CN114463868A - 面向交通流管控的收费站交通流组合预测方法及系统 - Google Patents
面向交通流管控的收费站交通流组合预测方法及系统 Download PDFInfo
- Publication number
- CN114463868A CN114463868A CN202210118432.7A CN202210118432A CN114463868A CN 114463868 A CN114463868 A CN 114463868A CN 202210118432 A CN202210118432 A CN 202210118432A CN 114463868 A CN114463868 A CN 114463868A
- Authority
- CN
- China
- Prior art keywords
- lane
- traffic flow
- traffic
- htc
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- BSCMKVMJAHJNJW-UHFFFAOYSA-L 3-[2-carboxyethyl(dichloro)stannyl]propanoic acid Chemical compound OC(=O)CC[Sn](Cl)(Cl)CCC(O)=O BSCMKVMJAHJNJW-UHFFFAOYSA-L 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000035484 reaction time Effects 0.000 abstract description 3
- 208000027744 congestion Diseases 0.000 description 18
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于交通管控技术领域,提供了面向交通流管控的收费站交通流组合预测方法及系统,基于预测模型分别预测ETC车道以及HTC车道通过的交通流数量,确定ETC车道和HTC车道基准通行能力,进而计算ETC车道、HTC车道饱和度VC比;基于VC比判断拥堵状态并进行分级预警,分别采取相应的管控措施。结合高速实际交通情况对于车流量低峰期以及高峰期分阶段进行短期中期预测,采用组合预测的方式不仅给交通管制提供更长的反应时间同时提升了预测结果的准确性,为交通管控提供更加及时的预测结果并且具有较高的预测精度。
Description
技术领域
本发明属于交通管控技术领域,尤其涉及面向交通流管控的收费站交通流组合预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
传统的预测模型是基于统计数理方法来处理交通流数据,主要有历史平均模型、线性回归模型、时间序列模型、卡尔曼滤波模型等。这些模型提出的时间较早,计算量较少但仅使用于交通状况单一,车流量较少的情况;且模型多基于线性方法,对于突发性的交通情况不能进行及时的调整、抗干扰能力差且时效性较差。
近年基于机器学习的预测模型被广泛提出,SUN提出了一种基于支持向量机的混合模型,利用支持向量机对低高频信息进行学习,来预测目标时段的客流量。谢海红结合交通流特性,针对动态交通流变化问题,提出多元统计回归模型,机器学习模型的性能在很大程度上依赖于人工设计的特征,模型模拟非线性特征的能力有限,对于复杂的动态交通数据的建模不是最佳的。
目前国内外提出的深度学习预测模型主要分为三类:基于提取时间特征的模型、基于时间特征和欧式空间特征的预测模型以及基于时间特征和非欧式空间特征的预测模型,基于时间特征的模型仅考虑时间维度上的变化,忽略了交通流时间特征与交通道路的空间关系。基于时间特征和欧式空间特征的预测模型适于学习规则性的网格型数据,但路网是非欧式空间,传统的卷积神经网络对于非欧几何型的复杂拓扑结构的空间特征不能很好的提取,将其简化为欧式空间的过程扭曲了路网的实际数据结构,特征提却结果与实际情况存在一定的偏差。
预测时间的选择对于管理人员反应时长以及预测精度有一定的影响,其中短期预测是指在确定的时间间隙内预测该观测点在下一个时间间隔的交通流量,时间间隔通常为5-15分钟;中期预测时间间隔为30分钟。短时预测可以满足迅速变化的交通情况且精度较高但留给交通管控的时间较短;而中期预测可以尽早地预测结果及时进行交通管控,但预测精度较差。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供面向交通流管控的收费站交通流组合预测方法,其为一种面向管控的中短期组合式预测方案,根据预测交通流判断拥堵状态,进行分级预警并智能调节预测时长,综合中短期预测各自的优点,为更准确可靠的管控手段提供决策基础。
本发明的研究目的为:①明确收费站与上游交通流时空特性,为收费站交通流预测创建更高质量的训练数据;②提升预测精度的同时保证预测时长,为收费站交通管控提供更精准的指导与预留充足的准备时间;③明确收费站不同车道类型的交通组成与通行效率,为收费站管理人员提供更精细的拥堵状态预警。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供面向交通流管控的收费站交通流组合预测方法,包括如下步骤:
获取历史交通流数据;
根据历史交通流数据和训练好的收费站交通流预测模型分别预测ETC车道和HTC车道通过的交通流数量;
基于ETC车道和HTC车道通过的交通流数量确定ETC车道和HTC车道基准通行能力,得到ETC车道和HTC车道的饱和度VC比;
基于ETC车道和HTC车道的饱和度VC比判断交通拥堵程度并进行分级预警,分别采取相应的管控措施进行管控;确定下一步预测时长并进行中短期组合预测,当预测到拥堵状态更新时,同步更新预警状态及相应的管控措施。
本发明的第二个方面提供面向交通流管控的收费站交通流组合预测系统,包括:
数据获取模块,被配置为:获取历史交通流数据;
交通流数量预测模块,被配置为:根据历史交通流数据和训练好的收费站交通流预测模型分别预测ETC车道和HTC车道通过的交通流数量;
饱和度计算模块,被配置为:基于ETC车道和HTC车道通过的交通流数量确定ETC车道和HTC车道基准通行能力,得到ETC车道和HTC车道的饱和度VC比;
组合预测模块,被配置为:基于ETC车道和HTC车道的饱和度VC比判断交通拥堵程度并进行分级预警,分别采取相应的管控措施进行管控;确定下一步预测时长并进行中短期组合预测,当预测到拥堵状态更新时,同步更新预警状态及相应的管控措施。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的面向交通流管控的收费站交通流组合预测方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的面向交通流管控的收费站交通流组合预测方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明提出的一种面向管控的中短期组合式预测方案,利用处理好的历史数据对LSTM神经网络模型进行训练得到收费站交通流预测模型;基于预测模型分别预测ETC车道、ETC/MTC混合车道(Hybrid Toll Collection,HTC)通过的交通流数量,确定ETC车道、HTC车道基准通行能力,进而计算ETC车道、HTC车道饱和度VC比;基于VC比判断拥堵状态并进行分级预警,分别采取相应的管控措施。根据预测交通流判断拥堵状态,进行分级预警并智能调节预测时长,综合中短期预测各自的优点,为更准确可靠的管控手段提供决策基础。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例1面向管控的交通流中短期组合预测流程示意图;
图2是本发明实施例1的LSTM模型示意图;
图3是本发明实施例1的中短期组合预测流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
高速公路是我国经济快速发展的重要因素和客观反映,也是中国交通现代化的重要标志。随着车辆数量的增加高速公路的交通量也出现了巨大的变化。私家车自驾出行以及跨区域运输的快速发展使高速公路交通量达到饱和,高速公路收费站出现了严重的拥堵现象。拥堵造成的等待有可能引发驾驶员临时变更车道等不安全行为,造成交通安全事故;道路不畅导致车辆频繁的启停、长时怠速等会加速燃油的消耗以及尾气排放,加剧空气污染。
最初的纯人工收费需收费员在录入车牌号、对现金进行真假识别等操作耗时较长且在收费过程由于工作人员业务不娴熟,操作程序不规范,可能影响放行速度。随着出行车辆的增多纯人工收费已经逐渐从我国的收费体系中淘汰,现有大部分收费站是人工半自动收费(MTC,Manual Toll Collection)与电子不停车收费(ETC,Electronic TollCollection)相结合的混合收费模式。随着移动支付的普及,人工半自动收费多为以微信、支付宝为主的移动支付,以及人工发卡、自动发卡和刷卡进站等多元化收费方式,服务时间有所降低。而ETC系统车辆可在无需停车的情况下完成整个缴费过程,其通行能力是人工收费的3-8倍,在美国、欧洲、日本都得到了广泛应用,其不仅能够提高收费站的通行能力、缓解收费站因缴费延误而产生的拥堵、节省收费站的扩建成本,而且还可以减轻收费人员的劳动强度,减少因停车缴费导致的环境污染,提高收费管理水平。
不同收费方式车辆的服务时间不同,车道间通行能力存在较大差异;驾驶员在收费站区域的驾驶行为复杂,在不规范、不明显的标志标线下可能驶入错误车道,加剧拥堵状况;静态车道配置根据历史流量设置车道类型及数量,无法适应交通需求的动态变化,供需不平衡引起的车道闲置加重了基础设施的资源。根据未来交通流变化情况,进行不同类型车道的配置管理对于合理运用资源、缓解高速收费站拥堵具有重大意义。
实施例一
本文研究目的为:①明确收费站与上游交通流时空特性,为收费站交通流预测创建更高质量的训练数据;②提升预测精度的同时保证预测时长,为收费站交通管控提供更精准的指导与预留充足的准备时间;③明确收费站不同车道类型的交通组成与通行效率,为收费站管理人员提供更精细的拥堵状态预警。
如图1所示,本实施例提供面向交通流管控的收费站交通流组合预测方法,包括如下步骤:
S101:获取历史交通流数据;
S102:对采集的历史交通流数据进行预处理;
S103:根据处理后的历史交通流数据和训练好的收费站交通流预测模型分别预测ETC车道和HTC车道通过的交通流数量;
S104:基于ETC车道和HTC车道通过的交通流数量确定ETC车道和HTC车道基准通行能力,得到ETC车道和HTC车道的饱和度VC比;
S105:基于ETC车道和HTC车道的饱和度VC比判断交通拥堵程度并进行分级预警,分别采取相应的管控措施进行管控;确定下一步预测时长并进行中短期组合预测,到当预测到拥堵状态更新时,同步更新预警状态及相应的管控措施;
S106:对预测效果进行评价。
其中,S102中,所述对采集的历史交通流数据进行预处理包括:
对采集到的基础数据进行筛选,提取收费站ETC车道、HTC车道与相关门架的历史交通流数据;
采用滑动窗口分割的方式重构数据集格式为[样本量,时间步,特征向量]的多维张量;
按照一定的比例将数据集划分为训练集和测试集。
为更好满足LSTM模型的输入要求,本发明采用线性归一化方法将原始数据等比例缩放至[0,1]区间,在得到预测结果后,再将数据进行逆转缩放反归一化恢复至原始区间,公式如下:
Xnew=Xnom×(Xmax-Xmin)+Xmin (2)
式中,X为原始数据,Xnom为归一化后的数据,Xnew为反归一化后的数据,Xmax与Xmin分别为数据集中的最大值与最小值。
如图2所示,S103中,所述收费站交通流预测模型采用LSTM神经网络模型,所述LSTM(Long-short-time memory)是一种特殊的递归神经网络(RNN)。
LSTM由四层组成:遗忘门层、输入门层、输出门层和单元状态。如图2所示,LSTM的关键是单元状态,即贯穿图顶部的水平线。每个时间点Tn都有相应的状态。Ct-1记录之前的信息,可以通过调整输入的权重来不断纠正状态Ct。
所述LSTM神经网络模型构建的过程包括:
第一步通过遗忘门ft选择性遗忘上一步单元状态中的信息,以上一步的ht-1和这一步的xt作为输入,为Ct-1中每个元素输出ft∈[0,1];
最后通过输出门ot输出预测结果,以上一步的ht-1和这一步的xt作为输入得ot,并进一步控制单元状态Ct得到输出信息ht。
ft=σ(Wf·[ht-1,xt]+bf) (3)
it=σ(Wi·[ht-1,xt]+bi) (4)
ot=σ(Wo·[ht-1,xt]+bo) (7)
ht=ot*tanh(Ct) (8)
S104中,所述ETC车道基准通行能力通过ETC车道平均服务时间确定,所述HTC车道基准通行能力按照HTC车道中人工半自动收费(MTC,Manual Toll Collection)车道与电子不停车收费(ETC,Electronic Toll Collection)车道的比例计算平均服务时间确定。
所述ETC车道以及HTC车道的饱和度VC比的计算方式为:
VCETC=Y1 pre/CETC (9)
VCHTC=(Y2 pre+Y3 pre)/CHTC (10)
EHTC=EETC*α+EMTC*(1-α) (12)
α=Y2 pre/(Y2 pre+Y3 pre) (13)
式中,VCETC,VCHTC分别代表ETC车道、HTC车道饱和度VC比;Y1 pre,Y2 pre,Y3 pre分别代表ETC车道中ETC交通流、HTC车道中ETC交通流、HTC车道中MTC交通流预测结果;CETC,CHTC分别代表ETC车道、HTC车道基准通行能力;α为HTC车道交通流中ETC交通流所占比例。
如图3所示,S105中,基于ETC车道以及HTC车道的饱和度VC比判断拥堵状态并进行分级预警包括:
当饱和度VC比小于第一阈值时,处于交通畅通阶段,无预警,采用第一时长作为预测时长;
当饱和度VC比大于第一阈值小于第二阈值时,发出蓝色预警,交通基本畅通,采用第一时长+第二时长组合式预测时长,通知管理人员开始准备;
当饱和度VC比大于第二阈值小于第三阈值时,发出黄色预警,交通拥堵,采用第一时长+第三时长组合式预测时长,通知管理人员尽快准备完成;
当饱和度VC比大于第三阈值时,发出橙色预警,交通严重拥堵,保持采用第一时长+第三时长组合式预测时长,准备实施管控手段。
其中,《公路通行能力手册》中以VC比作为评价指标将收费站服务水平划分为六级,VC比分级阈值分别为0.3、0.5、0.75、0.95、1.00。
本发明参照该《公路通行能力手册》以及驾驶人与乘客在不同服务水平下的出行感受,将VC比作为评价收费站拥堵预警状态的指标,并分别选取0.3、0.5、0.75作为VC比分级阈值将预警状态划分为四个等级,分别为:无预警、蓝色预警、黄色预警、橙色预警,各级预警下的状态描述与相应管控措施如表所示:
表1收费站预警状态等级划分
在交通畅通阶段,采用30min作为预测时长;
当饱和度VC比达到蓝色预警阈值时,预测交通流处于基本畅通阶段,将采用30min+15min组合式预测时长;
当判断VC比达到黄色预警时,预测交通流处于拥堵阶段,将采用30min+5min组合式预测时长;
当判断VC比达到橙色预警时,预测交通流处于严重拥堵状态,将保持30min+5min组合式预测时长,并准备实施管控手段。
在管控准备及实施过程中,将持续进行交通流实时预测以跟踪管控效果,当预测到拥堵状态更新时将同步更新预警状态及相应的管控措施。
S106中,所述对预测效果进行评价中,采用平均绝对误差(Mean Absolute Error,MAE)和平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)作为评价指标,对中短期组合预测模型的预测效果进行评估。MAE和MAPE的计算方式分别如下所示,其中与分别代表交通流实际值和交通流预测值:
结合高速实际交通情况对于车流量低峰期以及高峰期分阶段进行短期中期预测,采用组合预测的方式不仅给交通管制提供更长的反应时间同时提升了预测结果的准确性,为交通管控提供更加及时的预测结果并且具有较高的预测精度。
实施例二
本实施例提供面向交通流管控的收费站交通流组合预测系统,包括:
数据获取模块,被配置为:获取历史交通流数据;
交通流数量预测模块,被配置为:根据历史交通流数据和训练好的收费站交通流预测模型分别预测ETC车道和HTC车道通过的交通流数量;
饱和度计算模块,被配置为:基于ETC车道和HTC车道通过的交通流数量确定ETC车道和HTC车道基准通行能力,得到ETC车道和HTC车道的饱和度VC比;
组合预测模块,被配置为:基于ETC车道和HTC车道的饱和度VC比判断交通拥堵程度并进行分级预警,分别采取相应的管控措施进行管控;确定下一步预测时长并进行中短期组合预测,当预测到拥堵状态更新时,同步更新预警状态及相应的管控措施。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的面向交通流管控的收费站交通流组合预测方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的面向交通流管控的收费站交通流组合预测方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.面向交通流管控的收费站交通流组合预测方法,其特征在于,包括如下步骤:
获取历史交通流数据;
根据历史交通流数据和训练好的收费站交通流预测模型分别预测ETC车道和HTC车道通过的交通流数量;
基于ETC车道和HTC车道通过的交通流数量确定ETC车道和HTC车道基准通行能力,得到ETC车道和HTC车道的饱和度VC比;
基于ETC车道和HTC车道的饱和度VC比判断交通拥堵程度并进行分级预警,分别采取相应的管控措施进行管控;确定下一步预测时长并进行中短期组合预测,当预测到拥堵状态更新时,同步更新预警状态及相应的管控措施。
2.如权利要求1所述的面向交通流管控的收费站交通流组合预测方法,其特征在于,在获取历史交通流数据后进行预处理,包括:
对采集到的基础数据进行筛选,提取收费站ETC车道、HTC车道与相关门架的历史交通流数据;
对筛选后的数据采用滑动窗口分割的方式重构数据集格式,表示为多维张量;
将重构后的数据集按照比例将数据集划分为训练集和测试集。
3.如权利要求1所述的面向交通流管控的收费站交通流组合预测方法,其特征在于,所述收费站交通流预测模型采用LSTM神经网络模型。
4.如权利要求1所述的面向交通流管控的收费站交通流组合预测方法,其特征在于,所述ETC车道基准通行能力通过ETC车道平均服务时间确定,所述HTC车道基准通行能力按照HTC车道中MTC车道与ETC收费车道的比例计算平均服务时间确定。
5.如权利要求1所述的面向交通流管控的收费站交通流组合预测方法,其特征在于,所述ETC车道的饱和度VC比计算公式为:
VCETC=Y1 pre/CETC
式中,Y1 pre代表ETC车道中ETC交通流,CETC代表ETC车道的基准通行能力。
6.如权利要求1所述的面向交通流管控的收费站交通流组合预测方法,其特征在于,所述HTC车道的饱和度VC比计算公式为:
VCHTC=(Y2 pre+Y3 pre)/CHTC
式中,CHTC代表HTC车道基准通行能力;Y2 pre和Y3 pre分别代表HTC车道中ETC交通流和HTC车道中MTC交通流预测结果。
7.如权利要求1所述的面向交通流管控的收费站交通流组合预测方法,其特征在于,所述基于ETC车道和HTC车道的饱和度VC比判断交通拥堵程度并进行分级预警,包括:
当饱和度VC比小于第一阈值时,处于交通畅通阶段,无预警,采用第一时长作为预测时长;
当饱和度VC比大于第一阈值小于第二阈值时,发出蓝色预警,交通基本畅通,采用第一时长+第二时长组合式预测时长,通知管理人员开始准备;
当饱和度VC比大于第二阈值小于第三阈值时,发出黄色预警,交通拥堵,采用第一时长+第三时长组合式预测时长,通知管理人员尽快准备完成;
当饱和度VC比大于第三阈值时,发出橙色预警,交通严重拥堵,保持采用第一时长+第三时长组合式预测时长,准备实施管控手段。
8.面向交通流管控的收费站交通流组合预测系统,其特征在于,包括:
数据获取模块,被配置为:获取历史交通流数据;
交通流数量预测模块,被配置为:根据历史交通流数据和训练好的收费站交通流预测模型分别预测ETC车道和HTC车道通过的交通流数量;
饱和度计算模块,被配置为:基于ETC车道和HTC车道通过的交通流数量确定ETC车道和HTC车道基准通行能力,得到ETC车道和HTC车道的饱和度VC比;
组合预测模块,被配置为:基于ETC车道和HTC车道的饱和度VC比判断交通拥堵程度并进行分级预警,分别采取相应的管控措施进行管控;确定下一步预测时长并进行中短期组合预测,当预测到拥堵状态更新时,同步更新预警状态及相应的管控措施。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的面向交通流管控的收费站交通流组合预测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的面向交通流管控的收费站交通流组合预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210118432.7A CN114463868B (zh) | 2022-02-08 | 2022-02-08 | 面向交通流管控的收费站交通流组合预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210118432.7A CN114463868B (zh) | 2022-02-08 | 2022-02-08 | 面向交通流管控的收费站交通流组合预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114463868A true CN114463868A (zh) | 2022-05-10 |
CN114463868B CN114463868B (zh) | 2024-02-02 |
Family
ID=81414237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210118432.7A Active CN114463868B (zh) | 2022-02-08 | 2022-02-08 | 面向交通流管控的收费站交通流组合预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463868B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
CN116432803A (zh) * | 2022-12-13 | 2023-07-14 | 陕西高速电子工程有限公司 | 一种基于物联网的通信数据智能预警系统及方法 |
CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789176A (zh) * | 2010-01-22 | 2010-07-28 | 天津市市政工程设计研究院 | 预约集港模式下的港区短时交通流预测方法 |
CN104766483A (zh) * | 2015-04-09 | 2015-07-08 | 吉林大学 | 一种基于云计算的交通控制诱导协调系统及方法 |
CN105389987A (zh) * | 2015-12-03 | 2016-03-09 | 青岛海信网络科技股份有限公司 | 一种道路交通状况预测方法及装置 |
CN110008595A (zh) * | 2019-04-08 | 2019-07-12 | 交通运输部路网监测与应急处置中心 | Etc节能减排效益测算方法和装置 |
CN110675629A (zh) * | 2019-10-08 | 2020-01-10 | 苏交科集团股份有限公司 | 一种基于大数据的高速公路拥堵预测与主动防控方法 |
KR102200107B1 (ko) * | 2019-12-19 | 2021-01-08 | 도로교통공단 | 신호시간 조율을 이용한 교차로 신호 운영방법 |
CN112785849A (zh) * | 2021-02-24 | 2021-05-11 | 山东科技大学 | 一种高速公路拥堵状态判别和交通流管控系统及方法 |
CN113327418A (zh) * | 2021-05-31 | 2021-08-31 | 同济大学 | 一种快速路拥堵风险分级实时预测方法 |
CN113327416A (zh) * | 2021-04-14 | 2021-08-31 | 北京交通大学 | 基于短时交通流预测的城市区域交通信号控制方法 |
-
2022
- 2022-02-08 CN CN202210118432.7A patent/CN114463868B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789176A (zh) * | 2010-01-22 | 2010-07-28 | 天津市市政工程设计研究院 | 预约集港模式下的港区短时交通流预测方法 |
CN104766483A (zh) * | 2015-04-09 | 2015-07-08 | 吉林大学 | 一种基于云计算的交通控制诱导协调系统及方法 |
CN105389987A (zh) * | 2015-12-03 | 2016-03-09 | 青岛海信网络科技股份有限公司 | 一种道路交通状况预测方法及装置 |
CN110008595A (zh) * | 2019-04-08 | 2019-07-12 | 交通运输部路网监测与应急处置中心 | Etc节能减排效益测算方法和装置 |
CN110675629A (zh) * | 2019-10-08 | 2020-01-10 | 苏交科集团股份有限公司 | 一种基于大数据的高速公路拥堵预测与主动防控方法 |
KR102200107B1 (ko) * | 2019-12-19 | 2021-01-08 | 도로교통공단 | 신호시간 조율을 이용한 교차로 신호 운영방법 |
CN112785849A (zh) * | 2021-02-24 | 2021-05-11 | 山东科技大学 | 一种高速公路拥堵状态判别和交通流管控系统及方法 |
CN113327416A (zh) * | 2021-04-14 | 2021-08-31 | 北京交通大学 | 基于短时交通流预测的城市区域交通信号控制方法 |
CN113327418A (zh) * | 2021-05-31 | 2021-08-31 | 同济大学 | 一种快速路拥堵风险分级实时预测方法 |
Non-Patent Citations (4)
Title |
---|
BIN YU: "Toll Plaza Lane Choice and Lane Configuration Strategy for Autonomous Vehicles in Mixed Traffic", JOURNAL OF TRANSPORTATION ENGINEERING, vol. 146, no. 12 * |
何石坚;李清波;匡姣姣;张鹏;: "高速公路混合收费站通行能力的仿真", 交通科学与工程, no. 03 * |
董宏辉;孙晓亮;贾利民;秦勇;: "多模态的交通流量预测模型", 吉林大学学报(工学版), no. 03 * |
薛冰冰;白子建: "基于无人驾驶车辆特性的传统道路交通规划设计理念革新", 建材与装饰, no. 006 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
CN115240431B (zh) * | 2022-09-20 | 2023-02-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
CN116432803A (zh) * | 2022-12-13 | 2023-07-14 | 陕西高速电子工程有限公司 | 一种基于物联网的通信数据智能预警系统及方法 |
CN116432803B (zh) * | 2022-12-13 | 2023-09-15 | 陕西高速电子工程有限公司 | 一种基于物联网的通信数据智能预警系统及方法 |
CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114463868B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114463868B (zh) | 面向交通流管控的收费站交通流组合预测方法及系统 | |
CN108364467B (zh) | 一种基于改进型决策树算法的路况信息预测方法 | |
CN110458336B (zh) | 一种基于深度学习的网约车供需预测方法 | |
CN106427589A (zh) | 基于工况预测和模糊能耗的电动汽车续驶里程估算方法 | |
CN102890862B (zh) | 基于向量模式的交通状态分析装置及方法 | |
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 | |
CN103871246A (zh) | 基于路网空间关系约束Lasso的短时交通流预测方法 | |
CN111696369A (zh) | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 | |
CN113918538B (zh) | 一种基于人工神经网络的新建道路养护数据迁移系统 | |
CN114528646B (zh) | 一种基于在线地图数据的车辆行驶工况构建方法 | |
CN105527110A (zh) | 汽车燃油经济性的评估方法和装置 | |
CN114187766A (zh) | 一种基于饱和率的道路服务水平评价方法 | |
CN108573600A (zh) | 一种驾驶员行为诱导与局部交通流优化方法 | |
CN115830848A (zh) | 一种基于lstm模型的共享停车位智能分配系统及方法 | |
CN106128133A (zh) | 一种基于交通效率和网络能耗的区域交通控制方法 | |
EP3726434A1 (de) | Verfahren zur reduzierung von abgasemissionen eines antriebssystems eines fahrzeugs mit verbrennungsmotor | |
CN108830414B (zh) | 一种电动汽车商用充电区的负荷预测方法 | |
CN112767686B (zh) | 一种基于多源数据融合的公路网汽车排放估算方法 | |
CN110097757B (zh) | 一种基于深度优先搜索的交叉口群关键路径识别方法 | |
CN115394083B (zh) | 一种基于深度学习的高速公路交通拥堵预测方法 | |
CN104809160A (zh) | 一种基于换档行为的高油耗分析方法及设备 | |
CN114840916A (zh) | 整车零部件热害性能测试工况的构建方法和热害对整车使用寿命影响程度的综合判定方法 | |
CN109284540B (zh) | 一种基于工况识别的变衰减因子指数预测模型方法 | |
CN115019506B (zh) | 一种基于多进程强化学习的可变车道控制方法 | |
CN115829083B (zh) | 区域车辆受交通政策影响的排放评估与优化方法和系统 |
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 |