CN114333323B - 一种基于压力特征的高速公路行程速度预测方法 - Google Patents
一种基于压力特征的高速公路行程速度预测方法 Download PDFInfo
- Publication number
- CN114333323B CN114333323B CN202210005127.7A CN202210005127A CN114333323B CN 114333323 B CN114333323 B CN 114333323B CN 202210005127 A CN202210005127 A CN 202210005127A CN 114333323 B CN114333323 B CN 114333323B
- Authority
- CN
- China
- Prior art keywords
- speed
- base station
- travel
- highway
- sections
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于压力特征的高速公路行程速度预测方法,本发明以已获得乘客出行数据为基础,可通过计算平均速度来消除扩样与缩样的影响,得到较为准确的交通状态值,在此基础上进行时空预测有着较高的准确性及可信度,可为交通规划、交通诱导等领域提供有效参考。本发明的方法具有普适性,不需要获得其他额外的交通数据,仅需要获得手机信令数据以对路段速度进行计算,从中可以根据人流量提取不同出入口的压力特征,即可应用本发明的方法进行数据挖掘,得到相应的速度特征。
Description
技术领域
本发明涉及大数据交通技术领域,尤其涉及一种基于压力特征的高速公路行程速度预测方法。
背景技术
城际高速公路交通系统是一个复杂开放的巨系统,高速路网连通性高,距离长,现有的预测方法大都基于传统的交通流模型进行路网仿真预测,,随着人工智能算法的兴起和在交通预测领域的成功应用,基于深度学习的数据驱动模型,也为洞察、理解、预测复杂的交通系统提供了算法支撑。结合大数据和人工智能技术,应用于交通态势实时感知与预测、交通云计算等新场景,为路网态势预测与分析,提供了新的手段,然而现有的这些方法大部分都是对路网进行整体建模,模型复杂且冗余数据多,精度效果提升不显著。经研究,高速公路路网相对简单且时空关联性高,部分路段的交通状态受到关联路段及出入口的影响较大,且根据收费站划分可得到天然的路段交通信息,因此,本文提出一种基于出入口压力的高速路网预测方法,以出入口压力特征代替冗余的路网信息,通过深度神经网络进行路网建模预测,该方法充分考虑到周围路网对高速公路速度的影响,并考虑了高速公路的时空特性,能够在确保经度的情况下简化模型数据输入提高预测效率,很好地克服了现有利用深度学习预测路网状态中存在的训练时间长,数据冗余的不足。
基于上述背景,本发明设计的基于手机信令数据获得的压力特征对高速公路速度进行预测,该方法对城市交通管理、交通控制、交通拥堵机理解析具有参考价值。
发明内容
本发明目的就是为了弥补已有技术的缺陷,提供一种基于压力特征的高速公路行程速度预测方法。
本发明是通过以下技术方案实现的:
一种基于压力特征的高速公路行程速度预测方法,具体包括以下步骤:
S1:对原始手机信令数据进行预处理,获取乘客每一次出行的起始基站和终点基站;
S2:通过osm开源地图获取路网信息,并从中获得高速公路位置信息,进一步获得高速公路附近的基站点信息;
通过arcgis对高速公路做500米大小的缓冲区,缓冲区范围内的基站为高速公路附近的基站点。
S3:对所有出行基站打上高速标签,并将每次出行划分为三段;
三段划分包括:起始基站到第一个标签点,第一个标签点到最后一个标签点,最后一个标签点到终点基站;第一段经过的基站序列称为link1,包含N1个基站点,第二段经过的基站序列称为link2,包含N2个基站点,第三段经过的基站序列称为link3,包含N3个基站点,其中,所有标签点都在link2中,数量为N。
S4:计算所有出行的link2中标签点占比δ,设置阈值θ,当δ≥θ时将此出行提取出来视为经过高速的出行;所述的所有出行的link2中标签点占比δ=N/N2。
S5:通过地图api获取高速公路出入口坐标并将其序列化处理,将link2的起终点分别与最近的高速公路出入口匹配;
其中高速公路基站与出入口的距离计算采用球面距离计算公式:
Distance=R*Arccos(sin(LatA*Pi/180)*sin(LatB*Pi/180)+cos(LatA*Pi/180)*
cos(LatB*Pi/180)*cos((LonA-LonB)*Pi/180))*Pi/180
R为地球半径取6371.004千米,(LonA,LatA)为第一个点的经纬度,(LonB,LatB)为第二个点的经纬度,Pi=3.1415926,Distance为计算得到的高速公路基站与出入口的球面距离。
S6:通过汇聚数据得到不同时间经过不同出入口的人数,根据人数得到不同时刻的出入口压力;
S7:通过出入口将高速划分为不同路段,使用提取出来的link2计算每一段出行的高速通行时间和速度,进而得到以五分钟为时间间隔的不同路段平均速度;
S8:考虑相邻出入口压力构建特征空间,进行道路速度预测。
整体出入口压力为三个维度的张量,其中X轴表示不同路段,Y轴表示不同时间间隔,因此第一层特征为不同时间段内不同路段的平均速度,Z轴表示压力特征,第二层特征为相应路段不同时间段对应的高速入口压力,第三层特征为相应路段不同时间段对应的高速出口压力,此三维特征构建后用CNN对特征进行空间处理,CNN的输出再输入到LSTM进行时间特征处理,以此进行道路速度预测。
本发明经过8个步骤的计算,得到了不同路段不同时间段的速度,入口压力,出口压力形成的三维特征数据,需要注意的是由于手机信令数据是个体数据,高速交通量计算一般为车辆,因此,如果对路网状态进行交通量预测,首先要确定平均一辆车里面有多少人,进行缩样,其次,由于三大运营商的手机数据不同,得到的数据不能代表所有出行人员,因此还需要对出行人数进行扩样,这样会丧失数据的准确性。
本发明的优点是:本发明以已获得乘客出行数据为基础,可通过计算平均速度来消除扩样与缩样的影响,得到较为准确的交通状态值,在此基础上进行时空预测有着较高的准确性及可信度,可为交通规划、交通诱导等领域提供有效参考。
本发明的方法具有普适性,不需要获得其他额外的交通数据,仅需要获得手机信令数据以对路段速度进行计算,从中可以根据人流量提取不同出入口的压力特征,即可应用本发明的方法进行数据挖掘,得到相应的速度特征。
附图说明
图1为本发明方法的流程示意图。
图2为经缓冲区处理得到的高速公路相关的基站。
图3为经过聚类处理后的出行链。
图4为不同路段某一时间段的预测结果与真实值比较。
具体实施方式
下面结合实例对本发明所述的一种基于压力的交通状态预测作进一步说明。以联通公司手机信令数据为例。
轨迹数据包含以下6个字段:
流程图如图1所示:
S1:对原始轨迹数据进行预处理,删除重复值,根据停留时长判断每次出行的起点和终点;在该步骤中若已有的轨迹数据有详细的起终点信息,可将轨迹数据拆分为每一次出行的情况,那么本步骤可以省略。如处理过程为流式处理,则应按此标准根据基站停留时长做停留判断;
S2:获取osm高速公路路段信息,可通过开源方式从osm官网下载;得到的有效信息如下:
在上述情况下可以得到北京市的路网信息,在此基础上将京藏高速所有的路段信息提取出来,如图2所示,利用地图软件arcgis对高速公路做500米大小的buffer,buffer范围内的基站为高速出行相关基站点,即认为,通过高速公路必然会经过这些基站点中的一部分;
S3:通过步骤一二可以得到高速公路附近的基站点,之后将一段出行划分为三段,其中,三段划分包括:起始基站到第一个标签点,第一个标签点到最后一个标签点,最后一个标签点到终点基站。第一段经过的基站序列称为link1,包含N1个基站点,第二段经过的基站序列称为link2,包含N2个基站点,第三段经过的基站序列称为link3,包含N3个基站点,其中,所有标签点都在link2中,数量为N;
S4:根据S3步骤获得的三段出行序列及每一段出行中的基站个数和带标签的基站个数,可以计算所有出行的link2中标签点占比δ,设置阈值θ,当δ≥θ时将此出行提取出来视为经过高速的出行,其中δ=N/N2。
S5:如图3所示,通过地图api获取高速公路出入口坐标并将其序列化处理。将link2的起终点分别与最近的高速公路出入口匹配;
其中高速公路基站与出入口的距离计算采用球面距离计算公式:
Distance=R*Arccos(sin(LatA*Pi/180)*sin(LatB*Pi/180)+cos(LatA*Pi/180)*
cos(LatB*Pi/180)*cos((LonA-LonB)*Pi/180))*Pi/180
R为地球半径取6371.004千米,(LonA,LatA)为第一个点的经纬度,(LonB,LatB)为第二个点的经纬度,Pi=3.1415926。
S6:通过汇聚数据得到不同时间经过不同出入口的人数,根据人数得到不同时刻的出入口压力。
S7:通过出入口将高速划分为不同路段,使用提取出来的link2计算每一段出行的高速通行时间和速度,进而得到以五分钟为时间间隔的不同路段平均速度。
S8:考虑相邻出入口压力构建特征空间,进行道路速度预测。
如图4所示,通过本发明,可以有效的对高速公路速度进行短时预测,可以为交通规划、交通信息控制、公共交通线路设计等领域提供决策支持。并且本发明的方法具有普适性,不需要获得其他额外的交通数据,仅需要获得手机信令数据以对路段速度进行计算,从中可以根据人流量提取不同出入口的压力特征,即可应用本发明的方法进行数据挖掘,得到相应的速度特征。
Claims (4)
1.一种基于压力特征的高速公路行程速度预测方法,其特征在于:具体包括以下步骤:
S1:对原始手机信令数据进行预处理,获取乘客每一次出行的起始基站和终点基站;
S2:通过osm开源地图获取路网信息,并从中获得高速公路位置信息,进一步获得高速公路附近的基站点信息;
S3:对所有出行基站打上高速标签,并将每次出行划分为三段;
S4:计算所有出行的link2中标签点占比δ,设置阈值θ,当δ≥θ时将此出行提取出来视为经过高速的出行;
S5:通过地图api获取高速公路出入口坐标并将其序列化处理,将link2的起终点分别与最近的高速公路出入口匹配;
S6:通过汇聚数据得到不同时间经过不同出入口的人数,根据人数得到不同时刻的出入口压力;
S7:通过出入口将高速划分为不同路段,使用提取出来的link2计算每一段出行的高速通行时间和速度,进而得到以五分钟为时间间隔的不同路段平均速度;
S8:考虑相邻出入口压力构建特征空间,进行道路速度预测;
步骤S3所述的对所有出行基站打上高速标签,并将每次出行划分为三段,具体如下:三段划分包括:起始基站到第一个标签点,第一个标签点到最后一个标签点,最后一个标签点到终点基站;第一段经过的基站序列称为link1,包含N1个基站点,第二段经过的基站序列称为link2,包含N2个基站点,第三段经过的基站序列称为link3,包含N3个基站点,其中,所有标签点都在link2中,数量为N;
步骤S8所述的考虑相邻出入口压力构建特征空间,进行道路速度预测,具体如下:整体出入口压力为三个维度的张量,其中X轴表示不同路段,Y轴表示不同时间间隔,因此第一层特征为不同时间段内不同路段的平均速度,Z轴表示压力特征,第二层特征为相应路段不同时间段对应的高速入口压力,第三层特征为相应路段不同时间段对应的高速出口压力,此三维特征构建后用CNN对特征进行空间处理,CNN的输出再输入到LSTM进行时间特征处理,以此进行道路速度预测。
2.根据权利要求1所述的一种基于压力特征的高速公路行程速度预测方法,其特征在于:通过arcgis对高速公路做500米大小的缓冲区,缓冲区范围内的基站为高速公路附近的基站点。
3.根据权利要求1所述的一种基于压力特征的高速公路行程速度预测方法,其特征在于:所述的所有出行的link2中标签点占比δ=N/N2。
4.根据权利要求1所述的一种基于压力特征的高速公路行程速度预测方法,其特征在于:高速公路基站与出入口的距离计算采用球面距离计算公式:
Distance=R*Arccos(sin(LatA*Pi/180)*sin(LatB*Pi/180)+cos(LatA*Pi/180)*cos(Lat B*Pi/180)*cos((LonA-LonB)*Pi/180))*Pi/180R为地球半径取6371.004千米,
(LonA,LatA)为第一个点的经纬度,(LonB,LatB)为第二个点的经纬度,Pi=3.1415926,Distance为计算得到的高速公路基站与出入口的球面距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210005127.7A CN114333323B (zh) | 2022-01-05 | 2022-01-05 | 一种基于压力特征的高速公路行程速度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210005127.7A CN114333323B (zh) | 2022-01-05 | 2022-01-05 | 一种基于压力特征的高速公路行程速度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114333323A CN114333323A (zh) | 2022-04-12 |
CN114333323B true CN114333323B (zh) | 2023-04-28 |
Family
ID=81024856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210005127.7A Active CN114333323B (zh) | 2022-01-05 | 2022-01-05 | 一种基于压力特征的高速公路行程速度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114333323B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116416794B (zh) * | 2023-03-27 | 2024-03-26 | 东南大学 | 一种无信号控制人行横道处行人二次过街设置条件判别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004086806A1 (en) * | 2003-03-28 | 2004-10-07 | Sk Telecom Co., Ltd. | Method for obtaining traffic information using billing information of mobile terminal |
CN106781479A (zh) * | 2016-12-23 | 2017-05-31 | 重庆邮电大学 | 一种基于手机信令数据实时获取高速公路运行状态的方法 |
CN110677906A (zh) * | 2019-08-16 | 2020-01-10 | 深圳空循环科技有限公司 | 定位方法、计算机设备及可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110365B (zh) * | 2009-12-28 | 2013-11-06 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和系统 |
CN108171993B (zh) * | 2017-12-28 | 2020-11-06 | 重庆邮电大学 | 一种基于手机信令大数据的高速公路车辆速度计算方法 |
CN109285346B (zh) * | 2018-09-07 | 2020-05-05 | 北京航空航天大学 | 一种基于关键路段的城市路网交通状态预测方法 |
CN110111575B (zh) * | 2019-05-16 | 2020-10-27 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
CN112927503B (zh) * | 2021-01-25 | 2022-03-01 | 河北上元智能科技股份有限公司 | 一种雨天高速公路主线速度限制和匝道融合协调控制方法 |
-
2022
- 2022-01-05 CN CN202210005127.7A patent/CN114333323B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004086806A1 (en) * | 2003-03-28 | 2004-10-07 | Sk Telecom Co., Ltd. | Method for obtaining traffic information using billing information of mobile terminal |
CN106781479A (zh) * | 2016-12-23 | 2017-05-31 | 重庆邮电大学 | 一种基于手机信令数据实时获取高速公路运行状态的方法 |
CN110677906A (zh) * | 2019-08-16 | 2020-01-10 | 深圳空循环科技有限公司 | 定位方法、计算机设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114333323A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN112015835B (zh) | Geohash压缩的地图匹配方法 | |
CN110084308B (zh) | 一种基于车辆轨迹分析构建通勤路径的方法 | |
CN110889444B (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
CN113837446B (zh) | 一种基于多源异构数据的机场陆侧区域交通态势预测方法 | |
CN114333323B (zh) | 一种基于压力特征的高速公路行程速度预测方法 | |
CN113570862B (zh) | 一种基于XGboost算法的大型交通拥堵预警方法 | |
CN111768619A (zh) | 一种基于卡口数据的快速路车辆od点确定方法 | |
CN109489679B (zh) | 一种导航路径中的到达时间计算方法 | |
CN106023592A (zh) | 一种基于gps数据的交通拥堵检测方法 | |
CN105913668A (zh) | 一种基于海量交通数据统计的定向套牌车检测方法 | |
CN112785077A (zh) | 基于时空数据的出行需求预测方法及系统 | |
CN114964272A (zh) | 一种融合车载图像语义的车辆轨迹地图匹配方法 | |
CN113763712A (zh) | 基于出行事件知识图谱的区域交通拥堵溯因方法 | |
CN112633602A (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN112000755A (zh) | 一种基于手机信令数据的区域出行廊道识别方法 | |
CN115985104A (zh) | 一种交通流量预测装置、预测方法及预测模型构建方法 | |
CN113674525B (zh) | 基于稀疏数据的信号交叉口车辆排队长度预测方法 | |
CN113657645A (zh) | 基于注意力机制的时空连接增强3dcnn交通预测方法 | |
CN115565376B (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
CN113887659B (zh) | 一种基于朴素贝叶斯的车辆类型分类算法 | |
CN110853350B (zh) | 一种基于浮动车轨迹数据的干道相位差优化方法 | |
CN111931968B (zh) | 一种应用手机gps数据来优化公共自行车站点布局的方法 | |
CN106530689B (zh) | 一种基于遗传算法和行驶数据的公交车到站时间实时预估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |