CN108877225B - 交通流量指数确定方法及装置 - Google Patents
交通流量指数确定方法及装置 Download PDFInfo
- Publication number
- CN108877225B CN108877225B CN201810972502.9A CN201810972502A CN108877225B CN 108877225 B CN108877225 B CN 108877225B CN 201810972502 A CN201810972502 A CN 201810972502A CN 108877225 B CN108877225 B CN 108877225B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- index
- data
- period
- station
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种交通流量指数确定方法及装置,该方法包括根据需要统计的指数等级,分别确定基期内和报告期内的各交调站点,其中,基期为作为基准的日期,报告期为期望统计的日期;根据基期内每个交调站点的交通流量、报告期内每个交调站点的交通流量,以及基期指数,确定指数等级对应的交通流量指数。本发明确定的交通流量指数全面、客观的反应公路交通流量的运行趋势,充分发挥了交通数据资源的价值。
Description
技术领域
本发明涉及在交通运输领域,尤其涉及一种交通流量指数确认方法及装置。
背景技术
交通运输经济运行分析是国家宏观经济运行分析的重要组成部分,通过交通经济运行分析可以系统了解和掌握交通行业发展情况,及时发现和深入分析行业发展存在问题,准确把握发展态势并科学提出发展对策。
目前,全国公路交通情况调查采集网络逐渐成形,调查数据的准确性、实时性和完整性也在不断改善,已具备作为交通经济运行分析基础数据的条件。但是在满足交通经济运行分析使用方面交调数据仍存在以下问题:缺乏能够直观反映交通流量变化的指数型指标以及交通流量与反映经济运行特征的相关指标的关系尚不清晰。因此交调数据在交通经济运行分析中的使用效果并不明显,不能充分发挥公路交通数据资源的价值。
发明内容
本发明提供一种交通流量指数确认方法及装置,以至少解决现有技术中的以上技术问题中的至少一项。
为达到上述目的,本发明一种交通流量指数确定方法,所述方法包括:
根据需要统计的指数等级,分别确定基期内和报告期内的各交调站点(交通流量调查站,指设在公路沿线的某些特定地点观测记录交通流量的工作站),其中,所述基期为作为基准的日期,所述报告期为期望统计的日期;
根据所述基期内每个交调站点的交通流量、所述报告期内每个交调站点的交通流量,以及基期指数,确定所述指数等级对应的交通流量指数。
在一种实施方式中,根据所述基期内每个交调站点的交通流量、所述报告期内每个交调站点的交通流量,以及基期指数,确定所述指数等级对应的交通流量指数,包括:
计算所述基期内各交调站点的交通流量的算术平均值;
计算所述报告期内各交调站点的交通流量的算术平均值;
采用所述基期内各交调站点的交通流量的算术平均值、所述报告期内各交调站点的交通流量的算术平均值以及所述基期指数,计算所述指数等级对应的交通流量指数。
在一种实施方式中,采用所述基期内各交调站点的交通流量的算术平均值、所述报告期内各交调站点的交通流量的算术平均值以及所述基期指数,计算所述指数等级对应的交通流量指数,包括:
采用式1计算所述指数等级对应的交通流量指数:
其中,I为流量指数,t为指数等级对应的车型,n为所述报告期内交调站点的数量,p11、p12、…p1n为所述报告期内每个交调站点的交通流量;m为所述基期内交调站点的数量,p01、p02、…p0m为所述基期内每个交调站点的交通流量,B为基期指数。
在一种实施方式中,所述指数等级包括一级指数、二级指数以及三级指数,所述一级指数为综合流量指数,所述二级指数为客车流量指数和货车流量指数,所述三极指数为各种单一类型的客车或货车的流量指数,其中,所述一级指数包括所述二级指数,所述二级指数包括所述三级指数。
在一种实施方式中,还包括:
从全部交调站点中筛选出各样本站点;
对各样本站点的交通流量数据进行异常数据处理和/或季节调整,得到各候选站点。
在一种实施方式中,根据需要统计的指数等级,分别确定基期内和报告期内的各交调站点,包括:
根据需要统计的指数等级和所述基期,从各候选站点中确定出所述基期内的各交调站点;
根据需要统计的指数等级和所述报告期,从各候选站点中确定出所述报告期内的各交调站点。
在一种实施方式中,从全部交调站点中筛选出各样本站点,包括:
采用式2计算得出样本站点的规模;
其中,n为样本站点的规模,E为调查结果的精度误差,Z为调查结果置信区间的取值,P为比例估计的精度,N为相应地理位置统计的交调站点数量;
确定交调站点的筛选范围的公路级别,并按照地理位置对交调站点数量进行归类统计。
在一种实施方式中,对各样本站点的交通流量数据进行异常数据处理,包括:
从交通流量数据中获取多种异常数据,所述异常数据包括数据波动、缺失数据、错误数据以及不准确数据;
在实时数据中保留数据波动;
对缺失数据进行数据补齐;
对错误数据进行修复;
采用其它数据源对不准确数据进行修改。
在一种实施方式中,对各样本站点的交通流量数据进行季节调整包括:
获取时间序列{xt|t=1,2,…,z},以及自相关函数ρk:
其中,k表示超前或者滞后期,Cov(xt,xt-k)表示时间序列{xt}和{xt-k}的协方差,Var(xt)表示时间序列的方差;
对时间序列{xt}进行一阶差分,获得yt=xt-xt-1,t=1,2,…,z;
计算自相关与偏相关系数,以验证时间序列{xt}包含季节性因素;
先使用ARIMA(自回归积分滑动平均模型)模型对时间序列的两端进行延伸,其公式为:
移动平均算子为:θ(B)=1-θ1B-θ2B2…-θqBq;
对序列及其季节行为进行初步的图形评估后,使用ARIMA模型进行季节调整,并使用ARIMA模型计算出经季节调整的趋势,并加回异常观测值;
并修订历史数据和预测近期趋势;
其中,季节调整中利用ARIMA模型把时间序列中的季节因素去除,并根据时间序列各组成因素之间的不同依存关系建立不同模型。
本发明第二方面提供了一种交通流量指数确定装置,所述装置包括:
交调站点确定模块,用于根据需要统计的指数等级,分别确定基期内和报告期内的各交调站点,其中,所述基期为作为基准的日期,所述报告期为期望统计的日期;
交通流量指数确定模块,用于根据所述基期内每个交调站点的交通流量、所述报告期内每个交调站点的交通流量,以及基期指数,确定所述指数等级对应的交通流量指数。
在一种实施方式中,所述交通流量指数确定模块包括:
第一计算子模块,用于计算所述基期内各交调站点的交通流量的算术平均值;
第二计算子模块,用于计算所述报告期内各交调站点的交通流量的算术平均值;
第三计算子模块,用于采用所述基期内各交调站点的交通流量的算术平均值、所述报告期内各交调站点的交通流量的算术平均值以及所述基期指数,计算所述指数等级对应的交通流量指数。
在一种实施方式中,所述第三计算子模块还用于:
采用式1计算所述指数等级对应的交通流量指数:
其中,I为流量指数,t为指数等级对应的车型,n为所述报告期内交调站点的数量,p11、p12、…p1n为所述报告期内每个交调站点的交通流量;m为所述基期内交调站点的数量,p01、p02、…p0m为所述基期内每个交调站点的交通流量,B为基期指数。
在一种实施方式中,还包括:
筛选模块,用于从全部交调站点中筛选出各样本站点;
后处理模块,用于对各样本站点的交通流量数据进行异常数据处理和/或季节调整,得到各候选站点。
本发明确定的交通流量指数全面、客观的反应公路交通流量的运行趋势,充分发挥了交通数据资源的价值,并有效用于交通经济运行的分析。同时,确定的交通流量指数的数据具有实时性特点,可以快速分析交通运行情况,以及交通流量指数具有系统、科学以及合理的特点,可以作为衡量交通经济运行情况的标尺。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本发明公开的一些实施方式,而不应将其视为是对本发明范围的限制。
图1为本发明实施例中交通流量指数确定方法的流程图。
图2为本发明实施例中另一交通流量指数确定方法的流程图。
图3为本发明实施例中获取各候选站点方法的流程图。
图4为本发明实施例中筛选出各样本站点方法的流程图。
图5为本发明实施例中设备进行检测的方法的流程图。
图6为本发明实施例中交通流量指数确定装置结构图。
图7为本发明实施例中交通流量指数确定模块结构图。
图8为本发明实施例中另一交通流量指数确定装置结构图。
图9为本发明实施例中交调站点确定模块结构图。
图10为本发明实施例中后处理模块结构图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
第一方面,如图1所示,本发明提供了一种交通流量指数确定方法,该方法包括:
步骤S101:根据需要统计的指数等级,分别确定基期内和报告期内的各交调站点(交通流量调查站点),其中,所述基期为作为基准的日期,所述报告期为期望统计的日期。
步骤S102:根据所述基期内每个交调站点的交通流量、所述报告期内每个交调站点的交通流量,以及基期指数,确定所述指数等级对应的交通流量指数。
交通流量指数可以定期编制,用来表征交通流量变化。交通流量指数可以衡量报告期与基期相比的交通总水平的相对变化,能够用来指导对交通流量的科学管控。
进一步地,参见图2所示,步骤S102:根据所述基期内每个交调站点的交通流量、所述报告期内每个交调站点的交通流量,以及基期指数,确定所述指数等级对应的交通流量指数,包括:
步骤S201:计算所述基期内各交调站点的交通流量的算术平均值。
步骤S202:计算所述报告期内各交调站点的交通流量的算术平均值。
步骤S203:采用所述基期内各交调站点的交通流量的算术平均值、所述报告期内各交调站点的交通流量的算术平均值以及所述基期指数,计算所述指数等级对应的交通流量指数。
使用算术平均和按里程加权两种算法,计算得到的交通流量指数的结果变化趋势一致。在路网集中集中区域的交调站点的交通流量的加权平均值大于算数平均值。也就是说,密集路网影响加权平均值的计算。因此,在选取交调站点时,可以去除交调站点的相关性,减弱不同交调站点的代表里程对交通流量平均值的影响,再采用算数平均值计算交通流量指数。
进一步地,采用所述基期内各交调站点的交通流量的算术平均值、所述报告期内各交调站点的交通流量的算术平均值以及所述基期指数,计算所述指数等级对应的交通流量指数,包括:
采用式1计算所述指数等级对应的交通流量指数:
其中,I为流量指数,t为指数等级对应的车型,n为所述报告期内交调站点的数量,p11、p12、…p1n为所述报告期内每个交调站点的交通流量;m为所述基期内交调站点的数量,p01、p02、…p0m为所述基期内每个交调站点的交通流量,B为基期指数。其中,基期指数也可以称为基点,例如基点可以为100或者100的倍数。基点和基期的选择要尽量科学合理,基期在相当长的时间内可以固定不变。基期的确定可以考虑历史数据的稳定性与继承性。
本实施例交通流量平均值到流量指数,就是平均值待指数化的过程,确定的交通流量指数全面、客观的公路交通流量的运行趋势,充分发挥了交通数据资源的价值。
在一种实施例中,所述指数等级包括一级指数、二级指数以及三级指数,所述一级指数为综合流量指数,所述二级指数为客车流量指数和货车流量指数,所述三极指数为各种单一类型的客车或货车的流量指数,其中,所述一级指数包括所述二级指数,所述二级指数包括所述三级指数。
如表1所示,为指数等级的一种示例。
表1
如表1所示,客车流量指数能够衡量客车运行情况,客车涵盖的车型包括中小型客车和大客车。货车流量指数能够衡量货车运行情况,所述货车涵盖的车型包括小货车、中货车、大货车、特大货车以及集装箱车。每一种车型都可以对应一种交通流量。计算时,只选取对应的车型的流量进行指数运算,这样,需要每种车型时,只计算每种车型的流量指数,更加准确、全面地反映各种类型的交通流量。上表中是指数等级的一种示例,具体可以根据国家、地域、车型等方式灵活的设置指数等级,以满足不同场合的需求。
进一步地,根据需要统计的指数等级,分别确定基期内和报告期内的各交调站点,包括:
根据需要统计的指数等级和所述基期,从各候选站点中确定出所述基期内的各交调站点;
根据需要统计的指数等级和所述报告期,从各候选站点中确定出所述报告期内的各交调站点。
其中,基期和报告期选择的指数等级具有一致性。候选站点通常满足以下条件的至少一个:
候选站点为根据指数的特点和编制目而选出最能代表该指数的站点;
候选站点能保持指数具有良好的可比性、连续性和一致性;
候选站点为根据指数特点和编制目的选取的特定数量的站点;
候选站点在同一路线和同一区域具有独立性,以使具有相同特征的站点在同一路线和同一区域的比重适中,不影响指数结果的准确性。
在一种实施例中,如图3所示,该方法还包括:
步骤S301:从全部交调站点中筛选出各样本站点。
步骤S302:对各样本站点的交通流量数据进行异常数据处理和/或季节调整,得到各候选站点。
在本发明实施例中,选择样本站点可以考虑多种因素。例如:公路的行政等级和技术等级交通量的影响、道路功能对交通量的影响、地域分布对交通量的影响、新建站点的投入时间等。在确定了统计区域后,可以将该区域内的全部交调站点
交调站点可以为连续式观测站。连续式观测站可以例如为分小时不间断进行交通流量调查的站点。一般设置在主要干线有代表性、能定性地反映某一区域的交通流量变化规律的路段。设置的目的在于获取每年完整的交通流量数据,确定交通流量不平衡系数,设计小时交通流量系数等各种技术参数及为交通流特征研究提供基础资料。
进一步地,从全部交调站点中筛选出各样本站点,包括:
采用式2计算得出需要筛选出的样本站点的规模;
其中,n为样本站点的规模,E为调查结果的精度误差,Z为调查结果置信区间的取值,P为比例估计的精度,N为相应地理位置统计的交调站点数量;
确定交调站点的筛选范围的公路级别,并按照地理位置对交调站点数量进行归类统计。
其中,交调站点数量N的值满足各地理位置内的交调站点的覆盖密度ρ,如下式3;
其中,L为相应地理位置中确定的公路级别的里程。
在确定N值时,可以调整各地理位置内的交调站点的覆盖密度,以使各地理位置内的任意两个地理位置内交调站点的覆盖密度的差值小于各自地理位置内交调站点的例如±20%。
在各区域中选取至少一个区域界点。以区域界点为基础,去除同一路线上相邻距离小于400千米的交调站点。将剩余的交调站点的交通流量按照绝对值进行排序,截取排序靠前的交调站点。调整各地理位置道路平均覆盖里程的差值小于±20%。将截取的交调站点作为各样本站点,以使筛选出各样本站点具有符合要求的覆盖密度ρ。这样,保证了样本站点的独立性。
参见图4所示,在一种示例中,筛选出各样本站点具体步骤可以包括:
步骤S401:在全部交调站点中选择主路线网中的交调站点,并将不符合的交调站点剔除。
步骤S402:选择具有连续数据的交调站点,并将不符合的交调站点剔除。
步骤S403:确定样本的站点的规模并按区域归类统计。
步骤S404:计算覆盖密度,选择各区域覆盖密度差异小于±20%的交调站点,且将不符合的交调站点调整至覆盖密度差异小于±20%。
步骤S405:选择区域界点,去除相关性(即同一线路中具有同一特征的站点择其一),以及叠加车型的特征点。
步骤S406:将符合上述要求的交调站点作为样本站点。
本实施例通过筛选出交通数据具有及时性、完整性以及准确性的样本站点,以保证计算出的交通流量指数的及时性、完整性以及准确性。
在一种实施例中,在筛选样本之后,该方法还可以包括各样本站点的调整方法,所述调整方法包括:
定期调整样本站点,例如,定期调整样本站点的比例可以小于10%;
在设定时间内审核调整样本站点,所述审核的依据包括一段时间内的交通流量数据、设备质量评价数据以及样本站点基础信息数据;
将连续指定时间内空缺数据且未按照规定时间恢复的样本站点剔除,且在样本站点定期调整期间,样本站点还需要对异常数据进行临时性调整;
其中,定期调整样本站点时采用缓冲区规则,所述缓冲区规则包括按交通流量排名在第一指定范围内的新的样本站点优先进入指数,按交通流量排名在第二指定范围内的旧的样本站点优先保留,其中,第二指定范围包括第一指定范围,第二范围内的旧的样本站点的数量为未调整前样本站点的30%。
本实施例通过对样本站点的定期调整,保证了样本站点的交通流量数据的连续性和有效性。
在一种实施例中,对各样本站点的交通流量数据进行异常数据处理,包括:
从交通流量数据中获取多种异常数据,所述异常数据包括数据波动、缺失数据、错误数据以及不准确数据;
在实时数据中保留数据波动;
对缺失数据进行数据补齐;
对错误数据进行修复;
采用其它数据源对不准确数据进行修改。
通过对异常数据的处理,以提高交通数据的质量。
其中,所述数据波动包括由于实际交通环境中的各种事件造成实际交通流量的波动,波动的可能范围较大,表现为数据的突变,所述缺失数据包括调查设备由于供电、网络等故障,可能造成部分调查数据的丢失和不完整;所述错误数据包括调查系统由于软硬件故障,造成输出的设备采集数据明显不符合实际情况,可能有多种表现形式,如设备采集数据明显超出合理范围、连续输出同样的数据等;所述不准确数据包括由于系统数据库问题、设备误差等造成数据不准确,但仍处于可能的数据范围;成因在于采集系统,可能产生的误差范围较广,表现为长期的系统误差、随机误差和数据突变等。
在一种实施例中,对错误数据进行修复包括历史数据修复法和插值法。
在一种示例中,历史数据修复法可以包括以下步骤:
采用历史数据作为当前待修复值的基本估计值;
根据前一段时间正常数据在基本估计值的基础上进行调整,并通过式4得到估计值,并以得到的估计值作为当前待修复值;
其中,对应i周期的平均值包括i周期前一段时间的参数均值,或i周期所在的小时均值,历史数据包括前一天同时段的历史值、前一星期同一天同时段的历史值或多天历史数据的均值。
在一种示例中,插值法可以包括以下步骤:
利用式5得到估计值,并以得到的估计值作为当前待修复值;
其中,(xp-n…+xp-1+xp+1+…+xp+n)的实测值集合包括前后连续多个采集周期的数据、前后连续多日同一时刻的数据或前后连续多周同日同一时刻的数据。
其中,检测异常数据的统计指标可以包括但不限于以下示例:
其中,288代表一天包括288个5分钟。
利用异常数据的各种统计指标,可以从各本站点的交通流量数据中找到异常数据,然后再对这些数据进行各种补齐、修复、丢弃等操作,从而保留最有价值的交通流量数据,能够减少干扰数据,减少后续的数据处理量。
进一步地,对各样本站点的交通流量数据还包括季节调整。由于车辆行驶中会表现出特定的季节性倾向,不同的季节对经济活动的影响程度不同,使得同样的经济活动在不同的季节产生的经济效果不同,不同季节的气候因素影响产生的季节性因素使得数据之间产生不可比性,因此需要进行数据的季节调整,以消除季节因素对数据的影响。
在一种示例中,季节调整方法可以包括:
获取时间序列{xt|t=1,2,…,z},以及自相关函数ρk:
其中,k表示超前或者滞后期,Cov(xt,xt-k)表示时间序列{xt}和{xt-k}的协方差,Var(xt)表示时间序列的方差;
对时间序列{xt}进行一阶差分,获得yt=xt-xt-1,t=1,2,…,z;
计算自相关与偏相关系数,以验证时间序列{xt}包含季节性因素;
使用ARIMA(自回归积分滑动平均模型)模型对时间序列的两端进行延伸,其公式为:
移动平均算子为:θ(B)=1-θ1B-θ2B2…-θqBq;
对序列及其季节行为进行初步的图形评估后,使用ARIMA模型进行季节调整,并使用ARIMA模型计算出经季节调整的趋势,并加回原始数据中包含季节性、季节模式的变化、波幅的差异和变化、异常值等季节性变化因素的异常观测值;
修订历史数据和预测近期趋势;
其中,季节调整中利用ARIMA模型把时间序列中的季节因素去除,并根据时间序列各组成因素之间的不同依存关系建立不同模型。
本实施例利用ARIMA模型将季节因素在交通数据中剔除,减小了季节因素对交通流量数据的影响,保证了交通流量指数的准确性。
在一种实施例中,为了减少异常数据,获取的交通流量数据之前可以对设备进行检测。如图5所示,一种对设备进行检测的方法可以包括以下步骤:
S501:检测过程中,车辆流量采用灵活时段抽取的方式进行记录,以使交通流量数据中不包括跨检测区域、非检测区域、异常停车以及逆行的时段的车辆流量;
S502:车辆流量和速度指标真值采用标准设备和车型指标真值采用人工记录方式获取;
S503:每种型号设备检测的车辆流量在车流高峰、车流平峰和晚间分别抽取,且每种型号设备记录的任一车型的车辆流量不小于50辆;
S504:以抽取的型号设备检测的所有车型作为交通流量和速度样本数据,所述型号设备包括用于检测车型、车辆流量以及速度的I级设备和用于检测车辆流量的II级设备;其中,单方向两车道合计:流量指标数据的相对误差不超过±5%,速度指标数据的相对误差不超过±8%,车型指标数据所有车型识别相对误差不超过±10%。
第二方面,本发明提供了一种交通流量指数的用途。利用上述方法获取的交通流量指数用于与之前年度的宏观经济先行指标PMI指数进行对比,并根据对比分析出的规律,通过当前的交通流量指数预测当前的宏观经济先行指标PMI指数,有效用于交通经济运行形势的分析,充分体现了交通数据资源的价值。
第三方面,结合上述的交通流量指数确定方法,本发明提供了一种交通流量指数确定装置,所述装置的功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。参见图6所示,所述装置包括交调站点确定模块110和交通流量指数确定模块120。
交调站点确定模块110用于根据需要统计的指数等级,分别确定基期内和报告期内的各交调站点,其中,所述基期为作为基准的日期,所述报告期为期望统计的日期。
交通流量指数确定模块120用于根据所述基期内每个交调站点的交通流量、所述报告期内每个交调站点的交通流量,以及基期指数,确定所述指数等级对应的交通流量指数。
交通流量指数确定装置可以确定交通流量指数,并利用交通流量指数定期编制,用来表征交通流量变化。同时,交通流量指数可以衡量报告期与基期相比的交通总水平的相对变化,能够用来指导对交通流量的科学管控。
进一步地,参见图7所示,所述交通流量指数确定模块120包括第一计算子模块121、第二计算子模块122和第三计算子模块123。
第一计算子模块121用于计算所述基期内各交调站点的交通流量的算术平均值。
第二计算子模块122用于计算所述报告期内各交调站点的交通流量的算术平均值。
第三计算子模块123用于采用所述基期内各交调站点的交通流量的算术平均值、所述报告期内各交调站点的交通流量的算术平均值以及所述基期指数,计算所述指数等级对应的交通流量指数。
使用算术平均和按里程加权两种算法,计算得到的交通流量指数的结果变化趋势一致。在路网集中集中区域的交调站点的交通流量的加权平均值大于算数平均值。也就是说,密集路网影响加权平均值的计算。因此,在选取交调站点时,可以去除交调站点的相关性,减弱不同交调站点的代表里程对交通流量平均值的影响,因此,计算子模块采用算数平均值计算交通流量指数。
在一种实施例中,所述第三计算子模块123还用于:
采用式1计算所述指数等级对应的交通流量指数:
其中,I为流量指数,t为指数等级对应的车型,n为所述报告期内交调站点的数量,p11、p12、…p1n为所述报告期内每个交调站点的交通流量;m为所述基期内交调站点的数量,p01、p02、…p0m为所述基期内每个交调站点的交通流量,B为基期指数。
本实施例交通流量指数确定模块用于交通流量平均值到流量指数,就是平均值待指数化的过程,确定的交通流量指数全面、客观的公路交通流量的运行趋势,充分发挥了交通数据资源的价值。
在一种实施例中,参见图8所示,装置还包括筛选模块210和后处理模块220。
筛选模块210用于从全部交调站点中筛选出各样本站点。
后处理模块220用于对各样本站点的交通流量数据进行异常数据处理和/或季节调整,得到各候选站点。
在一种实施例中,参见图9所示,所述交调站点确定模块110包括:
基期子模块111,用于根据需要统计的指数等级和所述基期,从各候选站点中确定出所述基期内的各交调站点;
报告期子模块112,用于根据需要统计的指数等级和所述报告期,从各候选站点中确定出所述报告期内的各交调站点。
在一种实施例中,所述报告期子模块112还用于:
采用式2计算得出样本站点的规模;
其中,n为样本站点的规模,E为调查结果的精度误差,Z为调查结果置信区间的取值,P为比例估计的精度,N为相应地理位置统计的交调站点数量;
确定交调站点的筛选范围的公路级别,并按照地理位置对交调站点数量进行归类统计。
在一种实施例中,参见图10所示,所述后处理模块220包括异常处理子模块221,所述异常处理子模块221用于:从交通流量数据中获取多种异常数据,所述异常数据包括数据波动、缺失数据、错误数据以及不准确数据;在实时数据中保留数据波动;对缺失数据进行数据补齐;对错误数据进行修复;采用其它数据源对不准确数据进行修改。
本实施例通过异常处理子模块筛选出交通数据具有及时性、完整性以及准确性的样本站点,以保证计算出的交通流量指数的及时性、完整性以及准确性。
其中,所述数据波动包括由于实际交通环境中的各种事件造成实际交通流量的波动,波动的可能范围较大,表现为数据的突变,所述缺失数据包括调查设备由于供电、网络等故障,可能造成部分调查数据的丢失和不完整;所述错误数据包括调查系统由于软硬件故障,造成输出的设备采集数据明显不符合实际情况,可能有多种表现形式,如设备采集数据明显超出合理范围、连续输出同样的数据等;所述不准确数据包括由于系统数据库问题、设备误差等造成数据不准确,但仍处于可能的数据范围;成因在于采集系统,可能产生的误差范围较广,表现为长期的系统误差、随机误差和数据突变等。
在一种实施例中,参见图10所示,所述后处理模块220包括季节调整子模块222,所述季节调整子模块222用于:
获取时间序列{xt|t=1,2,…,z},以及自相关函数ρk:
其中,k表示超前或者滞后期,Cov(xt,xt-k)表示时间序列{xt}和{xt-k}的协方差,Var(xt)表示时间序列的方差;
对时间序列{xt}进行一阶差分,获得yt=xt-xt-1,t=1,2,…,z;
计算自相关与偏相关系数,以验证时间序列{xt}包含季节性因素;
使用ARIMA(自回归积分滑动平均模型)模型对时间序列的两端进行延伸,其公式为:
移动平均算子为:θ(B)=1-θ1B-θ2B2…-θqBq;
对序列及其季节行为进行初步的图形评估后,使用ARIMA模型进行季节调整,并使用ARIMA模型计算出经季节调整的趋势,并加回异常观测值;
修订历史数据和预测近期趋势;
其中,季节调整中利用ARIMA模型把时间序列中的季节因素去除,并根据时间序列各组成因素之间的不同依存关系建立不同模型。
所述季节调整的原因包括车辆行驶中都会表现出特定的季节性倾向,不同的季节对经济活动的影响程度不同,使得同样的经济活动在不同的季节产生的经济效果不同,同时不同季节的气候因素影响产生的季节性因素使得数据之间产生不可比性,因此需要进行数据的季节调整,以消除季节因素对数据的影响。
在一种实施例中,参见图10所示,后处理模块220还包括各样本站点调整模块223,所述各样本站点调整模块223用于:
定期调整样本站点,其中,定期调整样本站点的比例小于10%;
在设定时间内审核调整样本站点,所述审核的依据包括一段时间内的交通流量数据、设备质量评价数据以及样本站点基础信息数据;
将连续指定时间内空缺数据且未按照规定时间恢复的样本站点剔除,且在样本站点定期调整期间,样本站点还需要对异常数据进行临时性调整;
其中,定期调整样本站点时采用缓冲区规则,所述缓冲区规则包括按交通流量排名在第一指定范围内的新的样本站点优先进入指数,按交通流量排名在第二指定范围内的旧的样本站点优先保留,其中,第二指定范围包括第一指定范围,第二范围内的旧的样本站点的数量为未调整前样本站点的30%。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器,磁盘或光盘等。
Claims (5)
1.一种交通流量指数确定方法,其特征在于,所述方法包括:
从全部交调站点中筛选出各样本站点;
对各样本站点的交通流量数据进行异常数据处理和/或季节调整,得到各候选站点;
根据需要统计的指数等级,分别确定基期内和报告期内的各交调站点,包括:根据需要统计的指数等级和所述基期,从各候选站点中确定出所述基期内的各交调站点;根据需要统计的指数等级和所述报告期,从各候选站点中确定出所述报告期内的各交调站点;其中,所述指数等级用于表征不同车型的流量指数,所述基期为作为基准的日期,所述报告期为期望统计的日期;
采用如下式1计算所述指数等级对应的交通流量指数:
其中,I为流量指数,t为指数等级对应的车型,n为所述报告期内交调站点的数量,p11、p12、…p1n为所述报告期内每个交调站点的交通流量,(p11+p12+…p1n)/n为所述报告期内各交调站点的交通流量的算术平均值,m为所述基期内交调站点的数量,p01、p02、…p0m为所述基期内每个交调站点的交通流量,(p01+p02+…p0m)/m为所述基期内各交调站点的交通流量的算术平均值,B为基期指数,所述基期指数为预设数值,所述交通流量指数用于表征交通流量变化。
3.如权利要求1所述的方法,其特征在于,对各样本站点的交通流量数据进行异常数据处理,包括:
从交通流量数据中获取多种异常数据,所述异常数据包括数据波动、缺失数据、错误数据以及不准确数据;
在实时数据中保留数据波动;
对缺失数据进行数据补齐;
对错误数据进行修复;
采用其它数据源对不准确数据进行修改。
4.如权利要求1所述的方法,其特征在于,对各样本站点的交通流量数据进行季节调整包括:
获取时间序列{xt|t=1,2,…,z},以及自相关函数ρk:
其中,k表示超前或者滞后期,Cov(xt,xt-k)表示时间序列{xt}和{xt-k}的协方差,Var(xt)表示时间序列的方差;
对时间序列{xt}进行一阶差分,获得yt=xt-xt-1,t=1,2,…,z;
计算自相关与偏相关系数,以验证时间序列{xt}包含季节性因素;
先使用ARIMA模型对时间序列的两端进行延伸,其公式为:
移动平均算子为:θ(B)=1-θ1B-θ2B2…-θqBq;
对序列及其季节行为进行初步的图形评估后,使用ARIMA模型进行季节调整,并使用ARIMA模型计算出经季节调整的趋势,并加回异常观测值;
并修订历史数据和预测近期趋势;
其中,季节调整中利用ARIMA模型把时间序列中的季节因素去除,并根据时间序列各组成因素之间的不同依存关系建立不同模型。
5.一种交通流量指数确定装置,其特征在于,所述装置包括:
筛选模块,用于从全部交调站点中筛选出各样本站点;
后处理模块,用于对各样本站点的交通流量数据进行异常数据处理和/或季节调整,得到各候选站点;
交调站点确定模块,用于根据需要统计的指数等级,分别确定基期内和报告期内的各交调站点;所述交调站点确定模块包括基期子模块和报告期子模块,所述基期子模块用于根据需要统计的指数等级和所述基期,从各候选站点中确定出所述基期内的各交调站点,所述报告期子模块用于根据需要统计的指数等级和所述报告期,从各候选站点中确定出所述报告期内的各交调站点;其中,所述指数等级用于表征不同车型的流量指数,所述基期为作为基准的日期,所述报告期为期望统计的日期;
交通流量指数确定模块包括第一计算子模块、第二计算子模块和第三计算子模块,所述第一计算子模块用于计算所述基期内各交调站点的交通流量的算术平均值;所述第二计算子模块用于计算所述报告期内各交调站点的交通流量的算术平均值;
所述第三计算子模块用于采用式1计算所述指数等级对应的交通流量指数:
其中,I为流量指数,t为指数等级对应的车型,n为所述报告期内交调站点的数量,p11、p12、…p1n为所述报告期内每个交调站点的交通流量,(p11+p12+…p1n)/n为所述报告期内各交调站点的交通流量的算术平均值;m为所述基期内交调站点的数量,p01、p02、…p0m为所述基期内每个交调站点的交通流量,(p01+p02+…p0m)/m为所述基期内各交调站点的交通流量的算术平均值,B为基期指数,所述基期指数为预设数值,所述交通流量指数用于表征交通流量变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810972502.9A CN108877225B (zh) | 2018-08-24 | 2018-08-24 | 交通流量指数确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810972502.9A CN108877225B (zh) | 2018-08-24 | 2018-08-24 | 交通流量指数确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108877225A CN108877225A (zh) | 2018-11-23 |
CN108877225B true CN108877225B (zh) | 2021-09-28 |
Family
ID=64321539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810972502.9A Active CN108877225B (zh) | 2018-08-24 | 2018-08-24 | 交通流量指数确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108877225B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109379240B (zh) * | 2018-12-25 | 2021-06-25 | 湖北亿咖通科技有限公司 | 车联网流量预测模型构建方法、装置和电子设备 |
CN110991698B (zh) * | 2019-11-07 | 2023-09-22 | 南通大学 | 基于混合处理的季节性交通流灰色预测方法 |
CN111968375B (zh) * | 2020-08-27 | 2021-08-10 | 北京嘀嘀无限科技发展有限公司 | 交通流量的预测方法、装置、可读存储介质及电子设备 |
CN112330158B (zh) * | 2020-11-06 | 2023-10-13 | 北京建筑大学 | 基于自回归差分移动平均-卷积神经网络的识别交通指数时间序列的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007241429A (ja) * | 2006-03-06 | 2007-09-20 | Sumitomo Electric Ind Ltd | 交通流パラメータ算出システム、方法及びプログラム |
CN103714698A (zh) * | 2013-12-26 | 2014-04-09 | 苏州清研微视电子科技有限公司 | 基于距离图像的公交车辆客流量统计系统 |
CN103870890A (zh) * | 2014-03-19 | 2014-06-18 | 四川大学 | 高速公路网交通流量分布的预测方法 |
CN103971520A (zh) * | 2014-04-17 | 2014-08-06 | 浙江大学 | 一种基于时空相关性的交通流量数据恢复方法 |
CN104318116A (zh) * | 2014-10-30 | 2015-01-28 | 同济大学 | 乡村-城市变迁指数的评价方法 |
CN104658252A (zh) * | 2015-02-10 | 2015-05-27 | 交通运输部科学研究院 | 基于多源数据融合的高速公路交通运行状态的评估方法 |
CN108305459A (zh) * | 2018-02-05 | 2018-07-20 | 北京交通大学 | 一种基于数据驱动的路网运行指数预测方法 |
CN108877209A (zh) * | 2017-05-12 | 2018-11-23 | 杨晓光 | 一种基于多元数据的城市公共汽车交通服务指数构建方法 |
CN109242540A (zh) * | 2018-08-15 | 2019-01-18 | 杭州中房信息科技有限公司 | 一种基于大数据的二手房价格指数计算方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101808017B (zh) * | 2010-03-26 | 2012-04-18 | 中国科学院计算技术研究所 | 网络异常性指数定量计算方法和系统 |
US9123239B2 (en) * | 2014-01-21 | 2015-09-01 | Iteris, Inc. | Estimation of hourly traffic flow profiles using speed data and annual average daily traffic data |
CN106845714A (zh) * | 2017-01-24 | 2017-06-13 | 东南大学 | 一种基于季节指数的arima模型预测城市轨道交通月度客流方法 |
-
2018
- 2018-08-24 CN CN201810972502.9A patent/CN108877225B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007241429A (ja) * | 2006-03-06 | 2007-09-20 | Sumitomo Electric Ind Ltd | 交通流パラメータ算出システム、方法及びプログラム |
CN103714698A (zh) * | 2013-12-26 | 2014-04-09 | 苏州清研微视电子科技有限公司 | 基于距离图像的公交车辆客流量统计系统 |
CN103870890A (zh) * | 2014-03-19 | 2014-06-18 | 四川大学 | 高速公路网交通流量分布的预测方法 |
CN103971520A (zh) * | 2014-04-17 | 2014-08-06 | 浙江大学 | 一种基于时空相关性的交通流量数据恢复方法 |
CN104318116A (zh) * | 2014-10-30 | 2015-01-28 | 同济大学 | 乡村-城市变迁指数的评价方法 |
CN104658252A (zh) * | 2015-02-10 | 2015-05-27 | 交通运输部科学研究院 | 基于多源数据融合的高速公路交通运行状态的评估方法 |
CN108877209A (zh) * | 2017-05-12 | 2018-11-23 | 杨晓光 | 一种基于多元数据的城市公共汽车交通服务指数构建方法 |
CN108305459A (zh) * | 2018-02-05 | 2018-07-20 | 北京交通大学 | 一种基于数据驱动的路网运行指数预测方法 |
CN109242540A (zh) * | 2018-08-15 | 2019-01-18 | 杭州中房信息科技有限公司 | 一种基于大数据的二手房价格指数计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108877225A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108877225B (zh) | 交通流量指数确定方法及装置 | |
CN107563566B (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
CN108335377B (zh) | 一种基于gis技术的道路巡查车辆业务自动考核的方法 | |
JP4506988B2 (ja) | 自動更新システム、自動更新方法、及びプログラム | |
Kimpel et al. | Automatic passenger counter evaluation: Implications for national transit database reporting | |
CN110738523B (zh) | 一种维修订单量预测方法及装置 | |
CN102610088A (zh) | 一种公交车站点间行程时间预测方法 | |
Gittens et al. | Evaluation of bus reliability measures and development of a new composite indicator | |
US8144032B2 (en) | Method of checking the quality of traffic disturbance reporting processes | |
CN106529765A (zh) | 采集作业的绩效评估方法和装置 | |
CN112488496A (zh) | 一种财务指标预测方法及装置 | |
CN110570649B (zh) | 机动车流量检测方法、设备工作状态检测方法及相应装置 | |
Albright | History of estimating and evaluating annual traffic volume statistics | |
Elefteriadou et al. | Comparison of methods for measuring travel time at Florida freeways and arterials. | |
Hoffman et al. | Empirical model for truck route fuel economy | |
CN105303246A (zh) | 一种多线路公交到站时间预测方法 | |
Zhong et al. | Improving group assignment and AADT estimation accuracy of short-term traffic counts using historical seasonal patterns & Bayesian statistics | |
Chu | A guidebook for using automatic passenger counter data for national transit database (NTD) reporting. | |
WO2020105151A1 (ja) | 設備保守点検支援システム及び点検順序決定方法 | |
CN109767251A (zh) | 一种二手车估价方法及估价系统 | |
Pankaj | A comprehensive study on the estimation of freeway travel time index and the effect of traffic data quality | |
Zißner et al. | Road traffic density estimation based on heterogeneous data fusion | |
EP3404592A1 (en) | System and method for determining an actual cost index for aircraft operations | |
CN111506619A (zh) | 一种产业园区空间选址方法及系统 | |
Weinsziehr et al. | Detection of Bus Bunching through the Analysis of Prevalent Public Transport Control 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 |