CN110503826B - 一种基于高速流量监测及预测的智能诱导方法 - Google Patents

一种基于高速流量监测及预测的智能诱导方法 Download PDF

Info

Publication number
CN110503826B
CN110503826B CN201910721668.8A CN201910721668A CN110503826B CN 110503826 B CN110503826 B CN 110503826B CN 201910721668 A CN201910721668 A CN 201910721668A CN 110503826 B CN110503826 B CN 110503826B
Authority
CN
China
Prior art keywords
traffic
flow
data
component
induction
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
CN201910721668.8A
Other languages
English (en)
Other versions
CN110503826A (zh
Inventor
田一鸣
徐寒亭
杜赛赛
吴平平
谢黎明
赵翔
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.)
Anhui Transport Consulting and Design Institute Co Ltd
Highway Traffic Energy Saving and Environmental Protection Technology and Equipment Transportation Industry R&D Center
Original Assignee
Anhui Transport Consulting and Design Institute Co Ltd
Highway Traffic Energy Saving and Environmental Protection Technology and Equipment Transportation Industry R&D Center
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 Anhui Transport Consulting and Design Institute Co Ltd, Highway Traffic Energy Saving and Environmental Protection Technology and Equipment Transportation Industry R&D Center filed Critical Anhui Transport Consulting and Design Institute Co Ltd
Priority to CN201910721668.8A priority Critical patent/CN110503826B/zh
Publication of CN110503826A publication Critical patent/CN110503826A/zh
Application granted granted Critical
Publication of CN110503826B publication Critical patent/CN110503826B/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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于高速流量监测及预测的智能诱导方法，基于交通状态实时监测，对交通流量采用新的模型算法进行预测，再根据预测结果并结合高速公路相关设计及管理方案，按照高速诱导信息发布流程进行发布，同时对交通流状态进行实时监测，评价诱导结果，最后将结果反馈更新至诱导知识库。实现对高速公路流量监测及预测，根据流量监测及预测结果，形成并发布合理诱导方案，及时诱导疏散拥挤阻塞地段的交通、加快事故处理速度、减少交通延误及因交通事故造成的经济损失和人员伤亡，从整体上提升高速公路的智能化管理与服务水平。

Description

一种基于高速流量监测及预测的智能诱导方法
技术领域
本发明涉及道路监控领域，具体涉及一种基于高速流量监测及预测的智能诱导方法。
背景技术
随着高速公路路网建设和汽车保有量的增加，使得高速公路的路况日趋复杂。目前我国高速公路的交通管理方法上较为传统，信息手段上初步实现可视、可测，但未达到可控、可服务水平，特别是当交通事件发生时，自动化处理程度及决策方案的及时性、有效性不足。
发明内容
为了解决上述问题，本发明提供一种高速流量监测及预测的智能诱导方法，解决高速公路交通事件发生时可能存在的拥堵及二次事件发生的问题。
本发明所要解决的技术问题采用以下的技术方案来实现：
一种基于高速流量监测及预测的智能诱导方法，基于交通状态实时监测，对交通流量采用新的模型算法进行预测，再根据预测结果并结合高速公路相关设计及管理方案，按照高速诱导信息发布流程进行发布，同时对交通流状态进行实时监测，评价诱导结果，最后将结果反馈更新至诱导知识库；
所述的交通状态实时监测，监测项是：交通流实时状态信息、实时气象信息、道路环境信息、视频信息；
所述交通流状态实时监测信息，构建交通流量数据矩阵；然后利用短时交通流预测算法，进行交通流量预测。
本发明的有益效果：
实现对高速公路流量监测及预测，根据流量监测及预测结果，形成并发布合理诱导方案，及时诱导疏散拥挤阻塞地段的交通、加快事故处理速度、减少交通延误及因交通事故造成的经济损失和人员伤亡，从整体上提升高速公路的智能化管理与服务水平。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；
图1为本发明的一种高速诱导信息发布流程图；
图2为本发明的一种基于高速流量监测及预测的智能诱导方法技术关系图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1-2，一种高速流量监测及预测的智能诱导方法，基于交通状态实时监测，对交通流量采用新的模型算法进行预测，再根据预测结果并结合高速公路相关设计及管理方案，按照高速诱导信息发布流程进行发布，同时对交通流状态进行实时监测，评价诱导结果，最后将结果反馈更新至诱导知识库。
所述的交通状态实时监测，所述实时采集的监测项是：交通流实时状态信息、实时气象信息、道路环境信息、视频信息。
所述的交通流状态实时监测信息，构建交通流量数据矩阵；然后利用短时交通流预测算法，进行交通流量预测。短时交通流预测算法，其算法过程是
a)构建一个n*N阶的交通流量数据矩阵X，n为每日采样时刻数，N为预测周期天数。采用日均值法处理原始交通流量数据XN(t)，计算周期分量
Figure GDA0002733317750000031
即对同时刻交通流量数据求均值；
b)计算得到残余分量Xcy(t)，在原始数据XN(t)的基础上减去周期分量
Figure GDA0002733317750000032
c)对残余分量Xcy(t)和周期分量
Figure GDA0002733317750000033
做出修正，将残余分量增加一个偏移量，得到
Figure GDA0002733317750000035
保证所有残余分量为正；将周期分量减去一个绝对值相同的偏移量，得到
Figure GDA0002733317750000034
d)优化ARMA模型，提出ACTI_ARMA参数整定算法对ARMA模型参数整定(以下简称：ACTI_ARMA模型)。对残余分量
Figure GDA0002733317750000047
通过ACTI_ARMA模型修正，得到残余分量的预测值
Figure GDA0002733317750000041
记为残余预测值；
e)将残余预测分量
Figure GDA0002733317750000042
与周期分量
Figure GDA0002733317750000043
相加，得到最终的预测结果
Figure GDA0002733317750000044
所述的日均值法，其计算过程是
将流量数据表示为矩阵的形式，如式①所示
X(t)＝[X1(t),X2(t),…,XN(t)] ①
a)交通流量预测天数为N天，每天流量数据采集数据为n个
Figure GDA0002733317750000048
周期分量即N天同时刻的流量数据均值的一个集合，如式③所示
Figure GDA0002733317750000045
b)残余分量可以表示为
Figure GDA0002733317750000046
周期分量表征着数据的一个整体趋势，提取周期分量将对流量数据进行拆分，去除了周期分量的残余分量，去除了整体数据的非线性和流量成分复杂性的整体趋势，使残余分量的个体特征更加明显，数据独立性提高，相关性降低，处理数据也更加直接。
周期分量占数据比例的大小会影响预测的效果，周期分量占数据比例较大时，残余分量相对来说比例较小，去除整体趋势更多，提取周期分量之后的残余分量理论上说应预测更准确。
c)周期分量占数据的周期分量能量比表示
Figure GDA0002733317750000051
E[n]为周期分量的能量比，t[n]为数据的周期分量，y[n]为实际数据。
由式④)可看出，当周期分量大于数据真实值，残余分量将出现负值。显然流量值负的情况在实际工程并不存在。则对预测做出调整，即在残余分量出现负值时，增加一个偏移量，保证所有的残余变量为正，同时，所有的周期分量减去相同的偏移量，保持数据总量不变，保证残余分量一直为正。
d)根据权利3)中所述的ARMA模型，其特征为：若离散随机过程的每一行的离散随机过程{x(n)}服从如式⑥所示线性差分方程，则称离散随机过程{x(n)}为自回归-滑动平均(ARMR)过程
Figure GDA0002733317750000052
e(n)是离散白噪声。式⑥为ARMA模型，ai为自回归(AR)参数，bi为滑动平均(MA)参数，p为AR阶数，q为MA阶数。
所述的ACTI_ARMA优化模型，其优化过程是：
a)根据公式⑥，建立目标函数：
Figure GDA0002733317750000053
Figure GDA0002733317750000061
并初始化参数值ai，bi，p，q。
b)定义一个时间段内高速公路交通信息流监测量为蚂蚁，其数量为m。
c)nc＝0(nc为迭代步数或搜索次数)，τij和Δτij的初始化，将m个蚂蚁置于n个顶点上；
d)将各蚂蚁的初始出发点置于当前解集，对每个蚂蚁k(k＝1，…，m)，按概率
Figure GDA0002733317750000062
移至下一顶点j，将顶点j置于当前解集；
e)计算各蚂蚁的目标函数值Zk(k＝1，…，m)，记录当前的最好解，并更新参数值ai，bi，p，q；
f)按更新方程修改轨迹强度；
g)对各边弧(i，j)，置Δτij＝0，nc＝nc+1；
h)若nc<预定的迭代次数，则转步骤b)。
高速诱导信息发布流程，通过检测到事件信息后的触发机制，智能诱导方法根据当前实际及预测的交通状态，结合已有的诱导知识库信息，进行判定并发布该事件所使用的诱导方案。
诱导知识库信息，从交通流状态、交通诱导方案和交通诱导评价结果这些事实中总结出交通诱导的规律性知识。
根据描述的诱导方案，根据实际交通状态及事件信息，结合高速公路相关设计及管理方案，选择不同的诱导控制策略和诱导控制模式，调整交通和道路参数，提高行车安全和交通效率，降低事故发生率。
根据发布的诱导方案，并结合交通流状态实时监测对诱导结果评价，同时更新诱导知识库。
在本发明中，除非有明确的规定和限定，特征之间相互交错，不一定独立存在。以上显示与描述包括本发明的基本原理、主要特征及其优点。从事该专业的技术人员需知，本发明不局限于上述实施例的限制，上述的实施例与说明书仅为本发明的优选例，而不是用来限制本发明，以成为唯一选择。在发明的精神和范围要求下，本发明还可进一步变化并优化，对本发明进行的改进优化都进入要求保护的本发明范围内，本发明要求保护具体范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种基于高速流量监测及预测的智能诱导方法，其特征在于：基于交通状态实时监测，对交通流量采用新的模型算法进行预测，再根据预测结果并结合高速公路相关设计及管理方案，按照高速诱导信息发布流程进行发布，同时对交通流状态进行实时监测，评价诱导结果，最后将结果反馈更新至诱导知识库；
所述的交通状态实时监测，监测项是：交通流实时状态信息、实时气象信息、道路环境信息、视频信息；
所述交通流实时状态信息，构建交通流量数据矩阵；然后利用短时交通流预测算法，进行交通流量预测；
短时交通流预测算法，其算法过程是
a)构建一个n*N阶的交通流量数据矩阵X，n为每日采样时刻数，N为预测周期天数；采用日均值法处理原始交通流量数据XN(t)，计算周期分量
Figure FDA0002733317740000011
即对同时刻交通流量数据求均值；
b)计算得到残余分量Xcy(t)，在原始数据XN(t)的基础上减去周期分量
Figure FDA0002733317740000012
c)对残余分量Xcy(t)和周期分量
Figure FDA0002733317740000013
做出修正，将残余分量增加一个偏移量，得到
Figure FDA0002733317740000014
保证所有残余分量为正；将周期分量减去一个绝对值相同的偏移量，得到
Figure FDA0002733317740000015
d)优化ARMA模型，提出ACTI_ARMA参数整定算法对ARMA模型参数整定；对残余分量
Figure FDA0002733317740000021
通过ACTI_ARMA模型修正，得到残余分量的预测值
Figure FDA0002733317740000022
记为残余预测值；
e)将残余预测值
Figure FDA0002733317740000023
与周期分量
Figure FDA0002733317740000024
相加，得到最终的预测结果
Figure FDA0002733317740000025
所述的日均值法，其计算过程是：
将流量数据表示为矩阵的形式，如下式所示
X(t)＝[X1(t),X2(t),…,XN(t)]
a)交通流量预测天数为N天，每天流量数据采集数据为n个
X1(t)＝[x1(1),x1(2),…,x1(n)]T
X2(t)＝[x2(1),x2(2),…,x2(n)]T
…
XN(t)＝[xN(1),xN(2),…,xN(n)]T
b)周期分量即N天同时刻的流量数据均值的一个集合，如下式所示
Figure FDA0002733317740000026
c)残余分量表示为
Figure FDA0002733317740000027
周期分量表征着数据的一个整体趋势，提取周期分量将对流量数据进行拆分，去除了周期分量的残余分量，去除了整体数据的非线性和流量成分复杂性的整体趋势，使残余分量的个体特征更加明显，数据独立性提高，相关性降低，处理数据也更加直接；
周期分量占数据比例的大小会影响预测的效果，周期分量占数据比例较大时，残余分量相对来说比例较小，去除整体数据的非线性和流量成分复杂性的整体趋势更多，提取周期分量之后的残余分量理论上说应预测更准确；
d)周期分量占数据的周期分量能量比表示
Figure FDA0002733317740000031
E[n]为周期分量的能量比，t[n]为数据的周期分量，y[n]为实际数据；
由残余分量式可看出，当周期分量大于数据真实值，残余分量将出现负值；显然流量值负的情况在实际工程并不存在；则对预测做出调整，即在残余分量出现负值时，增加一个偏移量，保证所有的残余分量为正，同时，所有的周期分量减去相同的偏移量，保持数据总量不变，保证残余分量一直为正；
所述的ARMA模型，若离散随机过程的每一行的离散随机过程{x(n)}服从如下式所示线性差分方程，则称离散随机过程{x(n)}为自回归-滑动平均(ARMA)过程
Figure FDA0002733317740000032
e(n)是离散白噪声；上式为ARMA模型，ai为自回归(AR)参数，bi为滑动平均(MA)参数，p为AR阶数，q为MA阶数；
ACTI_ARMA优化模型，其优化过程是：
a)根据ARMA模型，建立目标函数：
Figure FDA0002733317740000033
Figure FDA0002733317740000041
并初始化参数值ai，bi，p，q；
b)定义一个时间段内高速公路交通信息流监测量为蚂蚁，其数量为m；
c)nc＝0,nc为迭代步数或搜索次数,τij和Δτij的初始化，将m个蚂蚁置于n个顶点上；
d)将各蚂蚁的初始出发点置于当前解集，对每个蚂蚁k,k＝1，…，m，按概率
Figure FDA0002733317740000042
移至下一顶点j，将顶点j置于当前解集；
e)计算各蚂蚁的目标函数值Zk,k＝1，…，m，记录当前的最好解，并更新参数值ai，bi，p，q；
f)按更新方程修改轨迹强度；
g)对各边弧(i，j)，置Δτij＝0，nc＝nc+1；
h)若nc<预定的迭代次数，则转步骤b)。
2.根据权利要求1中所述的一种基于高速流量监测及预测的智能诱导方法，其特征在于：高速诱导信息发布流程，通过检测到事件信息后的触发机制，智能诱导方法根据当前实际及预测的交通状态，结合已有的诱导知识库信息，进行判定并发布该事件所使用的诱导方案。
3.根据权利要求2中所述的一种基于高速流量监测及预测的智能诱导方法，其特征在于：诱导知识库信息，从交通流状态、交通诱导方案和交通诱导评价结果这些事实中总结出交通诱导的规律性知识。
4.根据权利要求3中所述的一种基于高速流量监测及预测的智能诱导方法，其特征在于：诱导方案，根据实际交通状态及事件信息，结合高速公路相关设计及管理方案，选择不同的诱导控制策略和诱导控制模式，调整交通和道路参数，提高行车安全和交通效率，降低事故发生率。
CN201910721668.8A 2019-08-06 2019-08-06 一种基于高速流量监测及预测的智能诱导方法 Active CN110503826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910721668.8A CN110503826B (zh) 2019-08-06 2019-08-06 一种基于高速流量监测及预测的智能诱导方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910721668.8A CN110503826B (zh) 2019-08-06 2019-08-06 一种基于高速流量监测及预测的智能诱导方法

Publications (2)

Publication Number Publication Date
CN110503826A CN110503826A (zh) 2019-11-26
CN110503826B true CN110503826B (zh) 2020-12-25

Family

ID=68586319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910721668.8A Active CN110503826B (zh) 2019-08-06 2019-08-06 一种基于高速流量监测及预测的智能诱导方法

Country Status (1)

Country Link
CN (1) CN110503826B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117311563B (zh) * 2023-11-28 2024-02-09 西安大地测绘股份有限公司 一种基于ar的公路违法用地监测方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739839A (zh) * 2008-11-14 2010-06-16 上海经达实业发展有限公司 车辆动态路径导航系统
CN101604477B (zh) * 2009-01-16 2011-11-02 天津大学 智能化动态路线诱导系统
CN101901546B (zh) * 2010-04-29 2012-06-27 上海迪爱斯通信设备有限公司 基于动态信息的智能交通调度指挥及信息服务方法及系统
CN101853573A (zh) * 2010-05-19 2010-10-06 北京科技大学 一种城市快速路短时交通信息预测系统及方法
JP5615312B2 (ja) * 2012-03-26 2014-10-29 株式会社デンソーアイティーラボラトリ 渋滞予測方法及び渋滞予測装置
US9047767B2 (en) * 2013-09-09 2015-06-02 International Business Machines Corporation Traffic impact prediction for multiple event planning
CN105118294B (zh) * 2015-09-25 2017-03-29 山东易构软件技术股份有限公司 一种基于状态模式的短时交通流预测方法

Also Published As

Publication number Publication date
CN110503826A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN110491146B (zh) 一种基于深度学习的交通信号控制方案实时推荐方法
CN102087788B (zh) 基于浮动车车速置信度的交通状态参数估计方法
CN111696348B (zh) 一种多功能的智能信号控制系统和方法
CN112466117A (zh) 基于深度时空残差网络的路网短时交通流预测方法
CN104331953A (zh) 一种基于物联网技术的汽车行为数据识别与管理方法
CN105118308A (zh) 基于聚类强化学习的城市道路交叉口交通信号优化方法
CN108399741A (zh) 一种基于实时车辆轨迹数据的交叉口流量估计方法
CN110503826B (zh) 一种基于高速流量监测及预测的智能诱导方法
CN111524345B (zh) 一种车辆实时排队长度约束下多目标优化的感应控制方法
CN110020475A (zh) 一种交通流预测的马尔科夫粒子滤波方法
CN114360266A (zh) 一种网联车探测状态感知的交叉口强化学习信号控制方法
CN112542049A (zh) 智慧交通综合管控平台
CN109671272A (zh) 一种高速公路交通流预测方法
CN114120670B (zh) 用于交通信号控制的方法和系统
CN116205329A (zh) 一种节假日客流量预测方法
CN109615885B (zh) 一种智能交通信号控制方法、装置及系统
CN110021168B (zh) 一种车联网下实现实时智能交通管理的分级决策方法
CN111028519B (zh) 一种基于视频流量检测器的自适应控制方法
CN117133138A (zh) 一种多交叉口交通信号协同控制方法
CN114722529B (zh) 一种基于人工智能的推杆设备寿命预测方法及系统
CN112767698B (zh) 一种基于小步长调整的自适应交通事件检测方法
CN114444737A (zh) 基于迁移学习的路面养护智能规划方法
CN108597239B (zh) 一种基于马尔科夫决策的交通灯控制系统及方法
CN110164153A (zh) 一种交通信号自适应配时方法
CN115497294B (zh) 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统

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