CN114493038A - 一种全天时全路网的交通流量估计方法 - Google Patents
一种全天时全路网的交通流量估计方法 Download PDFInfo
- Publication number
- CN114493038A CN114493038A CN202210144005.6A CN202210144005A CN114493038A CN 114493038 A CN114493038 A CN 114493038A CN 202210144005 A CN202210144005 A CN 202210144005A CN 114493038 A CN114493038 A CN 114493038A
- Authority
- CN
- China
- Prior art keywords
- traffic
- traffic flow
- road network
- data
- road
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- 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
Abstract
本发明公开了一种全天时全路网的交通流量估计方法,包括以下步骤:建立和训练城市全路网基础交通流量模拟模型;对交通流量模拟进行基于统计分析的异常处理;建立交通态势路网匹配模型,提取路网的实时交通态势信息;分析发现交通态势和交通流量之间的对应关系,建立应用该对应关系的基础流量修正模型,得到修正流量;引入辅助信息,与监测卡口数据作对比分析,建立交通流量的辅助信息影响模型,并对得到的交通流量进行修正。本发明的优点是:可获取全天时小时分辨率且覆盖研究区域全范围的交通流量数据资料,满足了机动车排放清单不间断大范围的交通流量需求。可解决相关行业对全时全范围交通流量数据资料的现实应用需求。
Description
技术领域
本发明涉及地理信息系统和交通技术领域,特别涉及一种近实时生产全天时城市全路网的交通流量估计方法。
背景技术
机动车作为城市最主要的本地排放源之一,其排放污染物的调控是解决城市空气污染问题的关键。机动车排放清单是帮助了解机动车排放对于城市空气质量的关键技术其通过耦合城市机动车交通信息与机动车排放数据,建立计算模型。建立机动车排放清单的前提之一,就是获得实时全范围的机动车流量。常见的机动车流量监测数据包括道路卡口监测设备数据和浮动车GPS定位数据。前者由交通部门管理,主要在城市建成区范围和终点路段布设,存在数量有限,覆盖范围较少的局限;后者主要由具有导航业务的商业公司掌握,要获取全时全空间的数据成本非常高昂,面向环境领域的研究和业务应用和长期运行不具备可行性。
针对环境领域中的机动车排放清单计算问题,在实际上,对机动车流量的精度没有特别高的要求,更加关注机动车流量数据的及时性和覆盖范围。因此可以通过结合实测数据建立模拟模型的方法得到覆盖研究区域全范围的实时机动车流量数据。
发明内容
本发明针对现有技术的缺陷,提供了一种全天时全路网的交通流量估计方法。解决了机动车排放清单建立过程中的实时大范围路网交通流量数据的短缺问题。
为了实现以上发明目的,本发明采取的技术方案如下:
一种全天时全路网的交通流量估计方法,包括以下步骤:
步骤1:利用路网卡口监测交通流量数据和路网特征,基于梯度提升决策树的集成学习方法,建立和训练城市全路网基础交通流量模拟模型;
步骤2:对步骤1得到的交通流量模拟进行基于统计分析的异常处理;
步骤3:从互联网相关位置采集实时交通态势,并结合城市路网,建立交通态势路网匹配模型,提取路网的实时交通态势信息;
步骤4:结合路网交通态势数据和对应监测卡口数据,分析发现交通态势和交通流量之间的对应关系,并建立应用该对应关系的基础流量修正模型,得到基于实时交通态势的修正流量;
步骤5:引入POI数据、天气事件信息、交通突发事件信息的相关辅助信息,与监测卡口数据作对比分析,建立交通流量的辅助信息影响模型,并应用该辅助信息影响模型对步骤4得到的交通流量进行修正。
进一步地,步骤1中的建模表达为:
路段机动车流量~f(路网特征,日期特征,时刻特征)
其中,路段机动车流量指某小时内,某特定路段经过的机动车数量,且可按种类分为大型汽车和小型汽车;
路网特征指路段的车道数、宽度的几何特征;日期特征指当日是否为节假日,是否为周末的特性;
时刻特征指当小时属于一日中的某个特定分段包括:早晚高峰。
进一步地,步骤1的具体子步骤如下:
a)获取目标城市的路网地理数据,并对路网数据进行特征提取,路网特征包括:路段宽度、路段车道数、路段到城市中心的距离、路段等级编码和路段的起止经纬度;
b)处理卡口监测交通流量数据;
卡口数据包括:车牌号、车速、车辆类型,在后续使用时,首先按照每个小时统计大小型车辆分组的经过总数和分别的平均速率。
c)建立机器学习模型所需的数据集;
以路段小时车辆数NUM和路段小时车辆平均速度SPEED_MEAN为目标,使用同一套数据集拟合。将路网特征和卡口数据按照路网唯一识别标识关联起来。在一小时内,建立特征与NUM和SPEED_MEAN的一一对应关系。模型表达为:
NUM=MODEL(FEATURES) (1)
SPEED_MEAN=MODEL(FEATURES) (2)
依据实际需要,还要对基本特征进行一定的运算和扩展,得到一些组合特征,即特征工程。完成上述操作后,数据集的字段数被扩展到数十个。
d)训练和测试机器学习模型;
采用梯度提升决策树的实现框架,即CatBoost,取历史卡口监测数据,按照随机原则划分训练集和测试集,并将训练集输入到框架中,以AUC和RMSE为评价指标,迭代优化模型,直到评价指标达到实用需求的标准。
进一步地,步骤2具体为:根据卡口数据统计得到城市车流量,并制定合适的规则处理模型输出。在监测卡口数据中统计路段历史上每个路段的历史车流量趋势,当路段模型模拟车流量极大偏离历史趋势时,对模拟值施加特定的值以减少其对历史车流量趋势的偏移。
进一步地,步骤3中具体子步骤如下:
a)下载互联网交通态势地图;
对指定城市范围内实时交通态势地图进行下载,并存储;
b)提取交通态势;
对交通态势地图自动识别,得到与图片相同大小的交通态势等级矩阵。并根据图像下载时的关于位置的请求参数,得到矩阵所有元素的位置信息。
c)匹配路网数据,得到路网交通态势数据;
交通态势等级矩阵元素的位置,与路网中路段进行空间匹配,将每个矩阵元素按照空间临近性,合并到其最近的路段上,每小时得到路网交通态势数据。
进一步地,步骤4的具体子步骤如下:
a)积累一定时间的路网交通态势数据,并且能够有相应时间的卡口监测数据,建立交通态势和卡口数据监测车流量的对应关系;
b)分析不同时间拥堵状态等级与车流量变化的关系。
c)依据拥堵状态等级与车流量变化的关系,建立一个半定量的车流调整模型。在步骤2产出的车流量处在历史认为的异常情况时,根据实时的路段拥堵状态等级,对产出的模拟车流量进行加权调整。
进一步地,步骤5中辅助信息影响模型的建立步骤如下:
a)POI数据表示了空间上各种人造设施的分布。应用空间临近分析方法,设定一个临近影响距离μ,按照路段ID计算每条路段附近μ内学校、医院、商业中心的数量,并以此为基础为每个路段赋予一个在0.8-1.2之间的POI调整系数,此外,针对一些普遍可知的热点地点,适当赋予特定的调整系数α;
b)对天气事件,自公开渠道抓取城市天气报告,经人工解译后,输入到数据库中,并将天气事件的位置与路段ID建立映射,按照天气事件的严重程度,为路段当时刻赋予值域处于0.6-1.0之间的天气事件调整系数β;
c)对突发交通事故,自交通管理部门获取道路安全事件简报,得到交通事故事发的位置和严重程度,以及可能引起的交通拥堵范围,将交通事故位置与路段ID建立映射,按照交通事故发生的情况,为路段当时刻赋予0.6-1.0之间的交通事故调整系数γ;
d)对其他可得辅助信息,按照类似空间映射和系数确定原则得到相应的调整系数;
e)将步骤4得到的交通流量估计数据,应用上述调整系数,按照乘法原则,对估计流量应用上述系数,得到经过调整的流量估计,调整后流量可记为:
F调整=α*β*γ…*F估计。
与现有技术相比,本发明的优点在于:
可获取全天时小时分辨率且覆盖研究区域全范围的交通流量数据资料,满足了机动车排放清单不间断大范围的交通流量需求。可解决相关行业对全时全范围交通流量数据资料的现实应用需求。
基于实测数据建模,综合反映显示状况。本发明的建立模型的一大基础是历史实测的卡口监控数据,具备在城市中较广泛分布,监测数据真实可靠的优点,为后续分析和估计提供了坚实的数据支撑;
本发明实际应用时对监测数据依赖少,可行性较高。本发明建立并训练的车流量估计模型,在实际使用时,不再依赖连续实时的监控数据提供,并可得到全路网全天候的估计结果。理论上,用户只需要连续运行该模型,就可得到连续的车流量估计数据;
本发明可扩展性强,可方便地集成其他来源的数据。本发明可接入多种辅助信息,用于调整估计的车流量,并可方便地引入专家经验判断,实现了机器与人工的结合估计。
附图说明
图1是本发明实施例全天时全路网的交通流量估计方法流程图;
图2是本发明实施例所得交通流量数据的精度验证散点图。
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,以下根据附图并列举实施例,对本发明做进一步详细说明。
如图1所示,一种全天时全路网的交通流量估计方法,包括以下步骤:
步骤1:使用路网地理数据和卡口监测交通流量数据,建立基于梯度提升决策树的集成学习模型。
a)获取目标城市的路网地理数据,并对路网数据进行特征提取,主要提取以下特征:
(1).路段宽度WIDTH
(2).路段车道数LANE
(3).路段到城市中心的距离DIST
(4).路段等级编码LEVELCODE
(5).路段的起止经纬度SLNG,S
(6).其他特征
b)处理卡口监测交通流量数据
卡口监测数据的明细记录了经过卡口的每一辆机动车的相关信息,包括车牌号、车速、车辆类型等,在后续使用时,首先按照每个小时统计大小型车辆分组的经过总数和分别的平均速率。
c)建立机器学习模型所需的数据集
本实施例中以路段小时车辆数(NUM)和路段小时车辆平均速度(SPEED_MEAN)为目标,使用同一套数据集拟合。将路网特征和卡口数据按照路网唯一识别标识关联起来。在一小时内,建立特征与NUM和SPEED_MEAN的一一对应关系。模型可表达为:
NUM=MODEL(FEATURES) (1)
SPEED_MEAN=MODEL(FEATURES) (2)
下表记录了模型输入的特征字段:
表1 模型基本特征
依据实际需要,还要对基本特征进行一定的运算和扩展,得到一些组合特征,即特征工程。完成上述操作后,数据集的字段数被扩展到数十个。
d)训练和测试机器学习模型
本实施例采用一种梯度提升决策树的实现框架,即CatBoost,取历史卡口监测数据,按照随机原则划分训练集和测试集,并将训练集输入到框架中,以AUC和RMSE为评价指标,迭代优化模型,直到评价指标达到实用需求的标准。
步骤2:建立基于步骤1的机器学习模型产出数据的异常处理工作流。
步骤1得到了结合路网和卡口数据以预测车流量和车流平均速率的机器学习模型,可以用该模型对路网车流量和车速进行模拟。但在实践中发现得到的结果有异常高值和异常低值,因此需要对输出结果进行异常处理。
a)车流量削峰:在监测卡口数据中统计每个路段的历史车流量趋势,当路段估计车流量超过历史车流量极值时,对估计值施加一个小于1的比率,一般取
其中Fupdate调整后的车流量估计,Fest为调整前的车流量估计,Hmax为历史车流量最大值。
b)车流量纠偏:在监测卡口数据中统计每个路段的历史车流量趋势,当路段模型模拟车流量极大偏离历史趋势时,对模拟值施加特定的比率以减少其对历史车流量趋势的偏移。
在当前步骤完成后,模型已经可以得到比较符合实际的连续全路网车流量模拟数据。
步骤3:从互联网获取实时交通态势数据,并提取和匹配到路网上。
步骤2得到的车辆数据,本质上是一种静态的模拟,模型综合了历史的情况,但还没有结合当时当地的路况特点做估计,因此,需要接入一种实时观测的信息,以反映实际路况下的车流形势。
在实施例中,我们使用互联网交通态势数据作为实时路况的表现形式。互联网交通态势数据是指一些掌握实际路况的部门或公司在互联网上公开发布的道路拥堵情况,一般以电子地图的形式供用户浏览。以高德地图为例,其提供了全路网下实时更新的道路拥堵信息,将道路拥堵状况分为“严重拥堵”“拥堵”“缓慢形势”“畅通”等四种等级,并在WEB页面中以不同的颜色在电子地图上着色标注。
a)下载互联网交通态势地图
开发一种互联网交通态势地图下载工具,可用于对指定城市范围内实时交通态势地图的下载。该下载工具的主要实现方式如下:
1)控制计算机在每个整点开始后几分钟自动打开浏览器;
2)浏览器定位到互联网交通态势地图地址,打开页面;
3)按照要求的坐标和缩放级别,定位到特定的地图范围,自动截图并下载到本地。
在实际应用时,每小时都将下载目标城市范围内所有可得的交通态势地图,并存储在指定位置,文件名命名包含左上角和右下角经纬度坐标。
b)提取交通态势
本发明提供一种图像识别和处理方法,可对交通态势地图自动识别,得到与图片相同大小的交通态势等级矩阵。具体识别方法如下:
1)读取图片到内存中,表示为含有RGB三个通道的多维数组IMG;
2)解译互联网路况态势地图可知,一般路况状态按照拥堵程度分为四级:非常畅通、畅通、拥堵、严重拥堵等,分别以深绿、浅绿、黄、红色等颜色表示,可利用像素颜色拾取工具对每种拥堵程度的路段采样,获得各种拥堵程度对应的RGB值;
3)按照图片名称,得到图片像素矩阵左上角和右下角的坐标,然后计算出图上每个点的坐标;
4)对图像中符合路况拥堵程度颜色的像素进行提取,记录其位置坐标和拥堵程度级别,存储于交通态势列表中。
c)匹配路网数据,得到交通态势地理数据
交通态势列表,可与路网中路段进行空间匹配,将每个矩阵元素按照空间临近性,合并到其最近的路段上,按照上述操作,每小时得到路网交通态势数据。
步骤4:建立基于实时交通态势的交通流量修正模型,对步骤2所得交通流量模拟进行修正。
交通流量修正模型是一种基于历史卡口监测数据和历史积累的互联网交通态势数据的半经验的模型,其主要按照以下方法建立:
a)积累一定时间的互联网交通态势数据,并且能够有相应时间的历史卡口监测数据,建立交通态势——卡口监测车流量的对应关系;
b)分析不同时间拥堵状态等级下,路段车流量的变化趋势。在实际情况中,畅通的路况并不与大规模车流量对应,而拥堵或严重拥堵路况下,路段车流量也可能较平时一般状态下少。整体而言,在较拥堵的情况下,车速在中等速度的条件下车流量会处在较高水平;
c)依据上述拥堵状态等级与车流量变化的关系,建立一个半定量的车流调整模型。在步骤2产出的车流量处在历史认为的异常情况时,根据实时的路段拥堵状态等级,对产出的模拟车流量进行加权调整,具体调整给原则如下:
如果交通态势地图中没有获取到某路段实时拥堵情况,则直接设置该路段拥堵调整系数为1。按照上述原则,对步骤2得到的流量估计按照路段ID分别乘对应的拥堵调整系数,得到新的车流量估计。
步骤5:从相关部门获取到重要POI,天气事件信息和交通事件信息,根据专家经验针对局地做交通流量估计的进一步调整,得到在较大程度上反映实际路况的交通流量模拟数据,建立交通流量的辅助信息影响模型,并应用该模型对步骤4得到的交通流量进行修正;
步骤5的具体子步骤如下:
辅助信息,是面向卡口数据而言,是一系列经验或经研究认为可能影响交通流量的其他要素,如各种车辆可能聚集的设施(学校、医院、商业中心,交通枢纽等)、局地天气变化的事件(大雨、大雾等),以及突发的交通事故等。当上述因素在临近和相应路段出现时,可能会显著影响当时路段车辆通过请情况。为了将这一影响反映在交通流量估计中,本发明构建了一种辅助信息影响模型,主要按照以下方法实现:
a)POI数据表示了空间上各种人造设施的分布。应用空间临近分析方法,设定一个临近影响距离μ,按照路段ID计算每条路段附近μ内学校、医院、商业中心等的数量,并以此为基础为每个路段赋予一个在0.8-1.2之间的POI调整系数,此外,针对一些普遍可知的热点地点,可适当赋予特定的调整系数α;
b)对天气事件而言,自公开渠道抓取城市天气报告,经人工解译后,输入到数据库中,并将天气事件的位置与路段ID建立映射,按照天气事件的严重程度,为路段当时刻赋予值域处于0.6-1.0之间的天气事件调整系数β;
c)对突发交通事故而言,自交通管理部门获取道路安全事件简报,得到交通事故事发的位置和严重程度,以及可能引起的交通拥堵范围,将交通事故位置与路段ID建立映射,按照交通事故发生的情况,为路段当时刻赋予0.6-1.0之间的交通事故调整系数γ;
d)对其他可得辅助信息,都可按照类似空间映射和系数确定原则得到相应的调整系数;
e)将步骤4得到的交通流量估计数据,应用上述调整系数,按照乘法原则,对估计流量应用上述系数,得到经过调整的流量估计,调整后流量可记为:
F调整=α*β*γ…*F估计
突发的恶劣天气事件可能会影响局地交通条件,交通事故、部分道路通行限制等也会造成部分路段车流量骤增或骤降。本发明中考虑天气和交通状况变化的影响,建立经验模型,从多种渠道灵活收集相关信息,适当调整前述步骤得到的交通流量,最后得到融合多源信息的交通流量数据。
如图2表示了本发明应用于历史时刻成都是城市路网的预测车流量的对比分析,实验采用了历史某日成都市有卡口监控数据的城市路段,应用上述车流量估计模型得到的预测结果(X)和实测结果(Y),可知预测于实际车流量较集中地分布于直线y=x附近,计算得知测试数据的均方根误差约为400。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种全天时全路网的交通流量估计方法,其特征在于,包括以下步骤:
步骤1:利用路网卡口监测交通流量数据和路网特征,基于梯度提升决策树的集成学习方法,建立和训练城市全路网基础交通流量模拟模型;
步骤2:对步骤1得到的交通流量模拟进行基于统计分析的异常处理;
步骤3:从互联网相关位置采集实时交通态势,并结合城市路网,建立交通态势路网匹配模型,提取路网的实时交通态势信息;
步骤4:结合路网交通态势数据和对应监测卡口数据,分析发现交通态势和交通流量之间的对应关系,并建立应用该对应关系的基础流量修正模型,得到基于实时交通态势的修正流量;
步骤5:引入POI数据、天气事件信息、交通突发事件信息的相关辅助信息,与监测卡口数据作对比分析,建立交通流量的辅助信息影响模型,并应用该辅助信息影响模型对步骤4得到的交通流量进行修正。
2.根据权利要求1所述的一种全天时全路网的交通流量估计方法,其特征在于:步骤1中的建模表达为:
路段机动车流量~f(路网特征,日期特征,时刻特征)
其中,路段机动车流量指某小时内,某特定路段经过的机动车数量,且按种类分为大型汽车和小型汽车;
路网特征指路段的车道数、宽度的几何特征;日期特征指当日是否为节假日,是否为周末的特性;
时刻特征指当小时属于一日中的某个特定分段包括:早晚高峰。
3.根据权利要求2所述的一种全天时全路网的交通流量估计方法,其特征在于:步骤1的具体子步骤如下:
a)获取目标城市的路网地理数据,并对路网数据进行特征提取,路网特征包括:路段宽度、路段车道数、路段到城市中心的距离、路段等级编码和路段的起止经纬度;
b)处理卡口监测交通流量数据;
卡口数据包括:车牌号、车速、车辆类型,在后续使用时,首先按照每个小时统计大小型车辆分组的经过总数和分别的平均速率;
c)建立机器学习模型所需的数据集;
以路段小时车辆数NUM和路段小时车辆平均速度SPEED_MEAN为目标,使用同一套数据集拟合;将路网特征和卡口数据按照路网唯一识别标识关联起来;在一小时内,建立特征与NUM和SPEED_MEAN的一一对应关系;模型表达为:
NUM=MODEL(FEATURES) (1)
SPEED_MEAN=MODEL(FEATURES) (2)
依据实际需要,还要对基本特征进行一定的运算和扩展,得到一些组合特征,即特征工程;完成上述操作后,数据集的字段数被扩展到数十个;
d)训练和测试机器学习模型;
采用梯度提升决策树的实现框架,即CatBoost,取历史卡口监测数据,按照随机原则划分训练集和测试集,并将训练集输入到框架中,以AUC和RMSE为评价指标,迭代优化模型,直到评价指标达到实用需求的标准。
4.根据权利要求1所述的一种全天时全路网的交通流量估计方法,其特征在于:步骤2具体为:根据卡口数据统计得到城市车流量,并制定合适的规则处理模型输出;在监测卡口数据中统计路段历史上每个路段的历史车流量趋势,当路段模型模拟车流量极大偏离历史趋势时,对模拟值施加特定的值以减少其对历史车流量趋势的偏移。
5.根据权利要求1所述的一种全天时全路网的交通流量估计方法,其特征在于:步骤3中具体子步骤如下:
a)下载互联网交通态势地图;
对指定城市范围内实时交通态势地图进行下载,并存储;
b)提取交通态势;
对交通态势地图自动识别,得到与图片相同大小的交通态势等级矩阵;并根据图像下载时的关于位置的请求参数,得到矩阵所有元素的位置信息;
c)匹配路网数据,得到路网交通态势数据;
交通态势等级矩阵元素的位置,与路网中路段进行空间匹配,将每个矩阵元素按照空间临近性,合并到其最近的路段上,每小时得到路网交通态势数据。
6.根据权利要求1所述的一种全天时全路网的交通流量估计方法,其特征在于:步骤4的具体子步骤如下:
a)积累一定时间的路网交通态势数据,并且能够有相应时间的卡口监测数据,建立交通态势和卡口数据监测车流量的对应关系;
b)分析不同时间拥堵状态等级与车流量变化的关系;
c)依据拥堵状态等级与车流量变化的关系,建立一个半定量的车流调整模型;在步骤2产出的车流量处在历史认为的异常情况时,根据实时的路段拥堵状态等级,对产出的模拟车流量进行加权调整。
7.根据权利要求1所述的一种全天时全路网的交通流量估计方法,其特征在于:步骤5中辅助信息影响模型的建立步骤如下:
a)POI数据表示了空间上各种人造设施的分布;应用空间临近分析方法,设定一个临近影响距离μ,按照路段ID计算每条路段附近μ内学校、医院、商业中心的数量,并以此为基础为每个路段赋予一个在0.8-1.2之间的POI调整系数,此外,针对一些普遍可知的热点地点,适当赋予特定的调整系数α;
b)对天气事件,自公开渠道抓取城市天气报告,经人工解译后,输入到数据库中,并将天气事件的位置与路段ID建立映射,按照天气事件的严重程度,为路段当时刻赋予值域处于0.6-1.0之间的天气事件调整系数β;
c)对突发交通事故,自交通管理部门获取道路安全事件简报,得到交通事故事发的位置和严重程度,以及可能引起的交通拥堵范围,将交通事故位置与路段ID建立映射,按照交通事故发生的情况,为路段当时刻赋予0.6-1.0之间的交通事故调整系数γ;
d)对其他辅助信息,按照类似空间映射和系数确定原则得到相应的调整系数;
e)将步骤4得到的交通流量估计数据,应用上述调整系数,按照乘法原则,对估计流量应用上述系数,得到经过调整的流量估计,调整后流量记为:
F调整=α*β*γ…*F估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210144005.6A CN114493038A (zh) | 2022-02-17 | 2022-02-17 | 一种全天时全路网的交通流量估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210144005.6A CN114493038A (zh) | 2022-02-17 | 2022-02-17 | 一种全天时全路网的交通流量估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493038A true CN114493038A (zh) | 2022-05-13 |
Family
ID=81482668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210144005.6A Pending CN114493038A (zh) | 2022-02-17 | 2022-02-17 | 一种全天时全路网的交通流量估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493038A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035715A (zh) * | 2022-05-26 | 2022-09-09 | 浙江省机电设计研究院有限公司 | 基于决策树和多元辅助信息的高速公路流量预测方法 |
CN115310278A (zh) * | 2022-07-28 | 2022-11-08 | 东南大学 | 一种大规模路网在线微观交通的仿真方法及其验证方法 |
CN116543560A (zh) * | 2023-07-05 | 2023-08-04 | 深圳市诚识科技有限公司 | 一种基于深度学习的智能路况预测系统及方法 |
CN117292551A (zh) * | 2023-11-27 | 2023-12-26 | 辽宁邮电规划设计院有限公司 | 基于物联网的城市交通态势调节系统与方法 |
-
2022
- 2022-02-17 CN CN202210144005.6A patent/CN114493038A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035715A (zh) * | 2022-05-26 | 2022-09-09 | 浙江省机电设计研究院有限公司 | 基于决策树和多元辅助信息的高速公路流量预测方法 |
CN115035715B (zh) * | 2022-05-26 | 2023-08-29 | 浙江省机电设计研究院有限公司 | 基于决策树和多元辅助信息的高速公路流量预测方法 |
CN115310278A (zh) * | 2022-07-28 | 2022-11-08 | 东南大学 | 一种大规模路网在线微观交通的仿真方法及其验证方法 |
CN116543560A (zh) * | 2023-07-05 | 2023-08-04 | 深圳市诚识科技有限公司 | 一种基于深度学习的智能路况预测系统及方法 |
CN116543560B (zh) * | 2023-07-05 | 2023-09-22 | 深圳市诚识科技有限公司 | 一种基于深度学习的智能路况预测系统及方法 |
CN117292551A (zh) * | 2023-11-27 | 2023-12-26 | 辽宁邮电规划设计院有限公司 | 基于物联网的城市交通态势调节系统与方法 |
CN117292551B (zh) * | 2023-11-27 | 2024-02-23 | 辽宁邮电规划设计院有限公司 | 基于物联网的城市交通态势调节系统与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114493038A (zh) | 一种全天时全路网的交通流量估计方法 | |
US11554776B2 (en) | System and method for predicting of absolute and relative risks for car accidents | |
CN112132264B (zh) | 基于时空残差感知网络的区域尾气排放预测方法及系统 | |
US5831876A (en) | Method for monitoring regional air quality | |
US5818737A (en) | Method for guiding development of muncipality | |
JP7023927B2 (ja) | 変化検出ベースの地図インターフェース更新システム | |
US5815417A (en) | Method for acquiring and presenting data relevant to an emergency incident | |
US8515673B2 (en) | Crime risk assessment system | |
CN110990905A (zh) | 一种历史城市保护发展协同控制方案辅助设计系统 | |
US20060058940A1 (en) | Traffic information prediction system | |
CN112800911B (zh) | 一种路面损伤快速检测及自然数据集构建方法 | |
CN107067781B (zh) | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 | |
CN110738354B (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
US5835386A (en) | Method for managing storm water damage | |
CN115759488B (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
CN113554263A (zh) | 基于交通仿真的高速公路施工组织方案交通影响评估方法 | |
CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
Turner | Route Selection | |
CN116796904A (zh) | 一种轨道交通新线客流预测方法、系统、电子设备及介质 | |
Rezzouqi et al. | Analyzing the accuracy of historical average for urban traffic forecasting using google maps | |
Kurte et al. | Regional-scale spatio-temporal analysis of impacts of weather on traffic speed in Chicago using probe data | |
US20230153742A1 (en) | Methods for shared bicycle delivery and operation area planning in smart cities and internet of things (iot) systems thereof | |
JP7224133B2 (ja) | インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム | |
CN116863704A (zh) | 一种基于大数据的智能交通数字孪生处理方法及系统 | |
Cui et al. | Design of highway intelligent transportation system based on the internet of things and artificial intelligence |
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 |