CN108597227A - 高速公路收费站下道交通流量预测方法 - Google Patents

Abstract

本发明属于交通数据分析技术领域，公开了一种高速公路收费站下道交通流量预测方法，包括如下步骤：提取影响两收费站间流量转移关系的特征，将特征进行处理，利用数学语言进行表示；对提取并处理后的特征进行分析聚类；计算不同时间窗下的上道收费站和下道收费站之间的OD分流比例；确定目标收费站与其相关收费站的OD分流比例的最优时间窗；计算最优时间窗下上道收费站和下道收费站之间的OD分流比例；通过历史数据学习获得的特征与OD分流比例的关系；提取与目标收费站相关的各个收费站上道信息的特征参数，根据所获得的关系，获取各收费站与目标收费站间的OD分流比例；根据上道收费站的上道流量预测下道收费站的下道流量；获得下道收费站的下道流量；本发明算法稳定性好、预测精度高。

Description

高速公路收费站下道交通流量预测方法

技术领域

本发明属于交通数据分析技术领域，具体涉及一种交通流量预测方法。

背景技术

高速公路自20世纪90年代起在我国得到了突飞猛进的发展，以其本身固有的特点和优势，在现代交通运输中占有极为重要的地位和作用。然而与之相应的，随着我国各地经济互动越来越频繁，行驶在城际高速公路和环城高速公路上的车辆也越来越多，导致高速公路上的道路拥堵情况愈加严重。

准确地预测高速公路收费站下道流量，掌握高速公路收费站间流量关系，有利于交管部门和营运部门合力管控，交管部门可以进行限流、交通管制，保证主线上车辆数低于饱和，有效避免拥堵；营运部门可以通过预测结果进行收费站车道及收费员资源合理配置，低峰期避免资源浪费，高峰期可提前做好应对措施，启动应急预案。同时，也能够为出行者提供有效的路径诱导服务。因此如何选用合适的模型刻画收费站间流量关系，预测收费站的下道流量，具有十分重要的意义。

通过查阅相关专利和论文，发现现有高速公路收费站下道交通流量预测方法主要有：

现有技术一：专利CN104269055A使用ARMA模型将历史收费站流量数据进行时间序列回归得到目标收费站流量预测值。这种方法计算方法简单，预测速度快，但是难以应对突发性流量变化，准确度不高。

现有技术二：专利CN103870890A在计算收费站间流量转移关系时自定义统计收费站间流量转移关系的时间窗，没有进行时间窗的寻优计算，这种方法计算得到的流量转移关系不准确，影响最终目标收费站的流量预测结果。

现有技术三：专利CN106327864A计算得到收费站间流量转移关系后，用信息熵衡量其稳定程度，对波动比较小的时段赋予高的权值，而对波动比较大的时段认为其可靠性低，赋予较小的权值，未能深入挖掘影响两收费站间流量转移关系的因素，难以应对突发状况，预测结果准确度不高。

发明内容

有鉴于此，本发明的目的在于提供一种高速公路收费站下道交通流量预测方法，可适用于高速公路主线收费站及匝道收费站下道交通流量的预测。

为达到上述目的，本发明提供如下技术方案：

1)提取影响两收费站间流量转移关系的特征，将特征进行处理，利用数学语言进行表示；

2)对步骤1)提取并处理后的特征进行分析聚类；

3)计算不同时间窗下的上道收费站和下道收费站之间的OD分流比例；

4)根据步骤3)的结果，确定目标收费站与其相关收费站的OD分流比例的最优时间窗；

5)根据步骤4)的结果，计算最优时间窗下上道收费站和下道收费站之间的OD分流比例；

6)通过历史数据学习步骤1)所获得的特征与步骤5)所获得的OD分流比例的关系；

7)提取与目标收费站相关的各个收费站上道信息的特征参数，根据步骤6)所获得的关系，获取各收费站与目标收费站间的OD分流比例；

8)根据上道收费站的上道流量预测下道收费站的下道流量；

9)获得下道收费站的下道流量。

进一步，所述步骤1)中，通过GBRT模型输出每个变量对于预测结果的重要程度，删除重要程度小于阈值的特征。

进一步，所述2)中，利用模糊C均值聚类的方法对步骤1)提取并处理后的特征进行分析聚类。

进一步，所述3)具体包括如下步骤：

31)找出不同时间窗T下的下道车辆数N，统计行程时间τ；

32)拟合行程时间τ的分布；

33)排除个体车辆过快或者过慢的极端情况，在置信度为95％的条件下，确定置信区间的上界τ₁和下界τ₀；

34)通过下式，计算不同时间窗T下的上道收费站i和下道收费站j之间的OD分流比例α_ij：

其中，

t₀为下道收费站j统计下道车流量的起始时刻；

T为下道收费站j统计下道车流量的时间窗；

τ₀为一定置信度下行程时间的下界；

τ₁为一定置信度下行程时间的上界；

Q_j(t₀,t₀+T)为t₀到t₀+T时段内下道收费站j的下道流量；

Q_i(t₀-τ₁,t₀+T-τ₀)为t₀-τ₁到t₀+T-τ₀时段内上道收费站i的上道流量；

α_ij为一定时间窗下，上道收费站i上道的车从下道收费站j下道的比例，称为上道收费站i和下道收费站j收费站之间的OD分流比例。

进一步，所述步骤4)具体包括如下步骤：

41)通过下式，获取步骤3中利用模糊C均值聚类的方法聚类后的同一类中不同时间窗T下的OD分流比例α_ij的变异系数C.V_α：

其中，

C.V_α为OD分流比例变异系数，用于描述数据的离散度；

OD分流比例的标准差：

OD分流比例的均值：

42)判断时间窗T_ij是否为为上道收费站i和下道收费站j之间OD分流比例离散度最小的时间窗；

43)重复上述步骤41)、步骤42)，确定上道收费站i(i＝1,2,...,m)与j收费站之间OD分流比例离散度最小的时间窗T_1j,T_2j,...,T_ij，以两两收费站间的OD分流比例变异系数总和最小为约束条件，求得最优时间窗T_j ^*。

进一步，所述5)中，通过下式计算最优时间窗T_j ^*下上道收费站i和下道收费站j之间的OD分流比例：

其中，

_t0为下道收费站j统计下道车流量的起始时刻；

T_j ^*为下道收费站j统计下道车流量的最优时间窗；

τ₀为一定置信度下行程时间的下界；

τ₁为一定置信度下行程时间的上界；

Q_j(t₀,t₀+T_j ^*)为t₀到t₀+T_j ^*时段内下道收费站j的下道流量；

Q_i(t₀-τ₁,t₀+T_j ^*-τ₀)为t₀-τ₁到t₀+T_j ^*-τ₀时段内上道收费站i的上道流量；

α_ij′为T_j ^*时间窗下，上道收费站i上道的车从下道收费站j下道的比例。

进一步，所述步骤6)中，采用BP神经网络，通过历史数据学习步骤1)中提取的特征(s₁,s₂,...,s_n)与OD分流比例α_ij′的关系。

进一步，所述步骤8)中，通过下式，由上道收费站i的上道流量预测下道收费站j下道流量：

Q_j(t₀,t₀+T_j ^*)＝α_ij′·Q_i(t₀-τ₁,t₀+T_j ^*-τ₀)

其中，

Q_j(t₀,t₀+T_j ^*)为t₀到t₀+T_j ^*时段内下道收费站j的下道流量；

α_ij′为T_j ^*时间窗下，从i收费站上道至下道收费站j下道的车流量比值；

Q_i(t₀-τ₁,t₀+T_j ^*-τ₀)为t₀-τ₁到t₀+T_j ^*-τ₀时段内上道收费站i的上道流量。

进一步，所述步骤9)中，通过下式获得下道收费站j的下道流量：

其中：

Q_j(t₀,t₀+T_j ^*)为t₀到t₀+T_j ^*时段内j收费站的下道流量；

为t₀-τ₁到t₀+T_j ^*-τ₀时段内1，2,...,m收费站的上道流量和；

α_ij′为T_j ^*时间窗下，i收费站上道的车从j收费站下道的比例。

进一步，所述步骤9)中，还可通过下式对路网所有收费站的下道流量进行预测：

其中：

t₀为下道收费站统计车流量的起始时刻；

T₁ ^*,T₂ ^*,...,T_j ^*为1,2,...,j收费站统计下道车流量的最优时间窗；

α_ij′为T_j ^*时间窗下，i收费站上道的车从j收费站下道的比例；

Q₁(t₀-τ_1i1,t₀+T₁′-τ_0i1),Q₂(t₀-τ_1i2,t₀+T₂′-τ_0i2)，...,Q_j(t₀-τ_1ij,t₀+T_j′-τ_0ij)为t₀-τ_1ij到t₀+T_j ^*-τ_0ij时段内1,2,...,m收费站的上道流量。

本发明的有益效果在于：

高速公路收费站下道交通流量预测方法，以OD分流比例变异系数总和最小为约束条件，求得最优时间窗，在最优时间窗下求得更为准确的OD分比例，通过大量历史数据挖掘了OD分流比例与其影响因素的关系，在此基础上提出了一种高速公路收费站下道交通流量预测方法，算法稳定性好、预测精度高。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图：

图1示出了本发明的流程示意图；

图2示出了步骤2中利用模糊C聚类进行分析的流程示意图；

图3示出了步骤3中计算OD分流比例α_ij的流程示意图；

图4示出了步骤6中利用BP神经网络进行训练的流程示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述,但所举实施例不作为对本发明的限定。

参见图1-4，本实施例的高速公路收费站下道交通流量预测方法，高速公路收费站下道交通流量预测方法，其特征在于：包括如下步骤：

1)提取影响两收费站间流量转移关系的特征(s₁,s₂,...,s_n)，将特征进行处理，利用数学语言进行表示；具体的：

通过GBRT模型输出每个变量对于预测结果的重要程度。每个特征的重要程度是通过其在回归树中分裂时，计算所有的非子节点在分裂时加权不纯度的减少的次数，不纯度减少的越多，则认为该特征越重要。

GBRT模型的具体产生过程如下：

对于给定的输入：T＝(x₁,y₁),(x₂,y₂),...,(x_n,y_n)，损失函数L(y,f(x))；

输出结果：一棵回归树

a)模型的初始化：

b)迭代生成M颗回归树

for m＝1to M(第一层循环)

for i＝1to N(第二层循环)，计算损失函数的负梯度值，并将它作为残差的估计值γ_mi；

对于γ_mi一棵回归树g_m(x),将第m棵树的输入空间分割成J个不相交区域R_1m,R_2m,...,R_Jm。

for j＝1to J(第二层循环),计算梯度下降的步长c_mj：

利用线性搜索估计叶节点区域的值，使损失函数极小化，

然后，更新

c)最后得到的f_m(x)就是最终的模型

最后,对于重要程度不大的特征可考虑进行删除，如将时间分时段进行处理，从0点开始每2小时划分为一个时段，节假日/非节假日用1/0表示。

2)利用模糊C均值聚类的方法对步骤1)提取并处理后的特征进行分析聚类；

模糊C均值聚类把n个向量x_i(i＝1,2,...,n)分为c个模糊组，并求每组的聚类中心，使得非相似性指标的目标函数达到最小。具体算法描述如下：

设目标函数为

其中：

ui_j∈[0,1]，表示第j个数据点属于第i个聚类中心的隶属度；

c_i为模糊组i的聚类中心；

di_j＝||c_i-c_j||表示第i个聚类中心与第j个数据点间的欧几里德距离；

m∈[1,∞)是一个加权i指数；

构造拉格朗日乘子，建立新的目标函数：

对所有输入参量求导，使原目标函数达到最小的必要条件为：

模糊C均值聚类算法的迭代过程如图2所示。

3)参见图3，计算不同时间窗下的上道收费站和下道收费站之间的OD分流比例；具体包括如下步骤：

具体包括如下步骤：

31)找出不同时间窗T下的下道车辆数N，统计行程时间τ；

32)拟合行程时间τ的分布；

33)排除个体车辆过快或者过慢的极端情况，在置信度为95％的条件下，确定置信区间的上界τ₁和下界τ₀；

34)通过下式，计算不同时间窗T下的上道收费站i和下道收费站j之间的OD分流比例α_ij：

其中，

t₀为下道收费站j统计下道车流量的起始时刻；

T为下道收费站j统计下道车流量的时间窗；

τ₀为一定置信度下行程时间的下界；

τ₁为一定置信度下行程时间的上界；

Q_j(t₀,t₀+T)为t₀到t₀+T时段内下道收费站j的下道流量；

Q_i(t₀-τ₁,t₀+T-τ₀)为t₀-τ₁到t₀+T-τ₀时段内上道收费站i的上道流量；

α_ij为一定时间窗下，上道收费站i上道的车从下道收费站j下道的比例，称为上道收费站i和下道收费站j收费站之间的OD(Origin-Destination)分流比例。

4)根据步骤3)的结果，确定目标收费站与其相关收费站的OD分流比例的最优时间窗；具体包括如下步骤：

41)通过下式，获取步骤3中利用模糊C均值聚类的方法聚类后的同一类中不同时间窗T下的OD分流比例α_ij的变异系数C.V_α：

其中，

C.V_α为OD分流比例变异系数，用于描述数据的离散度；

OD分流比例的标准差：

OD分流比例的均值：

OD分流比例变异系数为OD分流比例α_ij标准差和均值的比值，用以描述数据的离散性。

42)判断时间窗T_ij是否为上道收费站i和下道收费站j之间OD分流比例离散度最小的时间窗；

43)重复上述步骤41)、步骤42)，确定上道收费站i(i＝1,2,...,m)与j收费站之间OD分流比例离散度最小的时间窗T_1j,T_2j,...,T_ij，以两两收费站间的OD分流比例变异系数总和最小为约束条件，求得最优时间窗T_j ^*。

5)根据步骤4)的结果，通过下式计算最优时间窗T_j ^*下上道收费站i和下道收费站j之间的OD分流比例：

其中，

t₀为下道收费站j统计下道车流量的起始时刻；

T_j ^*为下道收费站j统计下道车流量的最优时间窗；

τ₀为一定置信度下行程时间的下界；

τ₁为一定置信度下行程时间的上界；

Q_j(t₀,t₀+T_j ^*)为t₀到t₀+T_j ^*时段内下道收费站j的下道流量；

Q_i(t₀-τ₁,t₀+T_j ^*-τ₀)为t₀-τ₁到t₀+T_j ^*-τ₀时段内上道收费站i的上道流量；

α_ij′为T_j ^*时间窗下，上道收费站i上道的车从下道收费站j下道的比例。

6)参见图4，采用BP神经网络，通过历史数据学习步骤1)中提取的特征(s₁,s₂,...,s_n)与OD分流比例α_ij′的关系；

7)提取与目标收费站相关的各个收费站上道信息的特征参数，根据步骤6)所获得的关系，获取各收费站与目标收费站间的OD分流比例；

8)通过下式，由上道收费站i的上道流量预测下道收费站j下道流量：

Q_j(t₀,t₀+T_j ^*)＝α_ij′·Q_i(t₀-τ₁,t₀+T_j ^*-τ₀)

其中，

Q_j(t₀,t₀+T_j ^*)为t₀到t₀+T_j ^*时段内下道收费站j的下道流量；

α_ij′为T_j ^*时间窗下，从i收费站上道至下道收费站j下道的车流量比值；

Q_i(t₀-τ₁,t₀+T_j ^*-τ₀)为t₀-τ₁到t₀+T_j ^*-τ₀时段内上道收费站i的上道流量。

因为目标收费站j的下道流量不仅与i收费站的上道流量有关，还与其它收费站1,2,...,i-1的上道流量有关，所以根据步骤1-8)求得各收费站与目标收费站的流量关系后，还需要执行步骤9)。

9)通过下式获得下道收费站j的下道流量：

其中：

Q_j(t₀,t₀+T_j ^*)为t₀到t₀+T_j ^*时段内j收费站的下道流量；

为t₀-τ₁到t₀+T_j ^*-τ₀时段内1，2,...,m收费站的上道流量和；

α_ij′为T_j ^*时间窗下，i收费站上道的车从j收费站下道的比例。

还可通过下式对路网所有收费站的下道流量进行预测：

其中：

t₀为下道收费站统计车流量的起始时刻；

T₁ ^*,T₂ ^*,...,T_j ^*为1,2,...,j收费站统计下道车流量的最优时间窗；

α_ij′为T_j ^*时间窗下，i收费站上道的车从j收费站下道的比例；

Q₁(t₀-τ_1i1,t₀+T₁′-τ_0i1),Q₂(t₀-τ_1i2,t₀+T₂′-τ_0i2)，...,Q_j(t₀-τ_1ij,t₀+T_j′-τ_0ij)为t₀-τ_1ij到t₀+T_j ^*-τ_0ij时段内1,2,...,m收费站的上道流量。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (10)

1.高速公路收费站下道交通流量预测方法，其特征在于：包括如下步骤：

1)提取影响两收费站间流量转移关系的特征，将特征进行处理，利用数学语言进行表示；

2)对步骤1)提取并处理后的特征进行分析聚类；

3)计算不同时间窗下的上道收费站和下道收费站之间的OD分流比例；

4)根据步骤3)的结果，确定目标收费站与其相关收费站的OD分流比例的最优时间窗；

5)根据步骤4)的结果，计算最优时间窗下上道收费站和下道收费站之间的OD分流比例；

6)通过历史数据学习步骤1)所获得的特征与步骤5)所获得的OD分流比例的关系；

7)提取与目标收费站相关的各个收费站上道信息的特征参数，根据步骤6)所获得的关系，获取各收费站与目标收费站间的OD分流比例；

8)根据上道收费站的上道流量预测下道收费站的下道流量；

9)获得下道收费站的下道流量。

2.如权利要求1所述的高速公路收费站下道交通流量预测方法，其特征在于：所述步骤1)中，通过GBRT模型输出每个变量对于预测结果的重要程度，删除重要程度小于阈值的特征。

3.如权利要求2所述的高速公路收费站下道交通流量预测方法，其特征在于：所述2)中，利用模糊C均值聚类的方法对步骤1)提取并处理后的特征进行分析聚类。

4.如权利要求3所述的高速公路收费站下道交通流量预测方法，其特征在于：所述3)具体包括如下步骤：

31)找出不同时间窗T下的下道车辆数N，统计行程时间τ；

32)拟合行程时间τ的分布；

33)排除个体车辆过快或者过慢的极端情况，在置信度为95％的条件下，确定置信区间的上界τ₁和下界τ₀；

34)通过下式，计算不同时间窗T下的上道收费站i和下道收费站j之间的OD分流比例α_ij：

其中，

t₀为下道收费站j统计下道车流量的起始时刻；

T为下道收费站j统计下道车流量的时间窗；

τ₀为一定置信度下行程时间的下界；

τ₁为一定置信度下行程时间的上界；

Q_j(t₀,t₀+T)为t₀到t₀+T时段内下道收费站j的下道流量；

Q_i(t₀-τ₁,t₀+T-τ₀)为t₀-τ₁到t₀+T-τ₀时段内上道收费站i的上道流量；

α_ij为一定时间窗下，上道收费站i上道的车从下道收费站j下道的比例，称为上道收费站i和下道收费站j收费站之间的OD分流比例。

5.如权利要求4所述的高速公路收费站下道交通流量预测方法，其特征在于：所述步骤4)具体包括如下步骤：

41)通过下式，获取步骤3中利用模糊C均值聚类的方法聚类后的同一类中不同时间窗T下的OD分流比例α_ij的变异系数C.V_α：

其中，

C.V_α为OD分流比例变异系数，用于描述数据的离散度；

OD分流比例的标准差：

OD分流比例的均值：

42)判断时间窗T_ij是否为为上道收费站i和下道收费站j之间OD分流比例离散度最小的时间窗；

43)重复上述步骤41)、步骤42)，确定上道收费站i(i＝1,2,...,m)与j收费站之间OD分流比例离散度最小的时间窗T_1j,T_2j,...,T_ij，以两两收费站间的OD分流比例变异系数总和最小为约束条件，求得最优时间窗T_j ^*。

6.如权利要求5所述的高速公路收费站下道交通流量预测方法，其特征在于：所述5)中，通过下式计算最优时间窗T_j ^*下上道收费站i和下道收费站j之间的OD分流比例：

其中，

t₀为下道收费站j统计下道车流量的起始时刻；

T_j ^*为下道收费站j统计下道车流量的最优时间窗；

τ₀为一定置信度下行程时间的下界；

τ₁为一定置信度下行程时间的上界；

Q_j(t₀,t₀+T_j ^*)为t₀到t₀+T_j ^*时段内下道收费站j的下道流量；

Q_i(t₀-τ₁,t₀+T_j ^*-τ₀)为t₀-τ₁到t₀+T_j ^*-τ₀时段内上道收费站i的上道流量；

α_ij′为T_j ^*时间窗下，上道收费站i上道的车从下道收费站j下道的比例。

7.如权利要求6所述的高速公路收费站下道交通流量预测方法，其特征在于：所述步骤6)中，采用BP神经网络，通过历史数据学习步骤1)中提取的特征(s₁,s₂,...,s_n)与OD分流比例α_ij′的关系。

8.如权利要求7所述的高速公路收费站下道交通流量预测方法，其特征在于：所述步骤8)中，通过下式，由上道收费站i的上道流量预测下道收费站j下道流量：

Q_j(t₀,t₀+T_j ^*)＝α_ij′·Q_i(t₀-τ₁,t₀+T_j ^*-τ₀)

其中，

Q_j(t₀,t₀+T_j ^*)为t₀到t₀+T_j ^*时段内下道收费站j的下道流量；

α_ij′为T_j ^*时间窗下，从i收费站上道至下道收费站j下道的车流量比值；

Q_i(t₀-τ₁,t₀+T_j ^*-τ₀)为t₀-τ₁到t₀+T_j ^*-τ₀时段内上道收费站i的上道流量。

9.如权利要求8所述的高速公路收费站下道交通流量预测方法，其特征在于：所述步骤9)中，通过下式获得下道收费站j的下道流量：

其中：

Q_j(t₀,t₀+T_j ^*)为t₀到t₀+T_j ^*时段内j收费站的下道流量；

为t₀-τ₁到t₀+T_j ^*-τ₀时段内1，2,...,m收费站的上道流量和；

α_ij′为T_j ^*时间窗下，i收费站上道的车从j收费站下道的比例。

10.如权利要求9所述的高速公路收费站下道交通流量预测方法，其特征在于：所述步骤9)中，还可通过下式对路网所有收费站的下道流量进行预测：

其中：

t₀为下道收费站统计车流量的起始时刻；

T₁ ^*,T₂ ^*,...,T_j ^*为1,2,...,j收费站统计下道车流量的最优时间窗；

α_ij′为T_j ^*时间窗下，i收费站上道的车从j收费站下道的比例；

Q₁(t₀-τ_1i1,t₀+T₁′-τ_0i1),Q₂(t₀-τ_1i2,t₀+T₂′-τ_0i2)，...,Q_j(t₀-τ_1ij,t₀+T_j′-τ_0ij)为t₀-τ_1ij到t₀+T_j ^*-τ_0ij时段内1,2,...,m收费站的上道流量。