CN111063204B - 一种基于收费站流量的高速公路车速预测模型训练方法 - Google Patents

Abstract

本发明公开了一种基于收费站流量的高速公路车速预测模型训练方法，通过不同收费站点之间大小车的进出流量作为特征，然后加入距离权重，最后使用LVQ算法进行匹配优化，这样不仅能综合考虑时间和空间因素，也能加快预测速度。本发明模型训练方法无需通过复杂和昂贵的检测仪器来监测大小车车速，只需要统计站点收费数据，就可以预测大小车车速，对于整体的交通流有一个大致的判断，可以通过交通指示牌对于某一段高速公路进行指示限速或者限流，达到控制整体交通路况的作用，能有效减少交通事故的发生。

Description

一种基于收费站流量的高速公路车速预测模型训练方法

技术领域

本发明属于数据分析技术领域，具体涉及一种基于收费站流量的高速公路 车速预测模型训练方法。

背景技术

高速公路是现代化标志，是一个国家综合国力的体现，其建设和运营涉及 到国家经济和社会生活的各个方面，汽车工业的飞速发展和城镇化推进给高速 公路公司带来发展机遇；在铁路运输能力紧张、进出通道不畅的地区，高速公 路就发挥着重要的运输作用。随着人们生活水平的快速提高，拥有汽车的人数 越来越多，但同时也带来了高速公路上车流量迅速增加的问题。

随着高速公路里程的增加，交通管理者对交通的信息化管理要求以及出行 者对交通的信息化服务需求也在逐渐增加，实时准确的把握未来路段的交通状 况是高效管理与服务的前提，而对短时交通流量的预测是对路段未来交通情况 把握的关键，如何准确把握交通流的规律，提高流量预测的精度，是现有研究 的重要方向。现有的高速公路短时交通流量的预测方法主要涉及基于线性系统 理论的方法、基于非线性理论的方法、基于知识发现的智能预测方法、基于组 合预测的方法以及基于交通流模态的预测方法等理论基础，基于这些理论基础， 目前已研发出了多种高速公路短时交通流量的预测方法。对于高速公路车速预 测的研究目前已有较多成果，国内外建立运行车速预测模型的方法主要分两类：

第一类是统计回归模型，采取实测大量实际行车速度，建立运行车速与线 形指标的关系，比如通过建立微分方程预测高速公路运行车速，通过对平面线 形、纵面线形指标与运行车速的关系进行大量分析，获得一个回归模型；使用 反馈神经网络预测山区高速公路直线段车速，他们采用两阶段预测模式，从道 路线形因素和线形衔接出发，建立基于BP神经网络的山区高速公路直线段速 度预测模型。

第二类是相关因素制约模型，其研究方法不是直接建立速度与道路线形之 问的关系，而是建立各种限制速度与道路性质等的关系，然后再根据这些速度 定出运行车速，所需要数据为路段半径、纵坡率、离心力、重力加速度等，并 通过三维建模方法进行速度计算。

但是，无论是第一类还是第二类都因其计算过程往往过于繁琐，数据难以 获得，尤其是需要大量数据的神经网络模型，并且需要的参数变量很多，如考 虑天气、突发事件、道路状况等诸多随机因素对车速的影响。在实际过程中， 由于这些参数获得的成本很高，且往往缺失很多值，这使得这些方法的实际应 用场景要求过高，落地比较难；如果模型缺失很多参数，也会导致最终的计算 结果与实际情况相差较大。

纵观以上预测模型，为了提高预测的效果，需要更好的挖掘交通状态的变 化趋势，把握交通流内部的规律性，而上述交通车速预测方法均是以总交通流 量为研究对象来分析预测交通流的变化的。

发明内容

鉴于上述，本发明提供了一种基于收费站流量的高速公路车速预测模型训 练方法，通过不同收费站点之间大小车的进出流量作为特征，然后加入距离权 重，最后使用LVQ(Learning Vector Quantization，学习向量量化)算法进行匹配优 化，这样不仅能综合考虑时间和空间因素，也能加快预测速度。

一种基于收费站流量的高速公路车速预测模型训练方法，包括如下步骤：

(1)收集高速公路各收费站点的车辆交通数据，结合高速公路路网进行构 图，获得了一条从起点到终点的站点图并对各收费站点依次进行编号；

(2)对收集得到的数据进行预处理，得到每个收费站点的流量信息和车速 信息；

(3)以站点的流量信息作为自变量，车速信息作为因变量，建立基于线性 回归方程的预训练模型并求解出其中的权重系数；

(4)利用上述模型权重系数以及前序站点的流量信息以及距离权重，计算 出每个站点优化后的流量；

(5)以各时间片段下各站点优化后的流量作为输入，车速作为输出真值， 采用LVQ算法进行优化训练，经过多轮学习算法迭代后，得到一个预测高速收 费站点车速的模型。

进一步地，所述车辆交通数据包括每辆驶出收费站点车辆的入口日期时间、 入口站点、出口日期时间、出口站点、车辆类别及类型、在本段高速公路上的 行驶里程。

进一步地，所述步骤(2)的具体实现过程如下：

2.1对整一天时间进行分片，以固定时长为一片，共得到多个时间片段；

2.2根据收集到的数据统计每个收费站点在每个时间片段内大型车辆和小 型车辆的进出情况，即流量信息；

2.3对于任一时间片段，统计该时间片段内相邻两个收费站点之间路段上车 辆数量，并计算各车辆的速度；

2.4将相邻两个收费站点之间路段上所有车辆的速度过滤掉异常值后从小 到大排序并取中位数作为该时间片段内后一收费站点的车速信息。

进一步地，所述步骤(3)中的预训练模型如下：

V_p＝w_ax_1p+w_bx_2p+w_cx_3p+w_dx_4p

其中：p为任一收费站点，V_p为当前时间片段内站点p的车速，x_1p为当前时间 片段内驶进站点p的小型车辆数量，x_2p为当前时间片段内驶进站点p的大型车 辆数量，x_3p为当前时间片段内驶出站点p的小型车辆数量，x_4p为当前时间片段 内驶出站点p的大型车辆数量，w_a为小车驶进站点p数量对应的权重系数，w_b为大车驶进站点p数量对应的权重系数，w_c为小车驶出站点p数量对应的权重 系数，w_d为大车驶出站点p数量对应的权重系数。

进一步地，所述步骤(3)中利用多个时间片段的流量及车速信息，通过最 小二乘法对预训练模型进行求解得到其中的权重系数w_a～w_d。

进一步地，所述步骤(4)中通过以下公式计算每个站点优化后的流量；

其中：X_p为当前时间片段内站点p优化后的流量，对于站点p之前的第i个收费 站点，w_i为该站点相对站点p的距离权重，x_1i为当前时间片段内驶进该站点的 小型车辆数量，x_2i为当前时间片段内驶进该站点的大型车辆数量，x_3i为当前时 间片段内驶出该站点的小型车辆数量，x_4i为当前时间片段内驶出该站点的大型 车辆数量，n为站点p之前的收费站点数量。

进一步地，所述距离权重w_i采用无穷级数1/2ⁱ。

优选地，所述站点p之前的收费站点数量n选为9，对模型的效果最好，说 明在前9段之前(即n>9)的收费站的出入情况已经不会影响当前段的车速。

本发明模型训练方法无需通过复杂和昂贵的检测仪器来监测大小车车速， 只需要统计站点收费数据，就可以预测大小车车速，对于整体的交通流有一个 大致的判断，可以通过交通指示牌对于某一段高速公路进行指示限速或者限流， 达到控制整体交通路况的作用，能有效减少交通事故的发生。

附图说明

图1为本发明高速公路车速预测模型训练方法的流程示意图。

图2为本发明对于预训练数据采用的距离权重示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技 术方案进行详细说明。

如图1所示，本发明基于收费站流量的高速公路车速预测模型训练方法， 包括如下步骤：

(1)收集高速公路收费口的流量数据，结合高速公路路网进行构图，获得 了一条从留下(2615)到江东大桥(2641)的站点图，并编号为1，2，3，……,n。

站点选择，由于不同的高速公路收费站在进出口数量上有所不同，我们选 择车辆数量较大的且连续的杭州绕城高速16个站点，分别是留下付(2616)，留 下(2615)，萧山南(2635)，义桥(2637)，袁浦(2639)，转塘(2611)，龙坞(2613)， 五常(2618)，勾庄(2622)，三墩(2620)，半山(2624)，乔司东(2628)，乔司东付(2629)， 下沙东(2631)，下沙南(2643)，江东大桥(2641)其中留下付是留下的出口，乔司 东付是乔司东的出口，在数据处理时候进行了合并处理，标为0～13号。

(2)对收集到的流量数据进行预处理，获取每个站点的流量和车速。

2.1首先采集如表1所示的数据：

表1

2.2遍历所有数据，提取入口收费站id、出口收费站id、入口时间、出口时 间、大小车标记；

2.3对收费站id进行重新编号，从0到n；

2.4对时间数据进行分片，以15分钟一片，一天共4*24＝96片；

2.5统计每个时间片每个收费站的大小车进出情况，生成表2；

表2

2.6统计相邻收费站之间的车辆，并计算车速(路程/时间)，如果数据车速异 常(小于10km/h)，跳过该数据，把其他的加入相应的列表中；

2.7计算每个时间片每段的车速的中位数，如果数据不足10条，跳过该条 数据，生成表3。

表3

(3)分析站点之间流量的变化情况对车速的影响，比如相邻的n和n-1两 个站点，研究第n-1个站第t-1个时刻的进出流量对于第n个站的第t个时刻的 速度影响，并且建立预训练模型，获得站点的大小车进出流量对于下一站点的 车速影响。

到这一步我们获取了不同站点之间的大小车流量信息，还有不同站点之间 的车速情况，我们假设站点间的大小车流量信息有四个部分，分别是x₁，x₂，x₃， x₄，车速为V；其中x₁表示在第t个时间段该站点小车驶进的数量，x₂表示在第 t个时间段内该站点大车驶进的数量，x₃表示在第t个时间段内该站点小车驶出 的数量，x₄表示在第t个时间段内该站点大车驶出的数量。

根据表2和表3的数据，生成模型训练所需要的内容，如表4所示，其中 第一字段为预测目标字段，其他字段作为输入的参数。具体而言，对于给定的 站点p，把时间段t-1的速度当成基数，把在t时间段内的，其它前序站点p-1, p-2,…中的大小车进出数量当成变量，预测站点p在时间段t中的速度v。

表4

通过观察流量与车速的散点图，我们发现流量和车速之前存在一定的线性 关系，为了找出这个线性关系，我们根据以上的四个流量信息x₁，x₂，x₃，x₄作为自变量，车速V作为因变量构建回归方程，获得流量对车速的影响权重w₁。

线性回归模型根据数据特征寻找合适的假设函数h_θ(x)，构造适合的损失函数 J(θ)，求极大似然估计的最大值或由极大似然可推导出最小二乘函数，求它的最 小值。

首先，我们构造一个假设函数：

其中：w₁₁是第t个时间段该站点小车驶进数量对应的权重，w₁₂是第t个时间段 该站点大车驶进数量对应的权重，w₁₃是第t个时间段该站点小车驶出数量对应 的权重，w₁₄是第t个时间段该站点小车驶出数量对应的权重。

然后，我们对这个假设函数求解，考虑到特征矩阵规模并不是特别大，所 以我们采用了最小二乘法进行求解，它的损失函数为：

令

可直接求出w₁的解：

w₁＝(X^TX)^-1X^TY

获得w的值后，将输入数据x₁，x₂，x₃，x₄分别和各自的w结合作为下一 步骤的输入。

(4)结合预训练权重，再加入原始输入数据后，对于当前站点的前n个站 点，采用站点拓扑权重进行优化。

考虑到真实的交通环境中，不同站点之间都会有相互影响，为了弱化这个 影响，本发明在原来预训练的基础上，对于距离当前站点的前n个站点，分别 进行一定的站点拓扑权重优化。

对于这个权重的选择，我们采用了无穷级数

也就是对于某个站点的前n 个站点，对于上一步骤的输出再分别结合距离权重w₂：

w₂₁*x₁₁,w₂₁*x₁₂,w₂₁*x₁₃,w₂₁*x₁₄

其中：w_2i是权重w₂在距离当前站点的前i个站点的权重，x_ij是距离当前站点的 前i个站点的第j个输入，j＝1为驶入小车数量，j＝2为驶入大车数量，j＝3为驶 出小车数量，j＝4为驶出大车数量，具体示意可查看图2。

(5)最后将优化后的数据进行学习向量量化，经过多轮学习算法的迭代后， 选择不同的n进行预测，并且选择一个效果最好的作为最终模型。

经过上一步的距离权重优化后，对于每个站点都有四个值，分别是

接下来需要刻画不同输入之间的相似度来匹配，以获得一个均值速度。 为了解决传统邻近算法的匹配消耗时间过大的缺点，本发明采用了基于学习向 量量化的算法，LVQ的表示是一组码本向量，它们在开始时是随机选择的，经 过多轮学习算法的迭代后，最终对训练数据集进行最好的总结；通过学习，码 本向量可被用来像K最近邻那样执行预测，通过计算每个码本向量与新数据实 例之间的距离，可以找到最相似的邻居(最匹配的码本向量)，然后返回最匹配单 元的类别值(分类)或实值(回归)作为预测结果，它可以减少对内存空间的需求， 不需要像KNN那样存储整个训练数据集，以下是LVQ的具体算法：

(6)模型预测，通过输入第n个站点的前i个站点的大小车辆进出情况， 预测第n个站点的车速。

通过步骤(5)的学习向量量化算法，获得了一个预测高速车速模型，模型 的输入是待预测站点的车流量以及待预测站点的前N个站点的车流量，模型的 输出是经过待预测站点的车速。

对于模型的评价指标：平均绝对误差(Mean Absolute Error,MAE)，MAE计 算公式：

其中：y_i是真实值，y'_i是预测值

在N的选择中，我们尝试了N＝1,……,10，并且进行模型的测试，测试结果 如表5所示：

表5

由上表可知，当N等于9时，模型的效果最好，说明在前9段之前(即N>9) 的收费站的出入情况已经不会影响当前段的车速。

上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本 发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并 把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此， 本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做 出的改进和修改都应该在本发明的保护范围之内。

Claims (1)

1.一种基于收费站流量的高速公路车速预测模型训练方法，包括如下步骤：

(1)收集高速公路各收费站点的车辆交通数据，结合高速公路路网进行构图，获得了一条从起点到终点的站点图并对各收费站点依次进行编号；

所述车辆交通数据包括每辆驶出收费站点车辆的入口日期时间、入口站点、出口日期时间、出口站点、车辆类别及类型、在本段高速公路上的行驶里程；

(2)对收集得到的数据进行预处理，得到每个收费站点的流量信息和车速信息，具体实现过程如下：

2.1对整一天时间进行分片，以固定时长为一片，共得到多个时间片段；

2.2根据收集到的数据统计每个收费站点在每个时间片段内大型车辆和小型车辆的进出情况，即流量信息；

2.3对于任一时间片段，统计该时间片段内相邻两个收费站点之间路段上车辆数量，并计算各车辆的速度；

2.4将相邻两个收费站点之间路段上所有车辆的速度过滤掉异常值后从小到大排序并取中位数作为该时间片段内后一收费站点的车速信息；

(3)以站点的流量信息作为自变量，车速信息作为因变量，建立基于线性回归方程的预训练模型如下：

V_p＝w_ax_1p+w_bx_2p+w_cx_3p+w_dx_4p

其中：p为任一收费站点，V_p为当前时间片段内站点p的车速，x_1p为当前时间片段内驶进站点p的小型车辆数量，x_2p为当前时间片段内驶进站点p的大型车辆数量，x_3p为当前时间片段内驶出站点p的小型车辆数量，x_4p为当前时间片段内驶出站点p的大型车辆数量，w_a为小车驶进站点p数量对应的权重系数，w_b为大车驶进站点p数量对应的权重系数，w_c为小车驶出站点p数量对应的权重系数，w_d为大车驶出站点p数量对应的权重系数；

进而利用多个时间片段的流量及车速信息，通过最小二乘法对预训练模型进行求解得到其中的权重系数w_a～w_d；

(4)利用上述模型权重系数以及前序站点的流量信息以及距离权重，通过以下公式计算出每个站点优化后的流量；

其中：X_p为当前时间片段内站点p优化后的流量，对于站点p之前的第i个收费站点，w_i为该站点相对站点p的距离权重且采用无穷级数1/2ⁱ，x_1i为当前时间片段内驶进该站点的小型车辆数量，x_2i为当前时间片段内驶进该站点的大型车辆数量，x_3i为当前时间片段内驶出该站点的小型车辆数量，x_4i为当前时间片段内驶出该站点的大型车辆数量，n为站点p之前的收费站点数量且n选定为9；

(5)以各时间片段下各站点优化后的流量作为输入，车速作为输出真值，采用LVQ算法进行优化训练，经过多轮学习算法迭代后，得到一个预测高速收费站点车速的模型。

Images