CN112382087B - 交通堵塞预测方法 - Google Patents

交通堵塞预测方法 Download PDF

Info

Publication number
CN112382087B
CN112382087B CN202011225951.0A CN202011225951A CN112382087B CN 112382087 B CN112382087 B CN 112382087B CN 202011225951 A CN202011225951 A CN 202011225951A CN 112382087 B CN112382087 B CN 112382087B
Authority
CN
China
Prior art keywords
traffic flow
data
load percentage
classification
predicted
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
Application number
CN202011225951.0A
Other languages
English (en)
Other versions
CN112382087A (zh
Inventor
严洁
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.)
Hangzhou Yishang Technology Co ltd
Original Assignee
Hangzhou Yishang 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 Hangzhou Yishang Technology Co ltd filed Critical Hangzhou Yishang Technology Co ltd
Priority to CN202011225951.0A priority Critical patent/CN112382087B/zh
Publication of CN112382087A publication Critical patent/CN112382087A/zh
Application granted granted Critical
Publication of CN112382087B publication Critical patent/CN112382087B/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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • 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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Analytical Chemistry (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种交通堵塞预测方法，本发明解决现有技术的问题，其技术方案要点是，执行以下步骤：步骤一，建立多维数据点；步骤二，关联数据补充进入多维数据点内；步骤三，将与目标地点直接相邻的地点的负荷百分比作为关联数据补充进入多维数据点内；步骤四，建立多维数据空间；步骤五，人为设定多维数据空间内的若干个中心点，根据空间距离值进行自动归类，一次归类完成后进行空间距离的均值计算，选择最为靠近重新归类完成后中心位置的数据作为新的中心点，重复进行自动归类，直到自动归类完成，步骤六，建立神经网络并训练；步骤七，输入对应的神经网络，并以存在事故和不存在事故进行两次分类，获得预测；步骤八，进行人为干预。

Description

交通堵塞预测方法
技术领域
本发明属于一种交通预测方法，涉及一种交通堵塞预测方法。
背景技术
随着时代的发展和进步，城市的发展速度越来越快，但是由于交通建设的滞后性，交通堵塞属于不可避免的存在，因此，在交通干预、导航等应用上都需要一种能够较为快速和准确进行交通堵塞预测的方法，但是现阶段的导航和干预都比较注重当前的车流状况，在实时显示方面具备很好的技术，但是对于预测并不重视，由此导致，很多时候存在如果有准确地预测就可以提前干预，但是由于对于预测的不重视导致了堵塞的发生，疏导就存在滞后，从而将堵塞更为严重化。
例如，在2010年就公开的一种交通信息发布系统（CN201010616512.2）。其包括：多个车载GPRS通信装置，用于发送多个用户位置信息；交通信息确定装置，用于根据所述多个用户位置信息中的用户位置数据和时间数据计算对应多个用户的移动速度，当所述多个用户的移动速度均未达到预设的速度可信度参量时，确定交通堵塞信息，以及将所述交通交通堵塞信息发送到所述多个车载GPRS通信装置。本发明提高了确定交通堵塞信息的实时性。
又例如，在2012年就公开的一种交通堵塞状况下的应急导航方法和装置（CN201210572330.9）。方法包括：判断第一导航路径的交通状况；当第一导航路径的交通状况处于堵塞状态时，搜索轨道交通站点附近的停车场；以当前位置为起点，搜索到的停车场的位置为终点，建立导航路径；根据得到的导航路径进行导航。装置包括：交通状况判断模块，用于判断第一导航路径的交通状况；搜索模块，用于搜索轨道交通站点附近的停车场；GPS定位模块，用于获取当前位置；导航路径规划模块，用于以当前位置为起点，搜索到的停车场的位置为终点，建立导航路径；导航模块，用于根据得到的导航路径进行导航。本发明可以避免用户被堵在路上的情况发生。
显然，以上技术内容，都对于预测并不重视，由此导致很多时候存在如果有准确地预测就可以提前干预，但是由于对于预测的不重视导致了堵塞的发生，疏导就存在滞后，从而将堵塞更为严重化。
发明内容
本发明解决了现有技术很多时候存在对于预测的不重视导致了堵塞的发生，疏导就存在滞后，从而将堵塞更为严重化的问题，提供一种交通堵塞预测方法。
本发明解决其技术问题所采用的技术方案是：一种交通堵塞预测方法，获取当前车流数据和历史车流数据，并通过执行以下步骤来判断地区内堵塞点,
步骤一，将一天分为若干个时段，选取需要预测的目标地点并记录当前时段对应的各方向输入车流量、输出车流量、负荷百分比、以及之前时段对应的各方向输入车流量、输出车流量和负荷百分比，作为一个多维数据点；
步骤二，将目标地点在对应时段时的天气、节假日属性和事故情况数字化，并作为关联数据补充进入多维数据点内；
步骤三，将与目标地点直接相邻的地点的负荷百分比作为关联数据补充进入多维数据点内；
步骤四，建立多维数据空间，多维数据空间的维度至少包括各方向输入车流量、输出车流量、负荷百分比以及与目标地点直接相邻的地点的负荷百分比在内的若干项；
步骤五，人为设定多维数据空间内的若干个中心点，根据空间距离值进行自动归类，一次归类完成后进行空间距离的均值计算，选择最为靠近重新归类完成后中心位置的数据作为新的中心点，重复进行自动归类，直到自动归类完成，
步骤六，建立针对天气、节假日属性、事故情况分批次训练的神经网络，选择自动归类的中心点的负荷百分比作为结果集，将自动归类的所有多维数据点中的之前时段对应的各方向输入车流量、输出车流量和负荷百分比作为训练集，对神经网络进行训练；
步骤七，将当前目标地点的天气、节假日属性、各方向输入车流量、输出车流量、负荷百分比以及目标地点直接相邻的地点的负荷百分比作为定量输入对应的神经网络，并以存在事故和不存在事故进行两次分类，获得预测的目标地点的各方向输入车流量、输出车流量以及负荷百分比和出现事故则会出现的目标地点的各方向输入车流量、输出车流量以及负荷百分比；
步骤八，若当前目标地点未出现事故，则以未出事故的负荷百分比作为预测数据，若当前目标地点出现事故，则以出了事故的负荷百分比作为预测数据，当预测数据超过阈值则设定预测目标地点存在堵塞，需要进行人为干预。
本发明采用的是将各个路段的信息进行整合，形成大数据，通过分类方法，形成各个路况、天气、时段都类似的分类，然后用神经网络作为分类器，通过明确分类之后在将对应的提前量输入训练好的神经网络，获得最容易出现的结果，这个结果就是预测结果，也就是训练时将之前时段对应的各方向输入车流量、输出车流量和负荷百分比作为输入量，当前时段对应的各方向输入车流量、输出车流量、负荷百分比作为输出量进行分类，而实际应用时，将当前时段对应的各方向输入车流量、输出车流量、负荷百分比作为输入量，从而预测未来时段的各方向输入车流量、输出车流量、负荷百分比。在此基础上还可以将事故发生和未发生作为不同输入量进行输入，一旦出现事故就直接进行切换，从而能够在发现事故之时就能够预测是否需要进行疏导和干预。
作为优选，在所述步骤一中，将一天根据早晚高峰段的情况分以早晚高峰段为中心，以正态分布的形式并根据算力的需求将一天分为若干个时段。由于早晚高峰期存在堵塞的情况最为严重，因此以早晚高峰为中心，进行时段区分，可以有效提高预测重要性时段的算力分配。除了正态分布之外还可以用其他方式进行分布，总之比之平均分布的时段区分方式，有了较大的进步。
作为优选，在所述步骤一中，选取需要预测的目标地点之前若干个时段对应的各方向输入车流量、输出车流量和负荷百分比，作为关联数据与一个多维数据点进行关联；在步骤五中，仅目标地点之当前时段对应的各方向输入车流量、输出车流量和负荷百分比作为分类数据参与分类。由于选择的时段越多，越容易发现其中隐藏的关联，因此，可以选择多个之前若干个时段对应的各方向输入车流量、输出车流量和负荷百分比作为训练量进行输入，从而提高预测的时间差，也就是预测的提前量。
作为优选，在所述步骤二中，针对天气、节假日属性和事故分别设定若干个分类，且对每个分类根据对应的参数建立分类函数，根据目标地点的天气、节假日属性和事故参数以及对应的分类函数将目标地点的天气、节假日属性和事故分类进行确定。通过分类的方式将天气、节假日属性和事故这些内容进行数字化，
作为优选，在所述步骤五中，首先根据目标地点的天气、节假日属性和事故分类进行一次分类，形成各个批次的数据，然后每个批次的数据再根据空间距离值进行自动归类。这些作为固定数据，可以直接分类，不需要用神经网络进行分类，降低了算力要求。
作为优选，在所述步骤五中，人为设定多维数据空间内的若干个中心点，第一次归类时只对设定距离值小于等于a的多维数据点根据空间距离进行自动归类，一次归类完成后进行空间距离的均值计算，选择最为靠近重新归类完成后中心位置的数据作为新的中心点；
然后对设定距离值小于等于b的多维数据点根据空间距离进行自动归类，归类完成后进行选取空间距离的均值计算，其中，与中心点距离值小于等于a的所有的多维数据点以及随机选取的n1个与中心点距离值大于a且小于等于b的多维数据点参与空间距离的均值计算，选择最为靠近重新归类完成后中心位置的数据作为新的中心点；
然后对设定距离值小于等于c的多维数据点根据空间距离进行自动归类，归类完成后进行选取空间距离的均值计算，其中，与中心点距离值小于等于a的所有的多维数据点、随机选取的n1个与中心点距离值大于a且小于等于b的多维数据点以及随机选取的n2个与中心点距离值大于b且小于等于c的多维数据点参与空间距离的均值计算，选择最为靠近重新归类完成后中心位置的数据作为新的中心点；
在距离值上，距离值a小于距离值b小于距离值c，随机选取的多维数据点数量中n1大于n2。
本发明通过逐步偏移逐步扩张的方式来确定新的中心点，在权重中有所侧重，另一方面，对于人为中心的第一次确定也给与了更高的权重，防止了过度偏移的问题。
作为优选，在所述步骤五中，人为设定的多维数据空间的中心点的个数与预测精度正相关，当需要的预测精度越高则人为设定的多维数据空间的中心点的个数越多。
作为优选，在所述步骤五中，任意两个人为设定的多维数据空间的中心点的距离值都大于c。在设定的时候最好是设置有一个冗余，例如1.1倍的c。
作为优选，建立多维数据空间时，多维数据空间的维度采用同一化处理，各方向输入车流量、输出车流量、负荷百分比以及与目标地点直接相邻的地点的负荷百分比均进行统一换算，形成的多维数据空间所有维度的长度均属于同一个量级。同一个量级的意思是基本处于同一水平，即需要保证所有维度都在进行距离计算时存在意义，若不进行同一化处理，出现某一个维度的数据过大，则其他所有维度的数据都没有实际意义，或出现某一个维度的数据过小，则他所在维度的数据都没有实际意义。
本发明的实质性效果是：本发明采用的是将各个路段的信息进行整合，形成大数据，通过分类方法，形成各个路况、天气、时段都类似的分类，然后用神经网络作为分类器，通过明确分类之后在将对应的提前量输入训练好的神经网络，获得最容易出现的结果，这个结果就是预测结果，也就是训练时将之前时段对应的各方向输入车流量、输出车流量和负荷百分比作为输入量，当前时段对应的各方向输入车流量、输出车流量、负荷百分比作为输出量进行分类，而实际应用时，将当前时段对应的各方向输入车流量、输出车流量、负荷百分比作为输入量，从而预测未来时段的各方向输入车流量、输出车流量、负荷百分比。在此基础上还可以将事故发生和未发生作为不同输入量进行输入，一旦出现事故就直接进行切换，从而能够在发现事故之时就能够预测是否需要进行疏导和干预。
附图说明
图1为实施例1的一种整体流程示意图；
图2为实施例2中不同部分的一种流程示意图。
具体实施方式
下面通过具体实施例，对本实施例的技术方案作进一步的具体说明。
实施例1：
一种交通堵塞预测方法（参见附图1），获取当前车流数据和历史车流数据，并通过执行以下步骤来判断地区内堵塞点,
步骤一，将一天分为若干个时段，选取需要预测的目标地点并记录当前时段对应的各方向输入车流量、输出车流量、负荷百分比、以及之前时段对应的各方向输入车流量、输出车流量和负荷百分比，作为一个多维数据点；在所述步骤一中，将一天根据早晚高峰段的情况分以早晚高峰段为中心，以正态分布的形式并根据算力的需求将一天分为若干个时段。由于早晚高峰期存在堵塞的情况最为严重，因此以早晚高峰为中心，进行时段区分，可以有效提高预测重要性时段的算力分配。除了正态分布之外还可以用其他方式进行分布，总之比之平均分布的时段区分方式，有了较大的进步。更具体的举例为，平均分布可以是以每20分钟或半个小时作为一个时段进行设定，而采用正态分布或其他分布方式进行时段设定时，早晚高峰时段每5-15分钟区分为一个时段，而在夜里和早晚高峰之间的以逐步延长的方式进行时段区分，例如，从8点之前的20分钟一个时段逐步过渡到7点之前的60分钟一个时段，再过渡到夜里2小时为一个时段。正态分布的设定为人为设定，本实施例中只作为举例说明。在所述步骤一中，选取需要预测的目标地点之前若干个时段对应的各方向输入车流量、输出车流量和负荷百分比，作为关联数据与一个多维数据点进行关联；在步骤五中，仅目标地点之当前时段对应的各方向输入车流量、输出车流量和负荷百分比作为分类数据参与分类。由于选择的时段越多，越容易发现其中隐藏的关联，因此，可以选择多个之前若干个时段对应的各方向输入车流量、输出车流量和负荷百分比作为训练量进行输入，从而提高预测的时间差，也就是预测的提前量。例如在高峰期间可以提前若干个时段进行提前预测，但是这个提前果敢个时段预测的适用条件为只针对车流的高峰时间，或是针对的是平均分段的数据才进行预测，若是针对夜晚等时段采用提前预测，则丧失了其的目的。
步骤二，将目标地点在对应时段时的天气、节假日属性和事故情况数字化，并作为关联数据补充进入多维数据点内；在所述步骤二中，针对天气、节假日属性和事故分别设定若干个分类，且对每个分类根据对应的参数建立分类函数，根据目标地点的天气、节假日属性和事故参数以及对应的分类函数将目标地点的天气、节假日属性和事故分类进行确定。通过分类的方式将天气、节假日属性和事故这些内容进行数字化，例如，天气区分为雨雪晴，并且以降水概率作为分类函数的参数，这样可将天气内容直接变换为降水概率。而节假日属性则可以依据假日的长短进行区分，进一步区分为小长假、长假等，配合放假的第几天作为分类参数进行转换，从而进行数字转换，事故的发生与否则以有为1无为0直接区分即可。这里的分类函数设定属于人为设定，一般以分段函数为主。
步骤三，将与目标地点直接相邻的地点的负荷百分比作为关联数据补充进入多维数据点内；由于与目标地点直接相邻的地点的负荷是能够直接影响当前地点车流的一个重要因素，因此，将之作为训练数据和计算数据输入是能够提高预测能力的，另外，将与目标地点直接相邻的地点的负荷百分比本身也可以是作为独立训练数据供神经网络进行训练和计算使用。即可以单独通过与目标地点直接相邻的地点的负荷百分比来做交通堵塞预测。
步骤四，建立多维数据空间，多维数据空间的维度至少包括各方向输入车流量、输出车流量、负荷百分比以及与目标地点直接相邻的地点的负荷百分比在内的若干项；作为优选，建立多维数据空间时，多维数据空间的维度采用同一化处理，各方向输入车流量、输出车流量、负荷百分比以及与目标地点直接相邻的地点的负荷百分比均进行统一换算，形成的多维数据空间所有维度的长度均属于同一个量级。同一个量级的意思是基本处于同一水平，即需要保证所有维度都在进行距离计算时存在意义，若不进行同一化处理，出现某一个维度的数据过大，则其他所有维度的数据都没有实际意义，或出现某一个维度的数据过小，则他所在维度的数据都没有实际意义。一般情况下的以百分比的形式作为维度坐标，例如，各方向输入车流量以目标地区内最大道路输入车流量为100%，方向输入车流量以此进行百分比转换。
步骤五，人为设定多维数据空间内的若干个中心点，根据空间距离值进行自动归类，一次归类完成后进行空间距离的均值计算，选择最为靠近重新归类完成后中心位置的数据作为新的中心点，重复进行自动归类，直到自动归类完成，在所述步骤五中，首先根据目标地点的天气、节假日属性和事故分类进行一次分类，形成各个批次的数据，然后每个批次的数据再根据空间距离值进行自动归类。这些作为固定数据，可以直接分类，不需要用神经网络进行分类，降低了算力要求。在所述步骤五中，人为设定的多维数据空间的中心点的个数与预测精度正相关，当需要的预测精度越高则人为设定的多维数据空间的中心点的个数越多。本实施例中的距离计算方法为欧式距离计算方法。
步骤六，建立针对天气、节假日属性、事故情况分批次训练的神经网络，选择自动归类的中心点的负荷百分比作为结果集，将自动归类的所有多维数据点中的之前时段对应的各方向输入车流量、输出车流量和负荷百分比作为训练集，对神经网络进行训练；
步骤七，将当前目标地点的天气、节假日属性、各方向输入车流量、输出车流量、负荷百分比以及目标地点直接相邻的地点的负荷百分比作为定量输入对应的神经网络，并以存在事故和不存在事故进行两次分类，获得预测的目标地点的各方向输入车流量、输出车流量以及负荷百分比和出现事故则会出现的目标地点的各方向输入车流量、输出车流量以及负荷百分比。
步骤八，若当前目标地点未出现事故，则以未出事故的负荷百分比作为预测数据，若当前目标地点出现事故，则以出了事故的负荷百分比作为预测数据，当预测数据超过阈值则设定预测目标地点存在堵塞，需要进行人为干预。
本实施例采用的是将各个路段的信息进行整合，形成大数据，通过分类方法，形成各个路况、天气、时段都类似的分类，然后用神经网络作为分类器，通过明确分类之后在将对应的提前量输入训练好的神经网络，获得最容易出现的结果，这个结果就是预测结果，也就是训练时将之前时段对应的各方向输入车流量、输出车流量和负荷百分比作为输入量，当前时段对应的各方向输入车流量、输出车流量、负荷百分比作为输出量进行分类，而实际应用时，将当前时段对应的各方向输入车流量、输出车流量、负荷百分比作为输入量，从而预测未来时段的各方向输入车流量、输出车流量、负荷百分比。在此基础上还可以将事故发生和未发生作为不同输入量进行输入，一旦出现事故就直接进行切换，从而能够在发现事故之时就能够预测是否需要进行疏导和干预。
根据上述内容，可以设计对应的硬件系统进行预测，其中目标地点各时段的车流信息、天气信息等都可以由各种已知渠道的历史数据进行采集。
实施例2：
本实施例与实施例1基本相同，不同之处在于，本实施例（参见附图2）中，在所述步骤五中，人为设定多维数据空间内的若干个中心点，第一次归类时只对设定距离值小于等于a的多维数据点根据空间距离进行自动归类，一次归类完成后进行空间距离的均值计算，选择最为靠近重新归类完成后中心位置的数据作为新的中心点；
然后对设定距离值小于等于b的多维数据点根据空间距离进行自动归类，归类完成后进行选取空间距离的均值计算，其中，与中心点距离值小于等于a的所有的多维数据点以及随机选取的n1个与中心点距离值大于a且小于等于b的多维数据点参与空间距离的均值计算，选择最为靠近重新归类完成后中心位置的数据作为新的中心点；
然后对设定距离值小于等于c的多维数据点根据空间距离进行自动归类，归类完成后进行选取空间距离的均值计算，其中，与中心点距离值小于等于a的所有的多维数据点、随机选取的n1个与中心点距离值大于a且小于等于b的多维数据点以及随机选取的n2个与中心点距离值大于b且小于等于c的多维数据点参与空间距离的均值计算，选择最为靠近重新归类完成后中心位置的数据作为新的中心点；
在距离值上，距离值a小于距离值b小于距离值c，随机选取的多维数据点数量中n1大于n2。例如在本实施例中，可以将距离值a设定为50个单位，距离值b设定为80个单位，距离值c设定为100个单位，n1为60%，n2为30%，即在距离值大于a且小于等于b的多维数据点中只随机选取其中的60%参与新的中心点的计算，即在距离值大于b且小于等于c的多维数据点中只随机选取其中的30%参与新的中心点的计算。
且在所述步骤五中，任意两个人为设定的多维数据空间的中心点的距离值都大于c。在设定的时候最好是设置有一个冗余，例如1.1倍的c，也就是任意初始设定的中心点的距离都必须大于110个单位，在本实施例中，与新中心点距离值大于100个单位的多维数据点有两种处理方式，其中一种处理方式为直接舍弃，由于距离所有的中心点距离都过大，因此，这些数据显然不具备或不够具备代表性，因此可以直接将他们舍弃，若是依然有需要，那么可以以就近原则将这些多维数据点与距离最近的多维数据中心点进行关联，在本实施例中，使用的是直接舍弃的方式，若是存在超过一定数量的需要舍弃的数据时，则可以考虑重新设定数据中心点。
本实施例通过逐步偏移逐步扩张的方式来确定新的中心点，在权重中有所侧重，另一方面，对于人为中心的第一次确定也给与了更高的权重，防止了过度偏移的问题。
实施例3：
本实施例与实施例2基本相同，不同之处在于，本实施例中，在所述步骤五中，迭代的次数更多，但是迭代的原则和实施例2保持一致，即每次迭代后输入的多维数据点只有随机若干个进入新的中心点的确定，也就是进行微调，且后续的每次迭代选中的多维数据点量也逐步减少，至于进行的迭代的次数则由人工进行设定，且必须保证初始的第一次中心点位置的确定时，选择的距离值远大于后续选择的距离值，一般来说，第一次选择的距离值至少是包括第一次选择的距离值在内，对应一个中心点位置所有选择的距离值的和的三分之一。
以上所述的实施例只是本实施例的一种较佳的方案，并非对本实施例作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (8)

1.一种交通堵塞预测方法，其特征在于：获取当前车流数据和历史车流数据，并通过执行以下步骤来判断地区内的堵塞点,
步骤一，将一天分为若干个时段，选取需要预测的目标地点并记录当前时段对应的各方向输入车流量、输出车流量、负荷百分比、以及之前时段对应的各方向输入车流量、输出车流量和负荷百分比，作为一个多维数据点；
步骤二，将目标地点在对应时段时的天气、节假日属性和事故情况数字化，并作为关联数据补充进入多维数据点内；
步骤三，将与目标地点直接相邻的地点的负荷百分比作为关联数据补充进入多维数据点内；
步骤四，建立多维数据空间，多维数据空间的维度至少包括各方向输入车流量、输出车流量、负荷百分比以及与目标地点直接相邻的地点的负荷百分比在内的若干项；
步骤五，人为设定多维数据空间内的若干个中心点，根据空间距离值进行自动归类，一次归类完成后进行空间距离的均值计算，选择最为靠近重新归类完成后中心位置的数据作为新的中心点，重复进行自动归类，直到自动归类完成，
在所述步骤五中，人为设定多维数据空间内的若干个中心点，第一次归类时只对设定距离值小于等于a的多维数据点根据空间距离进行自动归类，一次归类完成后进行空间距离的均值计算，选择最为靠近重新归类完成后中心位置的数据作为新的中心点；
然后对设定距离值小于等于b的多维数据点根据空间距离进行自动归类，归类完成后进行选取空间距离的均值计算，其中，与中心点距离值小于等于a的所有的多维数据点以及随机选取的n1个与中心点距离值大于a且小于等于b的多维数据点参与空间距离的均值计算，选择最为靠近重新归类完成后中心位置的数据作为新的中心点；
然后对设定距离值小于等于c的多维数据点根据空间距离进行自动归类，归类完成后进行选取空间距离的均值计算，其中，与中心点距离值小于等于a的所有的多维数据点、随机选取的n1个与中心点距离值大于a且小于等于b的多维数据点以及随机选取的n2个与中心点距离值大于b且小于等于c的多维数据点参与空间距离的均值计算，选择最为靠近重新归类完成后中心位置的数据作为新的中心点；
在距离值上，距离值a小于距离值b小于距离值c，随机选取的多维数据点数量中n1大于n2；
步骤六，建立针对天气、节假日属性、事故情况分批次训练的神经网络，选择自动归类的中心点的负荷百分比作为结果集，将自动归类的所有多维数据点中的之前时段对应的各方向输入车流量、输出车流量和负荷百分比作为训练集，对神经网络进行训练；
步骤七，将当前目标地点的天气、节假日属性、各方向输入车流量、输出车流量、负荷百分比以及目标地点直接相邻的地点的负荷百分比作为定量输入对应的神经网络，并以存在事故和不存在事故进行两次分类，获得预测的目标地点的各方向输入车流量、输出车流量以及负荷百分比和出现事故则会出现的目标地点的各方向输入车流量、输出车流量以及负荷百分比；
步骤八，若当前目标地点未出现事故，则以未出事故的负荷百分比作为预测数据，若当前目标地点出现事故，则以出了事故的负荷百分比作为预测数据，当预测数据超过阈值则设定预测目标地点存在堵塞，需要进行人为干预。
2.根据权利要求1所述的交通堵塞预测方法，其特征在于：在所述步骤一中，将一天根据早晚高峰段的情况分以早晚高峰段为中心，以正态分布的形式并根据算力的需求将一天分为若干个时段。
3.根据权利要求1所述的交通堵塞预测方法，其特征在于：在所述步骤一中，选取需要预测的目标地点之前若干个时段对应的各方向输入车流量、输出车流量和负荷百分比，作为关联数据与一个多维数据点进行关联；在步骤五中，仅目标地点之当前时段对应的各方向输入车流量、输出车流量和负荷百分比作为分类数据参与分类。
4.根据权利要求1所述的交通堵塞预测方法，其特征在于：在所述步骤二中，针对天气、节假日属性和事故分别设定若干个分类，且对每个分类根据对应的参数建立转换函数，根据目标地点的天气、节假日属性和事故参数以及对应的转换函数将目标地点的天气、节假日属性和事故分类进行确定。
5.根据权利要求1所述的交通堵塞预测方法，其特征在于：在所述步骤五中，首先根据目标地点的天气、节假日属性和事故分类进行一次分类，形成各个批次的数据，然后每个批次的数据再根据空间距离值进行自动归类。
6.根据权利要求5所述的交通堵塞预测方法，其特征在于：在所述步骤五中，人为设定的多维数据空间的中心点的个数与预测精度正相关，当需要的预测精度越高则人为设定的多维数据空间的中心点的个数越多。
7.根据权利要求6所述的交通堵塞预测方法，其特征在于：在所述步骤五中，任意两个人为设定的多维数据空间的中心点的距离值都大于c。
8.根据权利要求6所述的交通堵塞预测方法，其特征在于：建立多维数据空间时，多维数据空间的维度采用同一化处理，各方向输入车流量、输出车流量、负荷百分比以及与目标地点直接相邻的地点的负荷百分比均进行统一换算，形成的多维数据空间所有维度的长度均属于同一个量级。
CN202011225951.0A 2020-11-05 2020-11-05 交通堵塞预测方法 Active CN112382087B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011225951.0A CN112382087B (zh) 2020-11-05 2020-11-05 交通堵塞预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011225951.0A CN112382087B (zh) 2020-11-05 2020-11-05 交通堵塞预测方法

Publications (2)

Publication Number Publication Date
CN112382087A CN112382087A (zh) 2021-02-19
CN112382087B true CN112382087B (zh) 2021-10-08

Family

ID=74578406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011225951.0A Active CN112382087B (zh) 2020-11-05 2020-11-05 交通堵塞预测方法

Country Status (1)

Country Link
CN (1) CN112382087B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554876B (zh) * 2021-09-18 2021-11-30 苏州映赛智能科技有限公司 多毫米波雷达域控制系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101488284A (zh) * 2008-01-16 2009-07-22 闵万里 道路交通状况即时预测的智能管理系统
JP7039940B2 (ja) * 2017-11-09 2022-03-23 トヨタ自動車株式会社 車両制御装置
CN110223510B (zh) * 2019-04-24 2021-03-26 长安大学 一种基于神经网络lstm的多因素短期车流量预测方法
CN111680745B (zh) * 2020-06-08 2021-03-16 青岛大学 一种基于多源交通大数据融合的突发拥堵判别方法及系统

Also Published As

Publication number Publication date
CN112382087A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN109598950B (zh) 一种智能网联车辆的匝道协同汇入控制方法及系统
Wang et al. Truck traffic flow prediction based on LSTM and GRU methods with sampled GPS data
CN108734955B (zh) 预测路况状态的方法及装置
CN111815948B (zh) 基于工况特征的车辆行驶工况预测方法
CN112382095A (zh) 一种多源数据融合的城市快速路交通状态估计方法
US11250031B2 (en) Method of predicting a traffic behaviour in a road system
CN109661692B (zh) 交通事件预测方法、装置及终端设备
CN110807917A (zh) 一种基于云计算的高速公路智能安防系统
CN113051811B (zh) 一种基于gru网络的多模式短期交通拥堵预测方法
CN115063990A (zh) 一种混合交通流环境高速公路瓶颈路段动态限速控制方法
CN114363316A (zh) 一种跨区域道路基础设施智能联网监测与监管系统
CN113723191A (zh) 道路拥堵预测方法、基于位置的服务提供方法及程序产品
CN112382087B (zh) 交通堵塞预测方法
CN116206451A (zh) 一种智慧交通车流数据分析方法
CN112669595B (zh) 一种基于深度学习的网约车流量预测方法
CN108053646B (zh) 基于时间敏感特征的交通特征获取方法、预测方法及系统
CN115731693A (zh) 一种车道划分方法以及相关装置
CN116935643A (zh) 交通管理方法、装置、设备及存储介质
CN115938155A (zh) 一种路侧停车位的智能检测方法
CN115273468A (zh) 一种交通拥堵控制策略生成方法及装置
CN113053100B (zh) 一种公交到站时间的预估方法及装置
CN112258881B (zh) 基于智慧交通的车辆管理方法
CN114664060A (zh) 一种交通事件的预警方法、装置、设备及存储介质
CN107590998B (zh) 一种基于浮动车数据的道路节点运行状态识别系统
Jiang et al. Prediction of bus bunching using smart card 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