CN112651361A - 一种基于动态交通流量的监测方法 - Google Patents
一种基于动态交通流量的监测方法 Download PDFInfo
- Publication number
- CN112651361A CN112651361A CN202011618396.8A CN202011618396A CN112651361A CN 112651361 A CN112651361 A CN 112651361A CN 202011618396 A CN202011618396 A CN 202011618396A CN 112651361 A CN112651361 A CN 112651361A
- Authority
- CN
- China
- Prior art keywords
- prediction
- traffic flow
- crossroad
- time
- downstream
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000001419 dependent effect Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000007637 random forest analysis Methods 0.000 claims description 24
- 238000011144 upstream manufacturing Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000004094 surface-active agent Substances 0.000 claims 1
- 230000000052 comparative effect Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- 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
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通监控技术领域,提出了一种基于动态交通流量的监测方法,包括S1、确定训练模型的自变量参数和因变量参数;S2、记录以上自变量参数、因变量参数的历史数据;S3、通过BP神经网络预测得到t+m时刻此十字路口其中一方向下游交通流量BP预测值Qbp预测(t+m),具体的,由各自变量参数及因变量参数的历史数据输入至BP神经网络,得到BP神经网络交通模型,t时刻时,各自变量的数值输入至BP神经网络交通模型,得到t+m时刻此十字路口此方向下游交通流量BP预测值Qbp预测(t+m);S4、根据Qbp预测(t+m)获得Q预测(t+m),再决定此十字路口此方向的监控级别M。通过上述技术方案,解决了交通流量预测的精确度和准确度仍然需要进一步的提高问题。
Description
技术领域
本发明涉及交通监控技术领域,具体的,涉及一种基于动态交通流量的监测方法。
背景技术
目前,我国各大城市交通道路上交通流数据采集设备在不断的更新迭代,促使短时交通流的预测能力不断提高,对于中国而言,很多城市已经初步保证了交通状况的24小时监测,为交通流的预测提供了坚实的基础,特别是随着5G技术的不断发展,车辆之间的信息互通也成为了课程,极大的扩展了智能交通的数据信息量;研究表明,城市道路中的交通流大都是大量且动态的,为了事实而准确的获取这些交通流信息,例如交通流的三要素:交通流量、速度和密集度。交通流量是指在单位时间内,通过道路某点、某一断面或某一条车道的交通实体数(对于机动车流而言就是车辆数),交通流量可通过定点调查直接获得。交通速度分为地点速度(即时速度、瞬时速度)和平均速度。地点速度为车辆通过道路某一点时的速度,时间平均速度为观测时间内通过道路某断面所有车辆地点速度的算术平均值,区间平均速度为某一时刻路段上所有车辆地点速度的平均值。密集度包括占有率和密度。占有率即车辆的时间密集度,就是在一定的观测时间T内,车辆通过检测器时所占用的时间与观测总时间的比值。交通密度代表车辆的空间密集度,就是某一瞬间单位道路长度上存在的车辆数。密度只能通过沿路段长度调查法即根据航拍照片来获得。
针对于交通流量的人工智能研究,近些年也以井喷式的增长在发展,目前最火的人工智能算法当属神经网络算法,BP神经网络就属于其中一种,它能够仅仅通过学习便可以找出十分复杂的非线性系统的特征,而不依靠现有的模型,针对于BP神经网络,虽然已经有很多专家学者提出了很多种预测方法,但到目前为止还没有任何一种预测模型能够完全使用于多种场景,由于交通流具有高度的不确定性,因此稍微有一些因素影响,对于各种模型的组合,某种模型对某种影响因素能够进行较好的拟合出待预测的交通流量,另外种模型的组合不一定对此影响因素能够达到较好的拟合,现有技术中的交通流量预测的精确度和准确度仍然需要进一步的提高。
发明内容
本发明提出一种基于动态交通流量的监测方法,解决了现有技术中的交通流量预测的精确度和准确度仍然需要进一步的提高问题。
本发明的技术方案如下:
一种基于动态交通流量的监测方法,通过t时刻、t-m时刻某一十字路口交通状况预测t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m),从而对交通流量进行监控,包括以下步骤:
S1、确定训练模型的自变量参数为
t时刻此十字路口此方向的三个上游交通流量q1、q2、q3,由视频监控获得,
t时刻、t-m时刻此十字路口此方向下游交通流量Q(t)、Q(t-m),由视频监控获得,
t时刻十字路口此方向下游车辆交通影响级别L,
因变量参数为t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m);
S2、记录以上自变量参数、因变量参数的历史数据;
S3、通过BP神经网络预测得到t+m时刻此十字路口其中一方向下游交通流量BP预测值Qbp预测(t+m),具体的,由各自变量参数及因变量参数的历史数据输入至BP神经网络,得到BP神经网络交通模型;
t时刻时,各自变量的数值输入至BP神经网络交通模型,得到t+m时刻此十字路口此方向下游交通流量BP预测值Qbp预测(t+m),
S4、根据Qbp预测(t+m)获得Q预测(t+m),再决定此十字路口此方向的监控级别M。
作为进一步的技术方案,步骤S1中,t时刻此十字路口此方向下游车辆交通影响级别L具体按照以下公式:
其中li为t-m时刻至t时刻,经过的每一辆车的车辆分级,由摄像头采集车牌号对应的云端车辆级别获得。
作为进一步的技术方案,所述车辆分级li按照以下公式:
ln=a*r+b*s+c*lio,
其中,r为此车辆行驶过程中路边违规停车累计次数,s为此车辆行驶过程中红灯时过十字路口累计次数,lio为此车辆车主名下其他车辆的车辆分级,a、b、c为各自的权重,
其中,r、s均由摄像头视频采集获得。
作为进一步的技术方案,S4中,Q预测(t+m)=Qbp预测(t+m)。
作为进一步的技术方案,S3与S4之间还包括
S30,通过随机森林模型预测得到t+m时刻此十字路口其中一方向下游交通流量RF预测值Qrf预测(t+m),具体的,由各自变量参数及因变量参数的历史数据输入至随机森林模型,得到随机森林交通模型;
t时刻时,各自变量的数值输入至随机森林模型,得到t+m时刻此十字路口此方向下游交通流量RF预测值Qrf预测(t+m)。
作为进一步的技术方案,其中,S4中,Q预测(t+m)=K1*Qbp预测(t+m)+K2*Qrf预测(t+m)。
作为进一步的技术方案,S4中,K1、K2的初始条件为K1+K2=1;且K1、K2通过最优加权组合法计算获得。
作为进一步的技术方案,包括,
第一存储单元,用于存储训练模型的以下自变量参数,
t时刻此十字路口此方向的三个上游交通流量q1、q2、q3,
t时刻、t-m时刻此十字路口此方向下游交通流量Q(t)、Q(t-m),
t时刻十字路口此方向下游车辆交通影响级别L;
第一计算单元,用于通过BP神经网络模型由以上自变量参数计算得到t+m时刻此十字路口其中一方向下游交通流量BP预测值Qbp预测(t+m);
第二计算单元,用于通过随机森林模型由以上自变量参数计算得到t+m时刻此十字路口其中一方向下游交通流量RF预测值Qrf预测(t+m);
第二存储单元,用于存储t+m时刻此十字路口其中一方向下游交通流量BP预测值Qbp预测(t+m);
第三存储单元,用于存储t+m时刻此十字路口其中一方向下游交通流量RF预测值Qrf预测(t+m);
第三计算单元,用于通过t+m时刻此十字路口其中一方向下游交通流量BP预测值Qbp预测(t+m)和t+m时刻此十字路口其中一方向下游交通流量RF预测值Qrf预测(t+m)计算得到t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m);
第四存储单元,用于存储因变量参数为t+m时刻此十字路口其中一方向下游交通流量t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m)。
本发明的工作原理及有益效果为:
1、本文采用基于随机森林模型RF和和BP神经网络组合的方式来进行交通流的预测客服了两种模型各自的缺点,通过两种方式很好利用最优加权组合模型进行组合,进一步的提高了预测精度,通过与未组合的方式进行对比,表明了组合后的有效性,进一步提高了交通预测的精确度和准确度
2、本发明中,对交通流数据了预处理,采用小波分析对交通数据进行去噪处理,因而采集到的数据中存在的信息干扰将会降低,从而很好地消除了偏差。
3、本发明中,可以根据道路拥堵情况,决定此十字路口此方向的监控级别M,可以分为两个级别或三个级别,针对于非拥挤时段从而可以进行低要求的监控级别,针对于拥堵时段可进行高要求的监控级别,从而合理利用监控资源,提高资源整合度。
4、本发明中对因变量参数进行了更好的改进,选用t时刻此十字路口此方向的三个上游交通流量q1、q2、q3,t时刻、t-m时刻此十字路口此方向下游交通流量Q(t)、Q(t-m),t时刻十字路口此方向下游车辆交通影响级别L,整体作为因变量,很好的提高了BP神经网络预测模型预测效果。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明中实施例1预测值与交通流量实际值对比图;
图2为本发明中实施例2预测值与交通流量实际值对比图;
图3为本发明中对比例1预测值与交通流量实际值对比图;
图4为本发明中对比例2预测值与交通流量实际值对比图;
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都涉及本发明保护的范围。
实施例1
一种基于动态交通流量的监测方法,通过t时刻、t-m时刻某一十字路口交通状况预测t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m),从而对交通流量进行不同级别监控,包括以下步骤:
S1、确定训练模型的自变量参数为
t时刻此十字路口此方向的三个上游交通流量q1、q2、q3,由视频监控获得,
t时刻、t-m时刻此十字路口此方向下游交通流量Q(t)、Q(t-m),由视频监控获得,
t时刻十字路口此方向下游车辆交通影响级别L,
因变量参数为t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m);
交通流量是一个动态变化的量,它表示单位时间内通过道路中某一截面的车辆数,并随着时间的变和空间的变化而变化,单位为veh/h。
S2、记录以上自变量参数、因变量参数的历史数据,此些数据均通过小波分析进行降噪处理;
S3、通过BP神经网络预测得到t+m时刻此十字路口其中一方向下游交通流量BP预测值Qbp预测(t+m),具体的,由各自变量参数及因变量参数的历史数据输入至BP神经网络,得到BP神经网络交通模型;
t时刻时,各自变量的数值输入至BP神经网络交通模型,得到t+m时刻此十字路口此方向下游交通流量BP预测值Qbp预测(t+m),
S4、根据Qbp预测(t+m)获得Q预测(t+m),再决定此十字路口此方向的监控级别M,可以分为两个级别或三个级别,针对于非拥挤时段从而可以进行低要求的监控级别,针对于拥堵时段可进行高要求的监控级别,从而合理利用监控资源。
进一步,步骤S1中,t时刻此十字路口此方向下游车辆交通影响级别L具体按照以下公式:
其中li为t-m时刻至t时刻,经过的每一辆车的车辆分级,由摄像头采集车牌号对应的云端车辆级别获得。
进一步,所述车辆分级li按照以下公式:
li=a*r+b*s+c*lio,(i=1,2,3…,n),
其中,r为此车辆行驶过程中路边违规停车累计次数,s为此车辆行驶过程中红灯时过十字路口累计次数,lio为此车辆车主名下其他车辆的车辆分级,a、b、c为各自的权重,
以上自变量为了消除指标之间的量纲影响,均对其数据标准化处理,即归一化处理;
为了更好的对数据进行利用,发明人发现,交通是否拥堵,交通流量是否受到影响,一定因素和司机的驾驶习惯有关,因此在众多的司机驾驶习惯中,这些不良的驾驶习惯会对交通流量产生影响,经过多方对比,选出违规停车与闯红灯作为车辆分级,最具有代表性。
其中,r、s均由摄像头视频采集获得。
进一步,S4中,Q预测(t+m)=Qbp预测(t+m)。
实施例2
包含实施例1的所有步骤;
进一步,S3与S4之间还包括
S30,通过随机森林模型预测得到t+m时刻此十字路口其中一方向下游交通流量RF预测值Qrf预测(t+m),具体的,由各自变量参数及因变量参数的历史数据输入至随机森林模型,得到随机森林交通模型;
t时刻时,各自变量的数值输入至随机森林模型,得到t+m时刻此十字路口此方向下游交通流量RF预测值Qrf预测(t+m)。
进一步,其中,S4中,Q预测(t+m)=K1*Qbp预测(t+m)+K2*Qrf预测(t+m)。
进一步,
S4中,K1、K2的初始条件为K1+K2=1;且K1、K2通过最优加权组合法计算获得。
对比例1
一种基于动态交通流量的监测方法,通过t时刻、t-m时刻某一十字路口交通状况预测t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m),从而对交通流量进行不同级别监控,包括以下步骤:
S1、确定训练模型的自变量参数为
t时刻此十字路口此方向的三个上游交通流量q1、q2、q3,
t时刻、t-m时刻此十字路口此方向下游交通流量Q(t)、Q(t-m),
t时刻十字路口此方向下游车辆交通影响级别L,
因变量参数为t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m);
S2、记录以上自变量参数、因变量参数的历史数据,此些数据均通过小波分析进行降噪处理;
S30,通过随机森林模型预测得到t+m时刻此十字路口其中一方向下游交通流量RF预测值Qrf预测(t+m),具体的,由各自变量参数及因变量参数的历史数据输入至随机森林模型,得到随机森林交通模型;
t时刻时,各自变量的数值输入至随机森林模型,得到t+m时刻此十字路口此方向下游交通流量RF预测值Qrf预测(t+m)。
S4、根据Qrf预测(t+m)获得Q预测(t+m),再决定此十字路口此方向的监控级别M。
进一步,步骤S1中,t时刻此十字路口此方向下游车辆交通影响级别L具体按照以下公式:
其中li为t-m时刻至t时刻,经过的每一辆车的车辆分级,由摄像头采集车牌号对应的云端车辆级别获得。
进一步,所述车辆分级li按照以下公式:
li=a*r+b*s+c*lio,(i=1,2,3…,n),
其中,r为此车辆行驶过程中路边违规停车累计次数,s为此车辆行驶过程中红灯时过十字路口累计次数,lio为此车辆车主名下其他车辆的车辆分级,a、b、c为各自的权重,
其中,r、s均由摄像头视频采集获得。
对比例2
一种基于动态交通流量的监测方法,通过t时刻、t-m时刻某一十字路口交通状况预测t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m),从而对交通流量进行不同级别监控,包括以下步骤:
S1、确定训练模型的自变量参数为
t时刻此十字路口此方向的三个上游交通流量q1、q2、q3,
t时刻、t-m时刻此十字路口此方向下游交通流量Q(t)、Q(t-m),
因变量参数为t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m);
S2、记录以上自变量参数、因变量参数的历史数据,此些数据均通过小波分析进行降噪处理;
S3、通过BP神经网络预测得到t+m时刻此十字路口其中一方向下游交通流量BP预测值Qbp预测(t+m),具体的,由各自变量参数及因变量参数的历史数据输入至BP神经网络,得到BP神经网络交通模型;
t时刻时,各自变量的数值输入至BP神经网络交通模型,得到t+m时刻此十字路口此方向下游交通流量BP预测值Qbp预测(t+m),
S4、根据Qbp预测(t+m)获得Q预测(t+m),再决定此十字路口此方向的监控级别M。
按照实施例1、实施例2、对比例1、对比例2的实验方法,对河北省石家庄市某十字路口进行预测和实际测量,采样时间为6时至20时点共计14个小时,采样间隔5分钟,如图1~图4为实施例1、实施例2、对比例1、对比例2的预测值与实际值的拟合对比图,横坐标为预测次数,每5分钟进行一次测量和测量,纵坐标为车流量预测值,单位为veh/h,以下为实施例1、实施例2、对比例1、对比例2的具体结果,
组别 | 预测模型 | 平均绝对百分比误差 | 均方根误差 |
实施例1预测 | BP神经网络模型2 | 5.9% | 11.4% |
实施例2预测 | BP神经网络模型2+随机森林模型 | 5.4% | 10.6% |
对比例1预测 | 随机森林模型 | 7.6% | 13.5% |
对比例2预测 | BP神经网络模型1 | 6.2% | 12.5% |
从上表可以看出,本发明中的实施例1与对比例2相比,本发明中的BP神经网络模型2增加了t时刻十字路口此方向下游车辆交通影响级别L之后,平均绝对百分比误差和均方根误差均获得了一定程度的提高,通过实施例2与对比例1、实施例1相比可知,两种预测模型组合之后,进一步将平均绝对百分比误差和均方根误差均得到一定程度的提高,因此通过最优加权规则来对BP神经网络和随机森林模型算法进行组合,使得组合模型的预测效果得到了提升,优于单一模型的随机森林算法和BP神经网络算法。
实施例3
一种基于动态交通流量的监测系统,包括,
第一存储单元,用于存储训练模型的以下自变量参数,
t时刻此十字路口此方向的三个上游交通流量q1、q2、q3,
t时刻、t-m时刻此十字路口此方向下游交通流量Q(t)、Q(t-m),
t时刻十字路口此方向下游车辆交通影响级别L;
第一计算单元,用于通过BP神经网络模型由以上自变量参数计算得到t+m时刻此十字路口其中一方向下游交通流量BP预测值Qbp预测(t+m);
第二计算单元,用于通过随机森林模型由以上自变量参数计算得到t+m时刻此十字路口其中一方向下游交通流量RF预测值Qrf预测(t+m);
第二存储单元,用于存储t+m时刻此十字路口其中一方向下游交通流量BP预测值Qbp预测(t+m);
第三存储单元,用于存储t+m时刻此十字路口其中一方向下游交通流量RF预测值Qrf预测(t+m);
第三计算单元,用于通过t+m时刻此十字路口其中一方向下游交通流量BP预测值Qbp预测(t+m)和t+m时刻此十字路口其中一方向下游交通流量RF预测值Qrf预测(t+m)计算得到t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m);
第四存储单元,用于存储因变量参数为t+m时刻此十字路口其中一方向下游交通流量
t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m)。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于动态交通流量的监测方法,通过t时刻、t-m时刻某一十字路口交通状况预测t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m),从而对交通流量进行不同级别监控,其特征在于,包括以下步骤:
S1、确定训练模型的自变量参数为
t时刻此十字路口此方向的三个上游交通流量q1、q2、q3,由视频监控获得,
t时刻、t-m时刻此十字路口此方向下游交通流量Q(t)、Q(t-m),由视频监控获得,
t时刻十字路口此方向下游车辆交通影响级别L,
因变量参数为t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m);
S2、记录以上自变量参数、因变量参数的历史数据;
S3、通过BP神经网络预测得到t+m时刻此十字路口其中一方向下游交通流量BP预测值Qbp预测(t+m),具体的,由各自变量参数及因变量参数的历史数据输入至BP神经网络,得到BP神经网络交通模型;
t时刻时,各自变量的数值输入至BP神经网络交通模型,得到t+m时刻此十字路口此方向下游交通流量BP预测值Qbp预测(t+m),
S4、根据Qbp预测(t+m)获得Q预测(t+m),再决定此十字路口此方向的监控级别M。
3.根据权利要求2所述的一种基于动态交通流量的监测方法,其特征在于,所述车辆分级li按照以下公式:
li=a*r+b*s+c*lio,(i=1,2,3…,n),
其中,r为此车辆行驶过程中路边违规停车累计次数,s为此车辆行驶过程中红灯时过十字路口累计次数,lio为此车辆车主名下其他车辆的车辆分级,a、b、c为各自的权重,
其中,r、s均由摄像头视频采集获得。
4.根据权利要求3所述的一种基于动态交通流量的监测方法,其特征在于,
S4中,Q预测(t+m)=Qbp预测(t+m)。
5.根据权利要求1所述的一种基于动态交通流量的监测方法,其特征在于,S3与S4之间还包括
S30,通过随机森林模型预测得到t+m时刻此十字路口其中一方向下游交通流量RF预测值Qrf预测(t+m),具体的,由各自变量参数及因变量参数的历史数据输入至随机森林模型,得到随机森林交通模型;
t时刻时,各自变量的数值输入至随机森林模型,得到t+m时刻此十字路口此方向下游交通流量RF预测值Qrf预测(t+m)。
6.根据权利要求5所述的一种基于动态交通流量的监测方法,其特征在于,
其中,S4中,Q预测(t+m)=K1*Qbp预测(t+m)+K2*Qrf预测(t+m)。
7.根据权利要求6所述的一种基于动态交通流量的监测方法,其特征在于,
S4中,K1、K2的初始条件为K1+K2=1;且K1、K2通过最优加权组合法计算获得。
8.一种基于动态交通流量的监测系统,其特征在于,包括,
第一存储单元,用于存储训练模型的以下自变量参数,
t时刻此十字路口此方向的三个上游交通流量q1、q2、q3,
t时刻、t-m时刻此十字路口此方向下游交通流量Q(t)、Q(t-m),
t时刻十字路口此方向下游车辆交通影响级别L;
第一计算单元,用于通过BP神经网络模型由以上自变量参数计算得到t+m时刻此十字路口其中一方向下游交通流量BP预测值Qbp预测(t+m);
第二计算单元,用于通过随机森林模型由以上自变量参数计算得到t+m时刻此十字路口其中一方向下游交通流量RF预测值Qrf预测(t+m);
第二存储单元,用于存储t+m时刻此十字路口其中一方向下游交通流量BP预测值Qbp预测(t+m);
第三存储单元,用于存储t+m时刻此十字路口其中一方向下游交通流量RF预测值Qrf预测(t+m);
第三计算单元,用于通过t+m时刻此十字路口其中一方向下游交通流量BP预测值Qbp预测(t+m)和t+m时刻此十字路口其中一方向下游交通流量RF预测值Qrf预测(t+m)计算得到t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m);
第四存储单元,用于存储因变量参数为t+m时刻此十字路口其中一方向下游交通流量t+m时刻此十字路口其中一方向下游交通流量Q预测(t+m)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011618396.8A CN112651361A (zh) | 2020-12-31 | 2020-12-31 | 一种基于动态交通流量的监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011618396.8A CN112651361A (zh) | 2020-12-31 | 2020-12-31 | 一种基于动态交通流量的监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651361A true CN112651361A (zh) | 2021-04-13 |
Family
ID=75366626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011618396.8A Pending CN112651361A (zh) | 2020-12-31 | 2020-12-31 | 一种基于动态交通流量的监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651361A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN106779198A (zh) * | 2016-12-06 | 2017-05-31 | 广州市科恩电脑有限公司 | 一种道路拥堵情况分析方法 |
CN107832890A (zh) * | 2017-11-15 | 2018-03-23 | 浙江大华技术股份有限公司 | 一种拥堵预测方法和装置 |
CN109785618A (zh) * | 2019-01-11 | 2019-05-21 | 西安电子科技大学 | 一种基于组合逻辑的短时交通流预测方法 |
-
2020
- 2020-12-31 CN CN202011618396.8A patent/CN112651361A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
CN106779198A (zh) * | 2016-12-06 | 2017-05-31 | 广州市科恩电脑有限公司 | 一种道路拥堵情况分析方法 |
CN107832890A (zh) * | 2017-11-15 | 2018-03-23 | 浙江大华技术股份有限公司 | 一种拥堵预测方法和装置 |
CN109785618A (zh) * | 2019-01-11 | 2019-05-21 | 西安电子科技大学 | 一种基于组合逻辑的短时交通流预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610260B (zh) | 行车能耗预测系统、方法、存储介质和设备 | |
CN109754597B (zh) | 一种城市道路区域拥堵调控策略推荐系统及方法 | |
CN112289034A (zh) | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 | |
CN103871246B (zh) | 基于路网空间关系约束Lasso的短时交通流预测方法 | |
CN114783183B (zh) | 一种基于交通态势算法的监控方法与系统 | |
CN107085943B (zh) | 一种道路旅行时间短期预测方法和系统 | |
CN110288825B (zh) | 基于多源数据融合和snmf的交通控制子区聚类划分方法 | |
CN103942953A (zh) | 一种基于浮动车数据的城市路网动态交通拥挤预测方法 | |
CN111429737B (zh) | 一种基于agent的城市区域边界控制方法及系统 | |
CN112542049A (zh) | 智慧交通综合管控平台 | |
CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
CN106251642A (zh) | 一种基于实时公交车gps数据的公交路链速度计算方法 | |
CN110288826B (zh) | 基于多源数据融合和milp的交通控制子区聚类划分方法 | |
CN110910641A (zh) | 一种基于神经网络的高速公路交通运行实时风险评估方法 | |
CN105551250A (zh) | 一种基于区间聚类的城市道路交叉口运行状态判别方法 | |
CN103456163A (zh) | 城市快速路互通立交通行能力和运行状态判别方法与系统 | |
Oh et al. | Real-time inductive-signature-based level of service for signalized intersections | |
CN116052435B (zh) | 一种城市道路拥堵影响范围界定与道路影响力计算方法 | |
CN114187766A (zh) | 一种基于饱和率的道路服务水平评价方法 | |
CN114332825B (zh) | 基于深度学习的道路地形分布识别方法、设备和存储介质 | |
Chen et al. | Adaptive ramp metering control for urban freeway using large-scale data | |
CN117746626A (zh) | 基于车流量的智慧交通管理方法及系统 | |
CN109405962B (zh) | 一种道路交通噪声频谱计算方法 | |
CN111429717A (zh) | 一种城市快速路道路运行能力评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210413 |
|
RJ01 | Rejection of invention patent application after publication |