CN110634285B - 一种基于高斯混合模型的路段出行时间预测方法 - Google Patents
一种基于高斯混合模型的路段出行时间预测方法 Download PDFInfo
- Publication number
- CN110634285B CN110634285B CN201910717683.5A CN201910717683A CN110634285B CN 110634285 B CN110634285 B CN 110634285B CN 201910717683 A CN201910717683 A CN 201910717683A CN 110634285 B CN110634285 B CN 110634285B
- Authority
- CN
- China
- Prior art keywords
- travel time
- path
- track
- unknown
- road section
- 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
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
Abstract
Description
技术领域
本发明涉及城市交通规划领域,特别涉及一种基于高斯混合模型的路段出行时间预测方法。
背景技术
随着我国社会经济的高速发展,城市化进程不断向前推进,城市交通也随之迅速发展,交通供给速度远远赶不上人们日益增长的交通需求速度,导致城市道路拥堵,从而引发诸多衍生问题,如影响道路交通安全事故、汽车尾气排放、噪音污染以及燃油消耗加剧等,因此需要通过合理地规划城市路网、有效地制定交通管控政策来缓解城市拥堵。在城市交通规划和管理的各组成要素中,路段出行时间分析和预测作为重要的基础理论,显得尤为重要。
在城市交通出行过程中,出行者的行程时间即路径出行时间很容易运用检测器测量,但路段行驶时间受到交叉口延误等因素的影响,因此很难直接别测量出来。路段出行时间预测就是根据采集的路径出行时间、道路网络拓扑结构和系统理论来估计出行者在路段上所花费的时间。
现有路段出行时间预测技术均基于轨迹已知的路径行驶时间来分析,但在实际路径出行时间采集过程中,部分检测器,比如车牌照识别技术和手机通话数据分析技术并不能采集路径轨迹,它们仅能测量路径的起终点信息。因此探索路径轨迹未知情况下的路段出行时间预测方法具有重要的实际意义和挑战性。
发明内容
针对现有技术中存在的不足,本发明提供了一种基于高斯混合模型的路段出行时间预测方法,可以有效处理轨迹未知的路径出行时间数据,综合利用轨迹已知和未知数据提高了路段出行时间的预测精度。
本发明是通过以下技术手段实现上述技术目的的。
一种基于高斯混合模型的路段出行时间预测方法,包括如下步骤:
通过最大似然原则,建立基于高斯混合模型的路段出行时间预测模型;
通过最速下降方法和最大期望方法求解路段出行时间预测模型,获得路段出行时间。
进一步,所述建立高斯混合模型具体为:
约束条件:
其中:
I为轨迹未知的观察路径编号集合,i∈I;
W为起讫点对的集合,ω∈W;
Kω为起讫点对ω间的路径集,k∈Kω;
进一步,基于高斯混合模型得出道路网络中轨迹识别后的路径出行时间xi的关系式具体为:
其中:
进一步,通过最大似然原则,建立基于高斯混合模型的路段出行时间预测模型,具体为:
其中:
J为轨迹已知的观察路径编号集合,j∈J;
A为所述道路网络中的所有路段的集合,a∈A;
σa 2为在路段a上的出行时间方差;
μa为在路段a上的出行时间均差;
δa,i为路径-路段关联系数,如果路段a在轨迹未知的观察路径i上,则δa,i=1,否则δa,i=0;
δa,j为路径-路段关联系数,如果路段a在轨迹已知的观察路径j上,则δa,j=1,否则δa,j=0;
进一步,通过最速下降方法和最大期望方法求解路段出行时间预测模型,获得路段出行时间,具体包括如下步骤:
S2:计算梯度方向R(n),具体为:
S2.3:根据第n次迭代中内循环迭代数为m时假设第n次迭代中内循环迭代数为m时路径出行时间方差为常数,求解来更新得到路径出行时间均值视当前路径出行时间均值为常数,求解来更新得到路径出行时间方差根据 Karush-Kuhn-Tucker最优性条件,更新混合权重系数
其中:Iω为起讫点对ω间轨迹未被观察的路径集,|Iω|为集合Iω的势。
S3:运用一维搜索方法获得迭代步长λ(n);
S4:更新路段出行时间均值和方差:
(μa (n+1),(σa 2)(n+1))=(μa (n),(σa 2)(n))-λ(n)·R(n)
S5:收敛检验:如果||(μa (n+1),(σa 2)(n+1))-(μa (n),(σa 2)(n))||/||(μa (n),(σa 2)(n))||≤e,那么(μa (n+1),(σa 2)(n+1))就是预测的路段出行时间均值和方差,μa (n+1)即为估计的路段出行时间;否则,令n=n+1,转到步骤S2。
本发明的有益效果在于:
本发明通过高斯混合模型有效地识别路径轨迹,为城市居民出行轨迹识别提供了新的思路和方法,为城市交通规划和管理提供基础数据支撑;另外,充分利用多种采集数据,并通过最速下降和最大期望方法的有机结合,极大的提高了路段出行时间的预测精度。
附图说明
图1为本发明所述的基于高斯混合模型的路段出行时间预测方法的流程图。
图2为本发明所述的通过最速下降方法和最大期望方法求解路段出行时间预测模型的流程图。
图3为本发明所述的具体实施示意图;
图4为具体实施例在采集数据有微小扰动下与基于K-means方法的比较分析图。
图5为具体实施例在采集数据有很大误差状况下与基于K-means方法的比较分析图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1所示,本发明所述的基于高斯混合模型的路段出行时间预测方法,包括如下步骤:
步骤1:在选定道路结点布设检测器,采集高峰时段(如早晨8点到9点)道路网络中用户路径出行时间,具体为:通过车辆定位或手机定位,采集道路网络中轨迹已知的观察路径出行时间其中J为轨迹已知的观察路径编号集合;通过车牌照识别技术或手机通话数据,采集道路网络中轨迹未知的观察路径出行时间其中I为轨迹未知的观察路径编号集合。
步骤2:对于道路网络中轨迹未知的观察路径出行时间建立高斯混合模型,用于识别轨迹未知的观察路径轨迹;高斯混合模型假设所有采集路径出行时间由多个特征未知的高斯概率密度函数混合而成,因此同一个起讫点对下,采集轨迹未知的路径出行被视为多重模态分布中的样本,这些模态为路径出行时间分布。识别路径轨迹的高斯混合模型为:
约束条件:
其中:
I为轨迹未知的观察路径编号集合,i∈I;
W为起讫点对的集合,ω∈W;
Kω为起讫点对ω间的路径集,k∈Kω;
基于高斯混合模型得出道路网络中轨迹识别后的路径出行时间xi的关系式具体为:
其中:
步骤3:路径由多个路段组成,因此路径出行时间为这些路段出行时间之和,根据中心极限定理可以获得路径出行时间近似服从如下多元正态分布形式:
通过最大似然原则,建立基于高斯混合模型的路段出行时间预测模型,具体为:
其中:
J为轨迹已知的观察路径编号集合,j∈J;
A为所述道路网络中的所有路段的集合,a∈A;
σa 2为在路段a上的出行时间方差;
μa为在路段a上的出行时间均差;
δa,i为路径-路段关联系数,如果路段a在轨迹未知的观察路径i上,则δa,i=1,否则δa,i=0;
δa,j为路径-路段关联系数,如果路段a在轨迹已知的观察路径j上,则δa,j=1,否则δa,j=0;
步骤4:通过最速下降方法和最大期望方法求解路段出行时间预测模型,获得路段出行时间,如图2所述,具体包括如下步骤:
S2:计算梯度方向R(n),具体为:
S2.1:设置内循环迭代数m=0,设置第n次迭代中起讫点对ω间路径k上估计出行时间的均值(如设为前一次迭代值);设置第n次迭代中起讫点对ω间路径k上估计出行时间的方差设置第n次迭代中起讫点对ω间路径k上的混合权重系数
S2.3:根据第n次迭代中内循环迭代数为m时假设第n次迭代中内循环迭代数为m时路径出行时间方差为常数,求解来更新得到路径出行时间均值视当前路径出行时间均值为常数,求解来更新得到路径出行时间方差根据 Karush-Kuhn-Tucker(库恩塔克)最优性条件,更新混合权重系数
其中:Iω为起讫点对ω间轨迹未被观察的路径集,|Iω|为集合Iω的势,即Iω中所含元素数量。
S3:运用一维搜索方法获得迭代步长λ(n);如使用黄金分割法过程中,通过运用黄金分割点对搜索区间进行插值分割,从而逐渐减小搜索区间,获得最优步长。
S4:更新路段出行时间均值和方差:
(μa (n+1),(σa 2)(n+1))=(μa (n),(σa 2)(n))-λ(n)·R(n)
S5:收敛检验:如果||(μa (n+1),(σa 2)(n+1))-(μa (n),(σa 2)(n))||/||(μa (n),(σa 2)(n))||≤e,那么 (μa (n+1),(σa 2)(n+1))就是预测的路段出行时间均值和方差,μa (n+1)即为估计的路段出行时间;否则,令n=n+1,转到步骤S2。
结合图3描述本发明的实施案例,道路网络拓扑及网络属性如图3所示,观测数据如表 1所示。
表1观测路径出行时间数据
为了检验本发明的预测效果,将本发明所述的基于高斯混合模型的路段出行时间预测方法与基于K-means的预测方法进行比较。
比较结果如图4和5所示,其中图4给观测变量一个微小的扰动,而图5中观测部分错误变量,可以发现图4中本发明预测误差为0.15%,基于K-means的预测误差为0.17%;图5 中本发明预测误差为0.93%,基于K-means的预测误差为5.75%。显然本发明优于基于K-means 的预测方法,尤其在不能保证观测数据准确性的时候,本发明具有更高的预测精度和可靠性。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (4)
1.一种基于高斯混合模型的路段出行时间预测方法,其特征在于,包括如下步骤:
约束条件:
其中:
I为轨迹未知的观察路径编号集合,i∈I;
W为起讫点对的集合,ω∈W;
Kω为起讫点对ω间的路径集,k∈Kω;
基于高斯混合模型得出道路网络中轨迹识别后的路径出行时间xi的关系式,具体为:
其中:
通过最大似然原则,建立基于高斯混合模型的路段出行时间预测模型,具体为:-
其中:
J为轨迹已知的观察路径编号集合,j∈J;
A为所述道路网络中的所有路段的集合,a∈A;
σa 2为在路段a上的出行时间方差;
μa为在路段a上的出行时间均值;
δa,i为路径-路段关联系数,如果路段a在轨迹未知的观察路径i上,则δa,i=1,否则δa,i=0;
δa,j为路径-路段关联系数,如果路段a在轨迹已知的观察路径j上,则δa,j=1,否则δa,j=0;
通过最速下降方法和最大期望方法求解路段出行时间预测模型,获得路段出行时间。
4.根据权利要求1所述的基于高斯混合模型的路段出行时间预测方法,其特征在于,通过最速下降方法和最大期望方法求解路段出行时间预测模型,获得路段出行时间,具体包括如下步骤:
S2:计算梯度方向R(n),具体为:
S2.3:根据第n次迭代中内循环迭代数为m时假设第n次迭代中内循环迭代数为m时路径出行时间方差为常数,求解来更新得到路径出行时间均值视当前路径出行时间均值为常数,求解来更新得到路径出行时间方差根据Karush-Kuhn-Tucker最优性条件,更新混合权重系数
其中:Iω为起讫点对ω间轨迹未被观察的路径集,|Iω|为集合Iω的势;
S3:运用一维搜索方法获得迭代步长λ(n);
S4:更新路段出行时间均值和方差:
(μa (n+1),(σa 2)(n+1))=(μa (n),(σa 2)(n))-λ(n)·R(n)
S5:收敛检验:如果||(μa (n+1),(σa 2)(n+1))-(μa (n),(σa 2)(n))||/||(μa (n),(σa 2)(n))||≤e,那么(μa (n+1),(σa 2)(n+1))就是预测的路段出行时间均值和方差,μa (n+1)即为估计的路段出行时间;否则,令n=n+1,转到步骤S2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717683.5A CN110634285B (zh) | 2019-08-05 | 2019-08-05 | 一种基于高斯混合模型的路段出行时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717683.5A CN110634285B (zh) | 2019-08-05 | 2019-08-05 | 一种基于高斯混合模型的路段出行时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110634285A CN110634285A (zh) | 2019-12-31 |
CN110634285B true CN110634285B (zh) | 2021-10-08 |
Family
ID=68969050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910717683.5A Active CN110634285B (zh) | 2019-08-05 | 2019-08-05 | 一种基于高斯混合模型的路段出行时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110634285B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115798198B (zh) * | 2022-11-03 | 2024-04-05 | 公安部交通管理科学研究所 | 一种基于数据融合的城市路网行程时间分布估计方法 |
CN116257797A (zh) * | 2022-12-08 | 2023-06-13 | 江苏中路交通发展有限公司 | 一种基于高斯混合模型的机动车单次出行轨迹辨识方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011164335A (ja) * | 2010-02-09 | 2011-08-25 | Nippon Telegr & Teleph Corp <Ntt> | 残響予測フィルタ算出装置、残響抑圧装置、残響予測フィルタ算出方法、残響抑圧方法、プログラム |
CN104637334A (zh) * | 2015-02-10 | 2015-05-20 | 中山大学 | 一种公交车到站时间实时预测方法 |
CN105938655A (zh) * | 2016-06-16 | 2016-09-14 | 上海交通大学 | 基于高斯混合模型的实时交通状态评估方法 |
CN107298100A (zh) * | 2017-05-16 | 2017-10-27 | 开易(北京)科技有限公司 | 一种基于高斯混合模型的车辆轨迹预测方法、系统 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10347271B2 (en) * | 2015-12-04 | 2019-07-09 | Synaptics Incorporated | Semi-supervised system for multichannel source enhancement through configurable unsupervised adaptive transformations and supervised deep neural network |
-
2019
- 2019-08-05 CN CN201910717683.5A patent/CN110634285B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011164335A (ja) * | 2010-02-09 | 2011-08-25 | Nippon Telegr & Teleph Corp <Ntt> | 残響予測フィルタ算出装置、残響抑圧装置、残響予測フィルタ算出方法、残響抑圧方法、プログラム |
CN104637334A (zh) * | 2015-02-10 | 2015-05-20 | 中山大学 | 一种公交车到站时间实时预测方法 |
CN105938655A (zh) * | 2016-06-16 | 2016-09-14 | 上海交通大学 | 基于高斯混合模型的实时交通状态评估方法 |
CN107298100A (zh) * | 2017-05-16 | 2017-10-27 | 开易(北京)科技有限公司 | 一种基于高斯混合模型的车辆轨迹预测方法、系统 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
Non-Patent Citations (2)
Title |
---|
Urban Traffic Flow Prediction System Using a Multifactor Pattern Recognition Model;Se-do Oh 等;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20151130;第16卷(第5期);全文 * |
一种基于高斯混合模型的轨迹预测算法;乔少杰 等;《软件学报》;20150531;第26卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110634285A (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aslam et al. | City-scale traffic estimation from a roving sensor network | |
CN108596202B (zh) | 基于移动终端gps定位数据计算个人通勤时间的方法 | |
WO2018068605A1 (zh) | 行程时间预测方法、装置及服务器 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
Shan et al. | Urban road traffic speed estimation for missing probe vehicle data based on multiple linear regression model | |
CN110634285B (zh) | 一种基于高斯混合模型的路段出行时间预测方法 | |
CN112990648B (zh) | 一种轨道交通网络运营稳定性评估方法 | |
Wang et al. | Estimating urban traffic congestions with multi-sourced data | |
Yang et al. | SharedEdge: GPS-free fine-grained travel time estimation in state-level highway systems | |
CN113077090A (zh) | 客流预测方法、系统及计算机可读存储介质 | |
CN112797995B (zh) | 具有时空特性态势信息的车辆应急导航方法 | |
CN112652172B (zh) | 一种基于车辆gps轨迹的路段交通量分析方法 | |
CN106326923A (zh) | 一种顾及位置重复和密度峰值点的签到位置数据聚类方法 | |
Zheng et al. | Reliable path planning for bus networks considering travel time uncertainty | |
CN110232421B (zh) | 一种逐级合并od流向时空联合聚类方法 | |
Guan et al. | A unified framework for predicting kpis of on-demand transport services | |
CN112309118B (zh) | 一种基于时空相似度的车辆轨迹推算方法 | |
CN108053646B (zh) | 基于时间敏感特征的交通特征获取方法、预测方法及系统 | |
CN105046958A (zh) | 一种高速公路交通信息采集点非等距优化布局方法 | |
CN105761489A (zh) | 一种交通流预测的三次指数平滑最优方法 | |
CN110991856B (zh) | 一种考虑用户有限理性的电动汽车充电需求分析方法 | |
Cui et al. | Mining spatial-temporal correlation of sensory data for estimating traffic volumes on highways | |
Xu et al. | A real‐time traffic index model for expressways | |
Zygouras et al. | HTTE: A hybrid technique for travel time estimation in sparse data environments | |
Lü et al. | A heuristic path-estimating algorithm for large-scale real-time traffic information calculating |
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 |