CN109215350A - 一种基于rfid电子车牌数据的短期交通状态预测方法 - Google Patents
一种基于rfid电子车牌数据的短期交通状态预测方法 Download PDFInfo
- Publication number
- CN109215350A CN109215350A CN201811298914.5A CN201811298914A CN109215350A CN 109215350 A CN109215350 A CN 109215350A CN 201811298914 A CN201811298914 A CN 201811298914A CN 109215350 A CN109215350 A CN 109215350A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- traffic
- rfid
- state
- base 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 230000007704 transition Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于RFID电子车牌数据的短期交通状态预测方法,包括:获取城市道路中以路段为单位的车辆OD出行矩阵;以一定的间隔计算一次RFID基站对之间的路段平均交通流速度;得到路段交通流量OD;构建模糊马尔科夫预测模型;根据预测出的交通流平均速度、路段交通流量与宏观基本图进行交通状态的预测。本发明涉及一种基于RFID电子车牌数据的短期交通状态预测方法,针对上述发明内容,可以实现实时准确的交通状态预测,对保证交通运输系统能正常高效运行起着至关重要的作用。
Description
技术领域
本发明属于智能交通信息技术领域,涉及一种基于RFID(Radio FrequencyIdentification)电子车牌数据的短期交通状态预测方法,可适用于已部署RFID设备装置的城市道路交通状态的预测。
背景技术
一般来说,短期交通状态预测不仅是智能交通系统(IntelligenceTransportation System,ITS)的核心,而且是交通控制、交通信息服务的基础。一旦获得了精确的交通状态,不仅可以获取实时的交通信息,而且可以进一步帮助出行者们推荐最优出行方案,缩短行程时间,减少交通拥堵等;还可以缓解城市环境污染,提高交通通行能力,增强交通安全。
通过查阅相关专利和论文,现有的短期交通状态预测方法,要么计算开销大,不易实现,要么采集手段易受恶劣天气的影响,抗环境干扰能力差,导致采集信息不够准确,采集车辆速度不够精确,最终导致检测精度不够高,预测效果不理想。
而目前现有的基于RFID的城市道路短期交通状态预测的研究尚未成熟,一般依据交通流的转移规律来判断交通的状态,只采用了单一的交通参数进行状态预测,该方法的预测精度较差。
发明内容
有鉴于此,为了解决上述问题,本发明提供一种基于RFID电子车牌数据的短期交通状态预测方法。
为实现上述目的及其他目的,本发明提供一种基于RFID电子车牌数据的短期交通状态预测方法,该方法包括:
根据RFID设备采集到的车辆电子车牌号以及通过RFID基站的时间数据,获取城市道路中以路段为单位的车辆OD出行矩阵;
确定时间窗T,以一定的间隔计算一次RFID基站对之间的路段平均交通流速度;
以时间窗T为单位,记录通过路段k的交通量,标记数据项f置位1,循环判断在基站i与基站j之间通过的具有相同电子车牌的车辆,每出现一次具有相同电子车牌的记录时,数据项f自动增加1,直至时间窗T结束,最终得到路段交通流量OD;
以历史交通流路段平均速度与路段交通流量数据作为训练集样本,构建模糊马尔科夫预测模型;
根据预测出的交通流平均速度、路段交通流量与宏观基本图进行交通状态的预测。
可选地,所述车辆OD出行矩阵通过以下方法获得:
在存储RFID电子车牌数据的数据库中选取路段上两个RFID基站的rfid_ip,再利用数据库语句查找具有相同EID的数据;
判断具有相同EID的车辆数据的车辆通过RFID基站的时间,确定车辆通行的方向;
得出以路段为单位的车辆OD出行矩阵。
可选地,所述路段平均交通流速度的计算方法为:
计算两个RFID基站所在路段的平均交通流速度,计算公式如下:
式中,Lk代表路段k上基站i与基站j之间的距离,k=1,2,3...m,m∈N*;代表路段k上基站i与基站j之间时间窗T内的所有车辆平均行程时间;Ti和Tj分别表示车辆经过RFID基站i与基站j的时间;N代表时间窗T内经过RFID基站i与基站j的所有车辆总和;代表路段k的平均交通流速度;
将城市道路所有覆盖RFID采集装置的路段平均交通流速度,形成一个集合
可选地,所述路段交通流量OD通过以下方法获得:
获得任意RFID基站i和基站j之间交通流量OD:
将得到的任意RFID基站i和基站j之间交通流量OD整理为OD矩阵的形式:
可选地,所述的以历史交通流路段平均速度与路段交通流量数据作为训练集样本,构建模糊马尔科夫预测模型,具体包括:
将交通流参数指标的随机序列xt进行模糊状态划分,将其划分为m个模糊状态Ω=(A1,A2,...,Am),t=1,2,3,,...,k;
计算在模糊状态Ai中随机时间序列xt的隶属函数
对于随机时间序列xt,根据隶属函数计算得出隶属度继而得出模糊状态Ai中随机序列x1,x2,x3,...,xk-1的频数Ni,以及从模糊状态Ai到Aj转移的频数Nij;
计算模糊状态Ai到模糊状态Aj的转移概率Pij;
根据时间序列(x1,x2,x3,...,xk),得出一阶状态转移概率矩阵Pij;
根据隶属度用表示其当前t时刻的模糊状态向量,则在t+1时刻的模糊状态向量表示为如下表达式:
如果则随机时间序列xt将在下一时刻进入状态Aj,t=1,2,3,...,k;
若状态存在多步状态转移的情况,则在t+1时刻的模糊状态向量表示为如下表达式:
其中,Pij(l)表示l阶状态转移概率矩阵;wl表示l阶状态转移概率矩阵的权重;J表示阶数l的集合;rl表示随机时间序列xt的l阶自相关系数;xt表示随机时间序列中第t个元素的值;表示随机时间序列xt的平均值;
将每个模糊状态的代表值与相应的隶属度之和相乘,则:
其中,α代表本地车辆以外的其它籍车辆占比,α=(其它籍车辆)/(所测路段内所有车辆和);vi是每个模糊状态Ai相应的代表值;Vt+1代表随机序列xt最终在t+1时刻的具体预测值,
若预测的是交通流平均速度,则采用
若预测的是交通流平均流量,则采用
可选地,所述根据预测出的交通流平均速度、路段交通流量与宏观基本图进行交通状态的预测,具体包括:
根据速度-密度模型、流量-密度模型建立MDF模型;
通过RFID设备采集到的电子车牌数据,分析城市道路的交通流特征,划分交通状态;
根据RFID设备采集到的电子车牌数据,得到的路网交通流平均速度、交通流平均流量和交通拥堵指数,并根据道路交通管理评价指标规定,划分模糊集,构建交通流参数的模糊隶属函数;
采用双输入的模糊推理规则,同时将交通流平均速度指标与交通流平均流量指标联合判定交通状态,根据所述MFD模型得出最终交通状态结果。
由于采用了上述技术方案,本发明具有如下的优点:
本发明涉及一种基于RFID电子车牌数据的短期交通状态预测方法,针对上述发明内容,可以实现实时准确的交通状态预测,对保证交通运输系统能正常高效运行起着至关重要的作用。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
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:
图1为本发明总体流程示意图;
图2位步骤2计算路段平均交通流速度流程示意图;
图3为步骤3中获取OD出行矩阵的流程示意图;
图4为步骤4中构建模糊马尔科夫预测模型算法流程示意图;
图5为本发明的交通流宏观基本图(MFD);
图6为本发明交通流参数的模糊隶属函数图一;
图7为本发明交通流参数的模糊隶属函数图二;
图8为本发明交通流参数的模糊隶属函数图三。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,本实施例的一种基于RFID电子车牌数据的短期交通状态预测方法,包括如下步骤:
步骤1:依据RFID设备采集到的车辆电子车牌号以及通过RFID基站的时间数据,获取城市道路中以路段为单位的车辆OD出行矩阵。具体包括以下几个子步骤:
步骤1.1:在存储RFID电子车牌数据的数据库中选取路段上两个RFID基站的rfid_ip,再利用数据库语句查找具有相同EID的数据;
步骤1.2:判断具有相同EID的车辆数据的通过RFID基站的时间,如图2所示,确定车辆通行的方向;
步骤1.3:循环上述步骤1.1和1.2,最终得出以路段为单位的OD出行矩阵。
选取交通流参数评价指标,本发明采用交通流速度以及交通流量联合的方法进行交通流预测。
步骤2:参考图3,确定时间窗T,采用每15min计算一次RFID基站对之间的路段平均交通流速度
步骤2.1:计算两个RFID基站所在路段的平均交通流速度,计算公式如下:
式中,
Lk代表路段k上基站i与基站j之间的距离,k=1,2,3...m,m∈N*;
代表路段k上基站i与基站j之间时间窗T内的所有车辆平均行程时间;
Ti和Tj分别表示车辆经过RFID基站i与基站j的时间(这里车辆行驶方向为基站i至基站j(Ti<Tj),即基站i表示道路上游,基站j表示道路下游);
N代表时间窗T=15min内经过RFID基站i与基站j的所有车辆总和(辆);
代表路段k的平均交通流速度(km/h)。
步骤2.2:汇总城市道路所有覆盖RFID采集装置的路段平均交通流速度,形成一个集合,如下所示:
步骤3:以时间窗T为单位,记录通过路段k的交通量,标记数据项f置位1,循环判断在基站i与基站j之间通过的具有相同电子车牌的车辆,每出现一次具有相同电子车牌的记录时,数据项f就自动增加1,直至时间窗T结束,最终得到路段的交通流量
步骤3.1:经过数据预处理,最终可以得到如下表所示的任意RFID基站i和基站j之间交通流量OD:
步骤3.2:将得到的任意两个基站之间的交通流OD量整理为OD矩阵的形式:
步骤4:根据历史交通流路段平均速度与路段交通流量数据作为训练集样本,并根据马尔科夫模型(Markov Model)是分析时间序列的强有力工具的性质,以及人们对交通状态的主观认知判断标准不同。因此,本发明联合模糊理论(Fuzzy Theory)与马尔科夫链算法,构建一种能预测短期交通状态的模糊马尔科夫预测模型。
步骤4.1:参考图4,将交通流参数指标的随机序列形式xt(t=1,2,3...k)进行模糊状态划分,将其划分为m个模糊状态Ω=(A1,A2,...,Am),并且要求m远小于k。
步骤4.2:利用三角模糊数方法计算在模糊状态Ai中xt的隶属函数其计算规则如下式表示:
步骤4.3:对于随机时间序列xt,根据步骤4.2中的隶属函数计算得出隶属度继而得出模糊状态Ai中随机序列x1,x2,x3,...,xk-1的频数Ni,以及从模糊状态Ai到Aj转移的频数Nij。其定义如下所示:
步骤4.4:计算状态Ai到Aj的转移概率,用Pij表示。根据步骤4.3可以得出Pij的表达式如下:
根据给定的时间序列(x1,x2,x3,...,xk),可以得出一阶状态转移概率矩阵Pij:
如果存在状态Ai到Aj的多阶转移,则表示如下:
其中,
l为转移的步数阶数;
Nij(l)表示状态Aj从状态Ai转移的l阶原始数据频数。
步骤4.5:进行交通流的预测,根据步骤4.3算出的隶属度用表示其当前t时刻的模糊状态向量,则在t+1时刻的模糊状态向量可以表示为如下表达式:
根据最大隶属度原则:如果则时间序列xt(t=1,2,3,...,k)将在下一时刻进入状态Aj。
如果状态存在多步状态转移的情况,为了降低一阶转移时造成的误差,则可以利用以下公式进行模糊马尔科夫预测算法的改进:
其中,
Pij(l)表示l阶状态转移概率矩阵;
wl表示l阶状态转移概率矩阵的权重;
J表示阶数l的集合;
rl表示随机序列xt(t=1,2,3,...,k)的l阶自相关系数;
xt表示时间序列xt(t=1,2,3,...,k)中第t个元素的值;
表示随机序列xt(t=1,2,3,...,k)的平均值。
步骤4.6:由于以上步骤使用模糊马尔科夫预测模型得出的预测结果是一个数值范围,不能直接得出交通流参数的准确数值。因此,为了准确预测下一时刻的准确值,有必要将步骤4.5得出的预测范围转换为具体的预测数值。因此,交通流参数的预测值使用重心法进行转换,也就是说,预测值是每个模糊状态的代表值乘以相应的隶属度之和,如下式所示:
其中,
α代表渝籍车辆以外的其它籍车辆占比,α=(其它籍车辆)/(所测路段内所有车辆和);vi是每个模糊状态Ai相应的代表值;Vt+1代表随机序列xt最终在t+1时刻的具体预测值,若预测的是交通流平均速度,则采用若预测的是交通流平均流量,则采用
步骤5:根据以上步骤预测出的交通流平均速度与交通流量,将二者联合起来,借助宏观基本图(Macroscopic Fundamental Diagram,MDF),利用其可描述宏观交通流变量之间的函数关系核心理论进行交通状态的预测。
步骤5.1:根据流量-密度模型建立MDF模型,如图5所示。具体模型公式如下:
其中,
表示路网交通流平均速度(km/h);
vf为自由流速度(km/h);
k表示路网交通流平均密度(辆/km);
kj为阻塞密度(辆/km);
N为路段k内的车辆总数(辆);
Lk表示路段k的长度(km);
Q表示路网交通流平均流量(辆/h)。
图5中,C点为流量的峰值,道路的最大流量记为Qm,对应的密度记为道路的临界密度km。当k<km时表示畅通状态;当k>km时表示拥堵状态,并且随着密度的增大,流量逐渐减小为0,即在kj点,表示道路严重拥堵,车辆停止,处于排队状态。
步骤5.2:通过RFID设备采集到的电子车牌数据,分析重庆市城市道路的交通流特征,将其交通拥堵状态划分为S={S1,S2,S3,S4,S5}={畅通,基本畅通,轻度拥堵,拥堵,严重拥堵}(不同城市划分等级不一样),如图5所示的阴影区。
步骤5.3:根据RFID设备采集到的电子车牌数据,通过数学描述得到的路网交通流平均速度,并根据中国道路交通管理评价指标规定,将其划分为4个模糊集 如图6所示;同时将交通流平均流量划分为3个模糊集Y={Y1,Y2,Y3}={高流量(Q≥Qf),适中,低流量},如图7所示,其中Qf为自由流量。最后再根据交通拥堵指数,又称交通运行指数(Traffic Performance Index,TPI)划分为5个模糊状态集S={S1,S2,S3,S4,S5}={畅通,基本畅通,轻度拥堵,拥堵,严重拥堵},如图8所示。再根据步骤5.2的隶属函数计算公式,最终构建出交通流参数的模糊隶属函数图,如图5所示。
步骤5.4:确定好模糊隶属函数之后,采用双输入的模糊推理规则,同时将交通流平均速度指标与交通流平均流量指标联合判定交通状态,根据步骤5.1建立的MFD可以得出最终如下表所示的交通状态结果。
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,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (6)
1.一种基于RFID电子车牌数据的短期交通状态预测方法,其特征在于,该方法包括:
根据RFID设备采集到的车辆电子车牌号以及通过RFID基站的时间数据,获取城市道路中以路段为单位的车辆OD出行矩阵;
确定时间窗T,以一定的间隔计算一次RFID基站对之间的路段平均交通流速度;
以时间窗T为单位,记录通过路段k的交通量,标记数据项f置位1,循环判断在基站i与基站j之间通过的具有相同电子车牌的车辆,每出现一次具有相同电子车牌的记录时,数据项f自动增加1,直至时间窗T结束,最终得到路段交通流量OD;
以历史交通流路段平均速度与路段交通流量数据作为训练集样本,构建模糊马尔科夫预测模型;
根据预测出的交通流平均速度、路段交通流量与宏观基本图进行交通状态的预测。
2.根据权利要求1所述的一种基于RFID电子车牌数据的短期交通状态预测方法,其特征在于,所述车辆OD出行矩阵通过以下方法获得:
在存储RFID电子车牌数据的数据库中选取路段上两个RFID基站的rfid_ip,再利用数据库语句查找具有相同EID的数据;
判断具有相同EID的车辆数据的车辆通过RFID基站的时间,确定车辆通行的方向;
得出以路段为单位的车辆OD出行矩阵。
3.根据权利要求2所述的一种基于RFID电子车牌数据的短期交通状态预测方法,其特征在于,所述路段平均交通流速度的计算方法为:
计算两个RFID基站所在路段的平均交通流速度,计算公式如下:
式中,Lk代表路段k上基站i与基站j之间的距离,k=1,2,3...m,m∈N*;代表路段k上基站i与基站j之间时间窗T内的所有车辆平均行程时间;Ti和Tj分别表示车辆经过RFID基站i与基站j的时间;N代表时间窗T内经过RFID基站i与基站j的所有车辆总和;代表路段k的平均交通流速度;
将城市道路所有覆盖RFID采集装置的路段平均交通流速度,形成一个集合
4.根据权利要求3所述的一种基于RFID电子车牌数据的短期交通状态预测方法,其特征在于,所述路段交通流量OD通过以下方法获得:
获得任意RFID基站i和基站j之间交通流量OD:
将得到的任意RFID基站i和基站j之间交通流量OD整理为OD矩阵的形式:
5.根据权利要求4所述的一种基于RFID电子车牌数据的短期交通状态预测方法,其特征在于,所述的以历史交通流路段平均速度与路段交通流量数据作为训练集样本,构建模糊马尔科夫预测模型,具体包括:
将交通流参数指标的随机序列xt进行模糊状态划分,将其划分为m个模糊状态Ω=(A1,A2,...,Am),t=1,2,3,,...,k;
计算在模糊状态Ai中随机时间序列xt的隶属函数
对于随机时间序列xt,根据隶属函数计算得出隶属度继而得出模糊状态Ai中随机序列x1,x2,x3,...,xk-1的频数Ni,以及从模糊状态Ai到Aj转移的频数Nij;
计算模糊状态Ai到模糊状态Aj的转移概率Pij;
根据时间序列(x1,x2,x3,...,xk),得出一阶状态转移概率矩阵Pij;
根据隶属度用表示其当前t时刻的模糊状态向量,则在t+1时刻的模糊状态向量表示为如下表达式:
如果则随机时间序列xt将在下一时刻进入状态Aj,t=1,2,3,...,k;
若状态存在多步状态转移的情况,则在t+1时刻的模糊状态向量表示为如下表达式:
其中,Pij(l)表示l阶状态转移概率矩阵;wl表示l阶状态转移概率矩阵的权重;J表示阶数l的集合;rl表示随机时间序列xt的l阶自相关系数;xt表示随机时间序列中第t个元素的值;表示随机时间序列xt的平均值;
将每个模糊状态的代表值与相应的隶属度之和相乘,则:
其中,α代表本地车辆以外的其它籍车辆占比,α=(其它籍车辆)/(所测路段内所有车辆和);vi是每个模糊状态Ai相应的代表值;Vt+1代表随机序列xt最终在t+1时刻的具体预测值,
若预测的是交通流平均速度,则采用
若预测的是交通流平均流量,则采用
6.根据权利要求5所述的一种基于RFID电子车牌数据的短期交通状态预测方法,其特征在于,所述根据预测出的交通流平均速度、路段交通流量与宏观基本图进行交通状态的预测,具体包括:
根据速度-密度模型、流量-密度模型建立MDF模型;
通过RFID设备采集到的电子车牌数据,分析城市道路的交通流特征,划分交通状态;
根据RFID设备采集到的电子车牌数据,得到的路网交通流平均速度、交通流平均流量和交通拥堵指数,并根据道路交通管理评价指标规定,划分模糊集,构建交通流参数的模糊隶属函数;
采用双输入的模糊推理规则,同时将交通流平均速度指标与交通流平均流量指标联合判定交通状态,根据所述MFD模型得出最终交通状态结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811298914.5A CN109215350B (zh) | 2018-11-02 | 2018-11-02 | 一种基于rfid电子车牌数据的短期交通状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811298914.5A CN109215350B (zh) | 2018-11-02 | 2018-11-02 | 一种基于rfid电子车牌数据的短期交通状态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109215350A true CN109215350A (zh) | 2019-01-15 |
CN109215350B CN109215350B (zh) | 2021-05-25 |
Family
ID=64998443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811298914.5A Active CN109215350B (zh) | 2018-11-02 | 2018-11-02 | 一种基于rfid电子车牌数据的短期交通状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109215350B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245423A (zh) * | 2019-06-14 | 2019-09-17 | 重庆大学 | 一种高速公路收费站间流量关系分析方法 |
CN110363255A (zh) * | 2019-08-19 | 2019-10-22 | 公安部交通管理科学研究所 | 一种基于深度学习算法的高速公路限速限流方法 |
CN110570650A (zh) * | 2019-05-17 | 2019-12-13 | 东南大学 | 一种基于rfid数据的出行路径与节点流量预测方法 |
CN110782654A (zh) * | 2019-02-22 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 拥堵区域通行能力估测方法、装置及数据处理设备 |
CN111724593A (zh) * | 2020-06-12 | 2020-09-29 | 重庆大学 | 一种基于rfid考虑交通流转移率的公交行程时间预测方法 |
CN112233426A (zh) * | 2020-11-23 | 2021-01-15 | 重庆市市政设计研究院有限公司 | 基于rfid及多源数据的桥梁实时预警方法装置及系统 |
CN112630770A (zh) * | 2020-12-02 | 2021-04-09 | 北京首科丰汇科技有限公司 | 一种高速公路服务质量评价方法及装置 |
CN112669600A (zh) * | 2020-12-15 | 2021-04-16 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种利用汽车电子标识信息预测路口交通流的方法 |
CN113379233A (zh) * | 2021-06-08 | 2021-09-10 | 重庆大学 | 一种基于高阶矩的行程时间可靠性估计方法及装置 |
CN115357777A (zh) * | 2022-08-26 | 2022-11-18 | 福建师范大学 | 一种基于模糊理论的用户标签权重评估方法 |
CN116665439A (zh) * | 2023-04-28 | 2023-08-29 | 东南大学 | 基于车牌识别数据的城市路网车流od不确定性估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2610836A1 (en) * | 2011-12-30 | 2013-07-03 | Seat, S.A. | Device and method for the on-line prediction of the driving cycle in an automotive vehicle |
CN104616498A (zh) * | 2015-02-02 | 2015-05-13 | 同济大学 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
CN106530715A (zh) * | 2016-12-24 | 2017-03-22 | 浙江工业大学 | 基于模糊马尔可夫过程的路网交通状态预测方法 |
CN106971565A (zh) * | 2017-04-22 | 2017-07-21 | 高新兴科技集团股份有限公司 | 一种基于物联网的区域交通边界控制与诱导协同方法及系统 |
-
2018
- 2018-11-02 CN CN201811298914.5A patent/CN109215350B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2610836A1 (en) * | 2011-12-30 | 2013-07-03 | Seat, S.A. | Device and method for the on-line prediction of the driving cycle in an automotive vehicle |
CN104616498A (zh) * | 2015-02-02 | 2015-05-13 | 同济大学 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
CN106530715A (zh) * | 2016-12-24 | 2017-03-22 | 浙江工业大学 | 基于模糊马尔可夫过程的路网交通状态预测方法 |
CN106971565A (zh) * | 2017-04-22 | 2017-07-21 | 高新兴科技集团股份有限公司 | 一种基于物联网的区域交通边界控制与诱导协同方法及系统 |
Non-Patent Citations (13)
Title |
---|
CHANG LIU: "Research of icing thickness on transmission lines based on fuzzy Markov chain prediction", 《2013 IEEE INTERNATIONAL CONFERENCE ON APPLIED SUPERCONDUCTIVITY AND ELECTROMAGNETIC DEVICES》 * |
JIA LIU: "A prediction model based on neural network and fuzzy Markov chain", 《2008 7TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 * |
KAIBING XIE: "A combined forecasting method for traffic volume", 《2016 IEEE INTERNATIONAL CONFERENCE ON SERVICE OPERATIONS AND LOGISTICS, AND INFORMATICS (SOLI)》 * |
YANYAN XU: "Comparison of urban traffic prediction methods between UTN-based spatial model and time series models", 《2012 15TH INTERNATIONAL IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
YANYAN XU: "Urban traffic flow prediction based on road network model", 《PROCEEDINGS OF 2012 9TH IEEE INTERNATIONAL CONFERENCE ON NETWORKING, SENSING AND CONTROL》 * |
张亮亮: "城市快速路交通运行状态评价及预测方法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
朱超: "城市路网交通状态判别及可视化研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
李晓璐: "基于多源信息处理技术的交通状态判别研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
熊满初: "基于大数据的城市道路交通状态分析", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
王洪亮: "道路交通安全态势评估方法研究", 《中国优秀硕士学位论文全文数据库社会科学Ⅰ辑》 * |
蒋惠惠: "判断股市走势的马尔可夫链模糊预测模型", 《青岛大学学报(工程技术版)》 * |
袁生磊: "基于模型预测的宏观交通路网优化研究", 《软件导刊》 * |
郭海锋: "基于马尔可夫过程的路网交通状态预测方法", 《浙江工业大学学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782654A (zh) * | 2019-02-22 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 拥堵区域通行能力估测方法、装置及数据处理设备 |
CN110570650B (zh) * | 2019-05-17 | 2021-05-11 | 东南大学 | 一种基于rfid数据的出行路径与节点流量预测方法 |
CN110570650A (zh) * | 2019-05-17 | 2019-12-13 | 东南大学 | 一种基于rfid数据的出行路径与节点流量预测方法 |
CN110245423B (zh) * | 2019-06-14 | 2023-01-31 | 重庆大学 | 一种高速公路收费站间流量关系分析方法 |
CN110245423A (zh) * | 2019-06-14 | 2019-09-17 | 重庆大学 | 一种高速公路收费站间流量关系分析方法 |
CN110363255A (zh) * | 2019-08-19 | 2019-10-22 | 公安部交通管理科学研究所 | 一种基于深度学习算法的高速公路限速限流方法 |
CN110363255B (zh) * | 2019-08-19 | 2022-04-05 | 公安部交通管理科学研究所 | 一种基于深度学习算法的高速公路限速限流方法 |
CN111724593A (zh) * | 2020-06-12 | 2020-09-29 | 重庆大学 | 一种基于rfid考虑交通流转移率的公交行程时间预测方法 |
CN112233426A (zh) * | 2020-11-23 | 2021-01-15 | 重庆市市政设计研究院有限公司 | 基于rfid及多源数据的桥梁实时预警方法装置及系统 |
CN112233426B (zh) * | 2020-11-23 | 2024-02-02 | 重庆市市政设计研究院有限公司 | 基于rfid及多源数据的桥梁实时预警方法装置及系统 |
CN112630770A (zh) * | 2020-12-02 | 2021-04-09 | 北京首科丰汇科技有限公司 | 一种高速公路服务质量评价方法及装置 |
CN112669600A (zh) * | 2020-12-15 | 2021-04-16 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种利用汽车电子标识信息预测路口交通流的方法 |
CN113379233A (zh) * | 2021-06-08 | 2021-09-10 | 重庆大学 | 一种基于高阶矩的行程时间可靠性估计方法及装置 |
CN115357777A (zh) * | 2022-08-26 | 2022-11-18 | 福建师范大学 | 一种基于模糊理论的用户标签权重评估方法 |
CN115357777B (zh) * | 2022-08-26 | 2023-09-01 | 福建师范大学 | 一种基于模糊理论的用户标签权重评估方法 |
CN116665439A (zh) * | 2023-04-28 | 2023-08-29 | 东南大学 | 基于车牌识别数据的城市路网车流od不确定性估计方法 |
CN116665439B (zh) * | 2023-04-28 | 2024-05-07 | 东南大学 | 基于车牌识别数据的城市路网车流od不确定性估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109215350B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109215350B (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
CN104157139B (zh) | 一种交通拥堵预测方法及可视化方法 | |
CN105513359B (zh) | 一种基于智能手机移动检测的城市快速路交通状态估计方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN101794507B (zh) | 基于浮动车数据的宏观路网交通状态评价方法 | |
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 | |
CN108629973A (zh) | 基于固定检测设备的路段交通拥堵指数计算方法 | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN110675626B (zh) | 基于多维数据的交通事故黑点预测方法、装置及介质 | |
Li et al. | Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks | |
CN107248283A (zh) | 一种考虑路段关键度的城市区域路网运行状态评价方法 | |
CN110634292B (zh) | 一种基于路阻性能函数的行程时间可靠性估计方法 | |
CN104778835B (zh) | 一种高等级道路多瓶颈点拥堵演化时空范围识别方法 | |
CN111145544B (zh) | 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 | |
CN102637357A (zh) | 一种区域交通状态评价方法 | |
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 | |
CN107833459A (zh) | 一种基于gps数据的城市公交运行状况评价方法 | |
CN111063204A (zh) | 一种基于收费站流量的高速公路车速预测模型训练方法 | |
CN116597642A (zh) | 一种交通拥堵状况的预测方法及系统 | |
CN104331746B (zh) | 一种分离式的动态路径优化系统及其方法 | |
CN115759329A (zh) | 基于卷积神经网络的景区游客人数预测方法 | |
CN107123268A (zh) | 一种平面交叉口交通安全状态评估方法 | |
CN107665580A (zh) | 一种基于传感器网络的新型智能交通模型的设计方法 | |
CN110264725B (zh) | 路段流量的确定方法及装置 | |
CN110120154B (zh) | 大规模路网下利用检测器数据的交通路况预测方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230224 Address after: 213399 room 5025, building B, 218 Hongkou Road, Kunlun Street, Liyang City, Changzhou City, Jiangsu Province Patentee after: Liyang Smart City Research Institute of Chongqing University Address before: 400044 No. 174, positive street, Shapingba District, Chongqing Patentee before: Chongqing University |
|
TR01 | Transfer of patent right |