CN113380052B - 基于etc数据的驶入服务区车流量预测方法及装置 - Google Patents

基于etc数据的驶入服务区车流量预测方法及装置 Download PDF

Info

Publication number
CN113380052B
CN113380052B CN202110637565.0A CN202110637565A CN113380052B CN 113380052 B CN113380052 B CN 113380052B CN 202110637565 A CN202110637565 A CN 202110637565A CN 113380052 B CN113380052 B CN 113380052B
Authority
CN
China
Prior art keywords
service area
huo
adjacent
time window
etc portal
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
CN202110637565.0A
Other languages
English (en)
Other versions
CN113380052A (zh
Inventor
孙棣华
赵敏
魏铨
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202110637565.0A priority Critical patent/CN113380052B/zh
Publication of CN113380052A publication Critical patent/CN113380052A/zh
Application granted granted Critical
Publication of CN113380052B publication Critical patent/CN113380052B/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
    • G08G1/065—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
    • G07—CHECKING-DEVICES
    • G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
    • G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
    • G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
    • G07B15/063—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems using wireless information transmission between the vehicle and a fixed station
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于ETC数据的驶入服务区车流量预测方法，包括：获取预测数据，包括：在第一时间窗口内服务区入口车流量、第一时间窗口内通过服务区邻近上游ETC门架的客车流量、第一时间窗口内通过服务区邻近上游ETC门架的货车流量、第一时间窗口内通过服务区邻近上游ETC门架的市内客车流量与货车流量之和、第一时间窗口内通过服务区邻近上游ETC门架的市外客车流量和市外货车流量之和、驶入服务区车辆的先验因子；将预测数据输入到预先训练好的基于CNN‑双向LSTM‑ATTENTION的服务区驶入车流量预测模型，得到在时间窗口下服务区驶入车流量。本发明在高速公路服务区入口能采集到车流量数据的情况下，利用高速公路ETC收费数据，根据车辆通行信息对驶入服务区车流量进行预测。

Description

基于ETC数据的驶入服务区车流量预测方法及装置
技术领域
本发明属于智能交通领域，具体涉及一种基于ETC数据的驶入服务区车流量预测方法及装置。
背景技术
高速公路服务区是保障人们安全出行和舒适出行至关重要的一部分。高速公路服务区既能够给出行者提供一些公共服务，比如：临时停车、如厕、休息等；又能够提供一些市场化服务，比如：餐饮、加油、维修等。服务区服务能力高低影响着高速公路通行效率和人们出行舒适度。掌握未来高速公路服务区交通流量情况，可以让服务区管理人员提前掌握服务区驶入情况，提前对服务区服务能力和资源配资进行安排，为出行者提供舒适的服务。
目前对服务区交通量的研究主要是借助传统高速公路收费数据对服务区车辆驶入率进行研究，虽然对一定时间下的驶入率测度有一定效果，但并不能准确地反映出服务区车流量的变化情况。没有充分考虑单车信息，而且回归预测方法在处理复杂非线性情况时效果并不是特别有效
发明内容
有鉴于此，本发明提出一种基于ETC数据的驶入服务区车流量预测方法及装置，用于解决现有技术中的至少一个缺陷。
本发明的目的是通过以下技术方案来实现的：一种基于ETC数据的驶入服务区车流量预测方法，该方法包括：
获取预测数据，所述预测数据包括：在第一时间窗口内服务区入口车流量、第一时间窗口内通过服务区邻近上游ETC门架的客车流量、第一时间窗口内通过服务区邻近上游ETC门架的货车流量、第一时间窗口内通过服务区邻近上游ETC门架的市内客车流量与货车流量之和、第一时间窗口内通过服务区邻近上游ETC门架的市外客车流量和市外货车流量之和、驶入服务区车辆的先验因子；
将所述预测数据输入到预先训练好的基于CNN-双向LSTM-ATTENTION的服务区驶入车流量预测模型，得到在时间窗口下服务区驶入车流量。
可选地，所述基于CNN-双向LSTM-ATTENTION的服务区驶入车流量预测模型包括：依次连接的一维卷积层、第一Droupout层、bi-lstm网络层、第二Droupout层、带有激活函数sigmoid的Dense层；其中，使用注意力机制对所述第二Droupout层的输出结果进行处理。
可选地，获取所述时间窗口内服务区入口车流量，包括：
确定预测服务区入口流量的第二时间窗口(ta,tb)；
根据ETC数据车辆通行的流水，计算车辆n在服务区路段的行驶速度；
Figure GDA0003663966250000021
其中：L为服务区路段的长度，t(n)为车辆在服务区路段上的行驶时间；
计算客车在服务区路段上的平均行驶速度：
Figure GDA0003663966250000022
其中：vke,i为第i辆客车在服务区路段的行驶速度，n1为客车数量；
计算货车在服务区路段上的平均行驶速度：
Figure GDA0003663966250000023
其中：vhuo,i为第i辆货车在服务区路段的行驶速度,n2为货车数量；
估计客车从服务区邻近上游ETC门架到服务区入口的客车平均行驶时间tke：
Figure GDA0003663966250000024
其中：d为服务区邻近上游ETC门架到服务区入口的距离；
估计货车从服务区邻近上游ETC门架到服务区入口的货车平均行驶时间thuo：
Figure GDA0003663966250000025
其中：d为服务区邻近上游ETC门架到服务区入口的距离；
可选地，根据所述第二时间窗口(ta,tb)、客车平均行驶时间tke以及货车平均行驶时间thuo统计在时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的客车流量、在时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的货车流量。
可选地，获取所述第一时间窗口内通过服务区邻近上游ETC门架的市内客车流量与货车流量之和，包括：
根据邻近上游ETC门架原始统计在时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市内客车流量qke,in(ta-tke,tb-tke)；
根据邻近上游ETC门架原始统计在时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市内客车流量qhuo,in(ta-thuo,tb-thuo)；
所述第一时间窗口内通过服务区邻近上游ETC门架的市内客车流量与货车流量之和为：
qin＝qke,in(ta-tke,tb-tke)+qhuo,in(ta-thuo,tb-thuo)。
可选地，获取第一时间窗口内通过服务区邻近上游ETC门架的市外客车流量和市外货车流量之和，包括：
根据邻近上游ETC门架原始统计在时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市外客车流量qke,out(ta-tke,tb-tke)；
根据邻近上游ETC门架原始统计在时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市外货车流量qhuo,out(ta-thuo,tb-thuo)；
第一时间窗口内通过服务区邻近上游ETC门架的市外客车流量和市外货车流量之和为：
qout＝qke,out(ta-tke,tb-tke)+qhuo,out(ta-thuo,tb-thuo)。
可选地，获取所述驶入服务区车辆的先验因子，包括：
计算历史经过服务区邻近上游ETC门架车辆的先验知识：
Figure GDA0003663966250000031
其中：netc为车辆驶入过ETC门架的次数，nf为驶入过服务区的次数；
计算未历史经过ETC门架车辆的先验知识：
Figure GDA0003663966250000032
其中：
Figure GDA0003663966250000041
为最近一个月驶入过服务区的市内客车数量；
Figure GDA0003663966250000042
为最近一个月驶入过服务区邻近上游ETC门架的市内客车数量；
Figure GDA0003663966250000043
为最近一个月驶入过服务区的市内货车数量；
Figure GDA0003663966250000044
为最近一个月驶入过服务区邻近上游ETC门架的市内货车数量；
Figure GDA0003663966250000045
为最近一个月驶入过服务区的市外客车数量；
Figure GDA0003663966250000046
为最近一个月驶入过服务区邻近上游ETC门架的市外客车数量；
Figure GDA0003663966250000047
为最近一个月驶入过服务区的市外货车数量；
Figure GDA0003663966250000048
为最近一个月驶入过服务区邻近上游ETC门架的市外货车数量；
对第二时间窗口内所有车辆的先验知识求和得到先验因子：
Figure GDA0003663966250000049
其中：c为先验因子；n为通过ETC门架的总车辆数；fi为第i辆车的先验知识。
可选地，所述bi-lstm层的结构表示为：
Ai＝f(Xi×U×w×Ai+1)
ai＝f(Xi×u+ai-1×W)
Yi＝f(V×Ai+v×ai)
其中：U和u代表输入层到隐藏层的权重，V和v代表隐藏层到输出层的权重，W和w代表隐藏层之间的权重，f是relu激活函数，Yi是第i个双向LSTM输出值，Ai是双向LSTM第i个细胞单元的输出值，ai是第i个细胞单元计算中的中间结果。
根据权利要求2所述的基于ETC数据的驶入服务区车流量预测方法，其特征在于，所述注意力机制的公式为：
Out＝tanh(H×{softmax[wT·tanh(H)]}T)
其中：H为上一层的输出向量，w为需要训练的参数向量。
本发明的目的是通过以下技术方案来实现的：一种基于ETC数据的驶入服务区车流量预测装置，该装置包括：
数据获取模块，用于获取预测数据，所述预测数据包括：在第一时间窗口内服务区入口车流量、第一时间窗口内通过服务区邻近上游ETC门架的客车流量、第一时间窗口内通过服务区邻近上游ETC门架的货车流量、第一时间窗口内通过服务区邻近上游ETC门架的市内客车流量与货车流量之和、第一时间窗口内通过服务区邻近上游ETC门架的市外客车流量和市外货车流量之和、驶入服务区车辆的先验因子；
预测模块，用于将所述预测数据输入到预先训练好的基于CNN-双向LSTM-ATTENTION的服务区驶入车流量预测模型，得到在时间窗口下服务区驶入车流量。
由于采用了上述技术方案，本发明具有如下的优点：
本发明在高速公路服务区入口能采集到车流量数据的情况下，利用高速公路ETC收费数据，根据车辆通行信息对驶入服务区车流量进行预测，可适用于车辆驶入高速公路服务区入口车流量预测。该方法可以对不同历史时间窗口的服务区驶入车流量进行预测，可以为交通管控提供参考。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明一实施例的高速公路路段示意图；
图2为本发明一实施例的bi-lstm结构示意图；
图3为本发明一实施例一种基于ETC数据的驶入服务区车流量预测方法流程图；
图4为本发明一实施例一种基于ETC数据的驶入服务区车流量预测装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
参见图3，本申请实施例提供一种基于ETC数据的驶入服务区车流量预测方法，该方法包括：
S1获取预测数据，所述预测数据包括：在第一时间窗口内服务区入口车流量、第一时间窗口内通过服务区邻近上游ETC门架的客车流量、第一时间窗口内通过服务区邻近上游ETC门架的货车流量、第一时间窗口内通过服务区邻近上游ETC门架的市内客车流量与货车流量之和、第一时间窗口内通过服务区邻近上游ETC门架的市外客车流量和市外货车流量之和、驶入服务区车辆的先验因子；
S2将所述预测数据输入到预先训练好的基于CNN-双向LSTM-ATTENTION的服务区驶入车流量预测模型，得到在时间窗口下服务区驶入车流量。
在一实施例中，获取所述时间窗口内服务区入口车流量，包括：
S11确定预测服务区入口流量的第二时间窗口(ta,tb)；
S12根据ETC数据车辆通行的流水，计算车辆n在服务区路段的行驶速度：
Figure GDA0003663966250000061
其中：L为服务区路段的长度；t(n)为车辆在服务区路段上的行驶时间
S13计算客车在服务区路段上的平均行驶速度：
Figure GDA0003663966250000062
其中：vke,i为第i辆客车在服务区路段的行驶速度；n1为参与计算的客车数量；
S14计算货车在服务区路段上的平均行驶速度：
Figure GDA0003663966250000063
其中：vhuo,i为第i辆货车在服务区路段的行驶速度；n2为参与计算的货车数量；
S15估计客车从服务区邻近上游ETC门架到服务区入口的平均行驶时间：
Figure GDA0003663966250000064
其中：d为服务区邻近上游ETC门架到服务区入口的距离；
S16估计货车从服务区邻近上游ETC门架到服务区入口的平均行驶时间：
Figure GDA0003663966250000065
其中：d为服务区邻近上游ETC门架到服务区入口的距离；
在一实施例中，根据所述第二时间窗口(ta,tb)、客车平均行驶时间tke以及货车平均行驶时间thuo，计算在第一时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的客车流量、在第一时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的货车流量；
在一实施例中，计算在所述第一时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市内客车流量和在所述第一时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市内货车流量之和，具体实施步骤如下：
S21计算在第一时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市内客车流量qke,in(ta-tke,tb-tke)；
S22计算在第一时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市内货车流量qhuo,in(ta-thuo,tb-thuo)；
S23计算步骤S21和步骤S22的市内车之和：
qin＝qke,in(ta-tke,tb-tke)+qhuo,in(ta-thuo,tb-thuo)
在一实施例中，计算在第一时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市外客车流量和在第一时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市外货车流量之和，具体实施步骤如下：
S31计算在时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市外客车流量qke,out(ta-tke,tb-tke)；
S32计算在时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市外货车流量qhuo,out(ta-thuo,tb-thuo)；
S33计算步骤S31和步骤S32的市内车之和：
qout＝qke,out(ta-tke,tb-tke)+qhuo,out(ta-thuo,tb-thuo)
在一实施例中，根据历史ETC数据计算驶入服务区车辆的先验因子，具体实施步骤如下：
S41根据历史数据，计算历史经过服务区邻近上游ETC门架车辆的先验知识：
Figure GDA0003663966250000071
其中：netc为车辆驶入过ETC门架的次数；nf为驶入过服务区的次数；
S42根据历史数据，计算未历史经过ETC门架车辆的先验知识：
Figure GDA0003663966250000081
其中：
Figure GDA0003663966250000082
为最近一个月驶入过服务区的市内客车数量；
Figure GDA0003663966250000083
为最近一个月驶入过服务区邻近上游ETC门架的市内客车数量；
Figure GDA0003663966250000084
为最近一个月驶入过服务区的市内货车数量；
Figure GDA0003663966250000085
为最近一个月驶入过服务区邻近上游ETC门架的市内货车数量；
Figure GDA0003663966250000086
为最近一个月驶入过服务区的市外客车数量；
Figure GDA0003663966250000087
为最近一个月驶入过服务区邻近上游ETC门架的市外客车数量；
Figure GDA0003663966250000088
为最近一个月驶入过服务区的市外货车数量；
Figure GDA0003663966250000089
为最近一个月驶入过服务区邻近上游ETC门架的市外货车数量；
S43对预测的时间窗口内所有车辆的先验知识求和得到先验因子：
Figure GDA00036639662500000810
其中：c为先验因子；n为通过ETC门架的总车辆数；fi为第i辆车的先验知识。
在一实施例中，所述基于CNN-双向LSTM-ATTENTION的服务区驶入车流量预测模型包括：依次连接的一维卷积层、第一Droupout层、bi-lstm网络层、第二Droupout层、带有激活函数sigmoid的Dense层；其中，使用注意力机制对所述第二Droupout层的输出结果进行处理。
其中，建立基于CNN-双向LSTM-ATTENTION的服务区驶入车流量预测模型，具体实施步骤如下：
S51确定模型的预测步长为2；
S52首先搭建一维卷积层：卷积核大小是64，步长为1，并在卷积层中使用Relu激活函数f(x)：
f(x)＝max(0,x)
S53使用Droupout层随机让一些网络节点在某些时候不参与训练，防止网络训练时过拟合，其值设置为0.3；
S54使用bi-lstm网络层学习数据之间的时序信息，bi-lstm由两个LSTM网络构建而成，一个用于提取历史信息，一个用于提取未来信息，这样可以促进网络里面信息的交流，提高预测精度。bi-lstm网络的结构如图2所示，其主要计算公式为：
Ai＝f(Xi×U×w×Ai+1)
ai＝f(Xi×u+ai-1×W)
Yi＝f(V×Ai+v×ai)
其中：U和u代表输入层到隐藏层的权重；V和v代表隐藏层到输出层的权重；W和w代表隐藏层之间的权重；f是relu激活函数；Y是网络输出。
S55使用Droupout层随机让一些网络节点在某些时候不参与训练，其值设置为0.3；
S56为了提高预测的精度，使用注意力机制对75)的输出结果进行运算，注意力机制的公式为：
Out＝tanh(H×{softmax[wT·tanh(H)]}T)
其中：H为上一层的输出向量；w为需要训练的参数向量；
S57最后使用Droupout层和带有激活函数sigmoid的Dense层输出预测的结果。
在一实施例中，在训练服务区驶入车流量预测模型时，将历史服务区入口车流量序列Xf,in、历史通过服务区邻近上游ETC门架的客车流量/历史通过服务区邻近上游ETC门架的货车车流量序列Xe,ke/Xe,huo、历史通过服务区邻近上游ETC门架的市内客车流量与货车流量之和/历史通过服务区邻近上游ETC门架的市内客车流量与货车流量之和Xe,in/Xe,out、历史驶入服务区车辆的先验因子Xc组成的训练{Xf,in,Xe,ke,Xe,huo,Xe,in,Xe,out,Xc}按照最大最小进行归一化，然后输入到网络模型训练网络模型。
在一实施例中，在利用服务区驶入车流量预测模型进行车流量预测时，将在第一时间窗口内服务区入口车流量Xf,in(ta,tb)、第一时间窗口内通过服务区邻近上游ETC门架的客车流量/第一时间窗口内通过服务区邻近上游ETC门架的货车流量Xe,ke(ta,tb)/Xe,huo(ta,tb)、第一时间窗口内通过服务区邻近上游ETC门架的市内客车流量与货车流量之和/第一时间窗口内通过服务区邻近上游ETC门架的市外客车流量和市外货车流量之和Xe,in(ta,tb)/Xe,out(ta,tb)、驶入服务区车辆的先验因子Xc(ta,tb)组成的测试集按照最大最小方式进行归一化；将归一化的数据作为网络模型的输入数据预测时间窗口(ta,tb)内服务区的驶入流量qf,in(ta,tb)。
如图4所示，本实施例提供一种基于ETC数据的驶入服务区车流量预测装置，该装置包括：
数据获取模块，用于获取预测数据，所述预测数据包括：在第一时间窗口内服务区入口车流量、第一时间窗口内通过服务区邻近上游ETC门架的客车流量、第一时间窗口内通过服务区邻近上游ETC门架的货车流量、第一时间窗口内通过服务区邻近上游ETC门架的市内客车流量与货车流量之和、第一时间窗口内通过服务区邻近上游ETC门架的市外客车流量和市外货车流量之和、驶入服务区车辆的先验因子；
预测模块，用于将所述预测数据输入到预先训练好的基于CNN-双向LSTM-ATTENTION的服务区驶入车流量预测模型，得到在时间窗口下服务区驶入车流量。
需要说明的是，前述图1-图3实施例中对车辆检测方法的实施例的解释说明也适用于该实施例提出的车辆检测系统，其实现原理类似，此处不再赘述。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种基于ETC数据的驶入服务区车流量预测方法，其特征在于，该方法包括：
获取预测数据，所述预测数据包括：在时间窗口(ta,tb)内服务区入口车流量、时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的客车流量、时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的货车流量、时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市内客车流量与时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市内货车流量之和、时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市外客车流量和时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市外货车流量之和、驶入服务区车辆的先验因子，
其中，tke表示客车从服务区邻近上游ETC门架到服务区入口的客车平均行驶时间，thuo货车从服务区邻近上游ETC门架到服务区入口的货车平均行驶时间，先验因子的确定方式为：
计算历史经过服务区邻近上游ETC门架车辆的先验知识：
Figure FDA0003668924970000011
其中，netc为车辆驶入过ETC门架的次数，nf为驶入过服务区的次数；
计算未历史经过ETC门架车辆的先验知识：
Figure FDA0003668924970000012
其中，
Figure FDA0003668924970000013
为最近一个月驶入过服务区的市内客车数量，
Figure FDA0003668924970000021
为最近一个月驶入过服务区邻近上游ETC门架的市内客车数量，
Figure FDA0003668924970000022
为最近一个月驶入过服务区的市内货车数量，
Figure FDA0003668924970000023
为最近一个月驶入过服务区邻近上游ETC门架的市内货车数量，
Figure FDA0003668924970000024
为最近一个月驶入过服务区的市外客车数量，
Figure FDA0003668924970000025
为最近一个月驶入过服务区邻近上游ETC门架的市外客车数量，
Figure FDA0003668924970000026
为最近一个月驶入过服务区的市外货车数量，
Figure FDA0003668924970000027
为最近一个月驶入过服务区邻近上游ETC门架的市外货车数量，
对时间窗口(ta,tb)内所有车辆的先验知识求和得到先验因子：
Figure FDA0003668924970000028
其中，c为先验因子，n为通过ETC门架的总车辆数,fi为第i辆车的先验知识；
将所述预测数据输入到预先训练好的基于CNN-双向LSTM-ATTENTION的服务区驶入车流量预测模型，得到在时间窗口下服务区驶入车流量。
2.根据权利要求1所述的基于ETC数据的驶入服务区车流量预测方法，其特征在于，所述基于CNN-双向LSTM-ATTENTION的服务区驶入车流量预测模型包括：依次连接的一维卷积层、第一Droupout层、bi-lstm网络层、第二Droupout层、带有激活函数sigmoid的Dense层；其中，使用注意力机制对所述第二Droupout层的输出结果进行处理。
3.根据权利要求1所述的基于ETC数据的驶入服务区车流量预测方法，其特征在于，获取所述时间窗口(ta,tb)内服务区入口车流量，包括：
根据ETC数据车辆通行的流水，计算车辆n在服务区路段的行驶速度；
Figure FDA0003668924970000029
其中：L为服务区路段的长度，t(n)为车辆在服务区路段上的行驶时间；
计算客车在服务区路段上的平均行驶速度：
Figure FDA0003668924970000031
其中：vke,i为第i辆客车在服务区路段的行驶速度，n1为客车数量；
计算货车在服务区路段上的平均行驶速度：
Figure FDA0003668924970000032
其中：vhuo,i为第i辆货车在服务区路段的行驶速度,n2为货车数量；
估计客车从服务区邻近上游ETC门架到服务区入口的客车平均行驶时间tke：
Figure FDA0003668924970000033
其中：d为服务区邻近上游ETC门架到服务区入口的距离；
估计货车从服务区邻近上游ETC门架到服务区入口的货车平均行驶时间thuo：
Figure FDA0003668924970000034
其中：d为服务区邻近上游ETC门架到服务区入口的距离。
4.根据权利要求3所述的基于ETC数据的驶入服务区车流量预测方法，其特征在于，根据所述时间窗口(ta,tb)、客车平均行驶时间tke以及货车平均行驶时间thuo统计在时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的客车流量、在时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的货车流量。
5.根据权利要求4所述的基于ETC数据的驶入服务区车流量预测方法，其特征在于，获取所述时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市内客车流量与时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市内货车流量之和，包括：
根据邻近上游ETC门架原始统计在时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市内客车流量qke,in(ta-tke,tb-tke)；
根据邻近上游ETC门架原始统计在时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市内货车流量qhuo,in(ta-thuo,tb-thuo)；
所述时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市内客车流量与时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市内货车流量之和为：
qin＝qke,in(ta-tke,tb-tke)+qhuo,in(ta-thuo,tb-thuo)。
6.根据权利要求5所述的基于ETC数据的驶入服务区车流量预测方法，其特征在于，获取时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市外客车流量和时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市外货车流量之和，包括：
根据邻近上游ETC门架原始统计在时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市外客车流量qke,out(ta-tke,tb-tke)；
根据邻近上游ETC门架原始统计在时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市外货车流量qhuo,out(ta-thuo,tb-thuo)；
时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市外客车流量和时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市外货车流量之和为：
qout＝qke,out(ta-tke,tb-tke)+qhuo,out(ta-thuo,tb-thuo)。
7.根据权利要求2所述的基于ETC数据的驶入服务区车流量预测方法，其特征在于，所述bi-lstm网络层的结构表示为：
Ai＝f(Xi×U+w×Ai+1)
ai＝f(Xi×u+ai-1×W)
Yi＝f(V×Ai+v×ai)
其中：U和u代表输入层到隐藏层的权重，V和v代表隐藏层到输出层的权重，W和w代表隐藏层之间的权重，f是relu激活函数，Yi是第i个双向LSTM输出值，Ai是双向LSTM第i个细胞单元的输出值，ai是第i个细胞单元计算中的中间结果。
8.根据权利要求2所述的基于ETC数据的驶入服务区车流量预测方法，其特征在于，所述注意力机制的公式为：
Out＝tanh(H×{softmax[wT·tanh(H)]}T)
其中：H为上一层的输出向量，w为需要训练的参数向量。
9.一种基于ETC数据的驶入服务区车流量预测装置，其特征在于，该装置包括：
数据获取模块，用于获取预测数据，所述预测数据包括：在时间窗口(ta,tb)内服务区入口车流量、时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的客车流量、时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的货车流量、时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市内客车流量与时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市内货车流量之和、时间窗口(ta-tke,tb-tke)内通过服务区邻近上游ETC门架的市外客车流量和时间窗口(ta-thuo,tb-thuo)内通过服务区邻近上游ETC门架的市外货车流量之和、驶入服务区车辆的先验因子，
其中，tke表示客车从服务区邻近上游ETC门架到服务区入口的客车平均行驶时间，thuo货车从服务区邻近上游ETC门架到服务区入口的货车平均行驶时间，先验因子的确定方式为：
计算历史经过服务区邻近上游ETC门架车辆的先验知识：
Figure FDA0003668924970000051
其中，netc为车辆驶入过ETC门架的次数，nf为驶入过服务区的次数；
计算未历史经过ETC门架车辆的先验知识：
Figure FDA0003668924970000061
其中，
Figure FDA0003668924970000062
为最近一个月驶入过服务区的市内客车数量，
Figure FDA0003668924970000063
为最近一个月驶入过服务区邻近上游ETC门架的市内客车数量，
Figure FDA0003668924970000064
为最近一个月驶入过服务区的市内货车数量，
Figure FDA0003668924970000065
为最近一个月驶入过服务区邻近上游ETC门架的市内货车数量，
Figure FDA0003668924970000066
为最近一个月驶入过服务区的市外客车数量，
Figure FDA0003668924970000067
为最近一个月驶入过服务区邻近上游ETC门架的市外客车数量，
Figure FDA0003668924970000068
为最近一个月驶入过服务区的市外货车数量，
Figure FDA0003668924970000069
为最近一个月驶入过服务区邻近上游ETC门架的市外货车数量，
对时间窗口(ta,tb)内所有车辆的先验知识求和得到先验因子：
Figure FDA00036689249700000610
其中，c为先验因子，n为通过ETC门架的总车辆数,fi为第i辆车的先验知识；
预测模块，用于将所述预测数据输入到预先训练好的基于CNN-双向LSTM-ATTENTION的服务区驶入车流量预测模型，得到在时间窗口下服务区驶入车流量。
CN202110637565.0A 2021-06-08 2021-06-08 基于etc数据的驶入服务区车流量预测方法及装置 Active CN113380052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110637565.0A CN113380052B (zh) 2021-06-08 2021-06-08 基于etc数据的驶入服务区车流量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110637565.0A CN113380052B (zh) 2021-06-08 2021-06-08 基于etc数据的驶入服务区车流量预测方法及装置

Publications (2)

Publication Number Publication Date
CN113380052A CN113380052A (zh) 2021-09-10
CN113380052B true CN113380052B (zh) 2022-07-15

Family

ID=77576512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110637565.0A Active CN113380052B (zh) 2021-06-08 2021-06-08 基于etc数据的驶入服务区车流量预测方法及装置

Country Status (1)

Country Link
CN (1) CN113380052B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114373309B (zh) * 2021-12-29 2023-07-14 联通智网科技股份有限公司 服务区车流量的计算方法、装置、终端设备及介质
CN114446064B (zh) * 2021-12-31 2023-04-28 北京掌行通信息技术有限公司 一种分析高速公路服务区流量的方法、装置、存储介质及终端
CN114550444B (zh) * 2022-01-24 2024-03-15 广东省城乡规划设计研究院科技集团股份有限公司 一种基于神经网络的服务区车流量预测方法和装置
CN114333333B (zh) * 2022-03-10 2022-05-17 四川高速公路建设开发集团有限公司 基于车流量预测的潮汐式高速公路智能服务区
CN114550457A (zh) * 2022-03-11 2022-05-27 中天科技(清远)有限公司 一种高速公路服务区车流量预测方法
CN115457774B (zh) * 2022-10-31 2023-03-03 江西锦路科技开发有限公司 基于高速服务区的车流量采集方法、装置、设备及介质
CN115497299B (zh) * 2022-11-14 2023-03-24 中科聚信信息技术（北京）有限公司 基于etc的服务区车流量预测方法、系统和服务区
CN117334058B (zh) * 2023-11-30 2024-03-19 交通运输部科学研究院 一种货车交通流量预测方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008117231A (ja) * 2006-11-06 2008-05-22 Toshiba Corp 交通管制システム及び方法
KR20140021178A (ko) * 2012-08-09 2014-02-20 연세대학교 산학협력단 고속도로 휴게소의 최적 위치와 규모의 산출 방법 및 장치
EP3306481A1 (en) * 2015-05-27 2018-04-11 Clarion Co., Ltd. Content delivery system, content delivery server, on-board terminal, and content delivery method
CN109561391A (zh) * 2019-01-23 2019-04-02 山东省交通规划设计院 基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法
CN110096804A (zh) * 2019-04-30 2019-08-06 山东省交通规划设计院 基于移动终端数据的高速公路服务区的布局方法及系统
CN110992685A (zh) * 2019-11-20 2020-04-10 安徽百诚慧通科技有限公司 一种基于高速公路交通流突变的交通安全预警方法
CN112164220A (zh) * 2020-09-22 2021-01-01 江西锦路科技开发有限公司 一种高速公路服务区拥堵监测及自动导引系统
CN112581774A (zh) * 2020-12-08 2021-03-30 重庆大学 一种基于etc数据的高速公路服务区驶入车流量估计方法
CN112651570A (zh) * 2020-12-31 2021-04-13 长安大学 高速公路服务区交通量预测模型构建、预测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
MX2016000955A (es) * 2013-07-25 2016-05-09 Nissan Motor Sistema para anunciar una cantidad restante predicha de energia.

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008117231A (ja) * 2006-11-06 2008-05-22 Toshiba Corp 交通管制システム及び方法
KR20140021178A (ko) * 2012-08-09 2014-02-20 연세대학교 산학협력단 고속도로 휴게소의 최적 위치와 규모의 산출 방법 및 장치
EP3306481A1 (en) * 2015-05-27 2018-04-11 Clarion Co., Ltd. Content delivery system, content delivery server, on-board terminal, and content delivery method
CN109561391A (zh) * 2019-01-23 2019-04-02 山东省交通规划设计院 基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法
CN110096804A (zh) * 2019-04-30 2019-08-06 山东省交通规划设计院 基于移动终端数据的高速公路服务区的布局方法及系统
CN110992685A (zh) * 2019-11-20 2020-04-10 安徽百诚慧通科技有限公司 一种基于高速公路交通流突变的交通安全预警方法
CN112164220A (zh) * 2020-09-22 2021-01-01 江西锦路科技开发有限公司 一种高速公路服务区拥堵监测及自动导引系统
CN112581774A (zh) * 2020-12-08 2021-03-30 重庆大学 一种基于etc数据的高速公路服务区驶入车流量估计方法
CN112651570A (zh) * 2020-12-31 2021-04-13 长安大学 高速公路服务区交通量预测模型构建、预测方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Development of a Model to Predict Proportion of Vehicles Entering Merge Influence Areas at FreewaY Ramp Junctions;Kittichai Thanasupsi;《Thammasat Int. J. Sc. Tech》;20061231;第11卷(第3期);54-60 *
Prediction of Entering Percentage into Expressway Service Areas Based on Wavelet Neural Networks and Genetic Algorithms;Xiaoyan Shen;《IEEE Access》;20190425;第7卷;54562-54574 *
区域性高速公路服务区运营管理理论与技术研究;刘嘉;《中国优秀博硕士学位论文全文数据库(博士)经济与管理科学辑》;20141215(第12期);J151-11 *
基于AB-CNN-BiLSTM心衰死亡率预测模型;郭汉;《计算机应用与软件》;20210430;第38卷(第4期);37-42 *
基于遗传算法与小波神经网络的高速公路服务区规模参数研究;尹清;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20091215(第12期);C034-800 *
陕西省高速公路服务区驶入率调查与预测研究;刘亚非;《公路工程》;20130830;第38卷(第04期);210-213 *

Also Published As

Publication number Publication date
CN113380052A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN113380052B (zh) 基于etc数据的驶入服务区车流量预测方法及装置
CN112598182B (zh) 一种轨道交通智能调度方法及系统
CN104408908A (zh) 公交车辆越站调度方法及系统
CN101941449B (zh) 城市轨道交通出入段线能力分析方法及系统
Akin et al. A neural network (NN) model to predict intersection crashes based upon driver, vehicle and roadway surface characteristics
CN110084397B (zh) 一种地铁直达线路规划方法
CN110299011A (zh) 一种基于收费数据的高速公路任意断面的交通流预测方法
CN111724589A (zh) 一种基于多源数据的高速公路断面流量估计方法
CN114187766B (zh) 一种基于饱和率的道路服务水平评价方法
CN109272745A (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN106816009A (zh) 高速公路实时交通拥堵路况检测方法及其系统
CN113283762A (zh) 一种评价停车场道路规划的装置
CN106355905A (zh) 一种基于卡口数据的高架信号控制方法
CN112465211B (zh) 一种轨道交通列车满载率控制方法及应用
CN111581538A (zh) 一种基于高速公路收费数据的高速交通流状态推断方法
CN116206440A (zh) 一种基于智慧高速的交通流采集、预测、管控及信息化推送系统及方法
CN113487872B (zh) 一种基于大数据和人工智能的公交车通行时间预测方法
CN116597642A (zh) 一种交通拥堵状况的预测方法及系统
CN114418606A (zh) 基于时空卷积网络的网约车订单需求预测方法
CN111640294B (zh) 一种新建地铁线路影响下城市公交线路客流变化预测方法
CN109447352B (zh) 一种公交出行od矩阵反推的组合方法
CN115083198B (zh) 一种多车运力资源调度方法及装置
CN116451867A (zh) 一种基于时空出行路径标定的地铁短时客流预测方法
CN116434536A (zh) 一种基于交通运行状态分级的高速公路协同管控方法
CN113808388A (zh) 综合考虑小汽车和公共交通运行的交通拥堵分析方法

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
GR01 Patent grant
GR01 Patent grant