CN110992708A - 实时通行速度预测方法、装置及电子设备 - Google Patents

实时通行速度预测方法、装置及电子设备 Download PDF

Info

Publication number
CN110992708A
CN110992708A CN201911323048.5A CN201911323048A CN110992708A CN 110992708 A CN110992708 A CN 110992708A CN 201911323048 A CN201911323048 A CN 201911323048A CN 110992708 A CN110992708 A CN 110992708A
Authority
CN
China
Prior art keywords
speed
time
current
historical
matrix
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
Application number
CN201911323048.5A
Other languages
English (en)
Other versions
CN110992708B (zh
Inventor
李旭
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.)
Zebra Network Technology Co Ltd
Original Assignee
Zebra Network 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 Zebra Network Technology Co Ltd filed Critical Zebra Network Technology Co Ltd
Priority to CN201911323048.5A priority Critical patent/CN110992708B/zh
Publication of CN110992708A publication Critical patent/CN110992708A/zh
Application granted granted Critical
Publication of CN110992708B publication Critical patent/CN110992708B/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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Landscapes

  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种实时通行速度预测方法、装置、电子设备及计算机可读存储介质，其中，实时通行速度预测方法包括：获取当前天气状况和时间特征；获取各个道路link的属性特征z；获取每条道路link上的当前速度平均值r’，以及与所述当前天气状况和时间特征相应的预定时间范围内的历史速度平均值r；获取城市路网的各个预定区域的当前平均车流量g’,以及与所述当前天气状况和时间特征相应的预定时间范围内的历史平均车流量g；根据属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度。本发明的实时通行速度预测方法，能够实时准确预测不同道路不同时刻的驾驶通行速度。

Description

实时通行速度预测方法、装置及电子设备
技术领域
本发明涉及车辆领域，具体涉及实时通行速度预测方法、装置、电子设备及计算机可读存储介质。
背景技术
各个道路link的机动车驾驶通行速度，准确反映了当前道路的交通状况，可用于给定起止点的驾驶时间预估和相应道路的通行负载能力评估，已有方案或采用经验数据填充(相应道路的最大允许通行速度的2/3作为预估的速度)，或基于各个道路link的历史平均速度进行常规矩阵分解。
经验填充方法不能反映不同道路的具体特征与实时特性，常规矩阵分解方法可能出现分解得到速度负值需要额外调整，导致相应的迭代收敛速度慢及可解释性差。
发明内容
有鉴于此，本发明提供实时通行速度预测方法、装置、电子设备及计算机可读存储介质，能够实时在线预测不同道路不同时刻的驾驶通行速度，收敛速度快且可解释性强。
为解决上述技术问题，一方面，本发明提供一种实时通行速度预测方法，包括如下步骤：
获取当前天气状况以及时间特征，所述天气状况包括雨雪天气/非雨雪天气，所述时间特征包括工作日/非工作日，和高峰时段/非高峰时段；
获取各个道路link的属性特征z；
获取每条道路link上的当前速度平均值r’，以及与所述当前天气状况以及时间特征相应的预定时间范围内的历史速度平均值r；
获取城市路网的各个预定区域的当前平均车流量g’,以及与所述当前天气状况以及时间特征相应的所述预定时间范围内的历史平均车流量g；
根据所述属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度。
需要说明的是，其中，历史速度平均值(比如前3个月)r是按照天气状况、工作日/节假日、高峰时段/非高峰时段分别进行处理，即，晴天工作日高峰时段的历史速度平均值、雨天工作日高峰时段的历史速度平均值、晴天工作日非高峰时段的历史速度平均值、等等。历史平均车流量g也同样进行分类处理。此后，在预测某个晴天、工作日、高峰时段的时间戳时，借助按照相应的晴天、工作日、高峰时段统计得到的历史速度平均值和历史平均车流量。由于不同天气状况、工作日/节假日、高峰时段/非高峰时段的速度差异很大，驾驶出行的车流量差异很大，导致出行的平均速度差异很大。通过上述处理，能够使得估算更加准确。
进一步地，根据所述属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度包括：
基于所述属性特征z构建属性矩阵Z，
基于每条道路link的当前速度平均值r’构建稀疏实时通行速度矩阵M′r，
基于每条道路link的历史速度平均值r构建稀疏历史速度矩阵Mr,
基于各个预定区域的当前平均车流量g’构建当前车流量矩阵M′G，
基于各个预定区域的历史平均车流量g构建历史车流量矩阵MG，
根据所述属性矩阵Z、稀疏实时通行速度矩阵Mr′、稀疏历史速度矩阵Mr、当前车流量矩阵M′G、以及历史车流量矩阵MG，构建协同滤波与非负矩阵分解的耦合模型，基于所述耦合模型预测所述。
进一步地，所述属性特征z包括：道路等级、道路link长度、是否主辅路、是否左转或右转车道、单向/双向/三车道或以上中的一种或多种。
进一步地，
将全天划分为预定个数时间戳；
根据每条道路link，按当前时间的速度映射到同一个时间戳后获取该道路link的所述当前速度平均值r’，
此后，根据每条道路link的所述当前速度平均值r’构成所述稀疏实时通行速度矩阵M′r，其中道路link的所述当前速度平均值r’未知的部分以0进行填充，
根据每条道路link,将之前预定时间的速度映射到同一个时间戳后获取该道路link的所述历史速度平均值r，
此后，根据每条道路link的所述历史速度平均值r构成所述稀疏历史速度矩阵M′r，其中道路link的所述历史速度平均值r未知的部分以0进行填充。
进一步地，
将当前城市路网按照5*5划分为25个子网格，
统计当前各个时间戳通过各个所述子网格所在区域的平均车流量g’，构成所述当前车流量矩阵M′G，
统计之前预定时间各个时间戳通过各个所述子网格所在区域的历史平均车流量g，构成所述历史车流量矩阵MG。
进一步地，按照每2分钟为间隔对于全天进行划分，得到720个所述时间戳，且基于之前3个月的速度、车流量，分别获得所述历史速度平均值r以及所述历史平均车流量g。
进一步地，低秩矩阵T,R,G,F，其中T,R,G,F分别表示矩阵分解的隐隐形因子，且所述低秩矩阵T,R,G,F满足下述关系：
[M′G,MG]≈T×[G；G]T,[M′r,Mr]≈T×[R；R]T,Z≈R×FT
其中，[M′G,MG]表示两个矩阵左右拼接，[R；R]表示两个矩阵上下拼接，×表示矩阵乘法，上标T表示矩阵转置，
并且，按照均匀分布U(0,1)随机初始化所述低秩矩阵T,R,G,F，
此后，根据所所述属性矩阵Z、稀疏实时通行速度矩阵M′r、稀疏历史速度矩阵Mr、当前车流量矩阵M′G、以及历史车流量矩阵MG的属性信息，构建如下式(1)所示目标函数，
Figure BDA0002327673880000041
其中，其中O为指示矩阵，当矩阵O右乘矩阵对应的位置缺失，则O中对应元素为0，否则为1，
○表示Hadamard积，
λ1,λ2,λ3均为经验系数且分别为，λ1＝5.0,λ2＝1.0,λ3＝0.5
ΛT,ΛR,ΛG,ΛF为辅助矩阵。
进一步地，所述辅助矩阵满足条件O○ΛT＝0,O○ΛR＝0,O○ΛG＝0,O○ΛF＝0，根据所述目标函数和所述辅助矩阵满足的条件，得到下述表达式(2)，
Figure BDA0002327673880000042
Figure BDA0002327673880000043
Figure BDA0002327673880000044
Figure BDA0002327673880000045
且所述实时通行速度矩阵Mr *＝T*R*,
通过所述实时通行速度矩阵Mr *确定当前时刻的各道路link的实时通行速度。
进一步地，根据所述实时通行速度矩阵，采用之前半小时的速度信息进行迭代，迭代结果的所述实时通行速度矩阵Mr *的最后一行的速度作为所述当前时刻各个道路link的实时通行速度。
第二方面，本发明提供实时通行速度预测装置，包括：
获取模块，所述获取模块用于获取各个道路link的属性特征z、每条道路link上的当前速度平均值r’、预定时间范围内的历史速度平均值r、城市路网的各个预定区域的当前平均车流量g’、以及所述预定时间范围内的历史平均车流量g；
处理模块，所述处理模块用于根据所述属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度。
第三方面，本发明提供一种用于实时通行速度预测的电子设备，包括：
一个或多个处理器；
一个或多个存储器，其中存储了计算机可读代码，所述计算机可读代码当由所述一个或多个处理器运行时，使得所述处理器执行如下步骤：
获取各个道路link的属性特征z；
获取每条道路link上的当前速度平均值r’，以及预定时间范围内的历史速度平均值r；
获取城市路网的各个预定区域的当前平均车流量g’,以及所述预定时间范围内的历史平均车流量g；
根据所述属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度。
第四方面，本发明提供一种计算机可读存储介质，其中存储了计算机可读代码，所述计算机可读代码当由一个或多个处理器运行时，使得所述处理器执行如下步骤：
获取各个道路link的属性特征z；
获取每条道路link上的当前速度平均值r’，以及预定时间范围内的历史速度平均值r；
获取城市路网的各个预定区域的当前平均车流量g’,以及所述预定时间范围内的历史平均车流量g；
根据所述属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度。
本发明的上述技术方案至少具有如下有益效果之一：
根据本发明的实时通行速度预测方法，通过构建协同滤波与非负矩阵分解的耦合模型，融入各个道路link的特征属性反映实时性，且分解得到速度值保证非负性，无需额外调整处理，能够实时准确预测不同道路不同时刻的驾驶通行速度，收敛速度快且可解释性强。
附图说明
图1为根据本发明一实施例的实时通行速度预测方法的流程图；
图2为根据本发明的实时通行速度预测方法进行预测的预测效果图；
图3为根据本发明实施例的实时通行速度预测装置的示意图；
图4位根据本发明实施例的用于实时通行速度预测的电子设备。
具体实施方式
下面将结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
目前各个道路link的机动车驾驶通行速度，准确反映了当前道路的交通状况，可用于给定起止点的驾驶时间预估和相应道路的通行负载能力评估，已有方案或采用经验数据填充(相应道路的最大允许通行速度的2/3作为预估的速度)，或基于各个道路link的历史平均速度进行常规矩阵分解。
经验填充方法不能反映不同道路的具体特征与实时特性，常规矩阵分解方法可能出现分解得到速度负值需要额外调整，导致相应的迭代收敛速度慢及可解释性差。
基于此，本发明通过构建协同过滤与非负矩阵分解的耦合模型，融入各个道路link的特征属性反映实时性，且分解得到速度值保证非负性，无需额外调整处理，能够实时在线预测不同道路不同时刻的驾驶通行速度，收敛速度快且可解释性强。
其中，本发明的构建点是结合道路的属性信息(矩阵Z)和历史车流量、当前车流量(矩阵MG与M′G)、以及历史通行速度和当前通行速度(矩阵Mr与M′r)构建式(1)涵盖了辅助信息的协同过滤模型，同时利用非负矩阵分解得到(2)式并进行迭代求解。
首先，结合图1说明根据本发明实施例的实时通行速度预测方法。
如图1所示，本发明实施例的实时通行速度预测方法，包括：
步骤S1，获取当前天气状况以及时间特征，所述天气状况包括雨雪天气/非雨雪天气，所述时间特征包括工作日/非工作日，和高峰时段/非高峰时段。
如上所述，由于不同的天气状况、时间特征，其车流量差异很大，因此有必要结合天气状况以及时间特征来对实时通行速度进行预测。根据本发明，将天气状况分为雨雪天气和非雨雪天气，将时间特征分为工作日、非工作日、以及高峰时段、非高峰时段。
步骤S2，获取各个道路link的属性特征z。
也就是说，收集当前城市道路link的属性特征。
其中，属性特征可以包括以下属性特征z的一种或多种：
道路等级(高速、国道、省道或其他道路)、道路link长度、是否主辅路、是否左转或右转车道、单向/双向/三车道或以上。
需要注意的是，以上只是可选的示例，任何对通行速度有影响的道路属性特征都应该理解在本发明范围内。
步骤S3，获取每条道路link上的当前速度平均值r’，以及与所述当前天气状况以及时间特征相应的预定时间范围内的历史速度平均值r。
步骤S4，获取城市路网的各个预定区域的当前平均车流量g’,以及与所述当前天气状况以及时间特征相应的所述预定时间范围内的历史平均车流量g。
步骤S5，根据所述属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度。
根据本发明一些实施例，预测所有道路Link的实时通行速度包括：
1)基于所述属性特征z构建属性矩阵Z。
也就是说，将各个道路linkID(道路link的ID)按照link的等级属性组成矩阵Z。
2)基于每条道路link的当前速度平均值r’构建稀疏实时通行速度矩阵M′r。
优选地，将全天划分为预定个数时间戳(timeID)；
根据每条道路link，按当前时间的速度映射到同一个时间戳后获取该道路link的所述当前速度平均值r’；
此后，根据每条道路link的所述当前速度平均值r’构成稀疏实时通行速度矩阵Mr′，其中道路link的所述当前速度平均值r’未知的部分以0进行填充。
例如，按照每2分钟为间隔对于全天进行划分，即将全天1440min(分钟)划分为720个时间戳(timeID)，根据道路linkID，将当前速度平均值r’(各道路link按当前驾驶时间映射到同一个时间戳后平均速度值r’，link速度值未知以0填充)组成稀疏实时通行速度矩阵Mr′。
3)基于每条道路link的历史速度平均值r构建稀疏历史速度矩阵Mr。
可选地，根据每条道路link,将之前预定时间的速度映射到同一个时间戳后获取该道路link的所述历史速度平均值r，
此后，根据每条道路link的所述历史速度平均值r构成所述稀疏历史速度矩阵M′r，其中道路link的所述历史速度平均值r未知的部分以0进行填充。
例如，将道路link累计历史速度平均值r(各道路link前3个月(之前预定时间)的速度映射到同一时间戳后速度平均值r，速度值未知以0填充)组成稀疏历史速度矩阵M′r。
4)基于各个预定区域的当前平均车流量g’构建当前车流量矩阵M′G。
可选地，将当前城市路网按照5*5划分为25个子网格，
统计当前各个时间戳通过各个所述子网格所在区域的平均车流量g’，构成所述当前车流量矩阵M′G，
例如，将当前城市路网按5*5网格(路网的最小包诺矩形)划分为25个子网格(RegionID)，按上述时间戳(TimeID，按照每2分钟为间隔对于全天进行划分)，统计各个时间戳(TimeID)中通过各个网格(RegionID)所在区域的平均车流量g’，组成矩阵M′G。
5)基于各个预定区域的历史平均车流量g构建历史车流量矩阵MG。
可选地，将当前城市路网按照5*5划分为25个子网格，
统计之前预定时间各个时间戳通过各个所述子网格所在区域的历史平均车流量g，构成所述历史车流量矩阵MG。
例如，将当前城市路网按5*5网格(路网的最小包诺矩形)划分为25个子网格(RegionID)，按上述时间戳(TimeID，按照每2分钟为间隔对于全天进行划分)，统计各个时间戳(TimeID)中通过各个网格(RegionID)所在区域的前3个月(之前预定时间)的历史平均车流量g，组成矩阵MG。
6)根据所述属性矩阵Z、稀疏实时通行速度矩阵Mr′、稀疏历史速度矩阵Mr、当前车流量矩阵M′G、以及历史车流量矩阵MG，构建协同滤波与非负矩阵分解的耦合模型，基于所述耦合模型预测速度。
进一步地，低秩矩阵T,R,G,F，其中T,R,G,F分别表示矩阵分解的隐隐形因子，且所述低秩矩阵T,R,G,F满足下述关系：
[M′G,MG]≈T×[G；G]T,[M′r,Mr]≈T×[R；R]T,Z≈R×FT
其中，[M′G,MG]表示两个矩阵左右拼接，[R；R]表示两个矩阵上下拼接，×表示矩阵乘法，上标T表示矩阵转置，
并且，按照均匀分布U(0,1)随机初始化所述低秩矩阵T,R,G,F，
此后，根据所所述属性矩阵Z、稀疏实时通行速度矩阵Mr′、稀疏历史速度矩阵Mr、当前车流量矩阵M′G、以及历史车流量矩阵MG的属性信息，构建如下式(1)所示目标函数，
Figure BDA0002327673880000091
其中，其中O为指示矩阵，当矩阵O右乘矩阵对应的位置缺失，则O中对应元素为0，否则为1，
○表示Hadamard积，
λ1,λ2,λ3均为超参数系数且分别为，λ1＝5.0,λ2＝1.0,λ3＝0.5
ΛT,ΛR,ΛG,ΛF为辅助矩阵。
进一步地，所述辅助矩阵满足条件O○ΛT＝0,O○ΛR＝0,O○ΛG＝0,O○ΛF＝0，根据所述目标函数和所述辅助矩阵满足的条件，得到下述表达式(2)，
Figure BDA0002327673880000101
Figure BDA0002327673880000102
Figure BDA0002327673880000103
Figure BDA0002327673880000104
且所述实时通行速度矩阵Mr *＝T*R*,
通过所述实时通行速度矩阵Mr *确定当前时刻的各道路link的实时通行速度。
即根据式(1)和辅助矩阵满足的条件，经过推导可得到表达式(2)，对式(2)经过特定的迭代步数后，得到最终的T*,R*，由此得到最终的实时速度矩阵为Mr *＝T*R*，此时得到的实时速度矩阵Mr′中所有缺失值均得到有效补全，且满足非负约束，据此即得到了各个道路link的实时速度。
由此，可以得到速度值保证非负性，无需额外调整处理，能够实时在线预测不同道路不同时刻的驾驶通行速度，收敛速度快且可解释性强。
同时，结合上述式(1)与(2)可知，上述构造的目标函数表达式中，为了分解还原缺失的交通速度值(M'G与MG中的0元素值)，借助了反映道路属性特征(矩阵Z)与车流量信息特征(M'r,Mr),即道路属性特征与车流量信息起到了协同交通速度分解还原缺失值，从而实现协同过滤的作用。
进一步地，根据所述实时通行速度矩阵，采用之前半小时的速度信息进行迭代，迭代结果的实时通行速度矩阵Mr *的最后一行的速度作为当前时刻各个道路link的实时通行速度。
例如，在实际预测当前时刻TimeID＝i的速度时，上述构建的矩阵采用前10min或前30min的速度信息而无需720个时间戳的速度，即M′r，M′r的行数为5或者15。最终迭代后的Mr *最后一行的速度即为当前时刻各个道路link的实时速度值。
如图2所示，在训练集与测试集得到的均方根误差RMSE(预测速度与未缺失值相比)为±5km/h所占比例为70％左右，±10km/h所占比例接近90％，反映了较好的预测准确性。
下面，结合图3，说明根据本发明实施例的实时通行速度预测装置1000。
如图3所示，本发明实施例的实时通行速度预测装置1000包括：
获取模块1001，所述获取模块用于获取各个道路link的属性特征z、每条道路link上的当前速度平均值r’、预定时间范围内的历史速度平均值r、城市路网的各个预定区域的当前平均车流量g’、以及所述预定时间范围内的历史平均车流量g；
处理模块1002，所述处理模块用于根据所述属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度。
进一步地，获取模块1001和处理模块1002还可以分别用于实时通行速度预测方法中的相应步骤，在此省略其详细说明。
此外，结合图4，说明根据本发明实施例的用于识别标签的信息电子设备1400。
如图4所示，本发明实施例的用于识别标签的信息电子设备1400包括：
处理器1401和存储器1402，在存储器1402中存储有计算机程序指令，其中，在计算机程序指令被处理器运行时，使得处理器1401执行以下步骤：
步骤S1，获取各个道路link的属性特征z；
步骤S2，获取每条道路link上的当前速度平均值r’，以及预定时间范围内的历史速度平均值r；
步骤S3，获取城市路网的各个预定区域的当前平均车流量g’,以及所述预定时间范围内的历史平均车流量g；
步骤S4，根据所述属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度。
上述各个接口和设备之间可以通过总线架构互连。总线架构可以是可以包括任意数量的互联的总线和桥。具体由处理器1401代表的一个或者多个中央处理器(CPU)，以及由存储器1402代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解，总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外，还包括电源总线、控制总线和状态信号总线，这些都是本领域所公知的，因此本文不再对其进行详细描述。
所述网络接口1403，可以连接至网络(如因特网、局域网等)，从网络中获取相关数据，并可以保存在硬盘1405中。
所述输入设备1404，可以接收操作人员输入的各种指令，并发送给处理器1401以供执行。所述输入设备1404可以包括键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
所述显示设备1406，可以将处理器1401执行指令获得的结果进行显示。
所述存储器1402，用于存储操作系统运行所必须的程序和数据，以及处理器1401计算过程中的中间结果等数据。
可以理解，本发明实施例中的存储器1402可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM)，其用作外部高速缓存。本文描述的装置和方法的存储器1402旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器1402存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统14021和应用程序14014。
其中，操作系统14021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序14014，包含各种应用程序，例如浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序14014中。
上述处理器1401，当调用并执行所述存储器1402中所存储的应用程序和数据，具体的，可以是应用程序14014中存储的程序或指令时，首先，获取各个道路link的属性特征z；接着，获取每条道路link上的当前速度平均值r’，以及预定时间范围内的历史速度平均值r；接着，获取城市路网的各个预定区域的当前平均车流量g’,以及所述预定时间范围内的历史平均车流量g；最后，根据所述属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度。
本发明上述实施例揭示的方法可以应用于处理器1401中，或者由处理器1401实现。处理器1401可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1401可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1402，处理器1401读取存储器1402中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ASIC)、数字信号处理器DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
另外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器运行时，使得所述处理器执行以下步骤：
步骤S1，获取各个道路link的属性特征z；
步骤S2，获取每条道路link上的当前速度平均值r’，以及预定时间范围内的历史速度平均值r；
步骤S3，获取城市路网的各个预定区域的当前平均车流量g’,以及所述预定时间范围内的历史平均车流量g；
步骤S4，根据所述属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度。
更进一步地，本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。电子设备(例如可以是服务器、云服务器、或者服务器的一部分等)的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得实时通行速度预测装置1000实施上述各种实施方式提供实时通行速度预测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁盘或者光盘等各种可以存储程序代码的介质。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种实时通行速度预测方法，其特征在于，包括：
获取当前天气状况以及时间特征，所述天气状况包括雨雪天气/非雨雪天气，所述时间特征包括工作日/非工作日，和高峰时段/非高峰时段；
获取各个道路link的属性特征z；
获取每条道路link上的当前速度平均值r’，以及与所述当前天气状况以及时间特征相应的预定时间范围内的历史速度平均值r；
获取城市路网的各个预定区域的当前平均车流量g’,以及与所述当前天气状况以及时间特征相应的所述预定时间范围内的历史平均车流量g；
根据所述属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度。
2.根据权利要求1所述的实时通行速度预测方法，其特征在于，根据所述属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度包括：
基于所述属性特征z构建属性矩阵Z，
基于每条道路link的当前速度平均值r’构建稀疏实时通行速度矩阵M′r，
基于每条道路link的历史速度平均值r构建稀疏历史速度矩阵Mr,
基于各个预定区域的当前平均车流量g’构建当前车流量矩阵M′G，
基于各个预定区域的历史平均车流量g构建历史车流量矩阵MG，
根据所述属性矩阵Z、稀疏实时通行速度矩阵M′r、稀疏历史速度矩阵Mr、当前车流量矩阵M′G、以及历史车流量矩阵MG，构建协同滤波与非负矩阵分解的耦合模型，基于所述耦合模型预测速度。
3.根据权利要求2所述的实时通行速度预测方法，其特征在于，所述属性特征z包括：道路等级、道路link长度、是否主辅路、是否左转或右转车道、单向/双向/三车道或以上中的一种或多种。
4.根据权利要求2所述的实时通行速度预测方法，其特征在于，
将全天划分为预定个数时间戳；
根据每条道路link，按当前时间的速度映射到同一个时间戳后获取该道路link的所述当前速度平均值r’，
此后，根据每条道路link的所述当前速度平均值r’构成所述稀疏实时通行速度矩阵M′r，其中道路link的所述当前速度平均值r’未知的部分以0进行填充，
根据每条道路link,将之前预定时间的速度映射到同一个时间戳后获取该道路link的所述历史速度平均值r，
此后，根据每条道路link的所述历史速度平均值r构成所述稀疏历史速度矩阵M′r，其中道路link的所述历史速度平均值r未知的部分以0进行填充。
5.根据权利要求4所述的实时通行速度预测方法，其特征在于，
将当前城市路网按照5*5划分为25个子网格，
统计当前各个时间戳通过各个所述子网格所在区域的平均车流量g’，构成所述当前车流量矩阵M′G，
统计之前预定时间各个时间戳通过各个所述子网格所在区域的历史平均车流量g，构成所述历史车流量矩阵MG。
6.根据权利要求5所述的实时通行速度预测方法，其特征在于，按照每2分钟为间隔对于全天进行划分，得到720个所述时间戳，且基于之前3个月的速度、车流量，分别获得所述历史速度平均值r以及所述历史平均车流量g。
7.根据权利要求2所述的实时通行速度预测方法，其特征在于，低秩矩阵T,R,G,F，其中T,R,G,F分别表示矩阵分解的潜在因子(或隐因子)，且所述低秩矩阵T,R,G,F满足下述关系：
[M′G,MG]≈T×[G；G]T,[M′r,Mr]≈T×[R；R]T,Z≈R×FT
其中，[M′G,MG]表示两个矩阵左右拼接，[R；R]表示两个矩阵上下拼接，×表示矩阵乘法，上标T表示矩阵转置，
并且，按照均匀分布U(0,1)随机初始化所述低秩矩阵T,R,G,F，
此后，根据所所述属性矩阵Z、稀疏实时通行速度矩阵M′r、稀疏历史速度矩阵Mr、当前车流量矩阵M′G、以及历史车流量矩阵MG的属性信息，构建如下式(1)所示目标函数，
Figure FDA0002327673870000031
其中，其中O为指示矩阵，当矩阵O右乘矩阵对应的位置缺失，则O中对应元素为0，否则为1，
○表示Hadamard积，
λ1,λ2,λ3均为经验系数且分别为，λ1＝5.0,λ2＝1.0,λ3＝0.5
ΛT,ΛR,ΛG,ΛF为辅助矩阵。
8.根据权利要求7所述的实时通行速度预测方法，其特征在于，所述辅助矩阵满足条件
Figure FDA0002327673870000036
根据所述目标函数和所述辅助矩阵满足的条件，得到下述表达式(2)，
Figure FDA0002327673870000032
Figure FDA0002327673870000033
Figure FDA0002327673870000034
Figure FDA0002327673870000035
且所述实时通行速度矩阵Mr *＝T*R*,
通过所述实时通行速度矩阵Mr *确定当前时刻的各道路link的实时通行速度。
9.根据权利要求8所述的实时通行速度预测方法，其特征在于，根据所述实时通行速度矩阵，采用之前半小时的速度信息进行迭代，迭代结果的所述实时通行速度矩阵Mr *的最后一行的速度作为所述当前时刻各个道路link的实时通行速度。
10.一种实时通行速度预测装置，其特征在于，包括：
获取模块，所述获取模块用于获取当前天气状况以及时间特征，所述天气状况包括雨雪天气/非雨雪天气，所述时间特征包括工作日/非工作日，和高峰时段/非高峰时段、获取各个道路link的属性特征z、每条道路link上的当前速度平均值r’、与所述当前天气状况以及时间特征相应的预定时间范围内的历史速度平均值r、城市路网的各个预定区域的当前平均车流量g’、以及与所述当前天气状况以及时间特征相应的所述预定时间范围内的历史平均车流量g；
处理模块，所述处理模块用于根据所述属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度。
11.一种用于实时通行速度预测的电子设备，其特征在于，包括：
一个或多个处理器；
一个或多个存储器，其中存储了计算机可读代码，所述计算机可读代码当由所述一个或多个处理器运行时，使得所述处理器执行如下步骤：
获取当前天气状况以及时间特征，所述天气状况包括雨雪天气/非雨雪天气，所述时间特征包括工作日/非工作日，和高峰时段/非高峰时段；
获取各个道路link的属性特征z；
获取每条道路link上的当前速度平均值r’，以及与所述当前天气状况以及时间特征相应的预定时间范围内的历史速度平均值r；
获取城市路网的各个预定区域的当前平均车流量g’,以及与所述当前天气状况以及时间特征相应的所述预定时间范围内的历史平均车流量g；
根据所述属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度。
12.一种计算机可读存储介质，其特征在于，其中存储了计算机可读代码，所述计算机可读代码当由一个或多个处理器运行时，使得所述处理器执行如下步骤：
获取各个道路link的属性特征z；
获取每条道路link上的当前速度平均值r’，以及预定时间范围内的历史速度平均值r；
获取城市路网的各个预定区域的当前平均车流量g’,以及所述预定时间范围内的历史平均车流量g；
根据所述属性特征z、当前速度平均值r’、历史速度平均值r、当前平均车流量g’、以及历史平均车流量g，预测所有道路Link的实时通行速度。
CN201911323048.5A 2019-12-20 2019-12-20 实时通行速度预测方法、装置及电子设备 Active CN110992708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911323048.5A CN110992708B (zh) 2019-12-20 2019-12-20 实时通行速度预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911323048.5A CN110992708B (zh) 2019-12-20 2019-12-20 实时通行速度预测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN110992708A true CN110992708A (zh) 2020-04-10
CN110992708B CN110992708B (zh) 2021-10-01

Family

ID=70073375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911323048.5A Active CN110992708B (zh) 2019-12-20 2019-12-20 实时通行速度预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110992708B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113665576A (zh) * 2021-08-31 2021-11-19 中国第一汽车股份有限公司 车辆行驶工况预测方法、装置、设备及介质
CN117953691A (zh) * 2024-03-26 2024-04-30 腾讯科技（深圳）有限公司 交通数据处理方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101897184A (zh) * 2007-12-11 2010-11-24 汤姆森许可贸易公司 对用户的内容访问进行优化的设备和方法
CN103632547A (zh) * 2013-12-06 2014-03-12 上海理工大学 移动瓶颈影响下路段行程时间预测系统及实现方法
US20150206428A1 (en) * 2014-01-21 2015-07-23 Iteris, Inc. Estimation of hourly traffic flow profiles using speed data and annual average daily traffic data
CN104821080A (zh) * 2015-03-02 2015-08-05 北京理工大学 基于宏观城市交通流的智能车辆行驶速度及时间预测方法
US9424745B1 (en) * 2013-11-11 2016-08-23 Emc Corporation Predicting traffic patterns
CN109409598A (zh) * 2018-10-23 2019-03-01 河南工业大学 基于svm和卡尔曼滤波的路段行程时间预测方法及装置
CN109740811A (zh) * 2018-12-28 2019-05-10 斑马网络技术有限公司 通行速度预测方法、装置和存储介质
US20190378405A1 (en) * 2018-06-12 2019-12-12 Electronics And Telecommunications Research Institute Method for predicting travel time using spatio-temporal model and apparatus thereof

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101897184A (zh) * 2007-12-11 2010-11-24 汤姆森许可贸易公司 对用户的内容访问进行优化的设备和方法
US9424745B1 (en) * 2013-11-11 2016-08-23 Emc Corporation Predicting traffic patterns
CN103632547A (zh) * 2013-12-06 2014-03-12 上海理工大学 移动瓶颈影响下路段行程时间预测系统及实现方法
US20150206428A1 (en) * 2014-01-21 2015-07-23 Iteris, Inc. Estimation of hourly traffic flow profiles using speed data and annual average daily traffic data
CN104821080A (zh) * 2015-03-02 2015-08-05 北京理工大学 基于宏观城市交通流的智能车辆行驶速度及时间预测方法
US20190378405A1 (en) * 2018-06-12 2019-12-12 Electronics And Telecommunications Research Institute Method for predicting travel time using spatio-temporal model and apparatus thereof
CN109409598A (zh) * 2018-10-23 2019-03-01 河南工业大学 基于svm和卡尔曼滤波的路段行程时间预测方法及装置
CN109740811A (zh) * 2018-12-28 2019-05-10 斑马网络技术有限公司 通行速度预测方法、装置和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
H. GÜLAÇAR, Y. YASLAN AND S. F. OKTUĞ: "Short term traffic speed prediction using different feature sets and sensor clusters", 《NOMS 2016 - 2016 IEEE/IFIP NETWORK OPERATIONS AND MANAGEMENT SYMPOSIUM》 *
余永红: "融合多源信息的推荐算法研究", 《中国博士学位论文全文数据库信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113665576A (zh) * 2021-08-31 2021-11-19 中国第一汽车股份有限公司 车辆行驶工况预测方法、装置、设备及介质
CN117953691A (zh) * 2024-03-26 2024-04-30 腾讯科技（深圳）有限公司 交通数据处理方法、装置、电子设备及存储介质
CN117953691B (zh) * 2024-03-26 2024-06-07 腾讯科技（深圳）有限公司 交通数据处理方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN110992708B (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
Zheng et al. Freeway safety estimation using extreme value theory approaches: A comparative study
CN110264711A (zh) 一种交通事故概率的确定方法及装置
CN110992708B (zh) 实时通行速度预测方法、装置及电子设备
Ben-Dor et al. Population downscaling in multi-agent transportation simulations: A review and case study
CN110851524B (zh) 基于自下而上的城市机动车排放清单编制技术方法及系统
CN111739299B (zh) 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质
WO2022037085A1 (zh) 车辆的仿真测试场景的构建方法和装置
CN109840640B (zh) 一种电动汽车充电桩的选址方法和系统
Rahnama et al. A spatial-temporal analysis of urban growth in melbourne; Were local government areas moving toward compact or sprawl from 2001–2016?
Fujimoto et al. Ad hoc distributed simulations
CN116341773A (zh) 车辆需求预测方法、装置、计算机设备和存储介质
CN112309138A (zh) 交通信号控制方法、装置、电子设备及可读存储介质
CN111141302B (zh) 车辆驾驶到达时间的预估方法、装置及电子设备
CN111127880A (zh) 一种基于mfd的网格路网交通性能分析方法
CN114036411A (zh) 一种路线规划方法、装置、设备及介质
Singh et al. Modelling and analysis of urban traffic noise system using algebraic graph theoretic approach
CN113298309A (zh) 用于交通拥堵状态预测的方法、装置及终端
Thakali et al. Model-based versus data-driven approach for road safety analysis: Do more data help?
CN109934496B (zh) 区域间通行影响确定方法、装置、设备和介质
El Esawey et al. Calibration and validation of micro-simulation models of medium-size networks.
CN114782926B (zh) 驾驶场景识别方法、装置、设备、存储介质和程序产品
Barth et al. Integrating a comprehensive modal emissions model into ATMIS transportation modeling frameworks
CN114185320B (zh) 一种无人系统集群的测评方法、装置、系统及存储介质
CN111091156A (zh) 路口的通行时间估算方法、装置及电子设备
CN115587460B (zh) 道路交通情况数字仿真方法及装置

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