CN112489418A - 一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法 - Google Patents
一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法 Download PDFInfo
- Publication number
- CN112489418A CN112489418A CN202011137634.3A CN202011137634A CN112489418A CN 112489418 A CN112489418 A CN 112489418A CN 202011137634 A CN202011137634 A CN 202011137634A CN 112489418 A CN112489418 A CN 112489418A
- Authority
- CN
- China
- Prior art keywords
- travel time
- time
- model
- error correction
- road section
- 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
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
- 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
Abstract
本发明公开了一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法,包括以下步骤,(1)输入行程时间序列{x1,x2,…,xt},确定时间序列模型ARIMA(p,d,q)的阶数p,d,q,时间序列模型一般形式为:φ(B)Δdyt=δ+θ(B)εt,(2)估计p个自回归参数φ1,φ2,…,φp和q个移动平均参数θ1,θ2,…,θq。该基于道路路段行程时间预测模型的路段行程时间动态误差修正方法可提高路径行程时间预测的准确性。
Description
技术领域:
本发明涉及智能交通领域,具体而言是一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法。
背景技术:
行程时间是表征交通拥挤状态的最直观有效的交通流参数,因此通常采用行程时间来评价交通状态;而且交通拥挤的本质就是车辆的实际行程时间超过了人们期望的(合理的)行程时间,所以路径行程时间信息更符合出行者的心理需求,符合其路径选择的行为习惯。
现有技术中,可以通过两种方法实现路径行程时间的预测:第一种是基于直接获得的路径的历史行程时间数据进行预测;第二种是首先预测各路段的行程时间,然后进行累加得到车辆的起讫点间路径的行程时间。但是因为路径时间较长,采用第一种方法往往会导致预测滞后现象;而第二种方法尽管可以缩短预测周期,但根据预测本身所具有的特性,可以知道预测的时间点越远,预测的准确度越差,距离起点较远的路段的行程时间,在行驶完整个路程之前,可能已经随着时间的推移发生了很大变化,从而导致仅靠简单累加得到的路径行程时间准确度降低。
发明内容:
本发明所要解决的技术问题是,提供一种得到准确的路段行程时间预测的基于道路路段行程时间预测模型的路段行程时间动态误差修正方法。
本发明的技术解决方案是,提供一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法,包括以下步骤,
(1)输入行程时间序列{x1,x2,…,xt},确定时间序列模型ARIMA(p,d,q)的阶数p,d,q,时间序列模型一般形式为:φ(B)Δdyt=δ+θ(B)εt,其中,
行程时间序列{x1,x2,…,xt}在为在时刻1,2,…,t的行程时间数据,t为当前时刻,
φ(B)=1-φ1B-φ2B2-…-φpBp
θ(B)=1-θ1B-θ2B2-…-θqBq,,,,。
(2)估计p个自回归参数φ1,φ2,…,φp和q个移动平均参数θ1,θ2,…,θq;
(3)检验模型残量是否为白噪声,如果是,则继续下一步;否则,转步骤(1);
(5)计算时刻t向前l(l=1,2,3,…)步的预测值及其95%置信区间
(6)根据时刻t+1的实际值和时刻t的预测值,对时刻t+1向前l(l=1,2,3,…)步的预测值进行动态修正
作为优选,步骤(5)中前预测的步数可根据实际需要确定。
作为优选,步骤(1)中,对于给定的序列yt,可利用平稳序列的自相关函数ρk随着k的增大而下降为0的结果来确定d。
作为优选,步骤(1)中,为了确定p和q,需要计算平稳序列wt=Δdyt的自相关函数和偏自相关函数。
作为优选,步骤(1)中,对于低阶的ARMA过程,可以依据自相关函数和偏自相关函数的截尾性和拖尾性进行识别。
进一步的,步骤(1)中,如果ARMA过程的自回归和移动平均部分都是高阶的,需要先假定一组值,然后进行参数估计,之后通过计算已估ARMA(p,q)模型残差项的自相关函数,确定是否为白噪声,如果不是白噪声,则重新进行模型确认。
采用以上方案后与现有技术相比,本发明具有以下优点:通过上述方法,可以得到较为准确的路径行程时间预测。
附图说明:
图1为路径示意图。
图2为本发明的路段行程时间动态误差修正预测示意图。
具体实施方式:
下面就具体实施方式对本发明作进一步说明:
实施例1
一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法,包括以下步骤,
(1)输入行程时间序列{x1,x2,…,xt},确定时间序列模型ARIMA(p,d,q)的阶数p,d,q,时间序列模型一般形式为:φ(B)Δdyt=δ+θ(B)εt,其中,行程时间序列{x1,x2,…,xt}在为在时刻1,2,…,t的行程时间数据,t为当前时刻,
φ(B)=1-φ1B-φ2B2-…-φpBp
θ(B)=1-θ1B-θ2B2-…-θqBq,,,,。
(2)估计p个自回归参数φ1,φ2,…,φp和q个移动平均参数θ1,θ2,…,θq;
(3)检验模型残量是否为白噪声,如果是,则继续下一步;否则,转步骤(1);
(5)计算时刻t向前l(l=1,2,3,…)步的预测值及其95%置信区间
(6)根据时刻t+1的实际值和时刻t的预测值,对时刻t+1向前l(l=1,2,3,…)步的预测值进行动态修正
具体的,如图1所示,城市道路网络中的路径是由一系列的道路单元(车辆出行起讫点,路段和交叉口)组成,图中O点和D点是车辆的起讫点,C1,C2,…,C4,……是该路径所包含的交叉口,OC1,C1C2,……是该路径所含路段。
如图2所示,对于某个具体的路段i,假设已经掌握时刻t及以前的行程时间序列{xi1,xi2,…,xit},xi1,xi2,…,xit分别为路段i在时刻1,2,…,t的行程时间数据,t为当前时刻。利用时刻t及以前的数据对未来时刻t+1,t+2,t+3,…的行程时间进行预测,可得到而当到了时刻t+1的时候,xi(t+1)已经成为已知,这时,对于t+2,t+3,…等时刻的预测就不能再用原来的因为它们只是利用了时刻t及以前的信息,并未利用xi(t+1),而xi(t+1)才是最新的信息,此时,可以根据时刻t+1的真实值xi(t+1)和时刻t对时刻t+1的预测值之间的误差分析,对时刻t+2,t+3,t+4的预测值进行动态修正,得到同时对时刻t+5的行程时间进行预测,得到如此继续,是一个逐期、动态修正误差的过程。
并且,根据各路段行程时间的动态误差修正值,进行错时累加,可实现路径行程时间的滚动预测。
对于平稳时间序列,自回归移动平均模型ARMA(auto-regressive and movingaverage model)可以提供精确度较高的短期预测,它将预测对象随时间变化形成的序列,看作是一个随机序列。其基本思想是:一列随时间变化而又不相互关联的数字序列,可以用相应的模型加以近似描述。通过对相应数学模型的分析研究,能从本质上认识这些动态数据的内在结构和演化规律,从而达到在最小方差意义下的最佳预测。
现实问题中的许多时间序列都是非平稳的,不能直接使用自回归移动平均模型,但是可以通过差分一次或多次把原序列转换为平稳时间序列,再用ARMA模型进行建模。
如果wt=Δdyt是平稳序列,就称yt是d阶齐次非平稳序列,这里Δ表示差分,即Δyt=yt-yt-1Δ2yt=Δyt-Δyt-1
如果有序列wt,可以通过对wt求和d次而得到yt,即yt=∑dwt,求和算子和差分算子是互逆运算。
如果wt=Δdyt且wt是一个ARMA(p,q)过程,则称yt是(p,d,q)阶综合自回归移动平均过程,简称为ARIMA(p,d,q),其一般形式为
φ(B)Δdyt=δ+θ(B)εt
其中:
φ(B)=1-φ1B-φ2B2-…-φpBp
θ(B)=1-θ1B-θ2B2-…-θqBq
称φ(B)为自回归算子,θ(B)为移动平均算子,Bk表示k步移位算子,即Bkxt=xt-k,Bkc≡c(c是常数)。
这个模型就称为(p,d,q)阶ARIMA模型,记为ARIMA(p,d,q),若q=0,称为综合自回归模型ARI(p,d,0),若p=0,称为综合移动平均模型IMA(0,d,q)。
对于给定的序列yt,首先要确定转换为平稳序列需要差分的次数d。利用平稳序列的自相关函数ρk随着k的增大而下降为0的结果来确定d.即:首先检查原序列yt的自相关函数,确定yt是否平稳,如果不平稳,对序列进行差分,检查差分后的序列Δyt的自相关函数。重复这个步骤直到有某个d使得wt=Δdyt是平稳的为止,即它的自相关函数随着k的增大而趋于0。
为了确定p和q,需要计算平稳序列wt=Δdyt的自相关函数和偏自相关函数。对于低阶的ARMA过程,可以依据自相关函数和偏自相关函数的截尾性和拖尾性进行识别。如果过程的自回归和移动平均部分都是高阶的,需要先假定一组值,然后进行参数估计,之后通过计算已估ARMA(p,q)模型残差项的自相关函数,确定是否为白噪声(白噪声是由一个无关的随机变量序列构成的纯随机过程),如果不是白噪声,则重新进行模型确认。
假设已经选择好ARIMA模型φ(B)Δdyt=φ(B)wt=δ+θ(B)εt的p,d,q值,现在需要估计p个自回归参数φ1,φ2,…,φp和q个移动平均参数θ1,θ2,…,θq,选择的参数值必须使时间序列实际值wt=Δdyt和拟合值之差的平方和最小。如果时间序列的观察个数相对模型的阶数而言比较大,参数估计可采用非线性回归方法。
参数估计后,应该考查所建模型的优劣性,即评价模型是否有能力对未来进行准确的预测,是否有能力提供对预测性质较好的理解。可以通过检验模型残量是否为白噪声,如果是白噪声序列,则认为模型是合理的,可以用来进行预测;否则,应当进一步改进模型。
对于某个具体路段的行程时间数据序列{xt},建立ARMA模型:
φ(B)xt=θ(B)εt
将其改写成传递形式:
其中{Gj}为格林函数或传递函数,且
将下标t+l代入(4)得到:
预测只能建立在时刻t之前的信息基础上,根据最小均方误差预测的第二个准则,以及平稳可逆序列可以表示成传递函数的形式,可以将预测值表示成如下形式:
而根据上述预测公式,可以得到时刻t向前l+1步预测值为:
时刻t+1的向前l步预测为:
于是,
又ARMA模型时刻t的向前l步的最小均方误差预测误差为:
特别的,当l=1时,向前一步预测的误差为:
可以得:
其中,称为动态误差修正因子。这可以说明,新的预测值是在旧的预测值的基础上,加上一个动态误差修正因子推算出来的,而该误差修正因子比例于旧的一步预测误差,比例系数随着预测的超前步数的变化而变化。随着预测时间点的加大,预测误差的置信区间也越大,预测结果越不准确,为了保证行程时间的预测值更加准确,更加的接近真实值,对预测值进行修正是非常有必要的。
通过这种修正,可大幅提高道路路段行程时间预测模型的路段行程时间预测的准确性。
Claims (6)
1.一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法,其特征在于:包括以下步骤,
(1)输入行程时间序列{x1,x2,…,xt},确定时间序列模型ARIMA(p,d,q)的阶数p,d,q,时间序列模型一般形式为:φ(B)Δdyt=δ+θ(B)εt,其中,
行程时间序列{x1,x2,…,xt}在为在时刻1,2,…,t的行程时间数据,t为当前时刻,
φ(B)=1-φ1B-φ2B2-…-φpBp
θ(B)=1-θ1B-θ2B2-…-θqBq,,,,。
(2)估计p个自回归参数φ1,φ2,…,φp和q个移动平均参数θ1,θ2,…,θq;
(3)检验模型残量是否为白噪声,如果是,则继续下一步;否则,转步骤(1);
(5)计算时刻t向前l(l=1,2,3,…)步的预测值及其95%置信区间
(6)根据时刻t+1的实际值和时刻t的预测值,对时刻t+1向前l(l=1,2,3,…)步的预测值进行动态修正
2.根据权利要求1所述的基于道路路段行程时间预测模型的路段行程时间动态误差修正方法,其特征在于:步骤(5)中前预测的步数可根据实际需要确定。
3.根据权利要求1所述的基于道路路段行程时间预测模型的路段行程时间动态误差修正方法,其特征在于:步骤(1)中,对于给定的序列yt,可利用平稳序列的自相关函数ρk随着k的增大而下降为0的结果来确定d。
4.根据权利要求1所述的基于道路路段行程时间预测模型的路段行程时间动态误差修正方法,其特征在于:步骤(1)中,为了确定p和q,需要计算平稳序列wt=Δdyt的自相关函数和偏自相关函数。
5.根据权利要求4所述的基于道路路段行程时间预测模型的路段行程时间动态误差修正方法,其特征在于:步骤(1)中,对于低阶的ARMA过程,可以依据自相关函数和偏自相关函数的截尾性和拖尾性进行识别。
6.根据权利要求1所述的基于道路路段行程时间预测模型的路段行程时间动态误差修正方法,其特征在于:步骤(1)中,如果ARMA过程的自回归和移动平均部分都是高阶的,需要先假定一组值,然后进行参数估计,之后通过计算已估ARMA(p,q)模型残差项的自相关函数,确定是否为白噪声,如果不是白噪声,则重新进行模型确认。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011137634.3A CN112489418B (zh) | 2020-10-22 | 2020-10-22 | 一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011137634.3A CN112489418B (zh) | 2020-10-22 | 2020-10-22 | 一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112489418A true CN112489418A (zh) | 2021-03-12 |
CN112489418B CN112489418B (zh) | 2022-10-14 |
Family
ID=74927165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011137634.3A Active CN112489418B (zh) | 2020-10-22 | 2020-10-22 | 一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112489418B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2266208A1 (en) * | 1999-03-19 | 2000-09-19 | Wenking Corp. | Remote road traffic data exchange and intelligent vehicle highway system |
JP3328437B2 (ja) * | 1994-08-03 | 2002-09-24 | 日本信号株式会社 | 旅行時間決定方法 |
CN101325004A (zh) * | 2008-08-01 | 2008-12-17 | 北京航空航天大学 | 一种实时交通信息的数据补偿方法 |
CN102521989A (zh) * | 2011-12-31 | 2012-06-27 | 山西省交通规划勘察设计院 | 一种动态数据驱动的高速公路出口流量预测方法 |
CN103679300A (zh) * | 2013-12-30 | 2014-03-26 | 北京世纪高通科技有限公司 | 一种时间预测方法及装置 |
CN103903452A (zh) * | 2014-03-11 | 2014-07-02 | 东南大学 | 交通流短时预测方法 |
CN104599501A (zh) * | 2015-01-26 | 2015-05-06 | 大连理工大学 | 一种混合人工鱼群算法优化支持向量回归的交通流预测方法 |
CN104900061A (zh) * | 2015-05-29 | 2015-09-09 | 内蒙古工业大学 | 路段行程时间监测方法及装置 |
CN105118293A (zh) * | 2015-09-16 | 2015-12-02 | 东南大学 | 一种考虑长期均衡关系的道路断面交通速度短时预测方法 |
CN107230977A (zh) * | 2017-05-05 | 2017-10-03 | 浙江工商大学 | 基于误差修正和提升小波组合预测模型的风电功率预测方法 |
CN107688556A (zh) * | 2017-07-24 | 2018-02-13 | 中山大学 | 一种基于函数型主成分分析的实时行程时间计算方法 |
CN108399744A (zh) * | 2018-02-24 | 2018-08-14 | 上海理工大学 | 基于灰色小波神经网络的短时交通流预测方法 |
CN108831181A (zh) * | 2018-05-04 | 2018-11-16 | 东南大学 | 一种用于公交车辆行程时间预测的模型建立方法及系统 |
CN109215374A (zh) * | 2018-10-26 | 2019-01-15 | 上海城市交通设计院有限公司 | 一种公交车到站时间预测算法 |
CN110415013A (zh) * | 2019-06-12 | 2019-11-05 | 河海大学 | 一种网约车短时出行需求的组合预测方法 |
CN111539844A (zh) * | 2020-04-20 | 2020-08-14 | 海南电网有限责任公司 | 一种基于k-l信息量和arima误差修正的月度电量预测方法 |
-
2020
- 2020-10-22 CN CN202011137634.3A patent/CN112489418B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3328437B2 (ja) * | 1994-08-03 | 2002-09-24 | 日本信号株式会社 | 旅行時間決定方法 |
CA2266208A1 (en) * | 1999-03-19 | 2000-09-19 | Wenking Corp. | Remote road traffic data exchange and intelligent vehicle highway system |
CN101325004A (zh) * | 2008-08-01 | 2008-12-17 | 北京航空航天大学 | 一种实时交通信息的数据补偿方法 |
CN102521989A (zh) * | 2011-12-31 | 2012-06-27 | 山西省交通规划勘察设计院 | 一种动态数据驱动的高速公路出口流量预测方法 |
CN103679300A (zh) * | 2013-12-30 | 2014-03-26 | 北京世纪高通科技有限公司 | 一种时间预测方法及装置 |
CN103903452A (zh) * | 2014-03-11 | 2014-07-02 | 东南大学 | 交通流短时预测方法 |
CN104599501A (zh) * | 2015-01-26 | 2015-05-06 | 大连理工大学 | 一种混合人工鱼群算法优化支持向量回归的交通流预测方法 |
CN104900061A (zh) * | 2015-05-29 | 2015-09-09 | 内蒙古工业大学 | 路段行程时间监测方法及装置 |
CN105118293A (zh) * | 2015-09-16 | 2015-12-02 | 东南大学 | 一种考虑长期均衡关系的道路断面交通速度短时预测方法 |
CN107230977A (zh) * | 2017-05-05 | 2017-10-03 | 浙江工商大学 | 基于误差修正和提升小波组合预测模型的风电功率预测方法 |
CN107688556A (zh) * | 2017-07-24 | 2018-02-13 | 中山大学 | 一种基于函数型主成分分析的实时行程时间计算方法 |
CN108399744A (zh) * | 2018-02-24 | 2018-08-14 | 上海理工大学 | 基于灰色小波神经网络的短时交通流预测方法 |
CN108831181A (zh) * | 2018-05-04 | 2018-11-16 | 东南大学 | 一种用于公交车辆行程时间预测的模型建立方法及系统 |
CN109215374A (zh) * | 2018-10-26 | 2019-01-15 | 上海城市交通设计院有限公司 | 一种公交车到站时间预测算法 |
CN110415013A (zh) * | 2019-06-12 | 2019-11-05 | 河海大学 | 一种网约车短时出行需求的组合预测方法 |
CN111539844A (zh) * | 2020-04-20 | 2020-08-14 | 海南电网有限责任公司 | 一种基于k-l信息量和arima误差修正的月度电量预测方法 |
Non-Patent Citations (4)
Title |
---|
姚亚夫 等: "基于ARIMA的交通流量短时预测", 《交通科技与经济》 * |
张利 等: "基于ARIMA模型的短时交通流量预测算法研究", 《郑州轻工业学院学报(自然科学版)》 * |
朱建平 等: "《经济预测与决策》", 31 August 2019 * |
王浩 等: "基于GPS的公交行程时间预测模型", 《计算机测量与控制》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112489418B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610464A (zh) | 一种基于高斯混合时间序列模型的轨迹预测方法 | |
CN106971545B (zh) | 一种公交车到站时间预测方法 | |
US8606727B2 (en) | Method and system for traffic prediction based on space-time relation | |
US9599488B2 (en) | Method and apparatus for providing navigational guidance using the states of traffic signal | |
CN102629418B (zh) | 基于模糊卡尔曼滤波的交通流预测方法 | |
JP5901838B2 (ja) | リンクにおける未来の移動時間を予測する方法 | |
CN109242265B (zh) | 基于误差平方和最小的城市需水量组合预测方法 | |
US8600721B2 (en) | Cost evaluation and prediction | |
CN108491971B (zh) | 基于出行计划的三维地图的最优路径规划方法 | |
CN110245377B (zh) | 一种出行方案推荐方法及推荐系统 | |
US9122987B2 (en) | Method for predicting future travel time using geospatial inference | |
JP2005227972A (ja) | 交通状況予測装置および方法 | |
CN108831181A (zh) | 一种用于公交车辆行程时间预测的模型建立方法及系统 | |
CN107293118A (zh) | 一种交通速度动态区间短时预测方法 | |
CN110543978A (zh) | 基于小波神经网络的交通流数据预测方法和装置 | |
CN114943380A (zh) | 一种节假日公路交通流量预测方法、系统和存储介质 | |
TWI623920B (zh) | 車速預測方法 | |
CN105071961A (zh) | 一种Web服务的服务质量预测方法和装置 | |
JP6743678B2 (ja) | ネットワーク状態推定装置及びプログラム | |
JP2014191492A (ja) | 交通量推定装置、交通量修正装置、及びプログラム | |
CN112489418B (zh) | 一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法 | |
CN109255948A (zh) | 一种基于卡尔曼滤波的分车道车流比例预测方法 | |
JPH10312497A (ja) | 交通状況予測装置 | |
CN108981733B (zh) | 一种电动汽车充电导航系统的速度预测方法 | |
Bellemans et al. | Model predictive control for ramp metering combined with extended Kalman filter-based traffic state estimation |
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 |