
CN113470362B (zh) * | 2021-08-13 | 2022-06-17 | 中南大学 | 基于svr-dea模型的城市路段交通拥堵时空精准判别方法 |
CN113903169B (zh) * | 2021-08-23 | 2022-10-28 | 深圳市金溢科技股份有限公司 | 一种交通优化方法、装置、电子设备及存储介质 |
CN113570867B (zh) * | 2021-09-26 | 2021-12-07 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN113592116B (zh) * | 2021-09-28 | 2022-03-01 | 阿里云计算有限公司 | 设备状态分析方法、装置、设备和存储介质 |
CN115063968A (zh) * | 2022-03-08 | 2022-09-16 | 阿里云计算有限公司 | 道路拥堵预测方法、装置、电子设备、介质及程序产品 |
CN116431923B (zh) * | 2023-04-24 | 2024-02-02 | 浪潮智慧科技有限公司 | 一种针对城市道路的交通出行预测方法、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637357A (zh) * | 2012-03-27 | 2012-08-15 | 山东大学 | 一种区域交通状态评价方法 |
CN103198658A (zh) * | 2013-03-25 | 2013-07-10 | 浙江大学 | 一种城市道路交通状态不均衡度检测方法 |
CN104050803A (zh) * | 2014-06-23 | 2014-09-17 | 北京航空航天大学 | 一种区域高速路网运行状态评价方法 |
CN104778834A (zh) * | 2015-01-23 | 2015-07-15 | 哈尔滨工业大学 | 一种基于车辆gps数据的城市道路交通拥堵判别方法 |
KR101638368B1 (ko) * | 2015-01-02 | 2016-07-11 | 경희대학교 산학협력단 | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 |
CN106096767A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | 一种基于lstm的路段行程时间预测方法 |
CN106228808A (zh) * | 2016-08-05 | 2016-12-14 | 北京航空航天大学 | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 |
-
2018
- 2018-03-20 CN CN201810230112.4A patent/CN108492555B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637357A (zh) * | 2012-03-27 | 2012-08-15 | 山东大学 | 一种区域交通状态评价方法 |
CN103198658A (zh) * | 2013-03-25 | 2013-07-10 | 浙江大学 | 一种城市道路交通状态不均衡度检测方法 |
CN104050803A (zh) * | 2014-06-23 | 2014-09-17 | 北京航空航天大学 | 一种区域高速路网运行状态评价方法 |
KR101638368B1 (ko) * | 2015-01-02 | 2016-07-11 | 경희대학교 산학협력단 | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 |
CN104778834A (zh) * | 2015-01-23 | 2015-07-15 | 哈尔滨工业大学 | 一种基于车辆gps数据的城市道路交通拥堵判别方法 |
CN106096767A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | 一种基于lstm的路段行程时间预测方法 |
CN106228808A (zh) * | 2016-08-05 | 2016-12-14 | 北京航空航天大学 | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108492555A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492555B (zh) | 一种城市路网交通状态评价方法及装置 | |
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
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 | |
US20210312725A1 (en) | Vehicle-data analytics | |
CN108091132B (zh) | 一种交通流量预测方法及装置 | |
Seo et al. | Traffic state estimation with the advanced probe vehicles using data assimilation | |
JP7228151B2 (ja) | 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル | |
Soria et al. | Assessment of car-following models by driver type and under different traffic, weather conditions using data from an instrumented vehicle | |
CN106127586A (zh) | 大数据时代下车险费率辅助决策系统 | |
Marczak et al. | Key variables of merging behaviour: empirical comparison between two sites and assessment of gap acceptance theory | |
US20170243518A1 (en) | Information Presentation Apparatus and Method, and Computer Program Product | |
Lin et al. | Efficient data collection and accurate travel time estimation in a connected vehicle environment via real-time compressive sensing | |
Sunderrajan et al. | Traffic state estimation using floating car data | |
Yan et al. | Automatic identification of near-stationary traffic states based on the PELT changepoint detection | |
Kidando et al. | Evaluating traffic congestion using the traffic occupancy and speed distribution relationship: an application of Bayesian Dirichlet process mixtures of generalized linear model | |
CN110555346A (zh) | 驾驶员情绪检测方法、装置、电子设备及存储介质 | |
CN109782751A (zh) | 用于自主系统性能和基准测试的方法和设备 | |
Alrassy et al. | Driver behavior indices from large-scale fleet telematics data as surrogate safety measures | |
EP4126619A1 (en) | Vehicle-data analytics | |
Li | Automatically generating empirical speed-flow traffic parameters from archived sensor data | |
Jagannathan et al. | Predicting road accidents based on current and historical spatio-temporal traffic flow data | |
EP4126620B1 (en) | Coachable driver risk groups | |
Maiti et al. | Empirical investigation of fundamental diagrams in mixed traffic | |
Han et al. | Estimation of traffic flow rate with data from connected-automated vehicles using bayesian inference and deep learning | |
JP2018198026A (ja) | 事故予報システム、および、事故予報方法 |
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 |