CN111260927B - 一种公路路网流量预测方法 - Google Patents
一种公路路网流量预测方法 Download PDFInfo
- Publication number
- CN111260927B CN111260927B CN202010374779.9A CN202010374779A CN111260927B CN 111260927 B CN111260927 B CN 111260927B CN 202010374779 A CN202010374779 A CN 202010374779A CN 111260927 B CN111260927 B CN 111260927B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- similarity
- road
- target area
- prediction
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种公路路网流量预测方法,包括:获取目标区域内路网数据和一段时间内车流量数据,得到车流量栅格图,输入CNN中,模型训练得到短时车流量预测模型;综合考虑动态和静态因素,获得不同区域内车流量相似度;对大量区域和已训练好车流量预测模型的区域做相似度分析,得到一系列车流量相似度,筛选出处于同一相似度等级的区域,得到这些区域的路网和车流量数据,输入已训练好的车流量预测模型得到预测结果,将预测结果和实际车流量数据对比得出各个区域车流量预测准确度;设定预测准确度,根据对应区域的相似度等级,对于相似度大于或等于该等级的区域,利用已训练好的车流量预测模型结合该区域实时车流量数据进行车流量预测。
Description
技术领域
本发明属于交通状况预测领域,具体涉及一种基于CNN的大规模路网下车流量预测方法。
背景技术
随着社会经济的发展,大都市的车辆数量急剧增加,现有的路网容量无法容纳如此之多的车辆。为了缓解交通拥堵的状况,可以考虑两种方法。一是扩大现有道路的车道数,扩大总路网容量。然而,这需要额外的土地和巨大的基础设施支出,而这些在许多城市地区往往是不可行的。另一种方法是使用各种交通控制策略,以便有效地利用现有的道路网络。这种方法不需要太多开支,在大多数情况下是可行的,因此在现实中更为实用。控制策略往往涉及到短期交通预测技术,预测潜在的交通拥堵,从而指导人们做出更合适的出行路线,进而缓解交通拥堵,提高城市交通运行效率。因此,准确的预测一定时间内的车流量对交通管理至关重要,已经成为智能交通系统中的重要环节。
在过去的几十年中,人们提出了很多模型用来解决短时交通流预测问题,主要可以分为两类。一类是基于传统的统计学的模型,主要有历史均值模型、时间序列模型、贝叶斯网络和马尔科夫链;另一类是基于机器学习的模型,主要有SVM(support vectormachine,支持向量机)模型、LSTM(long-short term memory,长短期记忆)模型和CNN(Convolutional Neural Networks,卷积神经网络)模型。然而上述两类模型均存在明显的缺陷:基于统计方法的模型大多是用于解决线性的问题,对于车流量预测这一非线性问题,往往无法得到好的预测结果;而基于机器学习的模型,存在的问题在于模型训练的时间成本和空间成本过高,同时需要观测大量的车流量数据,耗费巨大的人力物力财力,无法实现针对大规模路网的车流量预测。
发明内容
为了解决现有模型中存在的问题,根据本发明的实施方式提出了一种公路路网流量预测方法,并创造性的考虑影响车流量的静态和动态因素,将训练的模型运用到不同路网的车流量预测中,从而大幅降低大规模路网下的车流量预测成本。根据本发明的一个实施方式的基于CNN的大规模路网下车流量预测方法,首先对目标区域内路网和车流量数据进行预处理,并栅格化表示。然后将不同时段的栅格化数据输入到CNN中进行训练,得到目标区域的车流量预测模型。之后以一种简单有效的用来评估不同区域内的车流量相似度的方法,通过对全国其他区域内的路网和上述目标区域内的路网进行相似度评估,对相似度高的区域利用已经训练好的模型结合此区域内的实时车流量信息,对其进行短时车流量预测。
根据本发明的一个实施方式的一种公路路网流量预测方法,包括以下步骤:S1.获取目标区域内的路网数据和一段时间内该路网上的车流量数据,并对其进行预处理;S2.构建基于所述目标区域内的路网和车流量的车流量栅格图;S3. 根据所述目标区域的不同时段的车流量数据,得到一系列的车流量栅格图,将该一系列的车流量栅格图作为输入数据输入到CNN中,进行模型训练,得到所述目标区域的短时车流量预测模型;S4. 要和所述目标区域做车流量相似度评估的区域为待评估区域,综合考虑动态和静态因素,获得不同区域内车流量的相似度;S5. 对大量区域和已经训练好车流量预测模型的区域做相似度分析,得到一系列车流量相似度,并对所有的相似度进行升序排序,从零开始分为若干个等级,筛选出处于同一相似度等级中的区域,得到这些区域的路网数据和车流量数据,构建双层栅格图,并输入到已经训练好的车流量预测模型中,得到预测结果,将预测结果和实际的车流量数据对比,得出各个区域的车流量预测准确度,并取平均值,得到该相似度等级下对应的车流量预测准确度;S6. 预设一相似度等级,如果所得到的相似度等级高于该预设等级,但车流量预测准确度低于百分之五十,则返回步骤S4,并将目标区域和待评估区域划分成更多的等份;S7. 设定预测准确度,根据步骤S5得到对应的区域相似度等级,对于相似度大于或等于该等级的区域,利用已经训练好的车流量预测模型结合该区域的实时车流量数据对其进行车流量预测。
在一个可选的实施方式中,所述步骤S2可包括:S21. 将所述目标区域划分为的栅格图;S22. 对每条路定义流入车流量和流出车流量,其中路段在时间段内的
流入车流量等于时间内从路段两端驶入的车辆数,路段在时间段内的流出车流量等于时间内从路段两端驶出的车辆数;S23. 将所述目标区域内所有落在同一条路段
上的栅格赋值为该路段的流入车流量,非路段部分的栅格赋值为零,进而得到流入车流量
的栅格图,将目标区域内所有落在同一条路段上的栅格赋值为该路段的流出车流量,非路
段部分的栅格赋值为零,进而得到流出车流量的栅格图,综合流入车流量栅格图和流出车
流量栅格图,得到最终的车流量栅格图,大小为,其中2为车流量栅格图的深度。
在另一个可选的实施方式中,步骤S4可包括:
S41. 将区域内的公路按等级分为高速公路、一级公路、二级公路、三级公路、四级公路五类,目标区域为已经训练好车流量预测模型的区域,其他要和所述目标区域做车流量相似度评估的区域为待评估区域,并将路网结构抽象为复杂网络,路段与路段间的交点即为网络的节点,路段本身即为网络节点之间的连边,路段上一天的车流量定义为该路段的权重,其中所有区域中的所有路段均统计同一天的车流量;
在另一个可选的实施方式中,在所述步骤S5中,所述若干个等级,为从零开始,每十个百分点分为一级,共十个等级;且在所述步骤S6中,所述预设等级为八等级。
根据本发明的另一个实施方式提供了一种基于CNN的大规模路网下车流量预测方法,包括:获取目标区域内的路网数据和一段时间内该路网上的车流量数据;构建基于所述目标区域内的路网数据和车流量数据的车流量栅格图;根据所述目标区域的不同时段的车流量数据,得到一系列的车流量栅格图,将该一系列的车流量栅格图作为输入数据输入到CNN中,进行模型训练,得到所述目标区域的短时车流量预测模型;综合考虑动态和静态因素,获得不同区域内车流量的相似度;对大量区域和已训练好车流量预测模型的区域做相似度分析,得到一系列车流量相似度,并对所有相似度进行排序,筛选出处于同一相似度等级的区域,得到这些区域的路网数据和车流量数据,输入已训练好的车流量预测模型中,得到预测结果,将预测结果和实际车流量数据对比,得到各个区域的车流量预测准确度,并取平均值,得到该相似度等级下对应的车流量预测准确度;和设定预测准确度,根据对应区域的相似度等级,对于相似度大于或等于该等级的区域,利用已训练好的车流量预测模型结合该区域实时车流量数据进行车流量预测。
根据本发明的另一个实施方式包括以下步骤:
步骤一、获取目标区域内的路网数据和一段时间内该路网上的车流量数据,并对其进行预处理。
步骤二、构建基于目标区域内路网和车流量的车流量栅格图。具体做法如下:
最后,将目标区域内所有落在同一条路段上的栅格赋值为该路段的流入车流量,
非路段部分的栅格赋值为零,进而得到流入车流量的栅格图。同理可得到流出车流量的栅
格图。综合流入车流量栅格图和流出车流量栅格图,得到最终的车流量栅格图,大小为,其中2为图的深度。
步骤三、将一系列的车流量栅格图,作为输入数据输入到CNN中,进行模型训练,得到对应区域的短时车流量预测模型。
步骤四、综合考虑动态和静态因素,计算不同区域内车流量的相似度,具体计算方法如下:
首先将区域内的公路按等级分为高速公路、一级公路、二级公路、三级公路、四级公路五类。称已经训练好车流量预测模型的区域为目标区域,其他要和目标区域做车流量相似度评估的区域称为待评估区域。并将路网结构抽象为复杂网络,路段与路段间的交点即为网络的节点,路段本身即为网络节点之间的连边,路段上一天的车流量,定义为该路段的权重。其中所有区域中的所有路段均统计同一天的车流量。
之后对和包含全部五类公路的网络做进一步的相似度分析,对不同等级的公
路不做区分。首先将两个网络中每条连边的权重取倒数,得到新的权重,之后利用Kruskal
算法计算出两个网络的最小生成树。接着利用上述方法对两个最小生成树计算节点相似度,连边相似度,权重相似度和权重分布相似度,综合,,,四项
指标可以得到和的最小生成树相似度。进一步可得到和的相似度
步骤五、对大量区域和已经训练好车流量预测模型的区域做相似度分析,得到一
系列车流量相似度。之后对所有的相似度进行升序排序,从零开始,每十个百
分点分为一级,共十个等级。筛选出处于同一相似度等级中的区域,得到这些区域的路网数
据和车流量数据,构建双层栅格图,并输入到已经训练好的车流量预测模型中,得到预测结
果。之后将预测结果和实际的车流量数据对比,计算出各个区域的车流量预测准确度,并取
平均值,得到该相似度等级下对应的车流量预测准确度。
步骤六、如果出现相似度等级很高,但车流量预测准确度较低的情况,则返回步骤四,并将目标区域和待评估区域划分成更多的等份。
步骤七、设定预测准确度,根据步骤五可以得到对应的区域相似度等级,对于相似度大于等于该等级的区域,便可以利用已经训练好的车流量预测模型结合该区域的实时车流量数据对其进行车流量预测。
根据本发明的另一个实施方式提供了一种设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行根据本发明的实施方式的基于CNN的大规模路网下车流量预测方法。
本发明的优点以及带来的有益效果在于:
(1)本发明的实施方式提供的基于CNN的大规模路网下车流量预测方法,对路网和车流量数据进行抽象,构建出适合CNN处理的双层栅格数据。其中对一个路段的车流量定义了流入车流量和流出车流量分别进行考虑,有效的利用图像表示出不同情况下的车流量数据,对提高车流量预测的准确度起到一定作用。
(2)考虑到通常机器学习类方法解决车流量预测时,模型训练的时间成本和空间成本过高,且需要采集大量区域内的车流量数据,极为耗费人力物力,无法用于大规模路网下的车流量预测,本发明的实施方式提供的基于CNN的大规模路网下车流量预测方法,综合考虑影响车流量的动态和静态因素,其中动态因素为路网上的车流量分布,静态因素为路网结构,提出针对不同区域内的路网和车流量做相似度评估。对相似度较高的区域,可以利用针对某一区域训练好的车流量预测模型,来预测其他区域内的车流量情况,从而大幅模型训练时的时间、空间成本,同时也减少了采集车流量数据所耗费的人力物力财力。
本发明一种公路路网流量预测方法,提出了一种简单有效的针对路网车流量的相似度评估方法,区别于已有的路网匹配算法只是单纯的分析路网的静态结构的匹配程度,本方法从动态和静态两个角度分析了影响路网车流量的因素,提出了多项指标并设计了具体算法用于计算不同路网下车流量的相似度。且算法复杂度较低,尽可能的减小了相似度评估时所需的时间成本。
通过参考附图和以下说明,本发明的其它装置、设备、系统、方法、特征和优点将是明显的。包括在本说明书中的所有的另外的这种系统、方法、特征和优点都在本发明的范围内,且由所附权利要求保护。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。通过参考附图可更好地理解本发明。
图1示出了根据本发明的一个实施方式的一种公路路网流量预测方法的步骤流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要注意的是,除非另有说明,本发明使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
下面将结合附图和实施例对本发明作进一步的详细说明。图1示出了根据本发明的一个实施方式的一种基于CNN的大规模路网下车流量预测方法的步骤流程图。
根据本发明的一个实施方式提供了一种公路路网流量预测方法,首先获取目标区
域内的路网数据和一段时间内的车流量,然后将目标区域划分为的栅格图,对每条路
定义流入车流量和流出车流量,得到流入车流量栅格图和流出车流量栅格图,进而得到最
终的车流量栅格图,大小为。将一段时间内的车流量数据按时间间隔t切分,得到
一系列的车流量栅格图,作为CNN的输入数据,进行车流量预测模型训练。接着对已经训练
好车流量预测模型的区域和尚未训练模型的区域进行车流量的相似度评估,先将两个区域
各自划分成九份面积相等的子区域,并对每对子区域分别计算高速公路、一级公路、二级公
路、三级公路、四级公路路网下的节点相似度、连边相似度、权重相似度和权重分布相似度。
由上述相似度指标最终得到目标区域和待评估区域的相似度K。接着对大量区域和已经训
练好车流量预测模型的区域做相似度评估,挑选出相似度较高的区域,可以利用已经训练
好的车流量预测模型,来预测该区域内的车流量情况。
如图1所示,根据本发明的一个实施方式提供了一种基于CNN的大规模路网下车流量预测方法,包括如下步骤:
步骤一、获取目标区域内的路网数据和一段时间内该路网上的车流量数据,并对其进行预处理。
步骤二、构建基于目标区域内路网和车流量的车流量栅格图。具体做法如下:
最后,将目标区域内所有落在同一条路段上的栅格赋值为该路段的流入车流量,
非路段部分的栅格赋值为零,进而得到流入车流量的栅格图。同理可得到流出车流量的栅
格图。综合流入车流量栅格图和流出车流量栅格图,得到最终的车流量栅格图,大小为,其中2为图的深度。
步骤三、将一系列的车流量栅格图,作为输入数据输入到CNN中,进行模型训练,得到对应区域的短时车流量预测模型。
步骤四、综合考虑动态和静态因素,计算不同区域内车流量的相似度,具体计算方法如下:
首先将区域内的公路按等级分为高速公路、一级公路、二级公路、三级公路、四级公路五类。称已经训练好车流量预测模型的区域为目标区域,其他要和目标区域做车流量相似度评估的区域称为待评估区域。并将路网结构抽象为复杂网络,路段与路段间的交点即为网络的节点,路段本身即为网络节点之间的连边,路段上一天的车流量,定义为该路段的权重。其中所有区域中的所有路段均统计同一天的车流量。
之后对和包含全部五类公路的网络做进一步的相似度分析,对不同等级的公
路不做区分。首先将两个网络中每条连边的权重取倒数,得到新的权重,之后利用Kruskal
算法(克鲁斯卡尔算法)计算出两个网络的最小生成树。接着利用上述方法对两个最小生成
树计算节点相似度,连边相似度,权重相似度和权重分布相似度,综合,,,四项指标可以得到和的最小生成树相似度,计算公式如下:
步骤五、对大量区域和已经训练好车流量预测模型的区域做相似度分析,得到一
系列车流量相似度。之后对所有的相似度进行升序排序,从零开始,每十个百
分点分为一级,共十个等级。筛选出处于同一相似度等级中的区域,得到这些区域的路网数
据和车流量数据,构建双层栅格图,并输入到已经训练好的车流量预测模型中,得到预测结
果。之后将预测结果和实际的车流量数据对比,计算出各个区域的车流量预测准确度,并取
平均值,得到该相似度等级下对应的车流量预测准确度。本领域技术人员应理解,在不同的
实施方式中,根据需要,可以对所述的每十个百分点分为一级,共十个等级进行适应性调整
和选择,例如可分为更多或更少的等级。
步骤六、如果出现相似度等级很高,但车流量预测准确度较低的情况,则返回步骤四,并将目标区域和待评估区域划分成更多的等份。
步骤七、设定预测准确度,根据步骤五可以得到对应的区域相似度等级,对于相似度大于等于该等级的区域,便可以利用已经训练好的车流量预测模型结合该区域的实时车流量数据对其进行车流量预测。
本发明的实施方式还提供了一种终端设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时执行根据本发明的实施方式的基于CNN的大规模路网下车流量预测方法。
需要说明的是,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。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,又例如,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通信接口,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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (6)
1.一种公路路网流量预测方法,其特征在于该方法包括以下步骤:
S1. 获取目标区域内的路网数据和一段时间内该路网上的车流量数据,并对其进行预处理;
S2. 构建基于所述目标区域内的路网和车流量的车流量栅格图;
S3. 根据所述目标区域的不同时段的车流量数据,得到一系列的车流量栅格图,将该一系列的车流量栅格图作为输入数据输入到CNN中,进行模型训练,得到所述目标区域的短时车流量预测模型;
S4. 要和所述目标区域做车流量相似度评估的区域为待评估区域,综合考虑动态和静态因素,获得不同区域内车流量的相似度;
S5. 对大量区域和已经训练好车流量预测模型的区域做相似度分析,得到一系列车流量相似度,并对所有的相似度进行升序排序,从零开始分为若干个等级,筛选出处于同一相似度等级中的区域,得到这些区域的路网数据和车流量数据,构建双层栅格图,并输入到已经训练好的车流量预测模型中,得到预测结果,将预测结果和实际的车流量数据对比,得出各个区域的车流量预测准确度,并取平均值,得到该相似度等级下对应的车流量预测准确度;
S6. 预设一相似度等级,如果所得到的相似度等级高于该预设等级,但车流量预测准确度低于百分之五十,则返回步骤S4,并将目标区域和待评估区域划分成更多的等份;
S7. 设定预测准确度,根据步骤S5得到对应的区域相似度等级,对于相似度大于或等于该等级的区域,利用已经训练好的车流量预测模型结合该区域的实时车流量数据对其进行车流量预测。
2.根据权利要求1所述的方法,其特征在于所述步骤S2包括:
3.根据权利要求1所述的方法,其特征在于所述步骤S4包括:
S41. 将区域内的公路按等级分为高速公路、一级公路、二级公路、三级公路、四级公路五类,目标区域为已经训练好车流量预测模型的区域,其他要和所述目标区域做车流量相似度评估的区域为待评估区域,并将路网结构抽象为复杂网络,路段与路段间的交点即为网络的节点,路段本身即为网络节点之间的连边,路段上一天的车流量定义为该路段的权重,其中所有区域中的所有路段均统计同一天的车流量;
4.根据权利要求1所述的方法,其特征在于,
在所述步骤S5中,所述若干个等级,为从零开始,每十个百分点分为一级,共十个等级;且在所述步骤S6中,所述预设等级为八等级。
5.一种公路路网流量预测方法,其特征在于包括:
获取目标区域内的路网数据和一段时间内该路网上的车流量数据;
构建基于所述目标区域内的路网数据和车流量数据的车流量栅格图;
根据所述目标区域的不同时段的车流量数据,得到一系列的车流量栅格图,将该一系列的车流量栅格图作为输入数据输入到CNN中,进行模型训练,得到所述目标区域的短时车流量预测模型;
综合考虑动态和静态因素,获得不同区域内车流量的相似度;
对大量区域和已训练好车流量预测模型的区域做相似度分析,得到一系列车流量相似度,并对所有相似度进行排序,筛选出处于同一相似度等级的区域,得到这些区域的路网数据和车流量数据,输入已训练好的车流量预测模型中,得到预测结果,将预测结果和实际车流量数据对比,得到各个区域的车流量预测准确度,并取平均值,得到该相似度等级下对应的车流量预测准确度;和设定预测准确度,根据对应区域的相似度等级,对于相似度大于或等于该等级的区域,利用已训练好的车流量预测模型结合该区域实时车流量数据进行车流量预测。
6.一种公路路网流量预测设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时执行权利要求1-5中任一项所述的公路路网流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010374779.9A CN111260927B (zh) | 2020-05-07 | 2020-05-07 | 一种公路路网流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010374779.9A CN111260927B (zh) | 2020-05-07 | 2020-05-07 | 一种公路路网流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111260927A CN111260927A (zh) | 2020-06-09 |
CN111260927B true CN111260927B (zh) | 2020-08-11 |
Family
ID=70950032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010374779.9A Active CN111260927B (zh) | 2020-05-07 | 2020-05-07 | 一种公路路网流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260927B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819273B (zh) * | 2020-12-31 | 2023-11-28 | 东北大学 | 一种区域公路路网质量评价方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228808B (zh) * | 2016-08-05 | 2019-04-30 | 北京航空航天大学 | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 |
CN107103758B (zh) * | 2017-06-08 | 2019-06-21 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN108831153A (zh) * | 2018-08-09 | 2018-11-16 | 深圳先进技术研究院 | 一种利用时空分布特性的交通流预测方法及装置 |
KR102021992B1 (ko) * | 2018-08-21 | 2019-09-18 | 한국과학기술정보연구원 | 교통신호 제어 장치, 교통신호 제어 방법 및 교통신호 제어 프로그램을 저장하는 저장매체 |
CN110148296A (zh) * | 2019-04-16 | 2019-08-20 | 南京航空航天大学 | 一种基于深度迁移学习的跨城市交通流量联合预测方法 |
CN110517482B (zh) * | 2019-07-29 | 2021-06-29 | 杭州电子科技大学 | 一种基于3d卷积神经网络的短时交通流预测方法 |
-
2020
- 2020-05-07 CN CN202010374779.9A patent/CN111260927B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111260927A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Sdcae: Stack denoising convolutional autoencoder model for accident risk prediction via traffic big data | |
CN108596396B (zh) | 一种基于养护历史修正的路面性能预测和养护方法及装置 | |
CN112037539B (zh) | 一种用于饱和城市交通网络的信控方案推荐方法及系统 | |
CN109118119A (zh) | 风控模型生成方法及装置 | |
CN110164129B (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
Guo et al. | Short-term traffic prediction under normal and incident conditions using singular spectrum analysis and the k-nearest neighbour method | |
CN110414715B (zh) | 一种基于社团检测的客流量预警方法 | |
CN110288137A (zh) | 路网级道路基础设施结构综合养护决策方法及系统 | |
Hamad et al. | Predicting freeway incident duration using machine learning | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN105185106A (zh) | 一种基于粒计算的道路交通流参数预测方法 | |
CN111797768A (zh) | 一种城市道路交通拥堵多原因自动实时识别方法及系统 | |
Bartlett et al. | A machine learning based approach for the prediction of road traffic flow on urbanised arterial roads | |
CN111260927B (zh) | 一种公路路网流量预测方法 | |
Govindan et al. | Traffic volume prediction using intuitionistic fuzzy Grey-Markov model | |
Hsueh et al. | A short-term traffic speed prediction model based on LSTM networks | |
Park et al. | Collision frequency analysis using tree-based stratification | |
CN113158084B (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
Lee | Freeway travel time forecast using artifical neural networks with cluster method | |
CN117542195A (zh) | 一种交通运行状态识别方法、装置、设备及介质 | |
Li et al. | Assignment of seasonal factor categories to urban coverage count stations using a fuzzy decision tree | |
CN116030629A (zh) | 基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器 | |
CN113298309A (zh) | 用于交通拥堵状态预测的方法、装置及终端 | |
Sun et al. | Freeway traffic safety state classification method based on multi-parameter fusion clustering | |
CN115457766B (zh) | 一种用于预测道路拥堵状态的方法及系统 |
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 |