CN114330871A - 一种通过公交运营数据结合gps数据预测城市路况的方法 - Google Patents

一种通过公交运营数据结合gps数据预测城市路况的方法 Download PDF

Info

Publication number
CN114330871A
CN114330871A CN202111617613.6A CN202111617613A CN114330871A CN 114330871 A CN114330871 A CN 114330871A CN 202111617613 A CN202111617613 A CN 202111617613A CN 114330871 A CN114330871 A CN 114330871A
Authority
CN
China
Prior art keywords
data
road
time
matrix
neural network
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
Application number
CN202111617613.6A
Other languages
English (en)
Inventor
谭瑞香
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.)
Hunan Changxing Traffic Wisdom Technology Co ltd
Original Assignee
Hunan Changxing Traffic Wisdom 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 Hunan Changxing Traffic Wisdom Technology Co ltd filed Critical Hunan Changxing Traffic Wisdom Technology Co ltd
Priority to CN202111617613.6A priority Critical patent/CN114330871A/zh
Publication of CN114330871A publication Critical patent/CN114330871A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种通过公交运营数据结合GPS数据预测城市路况的方法，属于智慧交通大数据路况预测领域，方法包括如下步骤，获取特定城市所有的交通运营基础数据，根据车次数据和到离站数据计算各个路段历史平均速度，并将历史路段平均速度数据集确定为历史路况特征矩阵，通过实时GPS数据计算路段实时平均速度，并将实时平均速度数据集确定为实时路况特征矩阵，将到离站数据关联线路和站点的基础数据得到路段位置关系邻接矩阵，合并历史特征矩阵和实时特征矩阵，将合并后的特征矩阵与邻接矩阵输入到路况预测模型得到路况预测结果。该方法既考虑到路段之间的相互影响，也避免因突发情况产生的干扰，从而很大程度提高了预测结果的准确性。

Description

一种通过公交运营数据结合GPS数据预测城市路况的方法
技术领域
本发明涉及智慧交通大数据路况预测领域，尤其涉及一种通过公交运营数据结合GPS数据预测城市路况的方法。
背景技术
随着人民生活水平的提高，车辆成为出门的必需品，人民都会驾车出行，在一定的时间段会造成高峰期，导致经常出现交通拥挤状况，在导航软件中都是根据GPS定位来判断道路的拥堵状况，但是往往不是在任何时候都适用，因此，人民在不断探索寻求新的方法，近年来随着深度学习技术日渐成熟，基于深度学习模型构建预测模型的技术不断涌出，如：基于BP神经网络模型和SVM(支持向量机)模型相融合的模型预测路况；利用图卷积和时间特征，提出一种时间相关性的数据规约方法进行短期的交通预测；基于多元数据融合的公交车到站时间预测方法等等。但以上技术并未考虑到路段之间相互影响和当前是时空因素，导致路况预测结果有很大偏差，本发明基于神经网络模型构建预测模型，采用历史数据集结合实时数据集沟通作为模型输入，既保证计算结果的稳定性又避免因突发情况产生的干扰，从而很大程度提高了预测结果的准确性。
发明内容
本发明的目的在于提供一种通过公交运营数据结合GPS数据预测城市路况的方法，解决现有技术并未考虑到路段之间相互影响和当前是时空因素，导致路况预测结果有很大偏差的技术问题。本发明基于神经网络模型构建预测模型，采用历史数据集结合实时数据集沟通作为模型输入，既保证计算结果的稳定性又避免因突发情况产生的干扰，从而很大程度提高了预测结果的准确性。
为了实现上述目的，本发明采用的技术方案如下：
一种通过公交运营数据结合GPS数据预测城市路况的方法，所述方法包括如下步骤：
步骤1：获取特定城市所有的交通运营基础数据；
步骤2：根据车次数据和到离站数据计算各个路段历史平均速度，并将历史路段平均速度数据集确定为历史路况特征矩阵，通过实时GPS数据计算路段实时平均速度，并将实时平均速度数据集确定为实时路况特征矩阵；
步骤3：将到离站数据关联线路和站点的基础数据得到路段位置关系邻接矩阵；
步骤4：合并历史特征矩阵和实时特征矩阵，将合并后的特征矩阵与邻接矩阵输入到路况预测模型得到路况预测结果。
进一步地，所述步骤1的具体过程为，从IoT平台实时获取所有车辆的GPS数据，GPS数据包括设备唯一标识、时间戳、经度、维度、速度，过滤掉时间戳和经纬度相同的GPS，过滤掉任意字段为空的GPS；
从数据平台批量获取若干日的车次数据，对于每个车次包括车次唯一标识、线路唯一标识、车辆唯一标识、车次开始时间、车次结束时间、车次耗时、有效状态，过滤掉有效状态为无效的记录，过滤掉任意字段为空的记录；
从数据平台批量获取多日的到离站数据，对于每个到离站数据包括设备唯一标识、经度、维度、到离站标识、到离站时间、站点序号、上下行标识，过滤掉任意字段为空的记录；
从智慧交通运营系统获取车辆、线路、站点的基础数据。
进一步地，所述步骤2中根据车次数据和到离站数据计算各个路段历史平均速度具体过程为，设置平均速度计算公式：
Figure DEST_PATH_IMAGE001
其中，
Figure 986740DEST_PATH_IMAGE002
表示车辆h在路段line最后位置与第一个位置之间的距离，
Figure DEST_PATH_IMAGE003
表示在line上的最后位置，
Figure 996153DEST_PATH_IMAGE004
表示在line上的第一个位置，
Figure DEST_PATH_IMAGE005
表示车辆h在line上起点和终点的时间差，m表示时间段内通过line的车辆总和，
Figure 997607DEST_PATH_IMAGE006
表示时间段内路段的平均速度。
进一步地，所述步骤3具体过程为：根据线路、站点和线路站点关系构建有向图，根据路段有向图将所有路段映射到网格地图，并得到所有路段的线网矩阵，根据线网矩阵计算路段的邻接矩阵。
进一步地，所述步骤4 中，路况预测模型为神经网络模型，神经网络模型包括依次连接的卷积神经网络模型、LSTM模型，卷积神经网络模型为：
Figure DEST_PATH_IMAGE007
，其中，
Figure 120808DEST_PATH_IMAGE008
为线网速度变化值，A为邻接矩阵，X为拥堵矩阵，
Figure DEST_PATH_IMAGE009
为从卷积神经网路模型的输入层到卷积神经网络模型的隐藏层的权值矩阵，
Figure 461791DEST_PATH_IMAGE010
为从卷积神经网络模型的隐藏层到模型的输出层的权值矩阵；
LSTM模型中的LSTM拥有三个门，分别为输入门，遗忘门，输出门，用于保护和控制细胞状态，决定丢失信息：
Figure DEST_PATH_IMAGE011
其中t表示当前时刻，
Figure 579788DEST_PATH_IMAGE012
表示遗忘门的权重矩阵,
Figure DEST_PATH_IMAGE013
上一时刻的输出值，
Figure 255489DEST_PATH_IMAGE014
表示当前时刻网络的输入值，
Figure DEST_PATH_IMAGE015
表示遗忘门的偏置项，
Figure 195763DEST_PATH_IMAGE016
表示sigmoid函数。
确定更新的信息：
Figure DEST_PATH_IMAGE017
，
Figure 906099DEST_PATH_IMAGE018
更新细胞状态：
Figure DEST_PATH_IMAGE019
其中，
Figure 742468DEST_PATH_IMAGE020
表示输入门，
Figure DEST_PATH_IMAGE021
表示当前输入的单元状态，
Figure 964852DEST_PATH_IMAGE022
表示当前时刻的单元状态，
Figure DEST_PATH_IMAGE023
表示上一次的单元状态，
Figure 443238DEST_PATH_IMAGE024
表示遗忘门。
输出信息：
Figure DEST_PATH_IMAGE025
，
Figure 8081DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE027
表示需要输出的状态，
Figure 546509DEST_PATH_IMAGE028
表示当前时刻的输出。
获取训练集，包括路况特征矩阵和路段邻接矩阵，将训练集输入到路况预测模型进行训练得到训练好的神经网络模型；
将训练好的模型作为路况预测模型。
本发明由于采用了上述技术方案，具有以下有益效果：
本发明采用历史运营数据计算得到的路况特征矩阵与实时运营数据计算的路况特征矩阵相结合作为预测模型的输入得到预测结果，使用智慧公交运营系统提供的位置数据作为邻接矩阵，因此，该方法既考虑到路段之间的相互影响，也避免因突发情况产生的干扰，从而很大程度提高了预测结果的准确性。
附图说明
图1是本发明方法流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
如图1所示，一种通过公交运营数据结合GPS数据预测城市路况的方法，所述方法包括如下步骤：
步骤1：获取特定城市所有的交通运营基础数据。
从IoT平台实时获取所有车辆的GPS数据如表1，GPS数据包括设备唯一标识、时间戳、经度、维度、速度，过滤掉时间戳和经纬度相同的GPS，过滤掉任意字段为空的GPS。
表1 为GPS数据
Figure DEST_PATH_IMAGE029
从数据平台批量获取多日的车次数据如表2，对于每个车次包括车次唯一标识、线路唯一标识、车辆唯一标识、车次开始时间、车次结束时间、车次耗时、有效状态，过滤掉有效状态为无效的记录，过滤掉任意字段为空的记录。
表2 为车次数据
Figure 931223DEST_PATH_IMAGE030
从数据平台批量获取多日的到离站数据如表3，对于每个到离站数据包括设备唯一标识、经度、维度、到离站标识、到离站时间、站点序号、上下行标识，过滤掉任意字段为空的记录。
表3 为离站数据
Figure DEST_PATH_IMAGE031
从智慧交通运营系统获取车辆、线路、站点基础数据。
步骤2：根据车次数据和到离站数据计算各个路段历史平均速度，并将历史路段平均速度数据集确定为历史路况特征矩阵，通过实时GPS数据计算路段实时平均速度，并将实时平均速度数据集确定为实时路况特征矩阵。
根据公式
Figure 213300DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
表示车辆h在路段line最后位置与第一个位置之间的距离，
Figure 898228DEST_PATH_IMAGE034
表示在line上的最后位置，
Figure DEST_PATH_IMAGE035
表示在line上的第一个位置，
Figure 341979DEST_PATH_IMAGE036
表示车辆h在line上起点和终点的时间差，m表示时间段内通过line的车辆总和，
Figure DEST_PATH_IMAGE037
表示时间段内路段的平均速度。
步骤3：将到离站数据关联线路和站点的基础数据得到路段位置关系邻接矩阵。根据线路、站点和线路站点关系构建有向图，根据路段有向图将所有路段映射到网格地图，并得到所有路段的线网矩阵，根据线网矩阵计算路段的邻接矩阵。
步骤4：合并历史特征矩阵和实时特征矩阵，将合并后的特征矩阵与邻接矩阵输入到路况预测模型得到路况预测结果。构建神经网络模型，包括依次连接的卷积神经网络模型、LSTM模型。获取训练集，包括路况特征矩阵和路段邻接矩阵，将训练集输入到路况预测模型进行训练得到训练好的神经网络模型。将训练好的模型作为路况预测模型。
在实际应用中，为了使路段上实际路况与模型预测路况之间的误差尽可能小，我们使用损失函数来对预测结果进行评估，损失函数如下：
Figure 420181DEST_PATH_IMAGE038
，其中loss为损失函数，
Figure DEST_PATH_IMAGE039
为正则化项，
Figure 489637DEST_PATH_IMAGE040
为实际路况，
Figure DEST_PATH_IMAGE041
为预测路况。
在实际应用中，卷积神经网络模型为：
Figure 514225DEST_PATH_IMAGE042
，其中，
Figure DEST_PATH_IMAGE043
为线网速度变化值，A为邻接矩阵，X为拥堵矩阵，
Figure 378144DEST_PATH_IMAGE044
为从卷积神经网路模型的输入层到卷积神经网络模型的隐藏层的权值矩阵，
Figure DEST_PATH_IMAGE045
为从卷积神经网络模型的隐藏层到模型的输出层的权值矩阵。
在实际应用中，LSTM模型为：
决定丢失信息：
Figure 753762DEST_PATH_IMAGE046
确定更新的信息：
Figure DEST_PATH_IMAGE047
，
Figure 626909DEST_PATH_IMAGE048
更新细胞状态：
Figure DEST_PATH_IMAGE049
输出信息：
Figure 771583DEST_PATH_IMAGE050
，
Figure DEST_PATH_IMAGE051
。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种通过公交运营数据结合GPS数据预测城市路况的方法，其特征在于，所述方法包括如下步骤：
步骤1：获取特定城市所有的交通运营基础数据；
步骤2：根据车次数据和到离站数据计算各个路段历史平均速度，并将历史路段平均速度数据集确定为历史路况特征矩阵，通过实时GPS数据计算路段实时平均速度，并将实时平均速度数据集确定为实时路况特征矩阵；
步骤3：将到离站数据关联线路和站点的基础数据得到路段位置关系邻接矩阵；
步骤4：合并历史特征矩阵和实时特征矩阵，将合并后的特征矩阵与邻接矩阵输入到路况预测模型得到路况预测结果。
2.根据权利要求1所述的一种通过公交运营数据结合GPS数据预测城市路况的方法，其特征在于：所述步骤1的具体过程为，从IoT平台实时获取所有车辆的GPS数据，GPS数据包括设备唯一标识、时间戳、经度、维度、速度，过滤掉时间戳和经纬度相同的GPS，过滤掉任意字段为空的GPS；
从数据平台批量获取若干日的车次数据，对于每个车次包括车次唯一标识、线路唯一标识、车辆唯一标识、车次开始时间、车次结束时间、车次耗时、有效状态，过滤掉有效状态为无效的记录，过滤掉任意字段为空的记录；
从数据平台批量获取多日的到离站数据，对于每个到离站数据包括设备唯一标识、经度、维度、到离站标识、到离站时间、站点序号、上下行标识，过滤掉任意字段为空的记录；
从智慧交通运营系统获取车辆、线路、站点的基础数据。
3.根据权利要求1所述的一种通过公交运营数据结合GPS数据预测城市路况的方法，其特征在于：所述步骤2中根据车次数据和到离站数据计算各个路段历史平均速度具体过程为，设置平均速度计算公式：
Figure 32574DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
表示车辆h在路段line最后位置与第一个位置之间的距离，
Figure 90660DEST_PATH_IMAGE003
表示在line上的最后位置，
Figure DEST_PATH_IMAGE004
表示在line上的第一个位置，
Figure 198293DEST_PATH_IMAGE005
表示车辆h在line上起点和终点的时间差，m表示时间段内通过line的车辆总和，
Figure DEST_PATH_IMAGE006
表示时间段内路段的平均速度。
4.根据权利要求1所述的一种通过公交运营数据结合GPS数据预测城市路况的方法，其特征在于：所述步骤3具体过程为：根据线路、站点和线路站点关系构建有向图，根据路段有向图将所有路段映射到网格地图，并得到所有路段的线网矩阵，根据线网矩阵计算路段的邻接矩阵。
5.根据权利要求1所述的一种通过公交运营数据结合GPS数据预测城市路况的方法，其特征在于：所述步骤4 中，路况预测模型为神经网络模型，神经网络模型包括依次连接的卷积神经网络模型、LSTM模型，卷积神经网络模型为：
Figure 16339DEST_PATH_IMAGE007
，其中，
Figure DEST_PATH_IMAGE008
为线网速度变化值，A为邻接矩阵，X为拥堵矩阵，
Figure 158607DEST_PATH_IMAGE009
为从卷积神经网路模型的输入层到卷积神经网络模型的隐藏层的权值矩阵，
Figure DEST_PATH_IMAGE010
为从卷积神经网络模型的隐藏层到模型的输出层的权值矩阵；
LSTM模型中的LSTM拥有三个门，分别为输入门，遗忘门，输出门，用于保护和控制细胞状态，决定丢失信息：
Figure 850576DEST_PATH_IMAGE011
确定更新的信息：
Figure DEST_PATH_IMAGE012
，
Figure 258555DEST_PATH_IMAGE013
更新细胞状态：
Figure DEST_PATH_IMAGE014
输出信息：
Figure 332821DEST_PATH_IMAGE015
，
Figure DEST_PATH_IMAGE016
获取训练集，包括路况特征矩阵和路段邻接矩阵，将训练集输入到路况预测模型进行训练得到训练好的神经网络模型；
将训练好的模型作为路况预测模型。
CN202111617613.6A 2021-12-28 2021-12-28 一种通过公交运营数据结合gps数据预测城市路况的方法 Pending CN114330871A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111617613.6A CN114330871A (zh) 2021-12-28 2021-12-28 一种通过公交运营数据结合gps数据预测城市路况的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111617613.6A CN114330871A (zh) 2021-12-28 2021-12-28 一种通过公交运营数据结合gps数据预测城市路况的方法

Publications (1)

Publication Number Publication Date
CN114330871A true CN114330871A (zh) 2022-04-12

Family

ID=81015289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111617613.6A Pending CN114330871A (zh) 2021-12-28 2021-12-28 一种通过公交运营数据结合gps数据预测城市路况的方法

Country Status (1)

Country Link
CN (1) CN114330871A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100897A (zh) * 2022-05-23 2022-09-23 惠州华阳通用电子有限公司 一种车辆位置确定方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100897A (zh) * 2022-05-23 2022-09-23 惠州华阳通用电子有限公司 一种车辆位置确定方法及装置
CN115100897B (zh) * 2022-05-23 2023-11-17 惠州华阳通用电子有限公司 一种车辆位置确定方法及装置

Similar Documents

Publication Publication Date Title
Yin et al. A generative model of urban activities from cellular data
CN102708698B (zh) 基于车联网的车辆最优路径导航方法
CN112489426B (zh) 一种基于图卷积神经网络的城市交通流量时空预测方案
CN109584552B (zh) 一种基于网络向量自回归模型的公交到站时间预测方法
CN105809962A (zh) 一种基于手机数据的交通出行方式划分的方法
AU2016298981A1 (en) Method and system for determining transport service fee
CN110956807B (zh) 基于多源数据与滑动窗口组合的高速公路流量预测方法
CN113962472B (zh) 一种基于GAT-Seq2seq模型的时空双注意力地铁客流短时预测方法
CN115063978B (zh) 一种基于数字孪生的公交到站时间预测方法
CN103680127A (zh) 一种利用低采样率浮动车数据计算信号灯控制道路交叉口延误的方法
CN114881356A (zh) 基于粒子群算法优化bp神经网络的城市交通碳排预测方法
CN113554353B (zh) 一种避免空间淤积的公共自行车空间调度优化方法
CN111080018A (zh) 一种基于道路交通环境的智能网联汽车车速预测方法
CN111523560A (zh) 到港货车数量预测模型训练方法、预测方法、装置及系统
CN116798218A (zh) 一种基于数字孪生的城市低碳交通大数据检测方法
CN117546218A (zh) 用于交通预测的分布式多任务机器学习
Huang Data integration for urban transport planning
CN116913088A (zh) 一种用于高速公路的智能流量预测方法
CN114330871A (zh) 一种通过公交运营数据结合gps数据预测城市路况的方法
CN113744541B (zh) 对抗图卷积网络的路网排放缺失时空分布重构方法及系统
Wang et al. Segmented trajectory clustering-based destination prediction in IoVs
CN109447352B (zh) 一种公交出行od矩阵反推的组合方法
CN113971885A (zh) 车速预测的方法、装置及系统
CN109583708B (zh) 多智能体微观交通配流模型的建立方法
CN116629425A (zh) 车辆能耗的计算方法、装置、计算机可读介质及电子设备

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