CN113470362A - 基于svr-dea模型的城市路段交通拥堵时空精准判别方法 - Google Patents

基于svr-dea模型的城市路段交通拥堵时空精准判别方法 Download PDF

Info

Publication number
CN113470362A
CN113470362A CN202110932493.2A CN202110932493A CN113470362A CN 113470362 A CN113470362 A CN 113470362A CN 202110932493 A CN202110932493 A CN 202110932493A CN 113470362 A CN113470362 A CN 113470362A
Authority
CN
China
Prior art keywords
time
model
traffic flow
traffic
data
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
Application number
CN202110932493.2A
Other languages
English (en)
Other versions
CN113470362B (zh
Inventor
韩春阳
黄合来
张可可
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202110932493.2A priority Critical patent/CN113470362B/zh
Publication of CN113470362A publication Critical patent/CN113470362A/zh
Application granted granted Critical
Publication of CN113470362B publication Critical patent/CN113470362B/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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Abstract

本发明属于城市道路交通拥堵状态评价技术领域，特别是涉及一种基于SVR‑DEA模型的城市路段交通拥堵时空精准判别方法。所述方法包括：获取目标区域各路段的交通流历史数据，并进行预处理；构建非线性支持向量回归模型，采用预处理后的交通流动态数据对模型进行训练和测试，获得短时交通流时空预测模型；预测各路段在预测时段的交通状态，并采用粗糙式拥堵评价模型进行拥堵等级划分；构建数据包络分析模型，选取粗糙式划分等级作为输入并求解模型获得各拥堵路段的综合指数；根据各拥堵路段的综合指数与最畅通等级的综合指数，获得预测时间段内各路段拥堵水平的精确划分结果。该方法可以广泛应用于城市道路交通拥堵状态评价领域。

Description

基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法
技术领域
本发明属于城市道路交通拥堵状态评价技术领域，特别是涉及一种基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法。
背景技术
城市路段交通拥堵评价，是判断道路服务水平的重要指标，同时也是交通管理者采取交通治理措施的重要依据；交通拥堵的治理不仅需要明确每条路段的交通运行状态，还需要在此基础上了解交通状态的发展趋势。
城市路段交通运行状态的精准评价和趋势预测面临着诸多困难，主要表现为：第一、目前广泛使用的交通拥堵评价方法以多等级划分方式为主，评价等级往往跨度范围较大，无法明确同一等级下不同路段的相对拥堵水平，不利于精细化管理措施的制定；第二、交通拥堵的产生是多因素共同作用的结果，其中多种因素具有时变特征，且在空间层面表现出显著地关联特性，导致不同路段的交通拥堵状态具有不同的时空变化特征，要求预测方法能够考虑路段交通流的时空关联特征，获得更加准确的预测结果，为拥堵防控措施的制定提供准确的判断依据。
现有的城市路段交通拥堵评价方法主要分为两种。一种是采用单一交通参数直观反应交通运行状态的参数型评价方法，主要采用的交通参数包括交通流量、延误时间、通行速度等。此类方法结构简单、使用方便，但由于评价等级划分较为粗糙，无法判别同一拥堵等级下不同路段的拥堵状态，无法精准指导道路拥堵管理措施的制定。另一种是采用统计或数学模型，通过将多种交通参数结合，并考虑道路和环境特征，对交通运行状态进行评价的模型类评价法。此类方法主要针对当前的路段交通运行状态，无法对交通状态的发展趋势进行预测，且大多方法未考虑路段交通流状态之间的时空相关性。
因此，当前的主流评价方法无法在准确预测路段交通运行状态的基础上进行精准化评价。
发明内容
针对上述问题，本申请基于支持向量回归(Support Vector Regression)模型，构建考虑路段交通流时空关联特征的短时交通流预测模型，预测目标区域内各路段的短时交通运行状态，并与传统粗糙式交通拥堵评价方法对接，评价各路段的拥堵等级；在此基础上，基于数据包络分析(Data Envelopment Analysis,DEA)模型，进一步构建交通状态精准判别模型，基于传统评价方法中划分交通拥堵等级的参数中心值(或阈值)，对同一等级下不同道路的相对拥堵水平进行精细化评价，获得道路在预期时段内的交通运行状态相对水平，有助于明确严重拥堵路段，为交通拥堵管理措施的制定提供更加准确的判断依据。
本发明提供了一种基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法，所述判别方法具体包括：
获取目标区域各路段的交通流历史数据并进行预处理，获得预处理后的交通流时空数据集；
构建非线性支持向量回归模型，以所述预处理后的交通流时空数据集对模型进行训练和测试，获得短时交通流时空预测模型；
根据所述短时交通流时空预测模型，预测各路段在预测时段的交通状态；并采用粗糙式拥堵评价方法进行拥堵等级划分，获取预测时段交通状态的粗糙评价等级；
构建数据包络分析模型，选取所述预测时段交通状态的粗糙评价等级作为模型输入参数，输入所述包络分析模型并求解模型，获得各拥堵路段的综合指数；
根据所述各拥堵路段的综合指数与最畅通等级的综合指数，通过对比各路段综合指数与最畅通等级综合指数的差距值，确定各拥堵路段的相对拥堵水平并排序，获得预测时间段内各路段拥堵水平的精确划分结果。
进一步的，所述获取目标区域各路段的交通流历史数据并进行预处理，获得预处理后的交通流时空数据集步骤具体包括：
收集目标范围、目标时间段内路段的交通流量、车辆通行速度和行程时间的历史数据，并记录数据采集的路段位置和时间序列信息；
将所采集的交通流量数据进行预处理，包括：剔除错误数据和修复丢失数据，并按照预设的划分时间间隔，将处理后的数据进行划分，计算各时间间隔内的交通流量、平均车速和平均延误时间，所述预设的时间间隔为2min。
进一步的，所述剔除错误数据的方法为：
计算各交通流参数的合理范围，并根据所述各交通流参数的合理范围剔除超过合理范围的数据记录；
所述交通流参数具体包括流量Q、速度v和行程时间t；
所述流量Q的合理范围为：
Figure BDA0003211562660000031
其中，C为道路通行能力；T为数据采集的时间间隔；f为修正系数，一般取1.3至1.5；
所述速度v的合理范围为：
0≤v≤f·v0
其中，v0为道路限制速度；
行程时间t的合理范围是：
Figure BDA0003211562660000041
其中，l为路段长度，lQ为排队中车辆的平均长度，即排队长度与排队车辆数之比，τmax为最大红灯信号时长。
进一步的，所述修复错误数据的方法为：
通过计算相邻数据的平均值对缺失数据进行补充，计算公式为：
Figure BDA0003211562660000042
其中，Q为交通流量。
进一步的，所述构建非线性支持向量回归模型，以所述预处理后的交通流时空数据集对模型进行训练和测试，获得短时交通流时空预测模型步骤具体包括：
确定用于判定时间相关性的时间窗和时序偏移系数，计算各时间窗下各路段的交通流参数与其相邻路段在特定时序偏移系数前的交通流参数的时空相关系数，提取各时序下时空相关系数较高的相邻路段的交通流数据，形成模型数据集，并分为训练数据集和测试数据集；
构建非线性支持向量回归模型结构，基于所述训练数据集，对不同核函数下的预测模型进行训练，获得各核函数的惩罚因子、核宽度和不敏感系数，并采用测试数据集，测试不同核函数下的模型预测性能，确定最优核函数，获得短时交通流时空预测模型。
进一步的，所述各时间窗下各路段的交通流参数与其相邻路段在特定时序偏移系数前的交通流参数的时空相关系数的计算方法为：
Figure BDA0003211562660000051
其中，T表示时间窗，xt(v)表示路段x在划分时间间隔t内的平均速度，yt-kT(v)表示与x相邻的路段y上第k个时序偏移系数前的平均速度，μx表示路段x所有时间间隔内平均速度的平均值，μy表示路段y所有时间间隔内平均速度的平均值。
进一步的，所述测试不同核函数下的模型预测性能评价指标包括：
平均绝对百分比误差(MAPE)和均方根误差(RMSE)，其中，平均绝对百分比误差的计算公式为：
Figure BDA0003211562660000052
均方根误差为：
Figure BDA0003211562660000053
其中，γi表示样本真实值，γ* i表示预测值。
进一步的，所述粗糙式拥堵评价方法为以离散型等级划分交通拥堵水平的方法，具体包括：基于拥堵里程、行程时间以及延误时间的指标式评价方法、基于模糊C均值聚类方法的模型式评价方法。
有益效果：
首先，本发明将非线性支持向量回归(SVR)模型用于路段交通运行状态的趋势预测，能够获得预测时间段内的路段交通运行状态，并考虑了各路段交通流与相邻路段交通流的时空相关性，提高了预测准确性。其次，本发明将数据包络分析(DEA)模型用于路段交通拥堵水平的精准评价，能够获得各路段的相对拥堵水平，从而对拥堵状态进行排序，突破了传统粗糙式拥堵评价方法无法精准判断每条路段的拥堵状态的缺陷。可以广泛应用于城市路段交通拥堵评价领域。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法的流程图；
图2为本发明实施例提供的路段空间位置。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，在本发明实施例中，提出了一种基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法的流程图，具体包括一下步骤：
步骤S101，获取目标区域各路段的交通流历史数据并进行预处理，获得预处理后的交通流时空数据集。
在本发明实施例中，收集目标范围、目标时间段内路段的交通流量、车辆通行速度和行程时间等实时动态数据，并记录数据采集的路段位置和时间序列信息。其中，各参数数据的采集方法为本领域技术人员公知技术，本发明在此不再赘述。
对所采集的交通流历史数据进行预处理，包括剔除错误数据和修复丢失数据，并按照特定的划分时间间隔，将处理后的数据进行划分，计算各时间间隔内的交通流量、平均车速和平均延误时间；
其中，剔除错误数据方法的步骤为：首先要明确各交通流参数的合理范围，并从数据记录中剔除超过合理范围的数据记录，其中，各参数合理范围的计算公式为：
交通流量，定义流量Q的合理范围为：
Figure BDA0003211562660000071
其中，C为道路通行能力(单位：车/小时)；T为数据采集的时间间隔(单位：分钟)；f为修正系数，一般取1.3至1.5。
平均速度。
定义速度v的合理范围为：
0≤v≤f·v0 (2)
其中，v0为道路限制速度。
行程时间，定义行程时间t的合理范围是：
Figure BDA0003211562660000072
其中，l为路段长度，lQ为排队中车辆的平均长度，即排队长度与排队车辆数之比，τmax为最大红灯信号时长。然后剔除数据记录中某一个或多个参数的记录为零，但其余参数不为零的数据，确保各参数记录的一致性。修复丢失数据的方法为，通过计算相邻数据的平均值对缺失数据进行补充，计算公式为(以交通流量为例)：
Figure BDA0003211562660000081
步骤S102，构建非线性支持向量回归模型，以所述预处理后的交通流时空数据集对模型进行训练和测试，获得短时交通流时空预测模型。
在本发明实施例中，确定用于判定时间相关性的时间窗和时序偏移系数，计算各时间窗下各路段的交通流参数与其相邻路段在特定时序偏移系数前的交通流参数的时空相关系数，提取各时序下时空相关系数较高的相邻路段的交通流数据，形成模型数据集，并以7:3的比例生成训练数据集和测试数据集；
其中，所述各时序下各路段交通流参数与其相邻路段交通流参数的相关系数的计算方法为(以路段平均速度为例)：
Figure BDA0003211562660000082
其中，T表示时间窗，xt(v)表示路段x在划分时间间隔t内的平均速度，yt-kT(v)表示与x相邻的路段y上第k个时序偏移系数前的平均速度，μx表示路段x所有时间间隔内平均速度的平均值，μy表示路段y所有时间间隔内平均速度的平均值。
构建非线性支持向量回归(SVR)模型结构，基于上述训练数据集，对不同核函数下的预测模型进行训练，获得各核函数的惩罚因子、核宽度和不敏感系数，并采用测试数据集，测试不同核函数下的模型预测性能，确定最优核函数。本发明所采用的模型预测性能评价指标包括：平均绝对百分比误差(MAPE)和均方根误差(RMSE)，其中，平均绝对百分比误差的计算公式为：
Figure BDA0003211562660000091
均方根误差为：
Figure BDA0003211562660000092
其中，γi表示样本真实值，γ* i表示预测值。平均绝对百分比误差值和均方根误差值越小，表示模型的预测效果越好。此外，采用训练数据集对模型参数进行训练和测试，是本领域技术人员公知技术，本发明在此不再赘述。
步骤S103，根据所述短时交通流时空预测模型，预测各路段在预测时段的交通状态；并采用粗糙式拥堵评价方法进行拥堵等级划分，获取预测时段交通状态的粗糙评价等级。
在本发明实施例中，传统交通拥堵评价方法指现有大多以离散型等级划分交通拥堵水平的方法，包括：现行行业标准《城市交通运行状况评价规范GB T 33171-2016》中基于拥堵里程、行程时间以及延误时间的指标式评价方法，以及基于模糊C均值聚类方法的模型式评价方法等。
在本发明实施例中，采用所述短时交通流时空预测模型预测各路段在预测时段的交通状态，将具有高度时空相关性的路段数据作为模型输入，获得预测时间段内的路段交通流参数的预测值；预测结果输入传统粗糙式拥堵评价模型中，获得预测时间段内各路段的交通拥堵等级m，以及各等级划分的中心值(或阈值)所对应的交通流量、平均速度和延误时间的参数值。
步骤S104，构建数据包络分析模型，选取所述预测时段交通状态的粗糙评价等级作为模型输入参数，输入所述包络分析模型并求解模型，获得各拥堵路段的综合指数。
在本发明实施例中，以所述交通流量和时间延误的等级划分参数为模型的输入，以平均速度的等级划分参数为模型的输出，求解模型，获得各等级下的综合指数θx，其中，数据包络分析(DEA)模型的构建和求解是本领域技术人员的公知技术，本发明在此不再赘述。
步骤S105，根据所述各拥堵路段的综合指数与最畅通等级的综合指数，通过综合指数的差距值确定各拥堵路段的相对拥堵水平并排序，获得预测时间段内各路段拥堵水平的精确划分结果。
在本发明实施例中，将θx与最通畅等级的综合指数值θ1对比，通过两者之间的差距值，g＝θx-θ1，确定各拥堵路段的相对拥堵水平并做排序，g值越大说明路段交通越拥堵，获得预测时间段内各路段拥堵水平的精确划分结果，从而指导拥堵防控对策的实施。
实施例：
本实施例以长沙市主干道为例，预测所选取路段交通状态的发展趋势并做精细化评价，步骤如下：
针对目标区域内的主要路段，收集特定时间段内的交通流动态数据，并对数据做预处理。
收集目标范围、目标时间段内所选取路段的交通流量、车辆通行速度和行程时间等实时动态数据，并记录数据采集的路段位置和时间序列信息。
本实施例选取长沙市10条典型主干道路，收集2020年12月9日至12月11日各路段的交通流量、车辆的通行速度和行程时间数据，各道路的信息如表1所示，交通参数的采集情况如表2所示，所收集数据的部分记录如表3所示。
表1.目标道路信息及参数采集情况
Figure BDA0003211562660000101
Figure BDA0003211562660000111
表2.数据收集情况
Figure BDA0003211562660000112
表3.交通流参数的部分记录
Figure BDA0003211562660000113
Figure BDA0003211562660000114
Figure BDA0003211562660000121
对所采集的交通流数据进行预处理，包括剔除错误数据和修复丢失数据，并按照特定的划分时间间隔，将处理后的数据进行划分，计算各时间间隔内的交通流量、平均车速和平均延误时间。
根据各路段所连接路口的信号控制时长，本实施例以2min为时间间隔划分数据，形成初始数据集，如表4所示为部分生成的初始数据集。
表4部分初始数据及
Figure BDA0003211562660000122
基于非线性支持向量回归(SVR)模型，构建短时交通流时空预测模型。
确定用于判定时间相关性的时间窗和时序偏移系数，计算各时间窗下各路段的交通流参数与其相邻路段在特定时序偏移系数前的交通流参数的时空相关系数，提取各时序下时空相关系数较高的相邻路段的交通流数据，形成模型数据集，并以7:3的比例生成训练数据集和测试数据集；
本发明采用积矩相关系数计算相邻路段间的时空相关系数，具体计算公式为公式(5)。
以路段黄兴北路(中山路→营盘路段)为例，计算该路段与相邻路段之间的时空相关性。如图2所示，在空间维度，黄兴北路与中山路(左右两段分别为路段1和路段2)、黄兴中路(路段3)相邻。时间维度，设置时间窗T为5min；选取k＝1,2,3，即分别计算三条相邻路段t-1T、t-2T和t-3T三个偏移时段下的交通状况，采用公式(5)计算时空相关性，部分计算结果如表5所示。
表5.部分时空相关性计算结果
Figure BDA0003211562660000131
最终，获得预测路段与邻接路段在不同时间偏移量下的交通流相关性。选取同一时空维度下相关性最高的路段流量，比如，第一个时间窗T＝1，三个时段偏移量下，邻接路段2、1和1的交通流量与预测路段的交通流相关性最高(表中加粗数字)，因此，选取这些相邻路段，作为预测路段相应预测时间间隔下的交通流输入数据，由此形成最终模型的时空数据集，并以7:3的比例分为模型的训练数据集和测试数据集。
构建非线性支持向量回归(SVR)模型结构，基于训练数据集，对不同核函数下的预测模型进行训练，获得各核函数的惩罚因子、核宽度和不敏感系数，并采用测试数据集，测试不同核函数下的模型预测性能，确定最优核函数。
本实施例选取多项式核函数和高斯核函数，采用训练数据集训练模型参数，然后采用测试数据集，对比采用两个和函数时模型的预测效果。本发明所采用的模型预测性能评价指标包括：平均绝对百分比误差(MAPE)和均方根误差(RMSE)，本实施例中两种模型的预测评价结果如表6所示，可见高斯核函数模型的预测性能最优，因此，本实施例选用基于高斯核函数的支持向量回归(SVR)模型对路段的交通流状态进行预测。
表6.模型预测效果
Figure BDA0003211562660000141
基于数据包络分析(DEA)模型，构建交通拥堵精准判别模型。
明确所要对接的传统交通拥堵判定方法的划分等级，以及各等级划分的中心值(或阈值)所对应的交通流量、平均速度和延误时间的参数值。
本实施例中本发明所对接的传统评价方法为，基于模糊C-均值聚类法的交通拥堵评价方法。该方法是一种目前较为常用的道路交通拥堵状态判别方法。针对长沙市主干路，该方法设置了五等级评价量表，各评价等级的含义及各分类的参数范围和中心对应的交通参数值如表7所示。
表7.传统评价方法的交通流划分标准
Figure BDA0003211562660000151
构建数据包络分析(DEA)模型，并以传统方法中交通流量和时间延误的等级划分参数为模型的输入，以平均速度的等级划分参数为模型的输出，求解模型，获得各等级下的综合指数θm。数据包络分析(DEA)模型的构建和求解是本领域技术人员的公知技术，本发明在此不再赘述。所求得各等级的综合指数值见表7最后一列。
将SVR和DEA模型与传统粗糙式拥堵评价模型对接，计算预测时段内路段拥堵防控的优先级排序；采用构建的短时交通流时空预测模型，预测区域内各路段在预测时段内的交通状态，其中模型的输入数据集根据路段的时空相关性结果生成，将具有高度时空相关性的路段数据作为模型输入，获得预测时间段内路段交通流参数的预测值。
本实施例以2min为时间间隔，对所选取路段的交通流状态进行预测，部分预测结果如表8所示。
表8.模型预测部分结果展示
Figure BDA0003211562660000161
将预测结果输入传统粗糙式拥堵评价模型中，获得预测时间段内的交通拥堵等级；评价结果如表8所示。
针对中度拥堵以上的路段，根据所获得的交通状态精准判别模型，计算各拥堵路段的综合指标θx，将θx与最通畅等级的综合指数值θ1对比，通过综合指数的差距值确定各拥堵路段的相对拥堵水平并做排序，获得预测时间段内各路段拥堵水平的精确划分结果。
本实施例选取10min预测时段下的中度拥堵路段5、6、10进行精细化评价。首先基于传统评价方法中各等级的划分中心值，计算各路段状态的综合指数θx，计算结果如表9所示。
表9.精细化评价结果
Figure BDA0003211562660000171
从表中可以看出，路段5偏离通畅状态的距离最大，因此，三条路段在预测时间段时，路段5的拥堵程度相对较高，应提前对路段5有限采取交通拥堵的防控措施。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

Claims (8)

1.一种基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法，其特征在于，所述判别方法具体包括：
获取目标区域各路段的交通流历史数据并进行预处理，获得预处理后的交通流时空数据集；
构建非线性支持向量回归模型，以所述预处理后的交通流时空数据集对模型进行训练和测试，获得短时交通流时空预测模型；
根据所述短时交通流时空预测模型，预测各路段在预测时段的交通状态；并采用粗糙式拥堵评价方法进行拥堵等级划分，获取预测时段交通状态的粗糙评价等级；
构建数据包络分析模型，选取所述预测时段交通状态的粗糙评价等级作为模型输入参数，输入所述包络分析模型并求解模型，获得各拥堵路段的综合指数；
根据所述各拥堵路段的综合指数与最畅通等级的综合指数，通过对比各路段综合指数与最畅通等级综合指数的差距值，确定各拥堵路段的相对拥堵水平并排序，获得预测时间段内各路段拥堵水平的精确划分结果。
2.根据权利要求1所述的基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法，其特征在于，所述获取目标区域各路段的交通流历史数据并进行预处理，获得预处理后的交通流时空数据集步骤具体包括：
收集目标范围、目标时间段内路段的交通流量、车辆通行速度和行程时间的历史数据，并记录数据采集的路段位置和时间序列信息；
将所采集的交通流量数据进行预处理，包括：剔除错误数据和修复丢失数据，并按照预设的划分时间间隔，将处理后的数据进行划分，计算各时间间隔内的交通流量、平均车速和平均延误时间，所述预设的时间间隔为2min。
3.根据权利要求2所述的基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法，其特征在于，所述剔除错误数据的方法为：
计算各交通流参数的合理范围，并根据所述各交通流参数的合理范围剔除超过合理范围的数据记录；
所述交通流参数包括：流量Q、速度v和行程时间t；
所述流量Q的合理范围为：
Figure FDA0003211562650000021
其中，C为道路通行能力；T为数据采集的时间间隔；f为修正系数，一般取1.3至1.5；
所述速度v的合理范围为：
0≤v≤f·v0
其中，v0为道路限制速度；
行程时间t的合理范围是：
Figure FDA0003211562650000022
其中，l为路段长度，lQ为排队中车辆的平均长度，即排队长度与排队车辆数之比，τmax为最大红灯信号时长。
4.根据权利要求2所述的基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法，其特征在于，所述修复错误数据的方法为：
通过计算相邻数据的平均值对缺失数据进行补充，计算公式为：
Figure FDA0003211562650000023
其中，Q为交通流量。
5.根据权利要求1所述的基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法，其特征在于，所述构建非线性支持向量回归模型，以所述预处理后的交通流时空数据集对模型进行训练和测试，获得短时交通流时空预测模型步骤具体包括：
确定用于判定时间相关性的时间窗和时序偏移系数，计算各时间窗下各路段的交通流参数与其相邻路段在特定时序偏移系数前的交通流参数的时空相关系数，提取各时序下时空相关系数较高的相邻路段的交通流数据，形成模型数据集，并分为训练数据集和测试数据集；
构建非线性支持向量回归模型结构，基于所述训练数据集，对不同核函数下的预测模型进行训练，获得各核函数的惩罚因子、核宽度和不敏感系数，并采用测试数据集，测试不同核函数下的模型预测性能，确定最优核函数，获得短时交通流时空预测模型。
6.根据权利要求5所述的基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法，其特征在于，所述各时间窗下各路段的交通流参数与其相邻路段在特定时序偏移系数前的交通流参数的时空相关系数的计算方法为：
Figure FDA0003211562650000031
其中，T表示时间窗，xt(v)表示路段x在划分时间间隔t内的平均速度，yt-kT(v)表示与x相邻的路段y上第k个时序偏移系数前的平均速度，μx表示路段x所有时间间隔内平均速度的平均值，μy表示路段y所有时间间隔内平均速度的平均值。
7.根据权利要求5所述的基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法，其特征在于，所述测试不同核函数下的模型预测性能评价指标包括：
平均绝对百分比误差(MAPE)和均方根误差(RMSE)，其中，平均绝对百分比误差的计算公式为：
Figure FDA0003211562650000041
均方根误差为：
Figure FDA0003211562650000042
其中，γi表示样本真实值，γ* i表示预测值。
8.根据权利要求1所述的基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法，其特征在于，所述粗糙式拥堵评价方法为以离散型等级划分交通拥堵水平的方法，具体包括：基于拥堵里程、行程时间以及延误时间的指标式评价方法、基于模糊C均值聚类方法的模型式评价方法。
CN202110932493.2A 2021-08-13 2021-08-13 基于svr-dea模型的城市路段交通拥堵时空精准判别方法 Active CN113470362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110932493.2A CN113470362B (zh) 2021-08-13 2021-08-13 基于svr-dea模型的城市路段交通拥堵时空精准判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110932493.2A CN113470362B (zh) 2021-08-13 2021-08-13 基于svr-dea模型的城市路段交通拥堵时空精准判别方法

Publications (2)

Publication Number Publication Date
CN113470362A true CN113470362A (zh) 2021-10-01
CN113470362B CN113470362B (zh) 2022-06-17

Family

ID=77866538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110932493.2A Active CN113470362B (zh) 2021-08-13 2021-08-13 基于svr-dea模型的城市路段交通拥堵时空精准判别方法

Country Status (1)

Country Link
CN (1) CN113470362B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706862A (zh) * 2021-08-04 2021-11-26 同济大学 一种考虑路网容量约束的分布式主动均衡管控方法
CN114783179A (zh) * 2022-03-31 2022-07-22 北京工业大学 基于状态矢量的拥堵聚类判别方法
CN115033042A (zh) * 2022-08-10 2022-09-09 启东亦大通自动化设备有限公司 基于多模态物联网的食品脱水机智能控制系统
CN115440029A (zh) * 2022-07-29 2022-12-06 重庆大学 一种考虑检测设备分布的车检器数据修复方法
CN117037499A (zh) * 2023-10-09 2023-11-10 腾讯科技（深圳）有限公司 拥堵路段预测方法、装置、计算机设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492555A (zh) * 2018-03-20 2018-09-04 青岛海信网络科技股份有限公司 一种城市路网交通状态评价方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492555A (zh) * 2018-03-20 2018-09-04 青岛海信网络科技股份有限公司 一种城市路网交通状态评价方法及装置

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
WANG GAOPENG 等: "The Prediction Model of Silicon Content in Hot Metal based on LS-SVR Optimized by Estimation Distributed Algorithm", 《IEEE》 *
YUNFEI AN 等: "SVR-DEAmodel of carbon tax pricing for China"s thermal power industry", 《SCIENCE OF THE TOTAL ENVIRONMENT》 *
任其亮等: "城市路网交通拥堵H-Fuzzy评判方法研究", 《重庆交通大学学报(自然科学版)》 *
周南金 等: "城市道路路段交通拥堵评价指标体系研究", 《交通建设》 *
王雪松 等: "一种支持向量机参数选择的改进分布估计算法", 《山东大学学报（工学版）》 *
胡正平等: "交通场景中采用有监督序学习拥挤度排序算法", 《信号处理》 *
蒋金亮 等: "基于DEA的城市道路交通拥堵评价", 《交通信息与安全》 *
郭军: "沥青路面使用性能综合排序方法的研究", 《公路与汽运》 *
韦清波: "考虑多因素的城市道路交通拥堵指数预测研究", 《交通运输系统工程与信息》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706862A (zh) * 2021-08-04 2021-11-26 同济大学 一种考虑路网容量约束的分布式主动均衡管控方法
CN113706862B (zh) * 2021-08-04 2023-05-12 兆边(上海)科技有限公司 一种考虑路网容量约束的分布式主动均衡管控方法
CN114783179A (zh) * 2022-03-31 2022-07-22 北京工业大学 基于状态矢量的拥堵聚类判别方法
CN114783179B (zh) * 2022-03-31 2024-04-05 北京工业大学 基于状态矢量的拥堵聚类判别方法
CN115440029A (zh) * 2022-07-29 2022-12-06 重庆大学 一种考虑检测设备分布的车检器数据修复方法
CN115440029B (zh) * 2022-07-29 2023-08-08 重庆大学 一种考虑检测设备分布的车检器数据修复方法
CN115033042A (zh) * 2022-08-10 2022-09-09 启东亦大通自动化设备有限公司 基于多模态物联网的食品脱水机智能控制系统
CN115033042B (zh) * 2022-08-10 2023-10-20 微山县恒信食品有限公司 基于多模态物联网的食品脱水机智能控制系统
CN117037499A (zh) * 2023-10-09 2023-11-10 腾讯科技（深圳）有限公司 拥堵路段预测方法、装置、计算机设备和存储介质
CN117037499B (zh) * 2023-10-09 2024-01-05 腾讯科技（深圳）有限公司 拥堵路段预测方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN113470362B (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN113470362B (zh) 基于svr-dea模型的城市路段交通拥堵时空精准判别方法
WO2020244288A1 (zh) 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置
CN103021193B (zh) 一种面向行驶速度区间的干道绿波协调控制方法
CN107330217B (zh) 一种基于rbfnn的中观油耗预测方法
CN105913661A (zh) 一种基于收费数据的高速公路路段交通状态判别方法
Hamad et al. Developing a measure of traffic congestion: Fuzzy inference approach
CN108681788B (zh) 一种基于主动安全的城市离散交通网络设计方法
CN106781486A (zh) 基于浮动车数据的交通状态评价方法
CN114783183A (zh) 一种基于交通态势算法的监控方法与系统
CN111695241A (zh) 一种基于vissim仿真的左入匝道合流区加速车道长度确定方法
CN109637143B (zh) 改进的行程时间可靠性分析方法
CN111667204A (zh) 自动驾驶开放测试道路环境风险度确定、分级方法及系统
CN111583628B (zh) 基于数据质量控制的道路网重型货车交通流量预测方法
CN114819305B (zh) 一种基于碳排放度量尺度下的路径规划方法
CN111445700B (zh) 一种基于车牌识别数据的区域行停车辆的监测方法
Biswas et al. Assessment of level-of-service on urban arterials: a case study in Kolkata metropolis
CN108492560A (zh) 一种道路检测器缺失数据补全方法及装置
CN111189424A (zh) 一种基于多级搜索半径的道路数据弯曲程度检测方法
CN110867075A (zh) 一种评估雨天条件下道路测速仪对驾驶人员反应行为影响的方法
CN111402585B (zh) 偶发性拥堵路径的探测方法
CN111915880A (zh) 一种高速公路异常事件事发点有效通行能力估计方法
CN116168538B (zh) 一种平面道路车辆通行空间识别方法
Shen et al. Traffic velocity prediction using GPS data: IEEE ICDM contest task 3 report
CN112085951A (zh) 交通状态判别方法、系统、存储介质、计算机设备及应用
Kukadapwar et al. Modeling of traffic congestion on urban road network using fuzzy inference system

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