CN110363984B - 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 PDF

Info

Publication number
CN110363984B
CN110363984B CN201910553944.4A CN201910553944A CN110363984B CN 110363984 B CN110363984 B CN 110363984B CN 201910553944 A CN201910553944 A CN 201910553944A CN 110363984 B CN110363984 B CN 110363984B
Authority
CN
China
Prior art keywords
intersection
starting
vehicle
target
target intersection
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
Application number
CN201910553944.4A
Other languages
English (en)
Other versions
CN110363984A (zh
Inventor
吕志伟
谭昶
沈正宏
闫志敏
陈紫阳
陈恩红
范磊
汪俊
汪雪松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Iflytek Information Technology Co Ltd
Original Assignee
Iflytek Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Iflytek Information Technology Co Ltd filed Critical Iflytek Information Technology Co Ltd
Priority to CN201910553944.4A priority Critical patent/CN110363984B/zh
Publication of CN110363984A publication Critical patent/CN110363984A/zh
Application granted granted Critical
Publication of CN110363984B publication Critical patent/CN110363984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0133—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

交通流量预测方法和设备
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
Figure BDA0002106323170000121
和
Figure BDA0002106323170000122
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
Figure BDA0002106323170000123
Figure BDA0002106323170000124
其中对于
Figure BDA0002106323170000125
的轨迹数据来说包括多个轨迹点xk在
Figure BDA0002106323170000126
时刻
Figure BDA0002106323170000127
的数据
Figure BDA0002106323170000128
Figure BDA0002106323170000129
代表车辆在
Figure BDA00021063231700001210
时刻
Figure BDA00021063231700001211
在路口
Figure BDA00021063231700001212
被监控设备捕捉到的信息；其中对于
Figure BDA00021063231700001213
的轨迹数据来说包括多个轨迹点yk在
Figure BDA00021063231700001214
时刻
Figure BDA00021063231700001221
的数据
Figure BDA00021063231700001216
Figure BDA00021063231700001217
代表车辆在
Figure BDA00021063231700001218
时刻
Figure BDA00021063231700001219
在路口
Figure BDA00021063231700001220
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：
Figure BDA00021063231700001215
其中，
Figure BDA0002106323170000131
其中，
Figure BDA0002106323170000132
表示两辆车的轨迹中两个轨迹点之间的欧氏距离。
Figure BDA0002106323170000133
表示轨迹
Figure BDA0002106323170000134
到轨迹
Figure BDA0002106323170000135
的单向距离，是轨迹
Figure BDA0002106323170000136
中的每个轨迹点与轨迹
Figure BDA0002106323170000137
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
Figure BDA0002106323170000138
到轨迹
Figure BDA0002106323170000139
的单向距离
Figure BDA00021063231700001310
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
Figure BDA00021063231700001311
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
Figure BDA00021063231700001312
满足如下公式：
Figure BDA00021063231700001313
其中，通行时间参数
Figure BDA00021063231700001314
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：
Figure BDA00021063231700001315
表示所有在集合GVj(TP)中的目标车辆，其中
Figure BDA00021063231700001316
对于所有在集合SGVj(TP)中的目标车辆，用
Figure BDA00021063231700001317
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
Figure BDA00021063231700001318
表示，参数
Figure BDA00021063231700001319
可以使用下面的公式得出：
Figure BDA0002106323170000141
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
Figure BDA0002106323170000142
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
Figure BDA0002106323170000143
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 (7)

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；
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；
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；
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。
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。
5.一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；
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；
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；
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。
6.一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1-4任一项所述的方法。
7.一种电子设备，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1-4任一项所述的方法。
CN201910553944.4A 2019-06-25 2019-06-25 交通流量预测方法和设备 Active CN110363984B (zh)

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 CN110363984A (zh) 2019-10-22
CN110363984B true 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)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
CN114384901B (zh) * 2022-01-12 2022-09-06 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
CN114648880B (zh) * 2022-05-24 2022-09-06 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
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

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BE1019524A3 (nl) * 2010-09-30 2012-08-07 Be Mobile Nv Systeem en werkwijze voor reistijdmeting.
CN102436751B (zh) * 2011-09-30 2014-09-17 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
US9656606B1 (en) * 2014-05-30 2017-05-23 State Farm Mutual Automobile Insurance Company Systems and methods for alerting a driver to vehicle collision risks
CN105046956B (zh) * 2015-06-24 2017-04-26 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
CN105303838B (zh) * 2015-12-01 2019-05-28 北京百度网讯科技有限公司 确定道路流量的方法和装置
CN105679021B (zh) * 2016-02-02 2018-11-06 招商局重庆交通科研设计院有限公司 基于交通大数据的行程时间融合预测及查询方法
CN106097717B (zh) * 2016-08-23 2018-09-11 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
US10102744B2 (en) * 2016-09-27 2018-10-16 International Business Machines Corporation Predictive traffic management using virtual lanes
CN106530721B (zh) * 2016-12-28 2017-08-29 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
CN108257378B (zh) * 2016-12-29 2020-05-19 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
CN108877219B (zh) * 2018-07-04 2020-12-22 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
CN109584553B (zh) * 2018-11-29 2020-09-22 浙江海康智联科技有限公司 一种基于时空信息的路段关联度缺失补全方法

Also Published As

Publication number Publication date
CN110363984A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN110363984B (zh) 交通流量预测方法和设备
Mandhare et al. Intelligent road traffic control system for traffic congestion: a perspective
Chen et al. A short-term traffic prediction model in the vehicular cyber–physical systems
Park et al. Intelligent trip modeling for the prediction of an origin–destination traveling speed profile
CN100555355C (zh) 道路交通的通行速度计算和匹配的方法和系统
CN106022541B (zh) 一种到站时间预测方法
CN109993969A (zh) 一种路况判定信息获取方法、装置及设备
CN104424812B (zh) 一种公交到站时间预测系统和方法
CN109902899A (zh) 信息生成方法和装置
CN107310550A (zh) 道路交通工具行驶控制方法和装置
CN106017496A (zh) 一种基于路况的实时导航方法
Liang et al. City traffic prediction based on real-time traffic information for intelligent transport systems
JP5378002B2 (ja) 車両動作推定装置、車両動作推定方法および車両動作推定プログラム
CN106022846A (zh) 车险定价及二手车定价方法和装置
Habtie et al. Artificial neural network based real-time urban road traffic state estimation framework
Jones et al. Parkus 2.0: Automated cruise detection for parking availability inference
CN116311969A (zh) 一种获取车流量的数据处理系统
CN110827561B (zh) 一种基于车辆的道路路况信息预报系统及方法
CN115497298A (zh) 交通监测方法、装置、电子设备和存储介质
CN112101677B (zh) 一种公共交通出行路径规划方法、装置、设备及存储介质
JP2023005015A (ja) 交通状況予測装置、および、交通状況予測方法
JP2002260142A (ja) 走行時間予測方法
CN113525385A (zh) 一种车辆行程能耗的预测方法及装置
Hayashi et al. Prioritization of Lane-Specific Traffic Jam Detection for Automotive Navigation Framework Utilizing Suddenness Index and Automatic Threshold Determination
CN112991712B (zh) 预测交通密度的方法、系统、计算机设备和存储介质

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