CN110738855A - 一种数据稀疏时间段的道路交通流状况预测方法 - Google Patents
一种数据稀疏时间段的道路交通流状况预测方法 Download PDFInfo
- Publication number
- CN110738855A CN110738855A CN201911040599.0A CN201911040599A CN110738855A CN 110738855 A CN110738855 A CN 110738855A CN 201911040599 A CN201911040599 A CN 201911040599A CN 110738855 A CN110738855 A CN 110738855A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- road
- time
- state
- sequence
- 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
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种数据稀疏时间段的道路交通流状况预测方法,当交通流数据不充足时,使用时间动态序列补充方法探索待预测道路交通流在时间序列上的转变规律,通过基于条件随机域的环境信息特征提取,还原出数据稀疏时间段的道路交通状况,得到道路交通流在一段时间内的时间演变序列,通过和该路段交通流的历史时间序列进行匹配,找出具有相似演变趋势的时间序列片段,推断出预测时间点的交通流状况。经过试验和实地检测表明,本发明交通流数据稀疏时间段的预测结果基本准确可靠,有效补充现有技术中数据稀疏时间段的道路交通流状况预测的不足,补齐交通流状况预测短板,提升道路交通流状况预测方法的整体质量。
Description
技术领域
本发明涉及一种道路交通流状况预测方法,特别涉及一种数据稀疏时间段的道路交通流状况预测方法,属于道路交通流状况预测技术领域。
背景技术
当前,城市道路交通拥堵状况越来越严重,虽然城市规划建设路网越来越多,越来越完善,但由于缺少高效的智能交通引导系统,部分路段扎堆拥堵,部分路段利用率低,路网整体通行效率不高,亟需提高城市道路交通状况预测和规划能力。随着智能道路交通系统的发展,城市道路交通状况高精度预测可以被广泛的应用于交通路线规划、协调交通拥堵、智能城市计算、道路规划评估等方面,精准的城市道路交通状况预测对于政府部门、企业和广大的市民都有很大的用处,政府部门可以通过预测情况实时了解城市道路交通状况,从而有效管理交通资源、发现需求分布、提前布局规划,广大市民可以根据道路交通状况实时预测情况,合理规划交通路线,及时准确了解出行时间,改善出行体验,提高行驶效率,城市道路交通状况预测还可以给广大司机推荐可靠的导航路线,使得城市地图导航更加科学化、智能化和人性化。
现有技术出现了一些道路交通流状况预测的研究,但这些预测主要依赖于大量历史数据和实时道路交通流信息,需要大量且可靠的道路交通流历史数据,预测的准确性在很大程度上依赖于样本的数量和可靠性,只有足够密度和精度的数据才能支撑该类道路交通流状况预测。这在现实的道路交通流状况预测中存在很大的问题,现实中大量存在着交通流数据稀疏的道路,同样需要准确的道路交通流状况预测,如果这些路段交通流数据稀疏时间段的预测精度太低,将会严重影响全路网的道路交通流状况预测质量,甚至使全路网的道路交通流状况预测陷入混乱,因此,数据稀疏时间段的道路交通流状况预测十分重要。
通过现有研究发现在一些交通流数据稀疏等特定时间段内,特别是每天凌晨等交通流数据稀疏时间段,现有技术不能起到很好的预测效果,稀疏时间段的道路交通流状况预测效果很差,这是因为现有技术的方法需要大量的交通流训练数据做基础,才能训练出有效的网络用于特征提取,所以在交通流数据稀疏时间段,现有技术由于无法训练出高效的网络而不能起到预测效果。
综合来看,现有技术主要存在以下几点缺陷:一是现有技术出现的一些道路交通流状况预测主要依赖于大量历史数据和实时道路交通流信息,需要大量且可靠的道路交通流历史数据,预测的准确性在很大程度上依赖于样本的数量和可靠性,只有足够密度和精度的数据才能支撑该类道路交通流状况预测。这在现实的道路交通流状况预测中存在很大的问题,现实中大量存在着交通流数据稀疏的道路,同样需要准确的道路交通流状况预测;二是现有技术对于数据稀疏时间段的道路交通流状况预测方法研究很少,相关专利技术更少,而数据稀疏时间段的道路交通流状况预测十分重要,如果这些路段交通流数据稀疏时间段的预测精度太低,将会严重影响全路网的道路交通流状况预测质量,甚至使全路网的道路交通流状况预测陷入混乱,研发数据稀疏时间段的道路交通流状况预测方法将填补缺少样本条件下的交通流状况预测研究空白,补齐交通流状况预测短板,提升道路交通流状况预测方法的整体质量;三是现有技术对于缺少数据的交通流预测没有针对性方法,一般都是简单的统计,没有理论支撑,预测方法准确率很低,实时性和动态智能性很差。
而例如道路噪音等一些环境信息,包含着较丰富的道路交通流信息,通过利用这些道路环境信息在交通流数据稀疏时间段,还原出道路上的真实道路交通状况,而且道路交通流除了蕴含时空动态模式外,在时间序列上也遵循一定的变化模式,所以对道路交通流在时间序列上的演变规律进行进一步的探索,研发一种数据稀疏时间段的道路交通流状况预测方法,将有效补充现有技术中数据稀疏时间段的道路交通流状况预测的不足,填补缺少样本条件下的交通流状况预测研究空白,补齐交通流状况预测短板,提升道路交通流状况预测方法的整体质量。
发明内容
针对现有技术的不足,本发明提供的一种数据稀疏时间段的道路交通流状况预测方法,当交通流数据不充足时,使用时间动态序列补充方法探索待预测道路交通流在时间序列上的转变规律,通过基于条件随机域的环境信息特征提取,还原出数据稀疏时间段的道路交通状况,得到道路交通流在一段时间内的时间演变序列,通过和该路段交通流的历史时间序列进行匹配,找出具有相似演变趋势的时间序列片段,推断出预测时间点的交通流状况。经过试验和实地检测表明,在相同的数据样本条件下,1点到5点的凌晨时间段内,与现有技术准确率相对较高的强化学习的道路交通流状况预测方法相比,交通流数据稀疏时间段的预测结果准确性提高60%以上,达到了76.3%,使得交通流数据稀疏时间段的预测结果基本准确可靠,有效补充现有技术中数据稀疏时间段的道路交通流状况预测的不足,填补缺少样本条件下的交通流状况预测研究空白,补齐交通流状况预测短板,提升道路交通流状况预测方法的整体质量。
为达到以上技术效果,本发明所采用的技术方案如下:
一种数据稀疏时间段的道路交通流状况预测方法,基于时间动态序列匹配预测道路交通流状况,包括交通流数据预处理、条件随机域模型还原道路交通流时间动态序列、基于动态时间规整的序列匹配交通状况预测,条件随机域模型还原道路交通流时间动态序列包括转移条件特征函数和隐含状态转移函数的选取和条件随机域模型的参数估计两步,具体步骤为:
第一步,交通流数据预处理;
第二步,转移条件特征函数和隐含状态转移函数的选取;
第三步,条件随机域模型的参数估计;
第四步,基于动态时间规整的序列匹配交通状况预测。
一种数据稀疏时间段的道路交通流状况预测方法,进一步的,首先完成交通流数据预处理,基于条件随机域方法对时间动态序列相关道路环境信息进行特征提取,还原出道路交通流稀疏时间段道路交通流的时间演变序列,再通过和道路交通流历史状态时间动态序列片段进行时间动态序列匹配,找出和当前状态时间动态序列演变趋势一致的历史状态片段,赋予它们不同的权重来推断出预测时间点的道路交通流量状态,拥有最大概率的状态则为该时刻的交通流预测状态。
一种数据稀疏时间段的道路交通流状况预测方法,进一步的,第一步,交通流数据预处理的重点为道路噪音数据,使用地图匹配算法将收集到的道路噪音数据匹配到对应道路上,道路噪音采样频率为30秒采样一次,道路噪音地图匹配将原始的道路噪音数据匹配到电子地图道路上,然后将匹配到路段的道路噪音数据储存到存放到数据库中;
道路噪音数据主要采集交通流数据稀疏时间段的道路噪音,采集时间段不低于1个月,道路噪音采集装置的灵敏度不低于10dB,道路噪音采集装置的设置间距不大于30米。
一种数据稀疏时间段的道路交通流状况预测方法,进一步的,条件随机域模型还原道路交通流时间动态序列中,选用的道路交通流量相关环境信息具体为道路噪音,道路噪音值用Noise表示,将道路噪音等级分为五类,用N表示:
无向图A中包含两类节点,分别为第一类节点和第二类节点,第一类节点B={B1,B2,...,Bn}表示在连续时间节点上的道路交通流状态,第二类节点C={C1,C2,...,Cn},Ci={N,t}表示时间动态序列相关特征,包括道路噪音等级和时间戳,给定道路环境观测序列c,则每个道路交通流状态bi由以下公式可得:
其中D(c)为一个正则函数,通过上面等式可以得出五个道路交通流状态在每个时间戳上的概率可表示为一个五维向量;
给定道路环境观测序列c,要求得某个时间戳下的道路交通流状态,在条件随机域中需要解决的问题包括:
一是转移条件特征函数tj和隐含状态转移函数Gk的选取;
二是从已经标注好的训练数据集学习条件随机域模型的参数,即每个特征函数的权重向量fj和Hk。
一种数据稀疏时间段的道路交通流状况预测方法,进一步的,第二步,转移条件特征函数tj和隐含状态转移函数Gk的选取中,tj(bi-1,bi,c,i)表示道路交通流状态序列从时间戳i-1到时间戳i的节点,道路交通流状态由bi-1转变为状态bi的道路交通流状态转移函数,依赖于当前道路交通流状态和前一个时间戳的道路交通流状态;
Gk(bi,c,i)表示环境信息观测序列在时间戳i-1时,由道路环境信息观测序列c可得到道路交通流状态bi的隐含状态转移函数,依赖于当前的道路交通流状态和当前的道路环境信息;
特征函数tj和Gk的取值为0或者1,条件随机域完全由特征函数tj和Gk以及对应的权值fj和Hk确定,状态特征函数和转移条件特征函数的统一形式用Si(bi-1,bi,c,i)表示。
一种数据稀疏时间段的道路交通流状况预测方法,进一步的,第三步,条件随机域模型的参数估计中,用最大概似估计方法从已经标注好的道路交通流训练数据集中学习出条件随机域模型的参数,具体步骤为:
第1步,根据总体分布,建立似然函数:
其中为道路交通流训练样本中(c,b)的经验概率;
第2步,通过对L(f)求导,令等式为0,求得特征函数的权重向量f:
第3步,通过下式:
得到道路交通流在时间戳t时的五种状态分别的概率,得到一个五维向量:
P(t)=[p(Bt=Cg),p(Bt=GB),p(Bt=Nm),p(Bt=Mo),p(Bt=Un)]。
一种数据稀疏时间段的道路交通流状况预测方法,进一步的,第四步,基于动态时间规整的序列匹配交通状况预测中,采用动态时间规整方法,在序列匹配过程中,假设当前时间为tct,由条件随机域方法得到的状态序列表示为经过tb时间后待预测时间点的交通状态用Gtct+tb表示,基于动态时间规整的序列匹配算法找到相匹配的历史片段,用表示,在该算法中序列片段是通过时间上的非线性扭曲来找到相似的历史片段,用一个常量阈值m作为相似度的衡量标准,只有计算出的动态时间规整距离小于常量阈值m才可作为相似历史片段,即DTW(i)[tct][tct]≤m,假设根据动态规整算法选出hg个历史片段作为相似片段,可以得到hg个在tct+tb,即预测时间点的五维概率向量,其中第i个概率向量为:
P(i)(t=tct+tb)=[p(i)(g′t=Cg),p(i)(g′t=Sl),p(i)(g′t=Nm),p(i)(g′t=Mo),p(i)(g′t=Un)]
在上式中,g′(i)表示第i个相似历史片段,P(i)(g′t=g)(g∈Ω)表示根据第i个相似历史片段g′(i)得到的在预测时间点tct+tb的五个状态的概率向量,第i个历史片段的权重L(i)由以下公式可得:
因此,可以得到在预测时间点t(t=tct+tb)的最终状态结果:
将每道路交通流状态用数字量化表示,
Z={拥堵(Cg)=1,缓慢(Sl)=2,正常(Nm)=3,较畅通(Md)=4,畅通(Un)=5},
路段的状态Zt q表示路段q在时间戳t时刻的交通流量状态,其中拥有最大概率值的状态为交通流预测状态。
与现有技术相比,本发明的优点在于:
1.本发明提供的一种数据稀疏时间段的道路交通流状况预测方法,当交通流数据不充足时,使用时间动态序列补充方法探索待预测道路交通流在时间序列上的转变规律,通过基于条件随机域的环境信息特征提取,还原出数据稀疏时间段的道路交通状况,得到道路交通流在一段时间内的时间演变序列,通过和该路段交通流的历史时间序列进行匹配,找出具有相似演变趋势的时间序列片段,推断出预测时间点的交通流状况。经过试验和实地检测表明,在相同的数据样本条件下,1点到5点的凌晨时间段内,与现有技术准确率相对较高的强化学习的道路交通流状况预测方法相比,交通流数据稀疏时间段的预测结果准确性提高60%以上,达到了76.3%,使得交通流数据稀疏时间段的预测结果基本准确可靠,有效补充现有技术中数据稀疏时间段的道路交通流状况预测的不足,填补缺少样本条件下的交通流状况预测研究空白,补齐交通流状况预测短板,提升道路交通流状况预测方法的整体质量。
2.本发明提供的一种数据稀疏时间段的道路交通流状况预测方法,解决了现有技术道路交通流状况预测主要依赖于大量历史数据和实时道路交通流信息,需要大量且可靠的道路交通流历史数据,预测的准确性在很大程度上依赖于样本的数量和可靠性,只有足够密度和精度的数据才能支撑该类道路交通流状况预测的问题。为道路交通流状况预测方法开辟了新的思路,特别适合现实中大量存在着交通流数据稀疏的道路交通流预测,为数据稀疏时间段的道路交通流状况预测提供了广阔的空间。
3.本发明提供的一种数据稀疏时间段的道路交通流状况预测方法,为缺少数据的交通流预测提供了针对性的方法,基于时间动态序列匹配的交通状况预测,利用时间动态序列相关道路环境信息在道路交通流数据稀疏时间段还原出道路交通流状态,通过匹配历史上相似的道路交通流时间动态序列,找出道路交通流在时序变化上的规律从而推断出预测结果。预测方法准确率较高,实时性和动态智能性好,交通流预测方法的理论根基强,预测更加科学、可靠、稳定。
附图说明
图1是本发明提供的一种数据稀疏时间段的道路交通流状况预测方法的步骤图。
图2是本发明的条件随机域模型的结构示意图。
图3是本发明的基于动态时间规整的序列匹配交通状况预测算法步骤图。
具体实施方式
下面结合附图,对本发明提供的一种数据稀疏时间段的道路交通流状况预测方法的技术方案进行进一步的描述,使本领域的技术人员可以更好的理解本发明并能予以实施。
参见图1,本发明提供的一种数据稀疏时间段的道路交通流状况预测方法,基于时间动态序列匹配预测道路交通流状况,包括交通流数据预处理、条件随机域模型还原道路交通流时间动态序列、基于动态时间规整的序列匹配交通状况预测,条件随机域模型还原道路交通流时间动态序列包括转移条件特征函数和隐含状态转移函数的选取和条件随机域模型的参数估计两步,具体步骤为:
第一步,交通流数据预处理;
第二步,转移条件特征函数和隐含状态转移函数的选取;
第三步,条件随机域模型的参数估计;
第四步,基于动态时间规整的序列匹配交通状况预测。
首先完成交通流数据预处理,基于条件随机域方法对时间动态序列相关道路环境信息进行特征提取,还原出道路交通流稀疏时间段道路交通流的时间演变序列,再通过和道路交通流历史状态时间动态序列片段进行时间动态序列匹配,找出和当前状态时间动态序列演变趋势一致的历史状态片段,赋予它们不同的权重来推断出预测时间点的道路交通流量状态,拥有最大概率的状态则为该时刻的交通流预测状态。
本发明采用时间动态序列匹配的方法,通过和交通流历史片段进行匹配,找到相似片段,根据历史相似片段推断出待预测道路在预测时间点的交通状况,在数据稀疏时间段得到待预测道路在之前一段时间的状态序列,还原出待预测道路在之前一段时间内不同时间戳上的交通流状况。
在凌晨时间段,道路噪音环境信息的来源主要是交通流,所以利用道路噪音时序相关的环境补充信息还原出道路交通状况,本发明采用条件随机域方法来还原道路交通流时间变化序列,条件随机域模型在已知当前观测值和前一个时间戳状态的情况下,得到当前时刻的状态,根据当前时刻的道路噪音观测值,和前一个时间戳的道路交通流状态,得到当前时刻的道路交通流状态,通过一系列的还原,得到待预测道路在之前一段时间内的交通流状态时间序列,然后和该待预测道路在历史上相同一段时间内的状态序列片段通过动态时间规整方法进行比较,找到和当前状态时间序列相似的历史状态时间序列,并且对这些历史片段赋予一定的权重,根据这些权重,结合历史上待预测道路在预测时间点的状态,得到最后预测时间点各个状态的概率,拥有最大概率的状态则为该时刻的交通流预测状态。
基于时间动态序列匹配的交通状况预测,利用时间动态序列相关道路环境信息在道路交通流数据稀疏时间段还原出道路交通流状态,然后通过匹配历史上相似的道路交通流时间动态序列,找出道路交通流在时序变化上的规律从而推断出预测结果。
通过观察交通数据分布可知,白天道路交通流数据充足,但到了夜间道路交通流数据变得稀疏,当道路交通流数据量不充足时,强化学习方法不能很好的发挥预测性能,基于时间动态序列匹配的交通状况预测方法通过引入时间动态序列相关道路环境信息还原出交通稀疏时间段的交通状态,探索道路交通流在时间动态序列上的演变规律,首先通过基于条件随机域方法的时间动态序列相关道路环境信息特征提取,还原出道路交通流状态时间动态序列片段,再与历史上同一时间段的道路交通流状态时间动态序列进行匹配,找到相似的历史序列,然后根据历史序列推断出预测时间点的道路交通流状态。
一、交通流数据预处理
本发明交通流数据预处理的重点为道路噪音数据,使用地图匹配算法将收集到的道路噪音数据匹配到对应道路上,道路噪音采样频率为30秒采样一次,道路噪音地图匹配将原始的道路噪音数据匹配到电子地图道路上,然后将匹配到路段的道路噪音数据储存到存放到数据库中。
道路噪音数据主要采集交通流数据稀疏时间段的道路噪音,采集时间段不低于1个月,道路噪音采集装置的灵敏度不低于10dB,道路噪音采集装置的设置间距不大于30米。
道路噪声通常由车辆自身噪声和车辆运行噪声组成,其中车辆自身噪声包括发动机噪声、进排气噪声、发动机冷却风扇噪声和传动噪声,车辆运行噪声包括轮胎噪声及鸣笛噪声,占主要支配地位的噪声为发动机噪声、排气噪声、轮胎噪声和鸣笛噪声,道路噪声的源头具有流动性,是一种60至80dB的中等强度的随机非稳态噪声,并与道路车流量、车辆类型、行驶车速、道路状况等密切相关。
二、条件随机域模型还原道路交通流时间动态序列
在道路交通流稀疏时间段,仅依靠道路交通流轨迹数据难以还原出道路上的交通状况,借助时间动态序列相关的道路环境补充信息,例如道路噪音作为观测值,还原出道路交通流状态在时间动态序列上的变化,能更好的反映出道路上的交通流状况。
条件随机域模型图上每一个节点表示一个随机变量,两个节点之间的连线表示随机变量之间存在的概率依赖关系,在条件随机域中,已知观察值随机变量C,则随机变量Y的分布服从马尔科夫属性。
本发明选用的道路交通流量相关的道路环境信息,具体为道路噪音,根据国家环境保护标准中交通干线环境噪声排放标准,道路噪音值用Noise表示,将道路噪音等级分为五类,用N表示:
如图2所示,无向图A中包含两类节点,分别为第一类节点和第二类节点,第一类节点用圆框表示,第二类节点用方框表示,第一类节点B={B1,B2,...,Bn}表示在连续时间节点上的道路交通流状态,第二类节点C={C1,C2,...,Cn},Ci={N,t}表示时间动态序列相关特征,包括道路噪音等级和时间戳,给定道路环境观测序列c,则每个道路交通流状态bi由以下公式可得:
其中D(c)为一个正则函数,通过上面等式可以得出五个道路交通流状态在每个时间戳上的概率可表示为一个五维向量。
给定道路环境观测序列c,要求得某个时间戳下的道路交通流状态,在条件随机域中需要解决的问题包括:
一是转移条件特征函数tj和隐含状态转移函数Gk的选取;
二是从已经标注好的训练数据集学习条件随机域模型的参数,即每个特征函数的权重向量fj和Hk。
(一)转移条件特征函数tj和隐含状态转移函数Gk的选取
特征函数的选取直接关系到模型的性能,tj(bi-1,bi,c,i)表示道路交通流状态序列从时间戳i-1到时间戳i的节点,道路交通流状态由bi-1转变为状态bi的道路交通流状态转移函数,依赖于当前道路交通流状态和前一个时间戳的道路交通流状态。
Gk(bi,c,i)表示环境信息观测序列在时间戳i-1时,由道路环境信息观测序列c可得到道路交通流状态bi的隐含状态转移函数,依赖于当前的道路交通流状态和当前的道路环境信息。
特征函数tj和Gk的取值为0或者1,条件随机域完全由特征函数tj和Gk以及对应的权值fj和Hk确定,状态特征函数和转移条件特征函数的统一形式用Si(bi-1,bi,c,i)表示。
(二)条件随机域模型的参数估计
用最大概似估计方法从已经标注好的道路交通流训练数据集中学习出条件随机域模型的参数,具体步骤为:
第1步,根据总体分布,建立似然函数:
第2步,通过对L(f)求导,令等式为0,求得特征函数的权重向量f:
第3步,通过下式:
得到道路交通流在时间戳t时的五种状态分别的概率,得到一个五维向量:
P(t)=[p(Bt=Cg),p(Bt=GB),p(Bt=Nm),p(Bt=Mo),p(Bt=Un)]
三、基于动态时间规整的序列匹配交通状况预测
由条件随机域方法得到在每个时间戳的道路交通流的状态概率向量后,可以得到一个道路交通流状态序列片段,通过找到历史上相似的状态序列片段,根据匹配的历史序列片段推断出预测时间点的道路交通流量状况,因为可能没有完全相同的状态序列片段,所以测量序列之前的相似性很有必要,常用的欧几里得距离并不适合用来时序序列的测量,所以本发明采用一种非线性的时间对齐方法,即动态时间规整方法。
在序列匹配过程中,假设当前时间为tct,由条件随机域方法得到的状态序列表示为
经过tb时间后待预测时间点的交通状态用Gtct+tb表示,基于动态时间规整的序列匹配算法如图3所示,用于找到相匹配的历史片段,用表示,在该算法中,序列片段是通过时间上的非线性扭曲来找到相似的历史片段,用一个常量阈值m作为相似度的衡量标准,只有计算出的动态时间规整距离小于常量阈值m才可作为相似历史片段,即DTW(i)[tct][tct]≤m,假设根据动态规整算法选出hg个历史片段作为相似片段,可以得到hg个在tct+tb,即预测时间点的五维概率向量,其中第i个概率向量为:
P(i)(t=tct+tb)=[p(i)(g′t=Cg),p(i)(g′t=Sl),p(i)(g′t=Nm),p(i)(g′t=Mo),p(i)(g′t=Un)]
在上式中,g′(i)表示第i个相似历史片段,P(i)(g′t=g)(g∈Ω)表示根据第i个相似历史片段g′(i)得到的在预测时间点tct+tb的五个状态的概率向量,第i个历史片段的权重L(i)由以下公式可得:
因此,可以得到在预测时间点t(t=tct+tb)的最终状态结果:
为了能更加清楚地表示交通流状态及其概率,将每道路交通流状态用一个数字表示,
Z={拥堵(Cg)=1,缓慢(Sl)=2,正常(Nm)=3,较畅通(Md)=4,畅通(Un)=5},
假设一个路段的状态Zt q表示路段q在时间戳t时刻的交通流量状态,因为通过数据稀疏时间段的道路交通流状况预测方法最后得到的预测结果都是一个五维向量,表示预测出的交通流五种状态的概率,其中拥有最大概率值的状态为交通流预测状态。
四、方法性能评估
方法性能评估数据来源于上海市2019年4月至5月二个月的交通流量数据,用以评估本发明交通状况预测方法的性能,道路交通网为以上海交通大学为中心周围三千米范围内的道路交通网。
从实测数据中可以得出,在历史交通流数据充足的大多数时间段内,本发明一种数据稀疏时间段的道路交通流状况预测方法较其他依靠历史样本的强化学习交通流预测方法并无明显优势,但在道路交通流数据稀疏时间段,特别是1点到5点的凌晨时间段内,依靠历史样本的强化学习交通流预测方法的交通流状态概率值都偏离真实状态,说明在这些时间段内强化学习交通流预测方法以较低的概率预测出真实状态,或者预测出不准确的状态,从而反映出强化学习交通流预测方法在道路交通流数据稀疏时间段内无法起到良好的预测效果。但是1点到5点的凌晨时间段内,本发明方法的预测状态概率值基本贴近真实状态,说明在这个时间段内本发明的方法可以以很高的概率预测出准确的道路交通流状态,从而起到很好的预测效果。这是因为本发明的方法是利用了道路噪音等环境信息,在白天时间段内,道路噪音中包含了很多干扰噪音,比如路边店铺的音响声和人来人往的喧闹声,所以用这样的道路噪音来还原交通状态,会对预测效果有很大干扰。而凌晨时段,由于道路噪音基本只由交通流产生,所以此时利用较纯净的道路噪音还原道路交通状态,可以起到很好的效果,经过试验和实地检测表明,在相同的数据样本条件下,1点到5点的凌晨时间段内,与现有技术准确率相对较高的强化学习的道路交通流状况预测方法相比,交通流数据稀疏时间段的预测结果准确性提高60%以上,达到了76.3%,使得交通流数据稀疏时间段的预测结果基本准确可靠,有效补充现有技术中数据稀疏时间段的道路交通流状况预测的不足,填补缺少样本条件下的交通流状况预测研究空白,补齐交通流状况预测短板,提升了道路交通流状况预测方法的整体质量。
Claims (7)
1.一种数据稀疏时间段的道路交通流状况预测方法,其特征在于:基于时间动态序列匹配预测道路交通流状况,包括交通流数据预处理、条件随机域模型还原道路交通流时间动态序列、基于动态时间规整的序列匹配交通状况预测,条件随机域模型还原道路交通流时间动态序列包括转移条件特征函数和隐含状态转移函数的选取和条件随机域模型的参数估计两步,具体步骤为:
第一步,交通流数据预处理;
第二步,转移条件特征函数和隐含状态转移函数的选取;
第三步,条件随机域模型的参数估计;
第四步,基于动态时间规整的序列匹配交通状况预测。
2.根据权利要求1所述的一种数据稀疏时间段的道路交通流状况预测方法,其特征在于:首先完成交通流数据预处理,基于条件随机域方法对时间动态序列相关道路环境信息进行特征提取,还原出道路交通流稀疏时间段道路交通流的时间演变序列,再通过和道路交通流历史状态时间动态序列片段进行时间动态序列匹配,找出和当前状态时间动态序列演变趋势一致的历史状态片段,赋予它们不同的权重来推断出预测时间点的道路交通流量状态,拥有最大概率的状态则为该时刻的交通流预测状态。
3.根据权利要求1所述的一种数据稀疏时间段的道路交通流状况预测方法,其特征在于:第一步,交通流数据预处理的重点为道路噪音数据,使用地图匹配算法将收集到的道路噪音数据匹配到对应道路上,道路噪音采样频率为30秒采样一次,道路噪音地图匹配将原始的道路噪音数据匹配到电子地图道路上,然后将匹配到路段的道路噪音数据储存到存放到数据库中;
道路噪音数据主要采集交通流数据稀疏时间段的道路噪音,采集时间段不低于1个月,道路噪音采集装置的灵敏度不低于10dB,道路噪音采集装置的设置间距不大于30米。
4.根据权利要求1所述的一种数据稀疏时间段的道路交通流状况预测方法,其特征在于:条件随机域模型还原道路交通流时间动态序列中,选用的道路交通流量相关环境信息具体为道路噪音,道路噪音值用Noise表示,将道路噪音等级分为五类,用N表示:
无向图A中包含两类节点,分别为第一类节点和第二类节点,第一类节点B={B1,B2,...,Bn}表示在连续时间节点上的道路交通流状态,第二类节点C={C1,C2,...,Cn},Ci={N,t}表示时间动态序列相关特征,包括道路噪音等级和时间戳,给定道路环境观测序列c,则每个道路交通流状态bi由以下公式可得:
其中D(c)为一个正则函数,通过上面等式可以得出五个道路交通流状态在每个时间戳上的概率可表示为一个五维向量;
给定道路环境观测序列c,要求得某个时间戳下的道路交通流状态,在条件随机域中需要解决的问题包括:
一是转移条件特征函数tj和隐含状态转移函数Gk的选取;
二是从已经标注好的训练数据集学习条件随机域模型的参数,即每个特征函数的权重向量fj和Hk。
5.根据权利要求1所述的一种数据稀疏时间段的道路交通流状况预测方法,其特征在于:第二步,转移条件特征函数tj和隐含状态转移函数Gk的选取中,tj(bi-1,bi,c,i)表示道路交通流状态序列从时间戳i-1到时间戳i的节点,道路交通流状态由bi-1转变为状态bi的道路交通流状态转移函数,依赖于当前道路交通流状态和前一个时间戳的道路交通流状态;
Gk(bi,c,i)表示环境信息观测序列在时间戳i-1时,由道路环境信息观测序列c可得到道路交通流状态bi的隐含状态转移函数,依赖于当前的道路交通流状态和当前的道路环境信息;
特征函数tj和Gk的取值为0或者1,条件随机域完全由特征函数tj和Gk以及对应的权值fj和Hk确定,状态特征函数和转移条件特征函数的统一形式用Si(bi-1,bi,c,i)表示。
7.根据权利要求1所述的一种数据稀疏时间段的道路交通流状况预测方法,其特征在于:第四步,基于动态时间规整的序列匹配交通状况预测中,采用动态时间规整方法,在序列匹配过程中,假设当前时间为tct,由条件随机域方法得到的状态序列表示为经过tb时间后待预测时间点的交通状态用表示,基于动态时间规整的序列匹配算法找到相匹配的历史片段,用表示,在该算法中序列片段是通过时间上的非线性扭曲来找到相似的历史片段,用一个常量阈值m作为相似度的衡量标准,只有计算出的动态时间规整距离小于常量阈值m才可作为相似历史片段,即DTW(i)[tct][tct]≤m,假设根据动态规整算法选出hg个历史片段作为相似片段,可以得到hg个在tct+tb,即预测时间点的五维概率向量,其中第i个概率向量为:
P(i)(t=tct+tb)=[p(i)(gt′=Cg),p(i)(gt′=Sl),p(i)(gt′=Nm),p(i)(gt′=Mo),p(i)(gt′=Un)]
在上式中,g′(i)表示第i个相似历史片段,P(i)(g′t=g)(g∈Ω)表示根据第i个相似历史片段g′(i)得到的在预测时间点tct+tb的五个状态的概率向量,第i个历史片段的权重L(i)由以下公式可得:
因此,可以得到在预测时间点t(t=tct+tb)的最终状态结果:
将每道路交通流状态用数字量化表示,
Z={拥堵(Cg)=1,缓慢(Sl)=2,正常(Nm)=3,较畅通(Md)=4,畅通(Un)=5},
路段的状态Zt q表示路段q在时间戳t时刻的交通流量状态,其中拥有最大概率值的状态为交通流预测状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040599.0A CN110738855B (zh) | 2019-10-29 | 2019-10-29 | 一种数据稀疏时间段的道路交通流状况预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040599.0A CN110738855B (zh) | 2019-10-29 | 2019-10-29 | 一种数据稀疏时间段的道路交通流状况预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738855A true CN110738855A (zh) | 2020-01-31 |
CN110738855B CN110738855B (zh) | 2020-10-23 |
Family
ID=69270286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911040599.0A Active CN110738855B (zh) | 2019-10-29 | 2019-10-29 | 一种数据稀疏时间段的道路交通流状况预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738855B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768618A (zh) * | 2020-06-04 | 2020-10-13 | 北京航空航天大学 | 基于城市画像的交通拥堵状态传播预测和预警系统及方法 |
CN111785014A (zh) * | 2020-05-26 | 2020-10-16 | 浙江工业大学 | 一种基于dtw-rgcn的路网交通数据修复的方法 |
CN112767056A (zh) * | 2021-02-04 | 2021-05-07 | 腾讯科技(深圳)有限公司 | 业务数据预测方法、装置、计算机设备和存储介质 |
CN114429701A (zh) * | 2021-12-16 | 2022-05-03 | 珠海格力电器股份有限公司 | 防走失方法、装置、存储介质及电子设备 |
CN114969224A (zh) * | 2022-03-03 | 2022-08-30 | 北京永泰万德信息工程技术有限公司 | 一种车辆试驾预约方法、装置、电子设备及介质 |
CN117690303A (zh) * | 2024-02-04 | 2024-03-12 | 四川三元环境治理股份有限公司 | 一种基于交通数据采集的噪声预警系统、装置及预警方法 |
CN117975742A (zh) * | 2024-03-29 | 2024-05-03 | 大连禾圣科技有限公司 | 基于大数据的智慧城市交通管理系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705566A (zh) * | 2017-10-20 | 2018-02-16 | 吉利汽车研究院(宁波)有限公司 | 一种城市道路交通噪声预测方法及系统 |
CN108280998A (zh) * | 2018-01-30 | 2018-07-13 | 浙江大学 | 基于历史数据动态选择的短时交通流预测方法 |
-
2019
- 2019-10-29 CN CN201911040599.0A patent/CN110738855B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705566A (zh) * | 2017-10-20 | 2018-02-16 | 吉利汽车研究院(宁波)有限公司 | 一种城市道路交通噪声预测方法及系统 |
CN108280998A (zh) * | 2018-01-30 | 2018-07-13 | 浙江大学 | 基于历史数据动态选择的短时交通流预测方法 |
Non-Patent Citations (7)
Title |
---|
SUMARSIH CONDROAYU PURBARANI: "Preliminary research on continuous conditional random fields in predicting high-dimensional data", 《2017 INTERNATIONAL CONFERENCE ON ADVANCED COMPUTER SCIENCE AND INFORMATION SYSTEMS (ICACSIS)》 * |
THI-THU-HONG PHAN: "DTW-Approach for uncorrelated multivariate time series imputation", 《2017 IEEE 27TH INTERNATIONAL WORKSHOP ON MACHINE LEARNING FOR SIGNAL PROCESSING (MLSP)》 * |
刘乐敏: "城市主干道短时交通流预测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
焦琴琴: "基于深度学习的路网短时交通流预测", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
许伦辉: "基于NB和DTW组合模型的稀疏浮动车数据填充", 《中山大学学报(自然科学版)》 * |
邓箴: "基于多条件随机场的短时交通流预测模型", 《计算机工程与设计》 * |
韩春颖: "基于稀疏高斯过程混合模型的短时交通流预测", 《交通信息与安全》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111785014A (zh) * | 2020-05-26 | 2020-10-16 | 浙江工业大学 | 一种基于dtw-rgcn的路网交通数据修复的方法 |
CN111768618A (zh) * | 2020-06-04 | 2020-10-13 | 北京航空航天大学 | 基于城市画像的交通拥堵状态传播预测和预警系统及方法 |
CN111768618B (zh) * | 2020-06-04 | 2021-07-20 | 北京航空航天大学 | 基于城市画像的交通拥堵状态传播预测和预警系统及方法 |
CN112767056A (zh) * | 2021-02-04 | 2021-05-07 | 腾讯科技(深圳)有限公司 | 业务数据预测方法、装置、计算机设备和存储介质 |
CN114429701A (zh) * | 2021-12-16 | 2022-05-03 | 珠海格力电器股份有限公司 | 防走失方法、装置、存储介质及电子设备 |
CN114429701B (zh) * | 2021-12-16 | 2023-07-18 | 珠海格力电器股份有限公司 | 防走失方法、装置、存储介质及电子设备 |
CN114969224A (zh) * | 2022-03-03 | 2022-08-30 | 北京永泰万德信息工程技术有限公司 | 一种车辆试驾预约方法、装置、电子设备及介质 |
CN117690303A (zh) * | 2024-02-04 | 2024-03-12 | 四川三元环境治理股份有限公司 | 一种基于交通数据采集的噪声预警系统、装置及预警方法 |
CN117690303B (zh) * | 2024-02-04 | 2024-04-26 | 四川三元环境治理股份有限公司 | 一种基于交通数据采集的噪声预警系统、装置及预警方法 |
CN117975742A (zh) * | 2024-03-29 | 2024-05-03 | 大连禾圣科技有限公司 | 基于大数据的智慧城市交通管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110738855B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738855A (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
CN111832225B (zh) | 一种构建汽车行驶工况的方法 | |
CN110648527B (zh) | 一种基于深度学习模型的交通速度预测方法 | |
CN109035761B (zh) | 基于辅助监督学习的行程时间估计方法 | |
CN102087788B (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
CN111160753B (zh) | 一种基于知识图谱的路网节点重要性评估的方法 | |
CN111080029B (zh) | 基于多路段时空相关的城市交通路段速度预测方法及系统 | |
CN114049765B (zh) | 基于自动车辆号牌识别数据的城市路网车流od估计方法 | |
CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
CN110889444B (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
CN107945510B (zh) | 一种考虑交通需求和道路网络运行效率的路段检测方法 | |
CN114435138A (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN109493449A (zh) | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 | |
CN112309118A (zh) | 一种基于时空相似度的车辆轨迹推算方法 | |
CN111710160A (zh) | 一种基于浮动车数据的行程时间预测方法 | |
CN113642768A (zh) | 一种基于工况重构的车辆行驶能耗预测方法 | |
CN114882069A (zh) | 基于lstm网络和注意力机制的出租车轨迹异常检测方法 | |
CN109979194B (zh) | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 | |
CN116913088A (zh) | 一种用于高速公路的智能流量预测方法 | |
CN114820259A (zh) | 一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法 |
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 |