CN110363984A - 交通流量预测方法和设备 - Google Patents
交通流量预测方法和设备 Download PDFInfo
- Publication number
- CN110363984A CN110363984A CN201910553944.4A CN201910553944A CN110363984A CN 110363984 A CN110363984 A CN 110363984A CN 201910553944 A CN201910553944 A CN 201910553944A CN 110363984 A CN110363984 A CN 110363984A
- Authority
- CN
- China
- Prior art keywords
- crossing
- starting
- target
- vehicle
- traffic flow
- 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
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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Abstract
本发明提供一种交通流量预测方法和设备,该方法包括:根据多个起始路口到目标路口的车辆行驶轨迹数据,确定各个所述起始路口到所述目标路口的车辆转向概率;其中,所述起始路口位于所述目标路口的预设距离范围内;所述车辆转向概率用于表示车辆从所述起始路口转向所述目标路口行驶的概率;根据各个所述起始路口的交通流量,以及各个所述起始路口到所述目标路口的车辆转向概率,确定所述目标路口的交通流量。本发明实施例的方法,通过其他周围路口的交通流量,以及其他周围路口转向目标路口的交通流量的概率,确定目标路口的交通流量,准确率较高。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种交通流量预测方法和设备。
背景技术
城市的智能交通系统,就是将无线传感技术、通讯技术以及信息技术结合起来分析交通大数据,从而为交通大数据平台获得有价值的交通信息。政府部门通过这些有价值的交通信息,不仅可以了解城市路网中居民出行的相关信息,为居民提供合理的出行路线,还可以利用这些信息进行交通调查分析,从而制定一系列的交通政策方便高效地管理城市交通。例如:通过对城市中车辆起始点终止点以及道路通行能力的分析可以帮助政府部门了解城市路网中车流的宏观规律,进而辅助政府部门改善城市的区域规划建设;通过对路段车流量以及平均车速的分析,可以辅助交通部门更加合理的控制各个路口信号灯的配时,更好地诱导城市车辆的行驶路线。但是,随着城市汽车保有量逐年增加,智能交通系统的复杂性、不稳定性以及动态变化性渐渐地凸显了出来。
目前,对交通路网的运行状态的研究主要集中在如何推算未来一段时间内的固定路段或者交通路口的交通流量情况,需要利用这些道路的当前或者历史交通数据。但是城市路网较为复杂有很多区域获取历史交通数据较为困难,因此对于本领域技术人员来说,如何利用部分交通路口或者路段的实时以及历史交通数据,来有效推算城市路网中剩余的没有历史交通数据的交通路口或者路段的交通运行状况,是亟需解决的技术问题。
发明内容
本发明提供一种交通流量预测方法和设备,以实现对交通路口的交通流量的预测,预测准确率较高。
第一方面,本发明提供一种交通流量预测方法,包括:
根据至少一个起始路口到目标路口的车辆行驶轨迹数据,确定各个所述起始路口到所述目标路口的车辆转向概率;其中,所述起始路口位于所述目标路口的预设距离范围内;所述车辆转向概率用于表示车辆从所述起始路口转向所述目标路口行驶的概率;
根据各个所述起始路口的交通流量,以及各个所述起始路口到所述目标路口的车辆转向概率,确定所述目标路口的交通流量。
在一种可能的实现方式中,所述根据至少一个起始路口到目标路口的车辆行驶轨迹数据,确定各个所述起始路口到所述目标路口的车辆转向概率,包括:
针对每个所述起始路口,根据所述起始路口到所述目标路口经过的至少一个行驶路径的车辆行驶轨迹数据,确定所述起始路口到所述目标路口经过的各个所述行驶路径对应的车辆转向概率;所述车辆行驶轨迹数据包括多个车辆在多个轨迹点的位置信息;所述行驶路径为从所述起始路口经过至少一个中转路口到达所述目标路口的路径;
根据所述起始路口到所述目标路口经过的各个所述行驶路径对应的车辆转向概率,确定所述起始路口到所述目标路口的车辆转向概率。
在一种可能的实现方式中,所述根据所述起始路口到所述目标路口经过的至少一个行驶路径的车辆行驶轨迹数据,确定所述起始路口到所述目标路口经过的各个所述行驶路径对应的车辆转向概率,包括:
针对每个所述行驶路径,根据所述起始路口到所述目标路口经过的所述行驶路径的车辆行驶轨迹数据,确定所述行驶路径中各个所述中转路口对应的车辆转向概率;
根据各个所述中转路口对应的车辆转向概率,确定所述起始路口到所述目标路口经过的所述行驶路径对应的车辆转向概率。
在一种可能的实现方式中,所述确定所述行驶路径中各个所述中转路口对应的车辆转向概率,包括:
针对每个所述中转路口,根据从第一路口经所述中转路口转向第二路口对应的车流量,以及经过所述中转路口的总车流量,计算所述中转路口对应的车辆转向概率;所述第一路口与所述第二路口分别为与所述中转路口相邻的路口。
在一种可能的实现方式中,所述根据各个所述起始路口的交通流量,以及各个所述起始路口到所述目标路口的车辆转向概率,确定所述目标路口的交通流量,包括:
针对每个所述起始路口,根据所述起始路口在第一时间的交通流量,以及所述起始路口到所述目标路口的车辆转向概率,计算所述起始路口转向所述目标路口的交通流量;
对多个所述起始路口转向所述目标路口的交通流量进行求和,得到所述目标路口在第二时间的交通流量;所述第一时间与所述第二时间之间的间隔为所述起始路口到所述目标路口的车辆通行时间。
在一种可能的实现方式中,所述根据所述起始路口在第一时间的交通流量,以及所述起始路口到所述目标路口的车辆转向概率,计算所述起始路口转向所述目标路口的交通流量之前,还包括:
根据所述起始路口到所述目标路口的车辆行驶轨迹数据,确定所述起始路口到所述目标路口的车辆通行时间;所述车辆行驶轨迹数据包括多个车辆在多个轨迹点的位置信息。
在一种可能的实现方式中,所述确定所述起始路口到所述目标路口的车辆通行时间,包括:
根据在预设时间段内所述起始路口到所述目标路口的车辆行驶轨迹数据,对多个车辆进行聚类处理,得到各个所述车辆所属的类型;所述预设时间段包括所述第一时间和所述第二时间;
对于任一所述类型,根据所述起始路口到所述目标路口的通行时间概率密度函数,确定所述起始路口到所述目标路口所述类型对应的车辆通行时间;
根据多个所述类型对应的车辆通行时间,计算所述起始路口到所述目标路口的车辆通行时间。
第二方面,本发明提供一种交通流量预测装置,包括:
确定模块,用于根据至少一个起始路口到目标路口的车辆行驶轨迹数据,确定各个所述起始路口到所述目标路口的车辆转向概率;其中,所述起始路口位于所述目标路口的预设距离范围内;所述车辆转向概率用于表示车辆从所述起始路口转向所述目标路口行驶的概率;
处理模块,用于根据各个所述起始路口的交通流量,以及各个所述起始路口到所述目标路口的车辆转向概率,确定所述目标路口的交通流量。
在一种可能的实现方式中,所述确定模块,具体用于:
针对每个所述起始路口,根据所述起始路口到所述目标路口经过的至少一个行驶路径的车辆行驶轨迹数据,确定所述起始路口到所述目标路口经过的各个所述行驶路径对应的车辆转向概率;所述车辆行驶轨迹数据包括多个车辆在多个轨迹点的位置信息;所述行驶路径为从所述起始路口经过至少一个中转路口到达所述目标路口的路径;
根据所述起始路口到所述目标路口经过的各个所述行驶路径对应的车辆转向概率,确定所述起始路口到所述目标路口的车辆转向概率。
在一种可能的实现方式中,所述确定模块,具体用于:
针对每个所述行驶路径,根据所述起始路口到所述目标路口经过的所述行驶路径的车辆行驶轨迹数据,确定所述行驶路径中各个所述中转路口对应的车辆转向概率;
根据各个所述中转路口对应的车辆转向概率,确定所述起始路口到所述目标路口经过的所述行驶路径对应的车辆转向概率。
在一种可能的实现方式中,所述确定模块,具体用于:
针对每个所述中转路口,根据从第一路口经所述中转路口转向第二路口对应的车流量,以及经过所述中转路口的总车流量,计算所述中转路口对应的车辆转向概率;所述第一路口与所述第二路口分别为与所述中转路口相邻的路口。
在一种可能的实现方式中,所述处理模块,具体用于:
针对每个所述起始路口,根据所述起始路口在第一时间的交通流量,以及所述起始路口到所述目标路口的车辆转向概率,计算所述起始路口转向所述目标路口的交通流量;
对多个所述起始路口转向所述目标路口的交通流量进行求和,得到所述目标路口在第二时间的交通流量;所述第一时间与所述第二时间之间的间隔为所述起始路口到所述目标路口的车辆通行时间。
在一种可能的实现方式中,所述处理模块,还用于:
根据所述起始路口到所述目标路口的车辆行驶轨迹数据,确定所述起始路口到所述目标路口的车辆通行时间;所述车辆行驶轨迹数据包括多个车辆在多个轨迹点的位置信息。
在一种可能的实现方式中,所述处理模块,具体用于:
根据在预设时间段内所述起始路口到所述目标路口的车辆行驶轨迹数据,对多个车辆进行聚类处理,得到各个所述车辆所属的类型;所述预设时间段包括所述第一时间和所述第二时间;
对于任一所述类型,根据所述起始路口到所述目标路口的通行时间概率密度函数,确定所述起始路口到所述目标路口所述类型对应的车辆通行时间;
根据多个所述类型对应的车辆通行时间,计算所述起始路口到所述目标路口的车辆通行时间。
第三方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中任一项所述的方法。
第四方面,本发明实施例提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的方法。
本发明实施例提供的交通流量预测方法和设备,根据至少一个起始路口到目标路口的车辆行驶轨迹数据,确定各个所述起始路口到所述目标路口的车辆转向概率;其中,所述起始路口位于所述目标路口的预设距离范围内;所述车辆转向概率用于表示车辆从所述起始路口转向所述目标路口行驶的概率;根据各个所述起始路口的交通流量,以及各个所述起始路口到所述目标路口的车辆转向概率,确定所述目标路口的交通流量,通过其他周围路口的交通流量,以及其他周围路口转向目标路口的交通流量的概率,确定目标路口的交通流量,准确率较高。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本发明提供的交通流量预测方法一实施例的流程示意图;
图2是本发明提供的方法一实施例的交通路网示意图;
图3是本发明提供的交通流量预测装置一实施例的结构示意图;
图4是本发明提供的电子设备实施例的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明的说明书和权利要求书及所述附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先对本发明所涉及的应用场景进行介绍:
本发明实施例提供的交通流量预测方法,应用于基于周围路口的交通流量对目标路口的交通流量进行预测的场景中,特别是对没有历史交通数据的目标路口的交通流量进行预测,预测的准确性较高。
在本发明的一些实施例中,可以利用有限稀疏分布的城市路网监控摄像头获取的历史交通数据,来预测未配备摄像头路口的实时交通流量。
下面以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1是本发明提供的交通流量预测方法一实施例的流程示意图。如图1所示,本实施例提供的方法,包括:
步骤101、根据至少一个起始路口到目标路口的车辆行驶轨迹数据,确定各个起始路口到目标路口的车辆转向概率;其中,起始路口位于目标路口的预设距离范围内;车辆转向概率用于表示车辆从起始路口转向目标路口行驶的概率。
其中,预设距离范围例如为5公里范围内,对于5公里以外的路口,对目标路口的影响很小,可以忽略不计。
该车辆转向概率,可以根据多个起始路口到目标路口的车辆行驶轨迹数据确定出来,其中,所述车辆行驶轨迹数据包括多个车辆在从起始路口到目标路口的路段中多个轨迹点的位置信息。
例如,如图2所示,假设起始路口为路口m,目标路口为路口i,假设路口m和路口b为配备监控摄像头的路口。
步骤102、根据各个起始路口的交通流量,以及各个起始路口到目标路口的车辆转向概率,确定目标路口的交通流量。
具体的,各个起始路口的交通流量可以为根据监控设备获取的监控数据得到,或者根据周围预设距离范围内的其他路口的交通流量得到。
针对每个所述起始路口,根据所述起始路口在第一时间的交通流量,以及所述起始路口到所述目标路口的车辆转向概率,计算所述起始路口转向所述目标路口的交通流量;例如起始路口的交通流量乘以转向该目标路口的车辆转向概率,得到该起始路口转向目标路口的交通流量;
对多个起始路口转向目标路口的交通流量进行求和,得到目标路口的交通流量。
其中,所述第一时间是指车辆在起始路口的时间。
本实施例的方法,根据至少一个起始路口到目标路口的车辆行驶轨迹数据,确定各个所述起始路口到所述目标路口的车辆转向概率;其中,所述起始路口位于所述目标路口的预设距离范围内;所述车辆转向概率用于表示车辆从所述起始路口转向所述目标路口行驶的概率;根据各个所述起始路口的交通流量,以及各个所述起始路口到所述目标路口的车辆转向概率,确定所述目标路口的交通流量,通过其他周围路口的交通流量,以及其他周围路口转向目标路口的交通流量的概率,确定目标路口的交通流量,准确率较高。
在上述实施例的基础上,进一步的,步骤101具体可以通过如下方式实现:
针对每个所述起始路口,根据所述起始路口到所述目标路口经过的至少一个行驶路径的车辆行驶轨迹数据,确定所述起始路口到所述目标路口经过的各个所述行驶路径对应的车辆转向概率;所述车辆行驶轨迹数据包括多个车辆在多个轨迹点的位置信息;所述行驶路径为从所述起始路口经过至少一个中转路口到达所述目标路口的路径;
根据所述起始路口到所述目标路口经过的各个所述行驶路径对应的车辆转向概率,确定所述起始路口到所述目标路口的车辆转向概率。
具体的,如图2所示,由于起始路口m到目标路口i之间具有多个不同的行驶路径,因此针对每个行驶路径,确定该行驶路径对应的车辆转向概率。例如一条行驶路口为从起始路口m经中转路口l、中转路口k、中转路口j到达目标路口i,另一条行驶路径为从起始路口m经中转路口n、中转路口e、中转路口j到达目标路口i。
然后,根据不同的行驶路径的车辆转向概率,确定该起始路口到该目标路口的车辆转向概率。
例如,可以将多个行驶路径对应的车辆转向概率的平均值或加权平均值,作为该起始路口到该目标路口的车辆转向概率。
进一步的,针对每个行驶路径,具体可以通过如下方式确定该行驶路径对应的车辆转向概率:
根据所述起始路口到所述目标路口经过的所述行驶路径的车辆行驶轨迹数据,确定所述行驶路径中各个所述中转路口对应的车辆转向概率;
根据各个所述中转路口对应的车辆转向概率,确定所述起始路口到所述目标路口经过的所述行驶路径对应的车辆转向概率。
具体的,若该行驶路径中包括的中转路口只有一个,则直接将该中转路口对应的车辆转向概率作为该行驶路径对应的车辆转向概率。
若行驶路径中包括的中转路口有多个,则可以将多个中转路口对应的车辆转向概率的乘积,作为该行驶路径对应的车辆转向概率。
如图2所示,对于行驶路径m-l-k-j-i,中转路口为l、k和j,可以将Smlk(p)×Slkj(p)×Skji(p)作为该行驶路径对应的车辆转向概率。
其中,Smlk(p)表示中转路口l经过的行驶路径对应的车辆转向概率,该行驶路径为从路口m经过中转路口l到达路口k的路径。
Slkj(p)表示中转路口k经过的行驶路径对应的车辆转向概率,该行驶路径为从路口l经过中转路口k到达路口j的路径。
Skji(p)表示中转路口j经过的行驶路径对应的车辆转向概率,该行驶路径为从路口k经过中转路口j到达路口i的路径。
进一步,在本发明的其他实施例中,也可以根据多个中转路口对应的车辆转向概率通过其他计算方式,确定出该行驶路径对应的车辆转向概率,例如求均值,加权处理等方式。
进一步的,中转路口对应的车辆转向概率,具体可以通过如下方式确定:
将从第一路口经所述中转路口转向第二路口对应的车流量,除以经过所述中转路口的总车流量,得到所述中转路口对应的车辆转向概率;所述第一路口与所述第二路口分别为与所述中转路口相邻的路口。
具体的,将车辆行驶轨迹数据中从第一路口经该中转路口转向第二路口的车辆个数即车流量,除以经过该中转路口的总车流量,得到该中转路口对应的车辆转向概率。
其中,第一路口和第二路口为与中转路口相邻的路口。
例如,中转路口为路口k,则对于行驶路径m-l-k-j-i,第一路口为路口l,第二路口为路口j。
进一步的,在本发明的其他实施例中,还可以通过机器学习模型等,确定车辆转向概率,例如将起始路口到所述目标路口经过的所述行驶路径的车辆行驶轨迹数据作为该模型的输入,模型的输出为该行驶路径对应的车辆转向概率。
进一步,可以利用各个路口之间经过的不同行驶路径的车辆行驶轨迹数据作为训练数据,对机器学习模型进行训练,得到训练后的机器学习模型。
进一步的,在本发明其他实施例中,对于车辆转向概率,不同时间段的车辆行驶轨迹数据,确定出的车辆转向概率可能不同,例如可以将一天划分为多个时间段,对于任一时间段来说,可以采用多天或一天的该时间段的车辆行驶轨迹数据,确定车辆转向概率。
进一步的,工作日和节假日的车辆行驶轨迹数据可能差别较大,对车辆转向概率的影响较大,因此,在确定车辆转向概率时,可以将车辆行驶轨迹数据进行划分,工作日和节假日分别计算对应的车辆转向概率。
在上述实施例的基础上,步骤102具体可以通过如下方式实现:
针对每个所述起始路口,根据所述起始路口在第一时间的交通流量,以及所述起始路口到所述目标路口的车辆转向概率,计算所述起始路口转向所述目标路口的交通流量;
对多个所述起始路口转向所述目标路口的交通流量进行求和,得到所述目标路口在第二时间的交通流量;所述第一时间与所述第二时间之间的间隔为所述起始路口到所述目标路口的车辆通行时间。
具体的,针对每个起始路口,根据起始路口的交通流量,以及起始路口到目标路口的车辆转向概率,计算起始路口转向目标路口的交通流量,然后将多个起始路口转向目标路口的交通流量进行求和,得到目标路口的交通流量。
其中,对于目标路口在某一时刻(如第二时间)实时的交通流量,先确定流向该目标路口的各个起始路口的交通流量,即需要确定起始路口在何时的交通流量流向该目标路口,即需要确定从该起始路口到目标路口的车辆通行时间,根据第二时间以及从该起始路口到目标路口的车辆通行时间可以推算出第一时间,即起始路口在第一时间的交通流量全部或部分流向该目标路口,进一步再根据起始路口到目标路口的车辆转向概率,计算该起始路口转向该目标路口的交通流量的多少。
所述第一时间表示车辆在起始路口的时间,第二时间表示车辆在目标路口的时间。
其中,该第二时间可以是工作日的某一时间段的某一时刻,也可以是节假日的某一时间段的某一时刻。
其中,起始路口在第一时间的交通流量可以通过如下方式确定出来:
若该起始路口设置监控设备,则可以通过监控设备获取的监控数据计算出在第一时间的交通流量。
若该起始路口未设置监控设备,则根据位于该起始路口的预设距离范围内的其他设置监控设备的路口在第一时间的平均交通流量,作为该起始路口在所述第一时间的交通流量。例如,图2中路口m和路口b设有监控设备。
其中,该预设距离范围例如为1公里范围内。
进一步的,在确定第一时间之前,还可以先确定车辆通行时间,具体可以通过如下方式实现:
根据所述起始路口到所述目标路口的车辆行驶轨迹数据,确定所述起始路口到所述目标路口的车辆通行时间;所述车辆行驶轨迹数据包括多个车辆在多个轨迹点的位置信息。
进一步的,针对起始路口到目标路口经过的每个行驶路径,可以将该行驶路径中任意两个相邻路口之间路段的车辆通行时间的和,作为从起始路口到目标路口经过的行驶路径对应的车辆通行时间。
具体的,确定起始路口到所述目标路口的车辆通行时间,可以先确定起始到路口到目标路口经过的不同行驶路径,将不同的行驶路径划分为多个路段,例如将行驶路径上相邻的两路口之间划分为一个路段,分别计算每个路段的车辆通行时间,每个路段的车辆通行时间可以是多个车辆的通行时间的平均值等,最终将每个路段的车辆通行时间求和得出该行驶路径的车辆通行时间,不同的行驶路径得出的车辆通行时间经过加权平均等方式,最终可以得出起始路口到目标路口的车辆通行时间。
进一步的,在本发明的其他实施例中,还可以通过机器学习模型等,确定车辆通行时间,例如将起始路口到所述目标路口经过的行驶路径的车辆行驶轨迹数据作为该模型的输入,模型的输出为该起始路口到目标路口的车辆通行时间。
进一步的,在本发明其他实施例中,对于车辆通行时间,不同时间段的车辆行驶轨迹数据,确定出的车辆通行时间可能不同,例如可以将一天划分为多个时间段,对于任一时间段来说,可以采用多天或一天的该时间段的车辆行驶轨迹数据,确定车辆通行时间。
进一步的,工作日和节假日的车辆行驶轨迹数据可能差别较大,对车辆通行时间的影响较大,因此,在确定车辆通行时间时,可以将车辆行驶轨迹数据进行划分,工作日和节假日分别计算对应的车辆通行时间。
进一步的,在本发明实施例中,确定某一路口x到另一路口y的车辆通行时间,具体可以通过如下方式确定:
根据在预设时间段内起始路口到所述目标路口的车辆行驶轨迹数据,对多个车辆进行聚类处理,得到各个所述车辆所属的类型;所述预设时间段包括所述第一时间和所述第二时间;
对于任一所述类型,根据所述起始路口到所述目标路口的通行时间概率密度函数,确定所述起始路口到所述目标路口所述类型对应的车辆通行时间;
根据多个所述类型对应的车辆通行时间,计算所述起始路口到所述目标路口的车辆通行时间。
例如,预设时间段为第一时间到第二时间之间的时间段,或包括该第一时间到第二时间之间时间段的时间段。
具体的,城市汽车的车流量在时间和地点上存在很强的规律性。在相同的时间段内(例如工作日的早7点到早9点),很多车辆具有相似的出发点和终止点,车辆表现出了明显的群特性。因此,在不同的时间段内可以使用聚类算法(例如Canopy-Kmeans聚类算法)把某一区域内所有的车辆按照路口的监控设备获取的监控数据(即车辆行驶轨迹数据)进行聚类。
具体的,可以根据多个车辆的行驶轨迹之间的距离对车辆进行聚类。
任意两辆车和假设在第d天的时间段TP内,两辆车的车辆行驶轨迹数据分别为 其中对于的轨迹数据来说包括多个轨迹点xk在时刻的数据 代表车辆在时刻在路口被监控设备捕捉到的信息;其中对于的轨迹数据来说包括多个轨迹点yk在时刻的数据 代表车辆在时刻在路口被监控设备捕捉到的信息。那么可以用车辆行驶轨迹数据计算出两条轨迹之间的相似度(例如豪斯多夫距离),计算方式如下公式所示:
其中,
其中,表示两辆车的轨迹中两个轨迹点之间的欧氏距离。表示轨迹到轨迹的单向距离,是轨迹中的每个轨迹点与轨迹中每个轨迹点最小欧拉距离的平均值,用同样的方法可以求出轨迹到轨迹的单向距离最后,在这两个距离中取最小值得到两辆车的行驶轨迹之间的距离。(h和g分别是每一条轨迹中轨迹点的个数)。
在每个时间段中,由于每条路段上每种类别的车辆的通行时间可以看成是独立的,因此,不同时间段中不同类别车辆的通行时间的分布不同。
假设GVj(TP)表示在时间段TP中的一类车辆集合,rxy表示路口x和路口y之间的路段,用来描述所有在集合GVj(TP)中的车辆在路段rxy的通行时间分布。
例如该通行时间概率密度函数满足如下公式:
其中,通行时间参数的值可以利用所有在集合GVj(TP)中的目标车辆(例如可为可以获得历史行驶轨迹数据的车辆)的历史行驶轨迹数据用极大似然估计的方法近似的得到,具体求解方法如下:
表示所有在集合GVj(TP)中的目标车辆,其中对于所有在集合SGVj(TP)中的目标车辆,用表示在时间段TP中,集合SGVj(TP)中的一辆目标车辆在路段rxy的通行时间。这样,集合SGVj(TP)中的所有目标车辆在路段rxy的通行时间可以用集合表示,参数可以使用下面的公式得出:
进一步的,可以根据该类型车辆在路段rxy上的通行时间的概率密度函数,得出该类型车辆在路段rxy上的车辆通行时间。
根据多个类型车辆在某一路段的车辆通行时间,计算出该路段的车辆通行时间,例如通过加权平均等方式计算。
本发明实施例中,通过目标车辆的通行时间利用极大似然估计法得到通行时间参数的值,进而可以精确地估计每条路径上每种类型车辆的通行时间,通行时间参数的值中体现了车辆的群特性,对提高实时交通流量的预测起到至关重要的作用。
本发明实施例的方法,在确定目标路口的交通流量时考虑了相邻路段之间的相互影响,通过其他周围路口的交通流量,以及其他周围路口转向目标路口的交通流量的概率,确定目标路口的交通流量,准确率较高。
图3为本发明提供的交通流量预测装置一实施例的结构图,如图3所示,本实施例的交通流量预测装置,包括:
确定模块301,用于根据至少一个起始路口到目标路口的车辆行驶轨迹数据,确定各个所述起始路口到所述目标路口的车辆转向概率;其中,所述起始路口位于所述目标路口的预设距离范围内;所述车辆转向概率用于表示车辆从所述起始路口转向所述目标路口行驶的概率;
处理模块302,用于根据各个所述起始路口的交通流量,以及各个所述起始路口到所述目标路口的车辆转向概率,确定所述目标路口的交通流量。
在一种可能的实现方式中,所述确定模块301,具体用于:
针对每个所述起始路口,根据所述起始路口到所述目标路口经过的至少一个行驶路径的车辆行驶轨迹数据,确定所述起始路口到所述目标路口经过的各个所述行驶路径对应的车辆转向概率;所述车辆行驶轨迹数据包括多个车辆在多个轨迹点的位置信息;所述行驶路径为从所述起始路口经过至少一个中转路口到达所述目标路口的路径;
根据所述起始路口到所述目标路口经过的各个所述行驶路径对应的车辆转向概率,确定所述起始路口到所述目标路口的车辆转向概率。
在一种可能的实现方式中,所述确定模块301,具体用于:
针对每个所述行驶路径,根据所述起始路口到所述目标路口经过的所述行驶路径的车辆行驶轨迹数据,确定所述行驶路径中各个所述中转路口对应的车辆转向概率;
根据各个所述中转路口对应的车辆转向概率,确定所述起始路口到所述目标路口经过的所述行驶路径对应的车辆转向概率。
在一种可能的实现方式中,所述确定模块301,具体用于:
针对每个所述中转路口,根据从第一路口经所述中转路口转向第二路口对应的车流量,以及经过所述中转路口的总车流量,计算所述中转路口对应的车辆转向概率;所述第一路口与所述第二路口分别为与所述中转路口相邻的路口。
在一种可能的实现方式中,所述处理模块302,具体用于:
针对每个所述起始路口,根据所述起始路口在第一时间的交通流量,以及所述起始路口到所述目标路口的车辆转向概率,计算所述起始路口转向所述目标路口的交通流量;
对多个所述起始路口转向所述目标路口的交通流量进行求和,得到所述目标路口在第二时间的交通流量;所述第一时间与所述第二时间之间的间隔为所述起始路口到所述目标路口的车辆通行时间。
在一种可能的实现方式中,所述处理模块302,还用于:
根据所述起始路口到所述目标路口的车辆行驶轨迹数据,确定所述起始路口到所述目标路口的车辆通行时间;所述车辆行驶轨迹数据包括多个车辆在多个轨迹点的位置信息。
在一种可能的实现方式中,所述处理模块302,具体用于:
根据在预设时间段内所述起始路口到所述目标路口的车辆行驶轨迹数据,对多个车辆进行聚类处理,得到各个所述车辆所属的类型;所述预设时间段包括所述第一时间和所述第二时间;
对于任一所述类型,根据所述起始路口到所述目标路口的通行时间概率密度函数,确定所述起始路口到所述目标路口所述类型对应的车辆通行时间;
根据多个所述类型对应的车辆通行时间,计算所述起始路口到所述目标路口的车辆通行时间。
本实施例的装置,可以用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图4为本发明提供的电子设备实施例的结构图,如图4所示,该电子设备包括:
处理器401,以及,用于存储处理器401的可执行指令的存储器402。
可选的,还可以包括:通信接口403,用于实现与其他设备的通信。
上述部件可以通过一条或多条总线进行通信。
其中,处理器401配置为经由执行所述可执行指令来执行前述方法实施例中对应的方法,其具体实施过程可以参见前述方法实施例,此处不再赘述。
本发明实施例中还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前述方法实施例中对应的方法,其具体实施过程可以参见前述方法实施例,其实现原理和技术效果类似,此处不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种交通流量预测方法,其特征在于,包括:
根据至少一个起始路口到目标路口的车辆行驶轨迹数据,确定各个所述起始路口到所述目标路口的车辆转向概率;其中,所述起始路口位于所述目标路口的预设距离范围内;所述车辆转向概率用于表示车辆从所述起始路口转向所述目标路口行驶的概率;
根据各个所述起始路口的交通流量,以及各个所述起始路口到所述目标路口的车辆转向概率,确定所述目标路口的交通流量。
2.根据权利要求1所述的方法,其特征在于,所述根据至少一个起始路口到目标路口的车辆行驶轨迹数据,确定各个所述起始路口到所述目标路口的车辆转向概率,包括:
针对每个所述起始路口,根据所述起始路口到所述目标路口经过的至少一个行驶路径的车辆行驶轨迹数据,确定所述起始路口到所述目标路口经过的各个所述行驶路径对应的车辆转向概率;所述车辆行驶轨迹数据包括多个车辆在多个轨迹点的位置信息;所述行驶路径为从所述起始路口经过至少一个中转路口到达所述目标路口的路径;
根据所述起始路口到所述目标路口经过的各个所述行驶路径对应的车辆转向概率,确定所述起始路口到所述目标路口的车辆转向概率。
3.根据权利要求2所述的方法,其特征在于,所述根据所述起始路口到所述目标路口经过的至少一个行驶路径的车辆行驶轨迹数据,确定所述起始路口到所述目标路口经过的各个所述行驶路径对应的车辆转向概率,包括:
针对每个所述行驶路径,根据所述起始路口到所述目标路口经过的所述行驶路径的车辆行驶轨迹数据,确定所述行驶路径中各个所述中转路口对应的车辆转向概率;
根据各个所述中转路口对应的车辆转向概率,确定所述起始路口到所述目标路口经过的所述行驶路径对应的车辆转向概率。
4.根据权利要求3所述的方法,其特征在于,所述确定所述行驶路径中各个所述中转路口对应的车辆转向概率,包括:
针对每个所述中转路口,根据从第一路口经所述中转路口转向第二路口对应的车流量,以及经过所述中转路口的总车流量,计算所述中转路口对应的车辆转向概率;所述第一路口与所述第二路口分别为与所述中转路口相邻的路口。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述根据各个所述起始路口的交通流量,以及各个所述起始路口到所述目标路口的车辆转向概率,确定所述目标路口的交通流量,包括:
针对每个所述起始路口,根据所述起始路口在第一时间的交通流量,以及所述起始路口到所述目标路口的车辆转向概率,计算所述起始路口转向所述目标路口的交通流量;
对多个所述起始路口转向所述目标路口的交通流量进行求和,得到所述目标路口在第二时间的交通流量;所述第一时间与所述第二时间之间的间隔为所述起始路口到所述目标路口的车辆通行时间。
6.根据权利要求5所述的方法,其特征在于,所述根据所述起始路口在第一时间的交通流量,以及所述起始路口到所述目标路口的车辆转向概率,计算所述起始路口转向所述目标路口的交通流量之前,还包括:
根据所述起始路口到所述目标路口的车辆行驶轨迹数据,确定所述起始路口到所述目标路口的车辆通行时间;所述车辆行驶轨迹数据包括多个车辆在多个轨迹点的位置信息。
7.根据权利要求6所述的方法,其特征在于,所述确定所述起始路口到所述目标路口的车辆通行时间,包括:
根据在预设时间段内所述起始路口到所述目标路口的车辆行驶轨迹数据,对多个车辆进行聚类处理,得到各个所述车辆所属的类型;所述预设时间段包括所述第一时间和所述第二时间;
对于任一所述类型,根据所述起始路口到所述目标路口的通行时间概率密度函数,确定所述起始路口到所述目标路口所述类型对应的车辆通行时间;
根据多个所述类型对应的车辆通行时间,计算所述起始路口到所述目标路口的车辆通行时间。
8.一种交通流量预测装置,其特征在于,包括:
确定模块,用于根据至少一个起始路口到目标路口的车辆行驶轨迹数据,确定各个所述起始路口到所述目标路口的车辆转向概率;其中,所述起始路口位于所述目标路口的预设距离范围内;所述车辆转向概率用于表示车辆从所述起始路口转向所述目标路口行驶的概率;
处理模块,用于根据各个所述起始路口的交通流量,以及各个所述起始路口到所述目标路口的车辆转向概率,确定所述目标路口的交通流量。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910553944.4A CN110363984B (zh) | 2019-06-25 | 2019-06-25 | 交通流量预测方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910553944.4A CN110363984B (zh) | 2019-06-25 | 2019-06-25 | 交通流量预测方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363984A true CN110363984A (zh) | 2019-10-22 |
CN110363984B CN110363984B (zh) | 2021-04-02 |
Family
ID=68216935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910553944.4A Active CN110363984B (zh) | 2019-06-25 | 2019-06-25 | 交通流量预测方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363984B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275975A (zh) * | 2020-02-28 | 2020-06-12 | 清华大学 | 一种交叉口转向流量数据的获取方法、装置和存储介质 |
CN113115231A (zh) * | 2021-04-14 | 2021-07-13 | 每日互动股份有限公司 | 基于lbs的数据处理系统 |
CN114202913A (zh) * | 2021-11-17 | 2022-03-18 | 江苏大学 | 一种在车联网环境下考虑遵从程度的逐日路径规划方法 |
CN114384901A (zh) * | 2022-01-12 | 2022-04-22 | 浙江中智达科技有限公司 | 一种面向动态交通环境的强化学习辅助驾驶决策方法 |
CN114648880A (zh) * | 2022-05-24 | 2022-06-21 | 阿里巴巴达摩院(杭州)科技有限公司 | 预测交通流量的方法、车辆和可读存储介质 |
CN116403409A (zh) * | 2023-06-06 | 2023-07-07 | 中国科学院空天信息创新研究院 | 交通速度预测方法、装置、电子设备和存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
BE1019524A3 (nl) * | 2010-09-30 | 2012-08-07 | Be Mobile Nv | Systeem en werkwijze voor reistijdmeting. |
CN105046956A (zh) * | 2015-06-24 | 2015-11-11 | 银江股份有限公司 | 一种基于转向系数的交通流模拟及预测方法 |
CN105303838A (zh) * | 2015-12-01 | 2016-02-03 | 北京百度网讯科技有限公司 | 确定道路流量的方法和装置 |
CN105679021A (zh) * | 2016-02-02 | 2016-06-15 | 重庆云途交通科技有限公司 | 基于交通大数据的行程时间融合预测及查询方法 |
CN106097717A (zh) * | 2016-08-23 | 2016-11-09 | 重庆大学 | 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法 |
CN106530721A (zh) * | 2016-12-28 | 2017-03-22 | 山东理工大学 | 一种基于转移矩阵的交叉口各流向流量值动态预测方法 |
US20180089994A1 (en) * | 2016-09-27 | 2018-03-29 | International Business Machines Corporation | Predictive traffic management using virtual lanes |
CN108257378A (zh) * | 2016-12-29 | 2018-07-06 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
CN108510735A (zh) * | 2018-04-09 | 2018-09-07 | 宁波工程学院 | 一种城市道路交叉口早晚高峰分转向流量的预测方法 |
CN108765940A (zh) * | 2018-05-28 | 2018-11-06 | 南京邮电大学 | 基于高阶马尔科夫模型的道路拥塞发现方法 |
CN108877219A (zh) * | 2018-07-04 | 2018-11-23 | 长沙理工大学 | 一种城市交叉口禁左后交通流转移预测方法 |
US10192445B1 (en) * | 2014-05-30 | 2019-01-29 | State Farm Mutual Automobile Insurance Company | Systems and methods for determining a vehicle is at an elevated risk for an animal collision |
CN109584553A (zh) * | 2018-11-29 | 2019-04-05 | 中电海康集团有限公司 | 一种基于时空信息的路段关联度缺失补全方法 |
-
2019
- 2019-06-25 CN CN201910553944.4A patent/CN110363984B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BE1019524A3 (nl) * | 2010-09-30 | 2012-08-07 | Be Mobile Nv | Systeem en werkwijze voor reistijdmeting. |
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 |
US10192445B1 (en) * | 2014-05-30 | 2019-01-29 | State Farm Mutual Automobile Insurance Company | Systems and methods for determining a vehicle is at an elevated risk for an animal collision |
CN105046956A (zh) * | 2015-06-24 | 2015-11-11 | 银江股份有限公司 | 一种基于转向系数的交通流模拟及预测方法 |
CN105303838A (zh) * | 2015-12-01 | 2016-02-03 | 北京百度网讯科技有限公司 | 确定道路流量的方法和装置 |
CN105679021A (zh) * | 2016-02-02 | 2016-06-15 | 重庆云途交通科技有限公司 | 基于交通大数据的行程时间融合预测及查询方法 |
CN106097717A (zh) * | 2016-08-23 | 2016-11-09 | 重庆大学 | 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法 |
US20180089994A1 (en) * | 2016-09-27 | 2018-03-29 | International Business Machines Corporation | Predictive traffic management using virtual lanes |
CN106530721A (zh) * | 2016-12-28 | 2017-03-22 | 山东理工大学 | 一种基于转移矩阵的交叉口各流向流量值动态预测方法 |
CN108257378A (zh) * | 2016-12-29 | 2018-07-06 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
CN108510735A (zh) * | 2018-04-09 | 2018-09-07 | 宁波工程学院 | 一种城市道路交叉口早晚高峰分转向流量的预测方法 |
CN108765940A (zh) * | 2018-05-28 | 2018-11-06 | 南京邮电大学 | 基于高阶马尔科夫模型的道路拥塞发现方法 |
CN108877219A (zh) * | 2018-07-04 | 2018-11-23 | 长沙理工大学 | 一种城市交叉口禁左后交通流转移预测方法 |
CN109584553A (zh) * | 2018-11-29 | 2019-04-05 | 中电海康集团有限公司 | 一种基于时空信息的路段关联度缺失补全方法 |
Non-Patent Citations (3)
Title |
---|
姚智胜: "基于实时数据的道路网短时交通流预测理论与方法研究", 《中国博士学位论文全文数据库(工程科技Ⅱ辑)》 * |
崔立成: "基于多断面信息的城市道路网交通流预测", 《中国博士学位论文全文数据库(信息科技辑)》 * |
陆参军: "基于关联交叉口交通流量短时预测方法研究", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275975A (zh) * | 2020-02-28 | 2020-06-12 | 清华大学 | 一种交叉口转向流量数据的获取方法、装置和存储介质 |
CN111275975B (zh) * | 2020-02-28 | 2021-04-02 | 清华大学 | 一种交叉口转向流量数据的获取方法、装置和存储介质 |
CN113115231A (zh) * | 2021-04-14 | 2021-07-13 | 每日互动股份有限公司 | 基于lbs的数据处理系统 |
CN113115231B (zh) * | 2021-04-14 | 2022-06-24 | 每日互动股份有限公司 | 基于lbs的数据处理系统 |
CN114202913A (zh) * | 2021-11-17 | 2022-03-18 | 江苏大学 | 一种在车联网环境下考虑遵从程度的逐日路径规划方法 |
CN114202913B (zh) * | 2021-11-17 | 2023-02-17 | 江苏大学 | 一种在车联网环境下考虑遵从程度的逐日路径规划方法 |
CN114384901A (zh) * | 2022-01-12 | 2022-04-22 | 浙江中智达科技有限公司 | 一种面向动态交通环境的强化学习辅助驾驶决策方法 |
CN114648880A (zh) * | 2022-05-24 | 2022-06-21 | 阿里巴巴达摩院(杭州)科技有限公司 | 预测交通流量的方法、车辆和可读存储介质 |
CN116403409A (zh) * | 2023-06-06 | 2023-07-07 | 中国科学院空天信息创新研究院 | 交通速度预测方法、装置、电子设备和存储介质 |
CN116403409B (zh) * | 2023-06-06 | 2023-08-15 | 中国科学院空天信息创新研究院 | 交通速度预测方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110363984B (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363984A (zh) | 交通流量预测方法和设备 | |
Chen et al. | A short-term traffic prediction model in the vehicular cyber–physical systems | |
Cathey et al. | A prescription for transit arrival/departure prediction using automatic vehicle location data | |
CN104424812B (zh) | 一种公交到站时间预测系统和方法 | |
CN103325245B (zh) | 一种黑名单车辆的时空行驶轨迹预测方法 | |
Park et al. | Intelligent trip modeling for the prediction of an origin–destination traveling speed profile | |
CN110361024A (zh) | 利用车辆组标识的动态车道级车辆导航 | |
CN105976062A (zh) | 信号灯时长数据的挖掘方法、出行服务实现方法和装置 | |
Huang et al. | A novel bus-dispatching model based on passenger flow and arrival time prediction | |
CN103903468B (zh) | 道路拥堵时间预警方法及装置 | |
CN107683234A (zh) | 周边环境识别装置以及计算机程序产品 | |
CN105718750A (zh) | 一种车辆行驶轨迹的预测方法及系统 | |
CN107310550A (zh) | 道路交通工具行驶控制方法和装置 | |
JP5415205B2 (ja) | 走行リンク確定装置及びリンク旅行時間算出装置 | |
CN104715630A (zh) | 一种到站时间预测系统与方法 | |
CN109902899A (zh) | 信息生成方法和装置 | |
CN110118567A (zh) | 出行方式推荐方法及装置 | |
Necula | Dynamic traffic flow prediction based on GPS data | |
CN108351220A (zh) | 用于数字地图服务的车道信息的聚合方法 | |
CN111554085A (zh) | 一种公共交通一体化出行智能服务装置及其应用方法 | |
CN101807348B (zh) | 一种动态网络导航系统及方法 | |
JP2010287251A (ja) | 混雑状況予測プログラム、混雑状況予測プログラムを記録したコンピュータ読み取り可能な記録媒体および混雑状況予測装置、ならびにナビゲーションプログラム、ナビゲーションプログラムを記録したコンピュータ読み取り可能な記録媒体およびナビゲーション装置 | |
Abidin et al. | Towards improved vehicle arrival time prediction in public transportation: integrating SUMO and Kalman filter models | |
Goudarzi | Travel time prediction: comparison of machine learning algorithms in a case study | |
CN110021161A (zh) | 一种交通流向的预测方法及系统 |
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 |