CN109087509B - 一种路网交通运行状态预测方法 - Google Patents

Abstract

本申请公开了一种路网交通运行状态预测方法，包括如下步骤：获取目标区域路网内每条道路的历史拥堵延时指数及当前拥堵延时指数；基于每条道路的历史拥堵延时指数计算每条道路的权重系数；基于训练好的泄漏积分型回声状态网络及历史拥堵延时指数预测每条道路的预测拥堵延时指数；计算目标区域路网的预测拥堵延时指数。与现有技术只是单纯的预测单条道路的拥堵情况相比，本发明首先预测每条道路的预测拥堵延时指数，再根据每条道路不同的权重系数对整个目标区域的拥堵延时指数进行预测，从而使得出行者能够对于目标区域的拥堵情况有一个整体的了解，避免拥堵。

Description

一种路网交通运行状态预测方法

技术领域

本发明涉及拥堵预测技术领域，尤其涉及一种路网交通运行状态预测方法。

背景技术

我国经济社会的快速发展，一方面推动着居民购买力持续提升，另一方面也促使汽车消费潜力不断释放，使得近年来汽车保有量呈快速增长趋势，为城市交通管理带来了极大的挑战。更为重要的是，受路网结构、出行分布、复杂天气等因素的影响，由于路网中各交通设备有其特定的、局限的信息指示能力，路网交通设备和通信网络在无缝链接执行交通信息资源动态调配的过程中，信息传输存在时延等现象，导致交通信息与路网空间信息的匹配及融合存在严重的问题，使得拥堵源表现出动态特性，进而影响到交通流时空分布的均衡能力以及主干道、支路的交通疏导能力，致使局部路网通行能力下降，表现出不同程度的脆弱性。

近年来，随着智能交通系统装备在交通领域的广泛普及和车联网技术的不断发展，交通信息服务对交通需求和供给的影响越来越大，导致影响路网系统交通状态的不确定性因素也越来越多。其中，道路拥堵作为高效出行的首要矛盾，其拥堵源的位置、拥堵的聚集和消散机制等对高效出行产生较大影响。

现有技术中，对于道路拥堵情况的预测，往往是对单条道路的拥堵情况的预测，然而，由于拥堵源及其位置和规模的不确定性，道路的通行能力随机变化，仅仅依靠单条道路的拥堵情况，不利于出行者选择行驶路线避免拥堵。

因此，如何提供一种新的技术方案，能够对道路的拥堵情况做出一个整体的预测，使出行者能够更好的选择行驶路线，避免拥堵，成为了本领域技术人员继续解决的问题。

发明内容

针对现有技术存在的上述不足，本申请公开了一种路网交通运行状态预测方法，与现有技术只是单纯的预测单条道路的拥堵情况相比，本发明首先预测每条道路的预测拥堵延时指数，再根据每条道路不同的权重系数对整个目标区域的拥堵延时指数进行预测，从而使得出行者能够对于目标区域的拥堵情况有一个整体的了解，避免拥堵。

为解决上述技术问题，本发明采用了如下的技术方案：

一种路网交通运行状态预测方法，包括如下步骤：

获取目标区域路网内每条道路的历史拥堵延时指数及当前拥堵延时指数；

基于每条道路的历史拥堵延时指数计算每条道路的权重系数；

基于训练好的泄漏积分型回声状态网络及历史拥堵延时指数预测每条道路的预测拥堵延时指数；

计算目标区域路网的预测拥堵延时指数CDI_nets，其中，

n表示目标区域路网内道路的条数，ω_i表示目标区域路网内任意一条道路i的权重系数，CDI_i表示目标区域路网内任意一条道路的预测拥堵延时指数；所述预测拥堵延时指数CDI_nets的值越大表示目标区域路网越拥堵，从而利用预测拥堵延时指数CDI_nets进行目标区域路网的交通运行状态预测。

优选地，所述基于每条道路的历史拥堵延时指数计算每条道路的权重系数包括：

基于每条道路的历史拥堵延时指数计算道路之间的相关性，道路之间的相关性计算公式为

其中，P表示相关性矩阵，x_i和x_j分别表示目标区域路网内任意一条道路i和任意一条道路j的当前拥堵延时指数，且道路i和道路j表示不同的两条道路，

和

分别表示目标区域路网内任意一条道路i和任意一条道路j的历史拥堵延时指数的均值，P_ij表示相关性矩阵r中的元素，P_ij表示目标区域路网内任意一条道路i和任意一条道路j的相关性；

基于道路之间的相关性计算道路的相似度，道路的相似度的计算公式为

其中，Sup(R_i)表示目标区域路网内任意一条道路i的相似度；

基于道路的相似度计算道路的权重系数，权重系数的计算公式为

优选地，所述泄漏积分型回声状态网络的输出为y(t+1)，其中， y(t+1)＝g(W_out(u(t+1),z(t+1),y(t)))，y(t+1)为任一道路的下一时刻的拥堵延时指数，即预测拥堵延时指数，z(t+1)为泄漏积分型回声状态网络下一时刻的储备池神经元节点状态， u(t+1)为t+1时刻网络输入，g(·)为输出层函数，W_out为输出层节点权重，采用历史拥堵延时指数对泄漏积分型回声状态网络进行训练，直到泄漏积分型回声状态网络的预测精度满足预设预测精度，则完成泄漏积分型回声状态网络的训练。

综上所述，本申请公开了一种路网交通运行状态预测方法，包括如下步骤：获取目标区域路网内每条道路的历史拥堵延时指数及当前拥堵延时指数；基于每条道路的历史拥堵延时指数计算每条道路的权重系数；基于训练好的泄漏积分型回声状态网络及历史拥堵延时指数预测每条道路的预测拥堵延时指数；计算目标区域路网的预测拥堵延时指数；所述预测拥堵延时指数CDI_nets的值越大表示目标区域路网越拥堵，从而利用预测拥堵延时指数CDI_nets进行目标区域路网的交通运行状态预测。与现有技术只是单纯的预测单条道路的拥堵情况相比，本发明首先预测每条道路的预测拥堵延时指数，再根据每条道路不同的权重系数对整个目标区域的拥堵延时指数进行预测，从而使得出行者能够对于目标区域的拥堵情况有一个整体的了解，避免拥堵。

附图说明

图1为本发明公开的一种路网交通运行状态预测方法的流程图；

图2为泄漏积分型回声状态网络的示意图；

图3为XX区XX路拥堵延时指数月变化趋势；

图4为XX区XX路工作日拥堵延时指数变化趋势；

图5为XX区XX路双休日拥堵延时指数变化趋势；

图6为XX路某一工作日的拥堵延时预测结果；

图7为XX路某一休息日的拥堵延时预测结果；

图8为XX区的区域路网的演变趋势。

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的详细描述说明。

如图1所示，本申请公开了一种路网交通运行状态预测方法，包括如下步骤：

S101、获取目标区域路网内每条道路的历史拥堵延时指数及当前拥堵延时指数；

道路的拥堵延时指数为在观测区间内的某一时段内，车辆在自由流状态下的行驶时间与拥堵状态下的行驶时间的比值。由于某一观测区间道路长度固定，各车行驶速度存在差异，利用车载终端可实时获取各车的行驶速度，从而得到道路的拥堵延时指数。

S102、基于每条道路的历史拥堵延时指数计算每条道路的权重系数；

S103、基于训练好的泄漏积分型回声状态网络(LiESN)及历史拥堵延时指数预测每条道路的预测拥堵延时指数；

S104、计算目标区域路网的预测拥堵延时指数CDI_nets，其中，

n表示目标区域路网内道路的条数，ω_i表示目标区域路网内任意一条道路i的权重系数，CDI_i表示目标区域路网内任意一条道路的预测拥堵延时指数；

所述预测拥堵延时指数CDI_nets的值越大表示目标区域路网越拥堵，从而利用预测拥堵延时指数CDI_nets进行目标区域路网的交通运行状态预测。

与现有技术只是单纯的预测单条道路的拥堵情况相比，本发明首先预测每条道路的预测拥堵延时指数，再根据每条道路不同的权重系数对整个目标区域的拥堵延时指数进行预测，从而使得出行者能够对于目标区域的拥堵情况有一个整体的了解，避免拥堵。

此外，采用本发明中的方法，在对城市区域路网交通的运行状态进行融合预测时，充分利用了泄漏积分型回声状态网络的预测优势，实现了对单道路的拥堵延时预测；其次，通过历史拥堵延时指数数据计算出各个道路的权重系数，使得区域路网的拥堵延时指数更符合实际情况，具有更好的预测精度。

具体实施时，所述基于每条道路的历史拥堵延时指数计算每条道路的权重系数包括：

基于每条道路的历史拥堵延时指数计算道路之间的相关性，道路之间的相关性计算公式为

其中，P表示相关性矩阵，x_i和x_j分别表示目标区域路网内任意一条道路i和任意一条道路j的当前拥堵延时指数，且道路i和道路j表示不同的两条道路，

和

分别表示目标区域路网内任意一条道路i和任意一条道路j的历史拥堵延时指数的均值，P_ij表示相关性矩阵r中的元素，P_ij表示目标区域路网内任意一条道路i和任意一条道路j的相关性；

基于道路之间的相关性计算道路的相似度，道路的相似度的计算公式为

其中，Sup(R_i)表示目标区域路网内任意一条道路i的相似度；

基于道路的相似度计算道路的权重系数，权重系数的计算公式为

考虑到交通系统的复杂性，不同道路的拥堵情况存在差异性，此外，道路车流量在交叉路口不断汇入汇出，受拥堵及其车流的变化，对于区域路网而言，道路受影响程度也会产生变化。因此利用该算法对道路拥堵延时指数进行学习和预测时，需要对每条道路的网络参数进行学习和预测。同时，为对区域路网交通的运行状态进行有效的预测和调控，本方法在道路拥堵延时指数预测的基础上，结合区域道路的拥堵相关性系数，对相同时间段内不同的道路拥堵延时情况进行加权处理，从而实现区域路网交通拥堵状态的预测。

具体实施时，所述泄漏积分型回声状态网络的输出为y(t+1)，其中， y(t+1)＝g(W_out(u(t+1),z(t+1),y(t)))，y(t+1)为任一道路的下一时刻的拥堵延时指数，即预测拥堵延时指数，z(t+1)为泄漏积分型回声状态网络下一时刻的储备池神经元节点状态， u(t+1)为t+1时刻网络输入，g(·)为输出层函数，W_out为输出层节点权重，采用历史拥堵延时指数对泄漏积分型回声状态网络进行训练，直到泄漏积分型回声状态网络的预测精度满足预设预测精度，则完成泄漏积分型回声状态网络的训练。

本发明中，t为当前时刻，则t+1表示下一时刻，t-1表示上一时刻，以此类推。

泄漏积分型回声状态网络作为基本回声状态网络的改进，其储备池由时间连续的泄漏积分神经元组成。泄漏积分型神经元通过记忆前期的历史状态，同时伴随时间的推移，以指数速度失去收集的激励，达到改善传统回声状态网络在时序预测中的不足。本方法在对区域路网的拥堵延时指数进行预测时，采用泄漏积分型回声状态网络进行学习和预测，可以保证良好的预测性能。

泄漏积分型回声状态网络在t时刻的输入为u(t)＝[u₁(t),u₂(t),…u_K(t)]^T，K为输入层节点数，在本方法中即等于一条道路的历史拥堵延时指数的个数，u₁(t),u₂(t),…u_K(t)即为不同时间段的历史拥堵延时指数，储备池神经元节点状态为z(t)＝[z₁(t),z₂(t),…,z_N(t)]^T，N为储备池神经元节点个数，泄漏积分型回声状态网络的输出节点为y(t)＝[y₁(t),y₂(t),…,y_L(t)]^T，L为输出层的节点个数，本发明中，由于只输出预测拥堵延时指数，因此L＝1。

储备池状态依照下式进行更新：

z(t+1)＝(1-β)z(t)+βf(W_inu(t+1)+ρWz(t)+W_backy(t))

式中，W_in、W和W_back分别为输入连接、储备池内部连接和输出反馈链接的权值矩阵，f(·) 为储备池节点激活函数，f(·)通常为tanh函数或S型函数，ρ为矩阵谱半径。泄漏参数β可控制前一时刻神经元状态的保持程度，较小的β取值能够使得储备池中神经元状态z(t)的缓慢变化，达到增强网络短时记忆的能力。在泄漏积分型回声状态网络的训练过程中，W_in、W 和W_back在随机生成后保持不变，W_out通过网络训练得到。因此，泄漏积分型回声状态网络训练的过程就是计算输出网络输出权值的过程，采用岭回归的方式计算W_out。

W_out＝(z^Tz+λI)^-1z^Ty，z为储备池状态向量构成的矩阵，λ为正则项系数，T为转置符号，I为单位矩阵，y为网络训练阶段实际输出矩阵，即某道路的实际拥堵延时指数。为了使得每一个网络模型能对每条道路的拥堵延时情况进行最优的学习，需要不断优化网络的参数，直到预测精度满足预测要求。在对模型参数进行优化时，采用差分进化算法对网络关键参数进行优化，使得模型的学习误差满足一个误差阈值即可。

本发明中，基于相似性求得的权重系数的城市区域路网交通运行状态预测模型，该模型通过各道路之间拥堵延时指数数据之间的相关性分析，进行相似性权重分配，使得路网整体的拥堵演变趋势更接近实际水平，为道路的拥堵调控提供理论依据。

综上所述，本发明与以往技术相比的有益效果如下：

(1)算法的性能好，预测精度高

在对城市区域路网交通的运行状态进行融合预测时，充分利用了泄漏积分型回声状态网络的预测优势，实现了对单道路的拥堵延时预测；其次，通过历史拥堵延时指数数据计算出个道路的相似性权重，使得区域路网的拥堵延时指数更符合实际情况，具有更好的预测精度。

(2)算法模块化设计，模块间有相对的独立性

在实现方式上在泄漏积分型回声状态网络学习、预测和相似性权重计算部分，分别采用独立的模块设计，各模块之间采用接口的方式进行交互，便于程序功能的扩展。

(3)算法可扩展性强

本方法在泄漏积分型回声状态网络参数优化上，可充分利用群集智能等算法进行参数的优化。因此，可扩展空间大，便于后续对算法关键参数的优化。

下面为采用本方法进行目标区域的拥堵情况的具体距离：

以XX区XX路为例，以道路拥堵延时指数为预测目标，首先画出数据检测时间内道路月、工作日、周末变化图，并分析其交通流特性，具体如下：

图3为XX区XX路拥堵延时指数月变化趋势，图4为XX区XX路工作日拥堵延时指数变化趋势，图5为XX区XX路双休日拥堵延时指数变化趋势，图6为XX路某一工作日的拥堵延时预测结果，图7为XX路某一休息日的拥堵延时预测结果。

为评估预测模型对道路拥堵延时指数的预测效果，以平均绝对误差(MAE)、均方误差 (MSE)、平均绝对百分比误差(MAPE)、均方百分比误差(MSPE)作为评价指标，结果如表 1所示：

表1 XX路预测结果评价指标

根据图6、图7和表1可以看出，经过网络参数优化后的泄露积分型回声状态对工作日和双休日道路具备良好的预测效果。为进一步对区域路网交通的运行状态进行评估，在区域道路运行状态的基础上，结合相关性分析理论对区域交通网络的运行状态进行预测和评估。以拥堵延时指数作为指标在对区域路网交通的运行状态进行预测时，首先需要对区域内主要道路的运行状态进行预测，然后通过相关性分析进行加权处理。选取XX区区域路网进行局部区域路网拥堵延时情况的研究，该路网主要包含XX路、XY路、YY隧道、YX西路四条城市主干道，分别用Road1、Road2、Road3、Road4表示。对各道路的历史交通拥堵延时数据进行相关性分析后得到该区域路网的相似性表，即表2。

表2区域路网拥堵延相关性分析

各道路的相似度及其在局部路网中的权重分配系数如表3。

表3区域路网道路相似度与权重分配表

因此，根据上述相似性区域路网运行状态预测框架，得到区域路网的演变趋势如图8所示。本方法与传统评价方法的结果具有高度的一致性，但在实现方法和处理流程上，本方法基于对历史拥堵延时指数数据的学习和相似性权重分配，不仅对单道路的拥堵调控具有实际指导意义，对于区域路网运行状态的评估也具有重要的指导意义。同时，算法实现具有更好的可操作性。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (1)

1.一种路网交通运行状态预测方法，其特征在于，包括如下步骤：

获取目标区域路网内每条道路的历史拥堵延时指数及当前拥堵延时指数；

基于每条道路的历史拥堵延时指数计算道路之间的相关性，道路之间的相关性计算公式为

其中，P表示相关性矩阵，x_i和x_j分别表示目标区域路网内任意一条道路i和任意一条道路j的当前拥堵延时指数，且道路i和道路j表示不同的两条道路，

和

分别表示目标区域路网内任意一条道路i和任意一条道路j的历史拥堵延时指数的均值，P_ij为相关性矩阵P中的元素，P_ij表示目标区域路网内任意一条道路i和任意一条道路j的相关性；

基于道路之间的相关性计算道路的相似度，道路的相似度的计算公式为

其中，Sup(R_i)表示目标区域路网内任意一条道路i的相似度；

基于道路的相似度计算道路的权重系数，权重系数的计算公式为

基于训练好的泄漏积分型回声状态网络及历史拥堵延时指数预测每条道路的预测拥堵延时指数；

所述泄漏积分型回声状态网络的输出为y(t+1)，其中，y(t+1)＝g(W_out(u(t+1),z(t+1),y(t)))，y(t+1)为任一道路的下一时刻的拥堵延时指数，即预测拥堵延时指数，z(t+1)为泄漏积分型回声状态网络下一时刻的储备池神经元节点状态，u(t+1)为t+1时刻网络输入，g(·)为输出层函数，W_out为输出层节点权重，采用历史拥堵延时指数对泄漏积分型回声状态网络进行训练，直到泄漏积分型回声状态网络的预测精度满足预设预测精度，则完成泄漏积分型回声状态网络的训练；

计算目标区域路网的预测拥堵延时指数CDI_nets，其中，

n表示目标区域路网内道路的条数，ω_i表示目标区域路网内任意一条道路i的权重系数，CDI_i表示目标区域路网内任意一条道路的预测拥堵延时指数；

所述预测拥堵延时指数CDI_nets的值越大表示目标区域路网越拥堵，从而利用预测拥堵延时指数CDI_nets进行目标区域路网的交通运行状态预测。

Images