CN109003453B - 基于支持向量机的浮动车路段平均速度短时预测方法 - Google Patents
基于支持向量机的浮动车路段平均速度短时预测方法 Download PDFInfo
- Publication number
- CN109003453B CN109003453B CN201810999653.3A CN201810999653A CN109003453B CN 109003453 B CN109003453 B CN 109003453B CN 201810999653 A CN201810999653 A CN 201810999653A CN 109003453 B CN109003453 B CN 109003453B
- Authority
- CN
- China
- Prior art keywords
- data
- road
- average speed
- vehicle
- floating
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于支持向量机的浮动车路段平均速度短时预测方法。本发明不考虑单个路段的数据,而是将相关路段的数据汇总到高维空间中,以实现快速收敛。结果表明,支持向量回归模型可以很好地处理这种类型的输入,比其他算法具有更小的均方误差。支持向量回归模型可以在较长的回溯时间和复杂的路网条件下处理预测问题。在访问更多数据时,我们可以在我们的预测指标系统中的每个路段的每日长期数据中发现更多的规则模式。
Description
技术领域
本发明属于智能交通领域,尤其涉及一种基于支持向量机的浮动车路段平均速度短时预测方法。
背景技术
信息技术、计算机技术、通信技术、自动控制技术等前沿科技的发展,为智能交通系统的研究发展和应用提供了必要条件。智能化、动态化、信息化成为道路交通管理的发展趋势。将来能够成为有效解决交通拥堵,判断和处理交通事故等问题的有效手段。其中,网络通讯、数据采集等技术让我们获取实时、全面的交通数据成为了可能。但是,如何处理分析这些不断产生的庞大数据流,挖掘其中蕴含的信息,为交通控制和交通管理提供依据,便成为了紧要的课题。
实时交通状态预测一直是数据采集与设计之间的一个关键问题。速度是路网性能和经济效益评估的主要指标。可以为交通管理部门的实时动态交通控制提供决策依据,也可以为每一名道路上的或即将出行的驾驶员提供路径选择参考。能够提高交通系统管理的智能化,提高管理部门工作效率,以及为出行者做出明智的路径选择提供了必要信息。
浮动车也叫探测车,是指配备GPS定位系统和无线通信设备的车辆。浮动车可以收集自己的交通数据,如速度,传输时间,经纬度,方向,乘客状态,最后一点与其他道路信息之间的距离。浮动车数据的收集本质上是道路交通网络的抽样调查过程。
现有技术中针对路段预测方法主要有吕弘义于2007年提出的《基于支持向量回归机的路段平均速度短时预测方法研究》。该文章论证了利用支持向量机来预测路段平均速度的可行性,并达到了较为理想的结果,但该研究的数据经过前期处理,省略了地图匹配工作,使得流程不完整。在支持向量机预测求解的过程中,参数依靠人工选择,需要多次调参,不适合在自动实时滚动预测中使用。Mahdi Hashemi提出了一种基于权重的地图匹配算法,该算法可应用于实时复杂的城市道路网。为了计算路段的平均速度,Yanace J.L.et al对浮动车的瞬时速度进行最小二乘法,但从统计角度来看,难以控制估计误差。
发明内容
本发明要解决的技术问题是提供一种可以自动实时滚动预测且误差较小的基于支持向量机的浮动车路段平均速度短时预测方法,不考虑单个路段的数据,而是将相关路段的数据汇总到高维空间中,以实现快速收敛,本发明所采用的技术方案是:包括以下步骤:
步骤1:对浮动车数据进行处理;
1.1筛选有效数据
所述筛选有效数据是指消除无效数据,
所述消除无效数据的标准是:1)、消除错误的数据或重复记录,一个汽车ID中的数据具有不同的位置但是同一时间,具有不同位置但距离相同的车辆ID的两个相邻点的数据为0;2)、无效数据,考虑到没有乘客的浮动车倾向于低速或停车,他们的数据无法反映真实情况,如果同一个经纬度相同的ID汽车长时间(2分钟以上),则认为这些车辆处于非正常行驶状态,应删除这些数据。由于城市道路限速,计算出的车速应满足约束条件,平均速度超过80km/h的数据应该删除;
1.2地图匹配
地图匹配是指将获得的车辆定位轨迹与电子地图数据库中的道路信息进行比较,然后通过算法将车辆映射到地图上最可能的位置,这里我们采用ST-Matching算法;
步骤2:路段平均速度计算
2.1平均速度计算
路段平均速度,就是某时间段内此路段所有车辆速度的平均值。浮动车信息采集就相当于随机抽样调查。为了让浮动车样本能够反映整体的平均速度,浮动车样本的数量应当大于某个限度;
分别计算每一辆车在某一时间段内的平均速度,再对所有车辆的平均速度求平均得到道路平均速度。在路段i上,在规定的时间间隔T内,此路段上有m辆浮动车,序号为j,j=1,2,...,m。设第j辆车有效样本数据点数为n,k=1,2,...,n,第k个采样点返回的时间为tijk,该点返回时间与其上一个点的返回时间tij(k-1)的时间间隔记为Δtijk;两点之间的距离为lijk,记在时间间隔T内该路段的平均速度为车辆j的平均速度为表达式为:
Δtijk———在时间间隔T内,第j辆车的第k个与第k-1个采样点的时间差;
k,n—在时间间隔T内,车辆j上的采样点序数和个数;
j,m—在时间间隔T内,路段i上的车辆平均速度的序数和个数;
2.2浮动车样本数量确定
路网中要有足够数量的浮动车才能保证交通流参数估计的精确度。我们通过计算道路覆盖率,能够获得浮动车样本数量,道路覆盖率和浮动车样本数量之间的关系如下:
β=(1-e-NK)2+Nke-2NK (1)
其中N是浮动车样本数量,β是道路覆盖率,K是浮动车密度:
步骤3:构建支持向量机预测模型
给定训练数据集D={(xi,yi)|i=1,2...N},其中x是属性向量,而y是响应变量,SVR的目标是求出决策函数,其形式为f(x)=wD*φ(x)+b。决策函数伴随着可以在参数调整过程中学习到的潜在特征变换;
ξi *≥0,i=1,2...N
ξi≥0,i=1,2...N
其中,超参数C控制对噪声的容忍程度和参数范数,w是惩罚项,通常能取得更好的泛化性。支持向量的计数由参数v控制,范围为(0,1]。ε的意义是在决策函数f(x)=wD*φ(x)+b±ε的带的大小。在带内的训练样本具有零损失,ξi *,ξi是松弛变量,ξi *,ξi≥0,i=1,2...N,对ε不敏感区外的样本进行线性惩罚;
通常情况下,公式(3)是以其拉格朗日的对偶形式来解决的
其中核函数K(xi,xj)=(φ(x)·φ(x'));
常用的核函数包括多项式核函数、径向基函数(RBF)和Sigmoid核函数;
其中p是预测平均速度时需要追溯的周期数(1分钟)。数据分为训练集和测试集进行相关实验;
步骤4:训练支持向量机预测模型;
所用于实现支持向量机的环境是Matlab 2012,使用台湾大学林志仁教授等人开发的的SVM工具箱,再嵌入参数优化函数进行求解。在此环境中可以解决分类、回归以及分布估计等问题。
本发明是一种可以自动实时滚动预测且误差较小的基于支持向量机的浮动车路段平均速度短时预测方法,不考虑单个路段的数据,而是将相关路段的数据汇总到高维空间中,以实现快速收敛。
附图说明
图1.浮动车辆数据点的地图匹配,(A)地图上的原始位置数据,(B)地图匹配数据点位于道路线最可能的位置;
图2.参数粗略寻优(A)轮廓线俯视图,(B)三维视图;
图3.参数精确寻优(A)轮廓线俯视图,(B)三维视图;
图4.训练模型输出的路段平均速度结果和真实值的对比;
图5.比较数据集上的拟合程度,(A)线性回归,(B)ANN,(C)贝叶斯山脊,(D)岭回归。
具体实施方式
本发明以2017年10月1日17:00至19:00在深圳福田区的实验中应用出租车浮动车数据。数据预处理后,我们比较了SVR预测结果和其他常用回归预测算法的结果;
1数据处理
从东到西(从彩田路到新田路)选择红里路单向段的平均速度数据。目标部分的参数及其相关部分的属性如表1所示,
表1.路段参数。
目标路段有两个上游路段(4号,5号)和2个下游路段(2号,3号),对目标下游有直接影响。目标部分的汽车全部来自上游部分,并驱动下游部分,
我们首先进行地图匹配过程,然后根据车辆的行驶方向将散射点投影到道路的相应线段上。车辆的速度和行驶方向通过经度和纬度的变化来计算。
根据计算公式,道路覆盖率计算如下:
表2.道路覆盖率计算。
我们将时间间隔的长度定义为5分钟,并且在最小采样数量和最低平均速度下计算每个路段的道路覆盖率。从道路上浮动车点最少的时间间隔收集最小样本数。从表2可以看出,随着最低平均速度和最小样本数的增加,道路覆盖率可以达到90%以上。在这种情况下,任何时间间隔内的样本量都可以满足最低精度要求。
2模型预测
根据支持向量回归模型训练的要求和路段特点,需要将训练数据集路段的平均速度按以下格式准备。
表3.输入和输出的数据格式
其中p是回溯系数;
根据表3中的格式将各种路段的计算数据表示为矩阵,并且首先通过设置p=3来处理数据,形成[111×16]的矩阵。然后,我们对这些数据进行标准化。最后,我们将前80行作为训练集,最后31行作为测试集;
在模型训练过程中,RBF核参数C的取值范围为[-5,200],步长为5,核参数g取值范围为[-5,5],步长为我们对这些参数进行网格搜索以获得最佳参数。结果如图2所示:
根据粗略选择参数的结果,我们缩小了搜索范围。我们在区间[-1,50]中设置参数C,步长为0.5,参数g在区间[-1,1]中,步长为0.1,进行精确的最优计算。结果如图3所示;
根据优化结果,最佳C参数为16,g为0.5。此时的均方误差为18.3228。预测结果如图4所示。
3对比试验
为了更好地评估模型的性能,我们比较了支持向量回归,ANN,线性回归,贝叶斯岭和岭回归在同一数据集上的预测结果。结果如图5所示,每个算法的均方误差结果显示在表4中,
表4.每个算法在测试集上的均方误差结果
在这项工作中,我们展示了支持向量回归模型在路段回归预测的平均速度上的优越性能。我们不考虑单个路段的数据,而是将相关路段的数据汇总到高维空间中,以实现快速收敛。我们的结果表明,支持向量回归模型可以很好地处理这种类型的输入,比其他算法具有更小的均方误差;
这项工作考虑的条件是城市道路网络的一个典型场景。支持向量回归模型可以在较长的回溯时间和复杂的路网条件下处理预测问题。在访问更多数据时,我们可以在我们的预测指标系统中的每个路段的每日长期数据中发现更多的规则模式。在未来的工作中,我们将解决这些限制,调整我们的预测方法以适应日常的长期和道路网络领域。
Claims (2)
1.基于支持向量机的浮动车路段平均速度短时预测方法,不考虑单个路段的数据,而是将相关路段的数据汇总,以实现快速收敛,其特征在于,包括以下步骤:
步骤1:对浮动车数据进行处理;
1.1筛选有效数据
筛选有效数据是指消除无效数据,
1.2地图匹配
地图匹配是指将获得的车辆定位轨迹与电子地图数据库中的道路信息进行比较,然后通过ST-Matching算法将车辆映射到地图上最可能的位置,
步骤2:路段平均速度计算
2.1路段平均速度计算
路段平均速度,就是某时间段内此路段所有车辆速度的平均值,
计算浮动车样本的每一辆车在某一时间段内的平均速度,再对浮动车样本所有车辆的平均速度求平均,得到道路平均速度,具体过程为:
在路段i上,在规定的时间间隔T内,此路段上有m辆浮动车,序号为j,j=1,2,…,m,设第j辆车有效样本数据点数为n,k=1,2,...,n,第k个采样点返回的时间为tijk,该点返回时间与其上一个点的返回时间tij(k-1)的时间间隔记为Δtijk;两点之间的距离为lijk,记在时间间隔T内该路段的平均速度为车辆j的平均速度为表达式为:
Δtijk——在时间间隔T内,第j辆车的第k个与第k-1个采样点的时间差;
k,n—在时间间隔T内,车辆j上的采样点序数和个数;
j,m—在时间间隔T内,路段i上的车辆平均速度的序数和个数;
2.2浮动车样本数量确定
路网中要有足够数量的浮动车才能保证交通流参数估计的精确度;通过计算道路覆盖率,能够获得浮动车样本数量,道路覆盖率和浮动车样本数量之间的关系如下:
β=(1-e-NK)2+Nke-2NK (1)
其中N是浮动车样本数量,β是道路覆盖率,K是浮动车密度:
步骤3:构建支持向量机预测模型
给定训练数据集D={(xi,yi)|i=1,2...N},其中x是属性向量,而y是响应变量,SVR的目标是捕获决策函数其形式为f(x)=wD*φ(x)+b,
|(wD*φ(x)+b)-yi|≤ξi *+ξi,i=1,2...N
ξi *≥0,i=1,2...N
ξi≥0,i=1,2...N
其中,超参数C控制对噪声的容忍程度和参数范数,w是惩罚项,能取得更好的泛化性,支持向量的计数由参数v控制,范围为(0,1],ε的意义是在决策函数f(x)=wD*φ(x)+b±ε的带的大小,在带内的训练样本具有零损失ξi *,ξi是松弛变量,ξi *,ξi≥0,i=1,2...N,对ε不敏感区外的样本进行线性惩罚;
公式(3)是以其拉格朗日的对偶形式来解决的
其中核函数K(xi,xj)=(φ(x)·φ(x'));
其中p是预测平均速度时需要追溯的周期数,数据分为训练集和测试集进行相关实验,
步骤4:训练支持向量机预测模型。
2.根据权利要求1所述的基于支持向量机的浮动车路段平均速度短时预测方法,其特征在于,所述消除无效数据的标准是:1)、消除错误的数据或重复记录,一个汽车ID中的数据具有不同的位置但是同一时间,具有不同位置但距离相同的车辆ID的两个相邻点的数据为0;2)、无效数据,考虑到没有乘客的浮动车倾向于低速或停车,他们的数据无法反映真实情况,如果同一个经纬度相同的ID汽车长时间,则认为这些车辆处于非正常行驶状态,删除这些数据;由于城市道路限速,计算出的车速应满足约束条件,平均速度超过80km/h的数据应该删除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810999653.3A CN109003453B (zh) | 2018-08-30 | 2018-08-30 | 基于支持向量机的浮动车路段平均速度短时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810999653.3A CN109003453B (zh) | 2018-08-30 | 2018-08-30 | 基于支持向量机的浮动车路段平均速度短时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109003453A CN109003453A (zh) | 2018-12-14 |
CN109003453B true CN109003453B (zh) | 2020-05-22 |
Family
ID=64593667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810999653.3A Active CN109003453B (zh) | 2018-08-30 | 2018-08-30 | 基于支持向量机的浮动车路段平均速度短时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109003453B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3096822B1 (fr) | 2019-05-28 | 2022-04-22 | Ifp Energies Now | Procédé de prédiction d’au moins un profil de la vitesse d’un véhicule sur un réseau routier |
CN110459053B (zh) * | 2019-07-29 | 2022-06-07 | 南京理工大学 | 基于智能网联车信息的高速公路混合车流速度估计方法 |
CN111679302B (zh) * | 2020-05-28 | 2023-10-03 | 阿波罗智联(北京)科技有限公司 | 车辆定位方法、装置、电子设备和计算机存储介质 |
CN113570870A (zh) * | 2021-09-27 | 2021-10-29 | 华砺智行(武汉)科技有限公司 | 分布式路口平均延误估计方法、装置、设备及存储介质 |
FR3130432B1 (fr) | 2021-12-14 | 2024-03-08 | Ifp Energies Now | Procédé de prédiction d’au moins un profil de la vitesse d’un véhicule pour un déplacement au sein d’un réseau routier |
CN117037465A (zh) * | 2023-05-24 | 2023-11-10 | 东北师范大学 | 交通拥堵传播模式感知与可视分析方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005064564A1 (de) * | 2003-12-19 | 2005-07-14 | Bayerische Motoren Werke Aktiengesellschaft | Ermittlung des zu erwartenden geschwindigkeitsniveaus |
CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和系统 |
CN102436751A (zh) * | 2011-09-30 | 2012-05-02 | 上海交通大学 | 基于城市宏观路网模型的交通流短时预测方法 |
CN102496280A (zh) * | 2011-12-13 | 2012-06-13 | 北京航空航天大学 | 一种路况信息实时获取方法 |
CN102750825A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于神经网络分类器级联融合的城市道路交通状态检测方法 |
CN103942953A (zh) * | 2014-03-13 | 2014-07-23 | 华南理工大学 | 一种基于浮动车数据的城市路网动态交通拥挤预测方法 |
CN104933862A (zh) * | 2015-05-26 | 2015-09-23 | 大连理工大学 | 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9014632B2 (en) * | 2011-04-29 | 2015-04-21 | Here Global B.V. | Obtaining vehicle traffic information using mobile bluetooth detectors |
-
2018
- 2018-08-30 CN CN201810999653.3A patent/CN109003453B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005064564A1 (de) * | 2003-12-19 | 2005-07-14 | Bayerische Motoren Werke Aktiengesellschaft | Ermittlung des zu erwartenden geschwindigkeitsniveaus |
CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和系统 |
CN102436751A (zh) * | 2011-09-30 | 2012-05-02 | 上海交通大学 | 基于城市宏观路网模型的交通流短时预测方法 |
CN102496280A (zh) * | 2011-12-13 | 2012-06-13 | 北京航空航天大学 | 一种路况信息实时获取方法 |
CN102750825A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于神经网络分类器级联融合的城市道路交通状态检测方法 |
CN103942953A (zh) * | 2014-03-13 | 2014-07-23 | 华南理工大学 | 一种基于浮动车数据的城市路网动态交通拥挤预测方法 |
CN104933862A (zh) * | 2015-05-26 | 2015-09-23 | 大连理工大学 | 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109003453A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109003453B (zh) | 基于支持向量机的浮动车路段平均速度短时预测方法 | |
Yao et al. | Short‐term traffic speed prediction for an urban corridor | |
CN107742193B (zh) | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 | |
US9349150B2 (en) | System and method for multi-task learning for prediction of demand on a system | |
Liu et al. | Bus arrival time prediction based on LSTM and spatial-temporal feature vector | |
CN103839409B (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
Jin et al. | Short-term traffic safety forecasting using Gaussian mixture model and Kalman filter | |
CN113401143B (zh) | 一种基于驾驶风格和意图的个性化自适应轨迹预测方法 | |
CN111583628B (zh) | 基于数据质量控制的道路网重型货车交通流量预测方法 | |
CN113178068B (zh) | 一种基于浮动车的道路拥堵指数计算方法及系统 | |
Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
Cheng et al. | Intelligent localization of a high-speed train using LSSVM and the online sparse optimization approach | |
Zhu et al. | Early identification of recurrent congestion in heterogeneous urban traffic | |
Wang et al. | ARIMA model and few-shot learning for vehicle speed time series analysis and prediction | |
Liu et al. | Method of evaluating and predicting traffic state of highway network based on deep learning | |
CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
Shen | Freeway travel time estimation and prediction using dynamic neural networks | |
Pang et al. | Dynamic train dwell time forecasting: a hybrid approach to address the influence of passenger flow fluctuations | |
CN116092037B (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
Fabrizi et al. | A pattern matching approach to speed forecasting of traffic networks | |
Topić et al. | Analysis of City Bus Driving Cycle Features for the Purpose of Multidimensional Driving Cycle Synthesis | |
Zhou et al. | Urban link travel time estimation based on low frequency probe vehicle data | |
Othman et al. | A novel approach to traffic flow estimation based on floating car data and road topography: Experimental validation in Lyon, France | |
CN112861925A (zh) | 基于深度学习网络的多区域车辆需求预测方法及系统 | |
Yan et al. | An Efficient Division Method of Traffic Cell Based on Improved K-means Clustering Algorithm for the Location of Infrastructure in Vehicular Networks |
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 |