CN112185124A - 一种全路网交通状态预测方法及装置 - Google Patents
一种全路网交通状态预测方法及装置 Download PDFInfo
- Publication number
- CN112185124A CN112185124A CN202011363654.2A CN202011363654A CN112185124A CN 112185124 A CN112185124 A CN 112185124A CN 202011363654 A CN202011363654 A CN 202011363654A CN 112185124 A CN112185124 A CN 112185124A
- Authority
- CN
- China
- Prior art keywords
- traffic
- traffic flow
- determining
- road
- road network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000003860 storage Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 20
- 238000012795 verification Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 9
- 239000000126 substance Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (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
本发明提供了一种全路网交通状态预测方法及装置，涉及智能交通技术领域，包括：获取检测路段的交通流数据和全路网的历史出行OD矩阵；根据交通流数据确定预设时间间隔内检测路段的预测交通流数据，并根据历史出行OD矩阵确定预设时间间隔内全路网的交通流推演运行状态；根据预测交通流数据和推演交通流运行状态确定优化模型；根据优化模型和预设约束条件确定预测OD，进行全路网的状态预测。本发明克服了现有技术中只能对单一种类的交通流参数进行预测的问题，且解决了路网中无检测数据的路段的交通状态预测问题。本发明还可实现OD、速度、流量等多种交通状态预测结果的相互校验，减小单一种类数据的预测偏差，提高交通状态的预测准确度。
Description
技术领域
本发明涉及智能交通技术领域，具体而言，涉及一种全路网交通状态预测方法及装置。
背景技术
随着城市经济的不断发展和私家车的急速增多，传统的交通模式在现代交通中遇到了越来越多的问题，例如交通拥堵加剧、空气污染严重、交通事故频发等。且采用不断修建道路的方法来缓解巨大的交通压力已变得不切实际。为了应对这些棘手问题，智能交通系统（Intelligent Transportation Systems，简称ITS）被引入到动态交通管理中，并且得到了快速发展。结合信息技术和交通理论，智能交通系统被用于道路交通控制、交通诱导等各个方面。在缓解交通拥堵、提高出行效率等方面，ITS显示出了巨大的潜力。作为ITS的一个分支，交通预测在智能化管理和动态控制中始终占有重要地位。对交通路网的动态控制，依赖于短时/中时交通状态预测的效果。对不同时间间隔的实时交通状态的连续预测能力是交通管理系统提供动态交通控制的必要需求。交通状态的准确预测对智能交通管理和控制具有重要作用。然而，交通流复杂的时空相关性和检测设备布设的局限性，使得全路网的交通状态预测极具挑战。
交通状态预测经过了从模型驱动到数据驱动的发展过程。基于交通流模型的解析法对交通状态的预测精度较高，但会随着路网规模的扩大，导致模型过于复杂而无法求解。基于交通流模型的方法在复杂度更高的城市道路网络中也存在建模难的问题。后来，基于统计学和机器学习的方法受到广泛关注。
现有的基于贝叶斯网络的算法，能够有效处理大规模交通路网状态预测问题，同时能够提供交通状态的条件概率，得到可靠的预测结果。而机器学习算法，例如支持向量机（SVM）、自回归移动平均（ARIMA）、卡尔曼滤波（KF）等，能够更好地捕捉时空相关性和非线性关系，提供了一种替代交通流模型的更为灵活的预测方法。然而，数据驱动的方法对检测设备布设条件有较强的依赖，设备类型、布设位置、时空稀疏性等问题都会对预测精度造成影响。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题，为达上述目的，第一方面，本发明提供了一种全路网交通状态预测方法，其包括：
获取检测路段的交通流数据和全路网的历史出行OD矩阵；
根据所述交通流数据确定预设时间间隔内所述检测路段的预测交通流数据，并根据所述历史出行OD矩阵确定所述预设时间间隔内所述全路网的交通流推演运行状态；
根据所述预测交通流数据和所述推演交通流运行状态确定优化模型；
根据所述优化模型和预设约束条件确定预测OD，进行所述全路网的状态预测。
进一步地，所述交通流推演运行状态包括路段速度、路段流出量和路段排队车辆数。
进一步地，所述根据所述历史出行OD矩阵确定所述预设时间间隔内所述全路网的交通流推演运行状态包括：
根据所述预测交通流数据确定所述检测路段的所述路段速度，根据交通流的流-密-速关系确定其他路段的所述路段速度；
根据路段排队模型确定路段最大流出能力；
根据所述路段速度确定车流流出需求量；
根据所述路段最大流出能力和所述车流流出需求量确定所述路段流出量和所述路段排队车辆数。
进一步地，所述路段流出量表示为：
，所述路段排队车辆数表示为：
，其中，
表示所述路段最大流出能力，
表示路段
在
时刻的所述车流流出需求量，
表示路段
在
时刻的路段流出量，
表示仿真步长。
进一步地，所述交通流数据包括所述检测路段的速度和流量，所述历史出行OD矩阵以每个OD对为行，以时间片为列构成，所述历史出行OD矩阵的数值表示所述OD对在所述时间片内产生的出行量。
进一步地，所述根据所述预测交通流数据和所述推演交通流运行状态确定优化模型包括：
根据所述检测路段的所述速度和所述流量与所述推演交通流运行状态的偏差，和每个所述OD对的路段流量与所有时间片内产生的出行量的偏差，来确定所述优化模型。
进一步地，所述预设约束条件包括动态用户均衡约束。
进一步地，所述根据所述优化模型和预设约束条件确定预测OD，进行所述全路网的状态预测包括：
根据所述优化模型和所述预设约束条件的求解结果进行聚合，确定所述预测OD；
根据所述预测OD进行动态路径选择和交通流分配，确定所述全路网的交通状态。
进一步地，还包括：当根据所述优化模型和所述预设约束条件确定的目标函数值不符合预设精度要求时，调整每个OD对分配到偏差量最大的路径上的流量，重新进行优化，直至所述目标函数值符合所述预设精度要求。
进一步地，还包括：获取所述检测路段的最新交通流数据，对所述预测交通流数据进行更新。
为达上述目的，第二方面，本发明提供了一种全路网交通状态预测装置，其包括：
获取模块，用于获取检测路段的交通流数据和全路网的历史出行OD矩阵；
处理模块，用于根据所述交通流数据确定预设时间间隔内所述检测路段的预测交通流数据，并根据所述历史出行OD矩阵确定所述预设时间间隔内所述全路网的交通流推演运行状态；还用于根据所述预测交通流数据和所述推演交通流运行状态确定优化模型；
预测模块，用于根据所述优化模型和预设约束条件确定预测OD，进行所述全路网的状态预测。
使用本发明的全路网交通状态预测方法或装置，通过基于路网局部道路的速度和流量检测数据进行路段速度和流量的预测，再基于历史出行OD矩阵进行交通流推演确定全路网的交通状态，并根据预测结果和推演结果构建优化模型进行校验，使两者的差异尽可能小，并根据约束条件进行优化，确定预测OD进行全路网的状态预测，扩大速度和流量预测至全路网交通状态预测，克服了现有技术中只能对单一种类的交通流参数进行预测的问题，且解决了路网中无检测数据的路段的交通状态预测问题。本发明还可实现OD、速度、流量等多种交通状态预测结果的相互校验，减小单一种类数据的预测偏差，提高交通状态的预测准确度。
为达上述目的，第三方面，本发明提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现根据本发明第一方面所述的全路网交通状态预测方法。
为达上述目的，第四方面，本发明提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现根据本发明第一方面所述的全路网交通状态预测方法。
根据本发明的非临时性计算机可读存储介质和计算设备，具有与根据本发明第一方面的全路网交通状态预测方法具有类似的有益效果，在此不再赘述。
附图说明
图1为根据本发明实施例的全路网交通状态预测方法的流程示意图；
图2为根据本发明实施例的确定全路网的交通流推演运行状态的流程示意图；
图3为根据本发明实施例的进行全路网的状态预测的流程示意图；
图4为根据本发明实施例的时间滚动更新示意图；
图5为根据本发明实施例的全路网交通状态预测装置的结构示意图。
具体实施方式
下面将参照附图详细描述根据本发明的实施例，描述涉及附图时，除非另有表示，不同附图中的相同附图标记表示相同或相似的要素。要说明的是，以下示例性实施例中所描述的实施方式并不代表本发明的所有实施方式。它们仅是与如权利要求书中所详述的、本发明公开的一些方面相一致的装置和方法的例子，本发明的范围并不局限于此。在不矛盾的前提下，本发明各个实施例中的特征可以相互组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
交通系统是个复杂的体系，交通拥堵问题是由交通系统中的多种因素造成的，描述和优化交通拥堵问题涉及到多学科多方法。随着智能化时代的到来，智能交通系统(Intelligent Transportation System，ITS)为缓解城市拥堵带来了新的方向。城市交通问题已经引起我国政府的高度重视，在智能交通等领域大力发展高效能、高安全、综合化、智能化的系统技术与装备，形成满足我国需求、总体上国际先进的现代交通运输核心技术已成为交通运输研究领域中的优先研究课题。随着互联网行业的高速发展，智能交通也成为了大型互联网企业研究的重点方向，企业依于大数据技术和多年互联网行业技术经验，深度挖掘智能交通领域的潜在需求。因此，智能交通是交通领域的重点和热点研究方向。
当前广泛使用的道路控制主要包括定时控制、感应控制和自适应控制，这几种方式往往是已经产生一定时间拥堵时，才开始控制优化，即这些控制方法无法对未来路段状态进行预测。如果知道未来若干时刻路段的状态信息，参照交通状态预测结果，可及时安排应急措施和提前执行控制方法。因此，在目前的交通环境下，交通状态预测可以为交通管理部门提供良好的交通诱导依据，对于缓解道路交通拥堵有着非常重要的意义。
但现有技术中，基于交通检测数据进行交通状态预测的方法中，有的对检测数据依赖程度高，只能实现对有检测数据的路段进行预测，无法拓展到全路网的交通状态预测；有的虽然考虑了检测数据在空间上的稀疏性和时空上的相互影响，但只能实现对单一种类数据的预测，无法同时预测OD（ORIGIN DESTINATION，交通出行量）、速度、流量等多种交通状态，不能通过交通流的运行机理进行多种交通状态预测结果的相互校验，均存在一定缺陷，不能完全准确提供对全路网的多种类数据的预测结果。
本发明通过基于全路网交通状态推演的全路网交通状态预测方法，充分挖掘道路检测数据，例如流量和速度的利用价值，以预测速度和流量为可靠约束，通过动态OD估计实现OD预测，同时完成全路网的交通状态推演，实现全路网的速度、流量等交通状态的预测，且能实现OD、速度、流量等预测值的相互校验，并通过局部检测位置的交通状态预测，反推全路网的预测的交通状态，降低了对检测设备数量的要求。
图1所示为根据本发明实施例的全路网交通状态预测方法的流程示意图，包括步骤S1至S4。
在步骤S1中，获取检测路段的交通流数据和全路网的历史出行OD矩阵。在本发明实施例中，所述交通流数据包括所述检测路段的速度和流量，所述历史出行OD矩阵以每个OD对为行，以时间片为列构成，所述历史出行OD矩阵的数值表示所述OD对在所述时间片内产生的出行量。可以理解的是，所述检测路段指的是安装有检测设备，可获取检测数据的路段，例如可检测该路段的速度和流量。所述全路网包含基础路网中的所有路段，在本发明实施例中，根据历史出行OD矩阵获取所有路段在历史多个时间片内的OD出行数据。
在步骤S2中，根据所述交通流数据确定预设时间间隔内所述检测路段的预测交通流数据，并根据所述历史出行OD矩阵确定所述预设时间间隔内所述全路网的交通流推演运行状态。在本发明实施例中，基于双向长短时记忆方法（BDLSTM，Bidirectional LongShort-Term Memory）进行路段速度预测，基于卡尔曼滤波（KF，Kalman Filter）进行路段流量的预测，得到有检测数据的检测路段在预设时间间隔即未来一段时间内的预测速度和预测流量，其中，所述预设时间间隔可以一小时为例，但也可根据实际需求进行调整。可以理解的是，上述预测路段速度和预测路段流量的方法也可采用其他算法进行预测，本发明并不以此为限。
在本发明实施例中，基于预测时段内的历史出行OD矩阵，经过交通流分配，推演交通流的运行情况，其中，交通流推演运行状态包括路段速度、路段流出量和路段排队车辆数。图2所示为根据本发明实施例的确定全路网的交通流推演运行状态的流程示意图，包括步骤S21至S24。
在步骤S21中，根据所述预测交通流数据确定所述检测路段的所述路段速度，根据交通流的流-密-速关系确定其他路段的所述路段速度。在本发明实施例中，对于上游路段流入的车辆和路段内部的车辆，车流在检测路段上以预测速度行驶，车流在其它路段上的行驶速度根据交通流的“流-密-速”关系确定，如下式所示：
其中，
表示路段速度，
表示标定的自由流速度，
表示拥堵密度，
表示路段密度。
在步骤S22中，根据路段排队模型确定路段最大流出能力。在本发明实施例中，基于路段排队模型，根据下游路段允许流入的最大车辆数D和路段标定的通行能力C，确定路段最大流出能力
，如下式所示：
可以理解的是，确定路段最大流出能力
为下游路段允许流入的最大车辆数D和路段标定的通行能力C中数值较小的数，即当下游路段允许流入的最大车辆数大于本路段标定的通行能力时，本路段的最大流出车辆数量等于路段标定的可通行车辆数量，否则会造成本路段的超负荷运行，引发拥堵；当下游路段允许流入的最大车辆数小于本路段标定的通行能力时，本路段的最大流出车辆数量等于下游路段允许流入的最大车辆数，否则会造成下游路段的超负荷运行，引发拥堵。
可以理解的是，在本发明实施例中，当车流行驶到交叉口处时，车流的最大流出能力还会受到信号控制、车流交汇等因素影响。此时，可确定路段最大流出能力
，其中，对于信号交叉口，
表示信号方案中的绿信比；对于车流交汇的非信号交叉口，
表示通行能力的折减系数。
在步骤S23中，根据所述路段速度确定车流流出需求量。在本发明实施例中，根据路段速度V，计算仿真步长内的车流流出需求量
，如下式所示：
其中，
表示路段
在
时刻的需求量，
表示路段
在
时刻的排队车辆数，
表示路段
的上游路段集合，
表示路段
在
时刻的流出量，
和
分别表示路段
的路段长度和速度。可以理解的是，在本发明实施例中，所述仿真步长可取1s，也可根据实际需求进行设置，本发明并不以此为限。
在步骤S24中，根据所述路段最大流出能力和所述车流流出需求量确定所述路段流出量和所述路段排队车辆数。在本发明实施例中，根据路段最大流出能力
和车流流出需求量
确定路段流出量
，如下式所示：
其中，
表示路段最大流出能力，
表示路段
在
时刻的车流流出需求量，
表示仿真步长。可以理解的是，确定路段流出量
为路段最大流出能力
和车流流出需求量
中数值较小的数，即当路段最大流出能力
大于车流流出需求量
时，本路段的路段流出量
等于车流流出需求量
，否则会造成本路段的需求过剩，使得交通资源分配不均衡；当路段最大流出能力
小于车流流出需求量
时，本路段的路段流出量
等于路段最大流出能力
，否则会造成本路段的超负荷运行，引发拥堵。
在本发明实施例中，根据车流流出需求量
和路段流出量
确定路段排队车辆数
，其中，
表示路段
在
时刻的路段流出量。可以理解的是，当路段最大流出能力
大于车流流出需求量
时，本路段的路段流出量
等于车流流出需求量
，此时
，即路段内没有车辆需要排队；当路段最大流出能力
小于车流流出需求量
时，本路段的路段流出量
等于路段最大流出能力
，此时
，即路段内有车辆需要排队。
在步骤S3中，根据所述预测交通流数据和所述推演交通流运行状态确定优化模型。在本发明实施例中，根据所述检测路段的所述预测速度和所述预测流量与所述推演交通流运行状态的偏差，和每个所述OD对的路段流量与所有时间片内产生的出行量的偏差，来确定所述优化模型。
在本发明实施例中，建立非线性规划模型作为优化模型，目标函数包括两部分，即检测路段的预测速度和预测流量与上述推演确定的路段速度和路段流出量之间的偏差，以及每个OD对的路段流量与所有时间片内产生的出行量的偏差。所述目标函数可如下式所示：
其中，
分别表示OD、路段流量、路段速度的权重，
表示OD对
路径p在
时刻出发的车流量，是将这部分出行OD进行路径分配后，分配到每个路径上的流量，属于优化决策变量之一，
表示OD对
的出行总量，根据历史出行OD矩阵确定，
分别表示预测时间
内路段
的路段流出量和预测流量，
分别表示预测时间
内路段
的路段速度和预测速度，
分别表示离散化的出发时间集合和观测时间集合，
表示检测路段集合。
在步骤S4中，根据所述优化模型和预设约束条件确定预测OD，进行所述全路网的状态预测。在本发明实施例中，全路网的交通状态预测包括对未来指定时段内某个具体时刻的路网每条道路上的交通流流量和速度的预测，以及路网出行起讫点之间交通量（OD需求）矩阵的预测。图3所示为根据本发明实施例的进行全路网的状态预测的流程示意图，包括步骤S41至S42。
在步骤S41中，根据所述优化模型和所述预设约束条件的求解结果进行聚合，确定所述预测OD。在本发明实施例中，所述预设约束条件包括动态用户均衡约束，即每一车辆都不能通过改变路径来获得更小的行程时间时所达到的平衡状态。可以理解的是，所述预设约束条件也可根据实际需求进行设置，本发明并不以此为限。
在本发明实施例中，优化模型在动态用户均衡约束下，以动态路径选择和交通流分配为手段，调整路段流量、路段流量和路段速度的统计值，使之与历史出行OD、预测速度和预测流量的偏差尽可能小。在该过程中，优化模型完成动态OD矩阵估计，得到OD的预测结果。在本发明实施例中，通过上述步骤所建立的优化模型所得到的车流量
结果进行聚合，确定预测OD：
其中，
表示
时刻OD对
的出行总量。
可以理解的是，在本发明实施例中，交通流分配和动态路径选择是指将每个OD对的出行量分配到该OD对之间的所有可能选择的路径上。其中，分配方法可包括平衡分配、非平衡分配、随机分配等，动态路径选择方法可包括最短路径搜索、神经网络学习等，根据实际优化过程进行合理选择既可，本发明对此不做限制。
在步骤S42中，根据所述预测OD进行动态路径选择和交通流分配，确定所述全路网的交通状态。在本发明实施例中，基于预测OD进行动态路径选择和交通流分配，从而推演全路网的交通状态，所述交通状态可包括OD量、路段流量、路段速度、路段流量和路段排队等交通状态相关数据。可以理解的是，本步骤对动态路径选择和交通流分配的方法同样不做限制。
在本发明实施例中，当根据所述优化模型和所述预设约束条件确定的目标函数值不符合预设精度要求时，调整每个OD对分配到偏差量最大的路径上的流量，重新进行优化，直至所述目标函数值符合所述预设精度要求。可以理解的是，可选择路段流量和速度的误差作为精度评估参数，也可根据实际需求进行设置，本发明并不以此为限。
在本发明实施例中，根据推演确定的路段流出量和预测流量的差值确定偏差量最大的路段，如果路段流出量偏大，则减小经过该路段的所有路径上的流量，反之亦然。根据推演确定的路段速度和预测速度的差值，如果仿真速度偏大，则增大经过该路段的所有路径上的流量，使得路段上有更多车辆，从而减小路段运行速度。可以理解的是，上述过程可进行多次迭代，直到目标函数值符合预设精度要求，优化完成。
在本发明实施例中，还可获取所述检测路段的最新交通流数据，对所述预测交通流数据进行更新。在本发明实施例中，可以预测未来一段时间（例如一个小时）的交通状态，预测结果可能存在一定的误差。随着时间滚动，利用获取到最新的检测数据，及时捕捉和响应真实的交通状态演化情况，对预测结果进行更新，有助于提升预测精度。
图4所示为根据本发明实施例的时间滚动更新示意图。深灰色部分表示的是8点时预测8点至9点的交通状态的误差范围，浅灰色部分表示的是8：05时刻预测8：05至9：05的交通状态的误差范围。在预测过程中，通常距离当前时刻越近，预测越准确；距离当前时刻越远，不确定性越大，预测的可靠性会降低。在本发明实施例中，采用本发明实施例预测的全路网交通状态的预测精度可以达到93%，其中95%的路段GEH<5，相比直接预测速度和流量的方法，预测精度可以提升2%。
采用本发明实施例的全路网交通状态预测方法，通过基于路网局部道路的速度和流量检测数据进行路段速度和流量的预测，再基于历史出行OD矩阵进行交通流推演确定全路网的交通状态，并根据预测结果和推演结果构建优化模型进行校验，使两者的差异尽可能小，并根据约束条件进行优化，确定预测OD进行全路网的状态预测，扩大速度和流量预测至全路网交通状态预测，克服了现有技术中只能对单一种类的交通流参数进行预测的问题，且解决了路网中无检测数据的路段的交通状态预测问题。本发明还可实现OD、速度、流量等多种交通状态预测结果的相互校验，减小单一种类数据的预测偏差，提高交通状态的预测准确度。
本发明第二方面的实施例还提供了一种全路网交通状态预测装置。图5所示为根据本发明实施例的全路网交通状态预测装置500的结构示意图，包括获取模块501、处理模块502和预测模块503。
获取模块501用于获取检测路段的交通流数据和全路网的历史出行OD矩阵。
处理模块502用于根据所述交通流数据确定预设时间间隔内所述检测路段的预测交通流数据，并根据所述历史出行OD矩阵确定所述预设时间间隔内所述全路网的交通流推演运行状态；还用于根据所述预测交通流数据和所述推演交通流运行状态确定优化模型。
预测模块503用于根据所述优化模型和预设约束条件确定预测OD，进行所述全路网的状态预测。
在本发明实施例中，处理模块502还用于根据所述预测交通流数据确定所述检测路段的所述路段速度，根据交通流的流-密-速关系确定其他路段的所述路段速度；根据路段排队模型确定路段最大流出能力；根据所述路段速度确定车流流出需求量；根据所述路段最大流出能力和所述车流流出需求量确定所述路段流出量和所述路段排队车辆数。
在本发明实施例中，处理模块502还用于根据所述检测路段的所述预测速度和所述预测流量与所述推演交通流运行状态的偏差，和每个所述OD对的路段流量与所有时间片内产生的出行量的偏差，来确定所述优化模型。
所述全路网交通状态预测装置500的各个模块的更具体实现方式可以参见对于本发明的全路网交通状态预测方法的描述，且具有与之相似的有益效果，在此不再赘述。
本发明三方面的实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现根据本发明第一方面所述的全路网交通状态预测方法。
一般来说，用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是，但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
本发明第四方面的实施例提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现根据本发明第一方面所述的全路网交通状态预测方法。可以理解的是，本发明的计算设备可以是服务器，也可以有限算力的终端设备。
根据本发明第三、四方面的非临时性计算机可读存储介质和计算设备，可以参照根据本发明第一方面实施例具体描述的内容实现，并具有与根据本发明第一方面实施例的全路网交通状态预测方法具有类似的有益效果，在此不再赘述。
尽管上面已经示出和描述了本发明的实施例，应当理解的是，上述实施例是示例性的，不能解释为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (13)
1.一种全路网交通状态预测方法，其特征在于，包括：
获取检测路段的交通流数据和全路网的历史出行OD矩阵；
根据所述交通流数据确定预设时间间隔内所述检测路段的预测交通流数据，并根据所述历史出行OD矩阵确定所述预设时间间隔内所述全路网的交通流推演运行状态；
根据所述预测交通流数据和所述推演交通流运行状态确定优化模型；
根据所述优化模型和预设约束条件确定预测OD，进行所述全路网的状态预测。
2.根据权利要求1所述的全路网交通状态预测方法，其特征在于，所述交通流推演运行状态包括路段速度、路段流出量和路段排队车辆数。
3.根据权利要求2所述的全路网交通状态预测方法，其特征在于，所述根据所述历史出行OD矩阵确定所述预设时间间隔内所述全路网的交通流推演运行状态包括：
根据所述预测交通流数据确定所述检测路段的所述路段速度，根据交通流的流-密-速关系确定其他路段的所述路段速度；
根据路段排队模型确定路段最大流出能力；
根据所述路段速度确定车流流出需求量；
根据所述路段最大流出能力和所述车流流出需求量确定所述路段流出量和所述路段排队车辆数。
4.根据权利要求3所述的全路网交通状态预测方法，其特征在于，所述路段流出量表示为：
，所述路段排队车辆数表示为：
，其中，
表示所述路段最大流出能力，
表示路段
在
时刻的所述车流流出需求量，
表示路段
在
时刻的路段流出量，
表示仿真步长。
5.根据权利要求1-4中任一项所述的全路网交通状态预测方法，其特征在于，所述交通流数据包括所述检测路段的速度和流量；所述预测交通流数据包括所述检测路段的预测速度和预测流量；所述历史出行OD矩阵以每个OD对为行，以时间片为列构成，所述历史出行OD矩阵的数值表示所述OD对在所述时间片内产生的出行量。
6.根据权利要求5所述的全路网交通状态预测方法，其特征在于，所述根据所述预测交通流数据和所述推演交通流运行状态确定优化模型包括：
根据所述检测路段的所述预测速度和所述预测流量与所述推演交通流运行状态的偏差，和每个所述OD对的路段流量与所有时间片内产生的出行量的偏差，来确定所述优化模型。
7.根据权利要求1-4中任一项所述的全路网交通状态预测方法，其特征在于，所述预设约束条件包括动态用户均衡约束。
8.根据权利要求1-4中任一项所述的全路网交通状态预测方法，其特征在于，所述根据所述优化模型和预设约束条件确定预测OD，进行所述全路网的状态预测包括：
根据所述优化模型和所述预设约束条件的求解结果进行聚合，确定所述预测OD；
根据所述预测OD进行动态路径选择和交通流分配，确定所述全路网的交通状态。
9.根据权利要求1-4中任一项所述的全路网交通状态预测方法，其特征在于，还包括：
当根据所述优化模型和所述预设约束条件确定的目标函数值不符合预设精度要求时，调整每个OD对分配到偏差量最大的路径上的流量，重新进行优化，直至所述目标函数值符合所述预设精度要求。
10.根据权利要求1-4中任一项所述的全路网交通状态预测方法，其特征在于，还包括：
获取所述检测路段的最新交通流数据，对所述预测交通流数据进行更新。
11.一种全路网交通状态预测装置，其特征在于，包括：
获取模块，用于获取检测路段的交通流数据和全路网的历史出行OD矩阵；
处理模块，用于根据所述交通流数据确定预设时间间隔内所述检测路段的预测交通流数据，并根据所述历史出行OD矩阵确定所述预设时间间隔内所述全路网的交通流推演运行状态；还用于根据所述预测交通流数据和所述推演交通流运行状态确定优化模型；
预测模块，用于根据所述优化模型和预设约束条件确定预测OD，进行所述全路网的状态预测。
12.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现根据权利要求1-10中任一项所述的全路网交通状态预测方法。
13.一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现根据权利要求1-10中任一项所述的全路网交通状态预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011363654.2A CN112185124B (zh) | 2020-11-27 | 2020-11-27 | 一种全路网交通状态预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011363654.2A CN112185124B (zh) | 2020-11-27 | 2020-11-27 | 一种全路网交通状态预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112185124A true CN112185124A (zh) | 2021-01-05 |
| CN112185124B CN112185124B (zh) | 2021-03-26 |
Family
ID=73918216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011363654.2A Active CN112185124B (zh) | 2020-11-27 | 2020-11-27 | 一种全路网交通状态预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112185124B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113096404A (zh) * | 2021-04-23 | 2021-07-09 | 中南大学 | 一种面向道路封锁的路网交通流变动定量计算方法 |
| CN113947922A (zh) * | 2021-09-23 | 2022-01-18 | 重庆理工大学 | 基于网络切分的路网精细化动态od流量估计方法 |
| CN114282165A (zh) * | 2021-12-10 | 2022-04-05 | 长三角信息智能创新研究院 | 双层深度学习模型反推od矩阵的方法、装置以及存储介质 |
| CN114333332A (zh) * | 2022-03-04 | 2022-04-12 | 阿里云计算有限公司 | 一种交通管控方法、装置及电子设备 |
| CN117012042A (zh) * | 2023-10-07 | 2023-11-07 | 山东高速股份有限公司 | 一种基于动态复杂网络的交通流量预测方法及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102568194A (zh) * | 2011-12-26 | 2012-07-11 | 浙江工业大学 | 一种城市道路交通拥堵持续时间和空间扩散预测方法 |
| US20160247397A1 (en) * | 2015-02-24 | 2016-08-25 | Here Global B.V. | Method and apparatus for providing traffic jam detection and prediction |
| CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
| CN109766642A (zh) * | 2019-01-15 | 2019-05-17 | 电子科技大学 | 一种自演化交通路网拓扑建模方法 |
| CN110570660A (zh) * | 2019-11-06 | 2019-12-13 | 深圳市城市交通规划设计研究中心有限公司 | 一种实时在线交通仿真系统及方法 |
| CN110942626A (zh) * | 2019-11-21 | 2020-03-31 | 华南理工大学 | 一种考虑无人驾驶车辆的路网混合流量日变预测方法 |
-
2020
- 2020-11-27 CN CN202011363654.2A patent/CN112185124B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102568194A (zh) * | 2011-12-26 | 2012-07-11 | 浙江工业大学 | 一种城市道路交通拥堵持续时间和空间扩散预测方法 |
| US20160247397A1 (en) * | 2015-02-24 | 2016-08-25 | Here Global B.V. | Method and apparatus for providing traffic jam detection and prediction |
| CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
| CN109766642A (zh) * | 2019-01-15 | 2019-05-17 | 电子科技大学 | 一种自演化交通路网拓扑建模方法 |
| CN110570660A (zh) * | 2019-11-06 | 2019-12-13 | 深圳市城市交通规划设计研究中心有限公司 | 一种实时在线交通仿真系统及方法 |
| CN110942626A (zh) * | 2019-11-21 | 2020-03-31 | 华南理工大学 | 一种考虑无人驾驶车辆的路网混合流量日变预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘学军: "智能交通中动态OD矩阵估计研究概况", 《山东科学》 * |
| 许伦辉，等: "基于贝叶斯智能学习OD矩阵估计与网络拓扑优化研究", 《公路交通科技》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113096404A (zh) * | 2021-04-23 | 2021-07-09 | 中南大学 | 一种面向道路封锁的路网交通流变动定量计算方法 |
| CN113947922A (zh) * | 2021-09-23 | 2022-01-18 | 重庆理工大学 | 基于网络切分的路网精细化动态od流量估计方法 |
| CN114282165A (zh) * | 2021-12-10 | 2022-04-05 | 长三角信息智能创新研究院 | 双层深度学习模型反推od矩阵的方法、装置以及存储介质 |
| CN114333332A (zh) * | 2022-03-04 | 2022-04-12 | 阿里云计算有限公司 | 一种交通管控方法、装置及电子设备 |
| CN117012042A (zh) * | 2023-10-07 | 2023-11-07 | 山东高速股份有限公司 | 一种基于动态复杂网络的交通流量预测方法及设备 |
| CN117012042B (zh) * | 2023-10-07 | 2024-01-09 | 山东高速股份有限公司 | 一种基于动态复杂网络的交通流量预测方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112185124B (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112185124B (zh) | 一种全路网交通状态预测方法及装置 | |
| Shu et al. | A short-term traffic flow prediction model based on an improved gate recurrent unit neural network | |
| US10636294B1 (en) | Computer system and method for state prediction of a traffic system | |
| EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
| Roncoli et al. | Hierarchical model predictive control for multi-lane motorways in presence of vehicle automation and communication systems | |
| CN103247177B (zh) | 大规模路网交通流实时动态预测系统 | |
| Płaczek | A self-organizing system for urban traffic control based on predictive interval microscopic model | |
| WO2018035058A1 (en) | Latent space model for road networks to predict time-varying traffic | |
| US9008954B2 (en) | Predicting impact of a traffic incident on a road network | |
| Xinghao et al. | Predicting bus real-time travel time basing on both GPS and RFID data | |
| JP2015125775A (ja) | システムでの需要の予測のためのマルチタスク学習システムおよび方法 | |
| CN102346964A (zh) | 道路交通网络区域拥堵实时预测与智能管理系统 | |
| Ma et al. | Active traffic management strategies for expressways based on crash risk prediction of moving vehicle groups | |
| Xu et al. | Urban traffic flow prediction based on road network model | |
| JP6777082B2 (ja) | 渋滞予測システム、渋滞予測方法、及び、プログラム | |
| Yao et al. | An efficient heterogeneous platoon dispersion model for real-time traffic signal control | |
| Xu et al. | An Entry Time-based Supply Framework (ETSF) for mesoscopic traffic simulations | |
| Li et al. | Traffic control optimization strategy based on license plate recognition data | |
| Abbas et al. | Real-time traffic jam detection and congestion reduction using streaming graph analytics | |
| Li et al. | POINT: Partially observable imitation network for traffic signal control | |
| Chen et al. | A novel assistive on-ramp merging control system for dense traffic management | |
| Frejo et al. | Model predictive control for freeway traffic networks | |
| KR101623361B1 (ko) | 시공간 교통 흐름 예측 시스템 | |
| Liu et al. | Coordinated ramp signal optimization framework based on time series flux-correlation analysis | |
| Aljamal | Real-time estimation of traffic stream density using connected vehicle data |
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 |