CN114495494B - 基于交通流参数预测的交通态势评估方法 - Google Patents
基于交通流参数预测的交通态势评估方法 Download PDFInfo
- Publication number
- CN114495494B CN114495494B CN202210010168.5A CN202210010168A CN114495494B CN 114495494 B CN114495494 B CN 114495494B CN 202210010168 A CN202210010168 A CN 202210010168A CN 114495494 B CN114495494 B CN 114495494B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- traffic flow
- predicted
- traffic situation
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通数据处理技术领域,具体涉及一种基于交通流参数预测的交通态势评估方法,包括获取当前道路的车流量和平均车速,得到样本数据;对样本数据进行填补空缺值和去除异常值,得到清洗数据;基于清洗数据利用深度学习模型预测预设时间段的车流量和平均车速,得到预测车流量和预测车速;根据预测车速计算第一交通态势等级;根据预测车流量计算第二交通态势等级;查询与当前道路的名称对应的拥堵评价信息;将第一交通态势等级、第二交通态势等级和拥堵评价信息进行加权计算,得到最终交通态势等级,解决了现有的交通态势评估方法的计算量较大,降低了交通态势评估结果的精确度的问题。
Description
技术领域
本发明涉及交通数据处理技术领域,尤其涉及一种基于交通流参数预测的交通态势评估方法。
背景技术
随着社会经济实力与科技水平的发展,交通智能化已成为未来交通运输的发展趋势。近年来,世界各国都加大智能交通的研发力度。城市交通诱导系统是智能交通运输系统的一个重要方面,其通过实时采集、分析交通信息获取实时交通状态。目前,国内外交通诱导系统中的交通态势状态以各种信息通讯手段为基础,综合考虑车辆、道路一体化集成,实现交通参与者、车辆、交通基础设施、管理者之间的关联。
现有的交通态势评估方法通过从海量的交通信息中获取实时交通状态并计算得到的交通态势评估结果,但由于交通信息量较大,使得增加了计算量,从而降低了交通态势评估结果的精确度。
发明内容
本发明的目的在于提供一种基于交通流参数预测的交通态势评估方法,旨在解决现有的交通态势评估方法的计算量较大,降低了交通态势评估结果的精确度的问题。
为实现上述目的,本发明提供了一种基于交通流参数预测的交通态势评估方法,包括以下步骤:
获取当前道路的车流量和平均车速,得到样本数据;
填补所述样本数据的空缺值,得到填充数据,将所述填充数据中的异常值去除,得到清洗数据;
基于所述清洗数据利用深度学习模型预测预设时间段的车流量和平均车速,得到预测车流量和预测车速;
根据所述预测车速计算第一交通态势等级;
根据所述预测车流量计算第二交通态势等级;
查询与所述当前道路的名称对应的拥堵评价信息;
将所述第一交通态势等级、所述第二交通态势等级和所述拥堵评价信息进行加权计算,得到最终交通态势等级。
其中,所述填补所述样本数据的空缺值,得到填充数据,将所述填充数据中的异常值去除,得到清洗数据的具体方式为:
将历史数据中的车流量和平均车速作为参考数据,将所述参考数据加上高斯噪声后填充至所述空缺值,得到填充数据;
将所述填充数据中超过所述当前道路限速值的数据判定为异常值;
使用所述当前道路的限速值将所述异常值替换,得到清洗数据。
其中,所述基于所述清洗数据利用深度学习模型预测预设时间段的车流量和平均车速,得到预测车流量和预测车速的具体方式为:
搭建Conv_LSTM网络和Bi_LSTM网络;
将所需预测道路作为中心,并提取所述中心的上下游路段的车流量和平均车速,构成矩阵;
将所述矩阵输入至所述所述Conv_LSTM网络,得到空间特征;
对所述清洗数据中的历史数据的同时刻进行采样,构成以天和周为时间基础的矩阵数据;
将所述矩阵数据输入至所述Bi_LSTM网络,得到周期性特征;
将所述空间特征和所述周期性特征融合后利用激活函数对预设时间段的车流量和平均车速进行预测,得到预测车流量和预测车速。
其中,所述根据所述预测车速计算第一交通态势等级的具体方式为:
计算2除以所述预测车速对应的平均行程车速的区间差,得到第一计算结果;
计算所述预测车速减去所述区间差的左区间的绝对值,得到第二计算结果;
将所述预测车速对应的态势等级的右区间减去所述第一计算结果和所述第二计算结果的积,得到第一交通态势等级。
其中,所述根据所述预测车流量计算第二交通态势等级的具体方式为:
采用sigmoid函数将所述预测车流量映射到[0,1]范围,再乘以10,得到第二交通态势等级。
本发明的一种基于交通流参数预测的交通态势评估方法,通过从一方面来说,可以省去获取更多参数的步骤,同时本方法将车流量直观地转为态势等级,减少计算量;而且本方法中引入了第三方的交通态势等级数据,最终进行一个融合评估判定,得到结果相对更有说服力。从另一方面来说,本方法实际是个预测评估的结果,根据模型进行预测,可获取预设时间段的车流量、平均车速,利用该方法即可计算出预设时间段为未来10-20分钟的交通态势等级,由此能够提前做出交通疏导方案,避免拥堵的发生,解决了现有的交通态势评估方法的计算量较大,降低了交通态势评估结果的精确度的问题。
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是本发明提供的一种基于交通流参数预测的交通态势评估方法的流程图。
图2是填补所述样本数据的空缺值,得到填充数据,将所述填充数据中的异常值去除,得到清洗数据的流程图。
图3是基于所述清洗数据利用深度学习模型预测预设时间段的车流量和平均车速,得到预测车流量和预测车速的流程图。
图4是根据所述预测车速计算第一交通态势等级的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1至图4,本发明提供一种基于交通流参数预测的交通态势评估方法,包括以下步骤:
S1获取当前道路的车流量和平均车速,得到样本数据;
具体的,每隔1分钟获取车监控设备所采集到的当前道路的车流量和平均车速,得到样本数据。
S2填补所述样本数据的空缺值,得到填充数据,将所述填充数据中的异常值去除,得到清洗数据;
具体方式为:S21将历史数据中的车流量和平均车速作为参考数据,将所述参考数据加上高斯噪声后填充至所述空缺值,得到填充数据;
其中,v表示交通速度,μ表示v的平均值或期望值,σ表示v的标准差。i为当前时刻,vi为修复后的数据,vh为所选取的所述参考数据。交通速度V参照如下表格:
单位:km/h
态势等级 | 畅通 | 基本畅通 | 轻度拥堵 | 中度拥堵 | 严重拥堵 |
快速路 | V>60 | 50<V<=60 | 30<V<=50 | 20<V<=30 | V<20 |
主干路 | V>40 | 30<V<=40 | 20<V<=30 | 15<V<=20 | V<15 |
次干路 | V>35 | 25<V<=35 | 15<V<=25 | 10<V<=15 | V<10 |
支路 | V>35 | 25<V<=35 | 15<V<=25 | 10<V<=15 | V<10 |
当所述样本数据中无空缺值时,可直接对所述样本数据进行异常值去除。
S22将所述填充数据中超过所述当前道路限速值的数据判定为异常值;
S23使用所述当前道路的限速值将所述异常值替换,得到清洗数据。
S3基于所述清洗数据利用深度学习模型预测预设时间段的车流量和平均车速,得到预测车流量和预测车速;
具体方式为:S31搭建Conv_LSTM网络和Bi_LSTM网络;
具体的,利用深度学习模型即Conv_LSTM和Bi_LSTM相结合的神经网络。
S32将所需预测道路作为中心,并提取所述中心的上下游路段的车流量和平均车速,构成矩阵;
S33将所述矩阵输入至所述所述Conv_LSTM网络,得到空间特征;
具体的,根据常识可知,某一路段的拥堵情况会受上下游路段的影响,Conv_LSTM网络主要获取数据的空间特征。
S34对所述清洗数据中的历史数据的同时刻进行采样,构成以天和周为时间基础的矩阵数据;
S35将所述矩阵数据输入至所述Bi_LSTM网络,得到周期性特征;
具体的,Bi_LSTM则是利用RNN的特性去提取交通流数据的周期性特征,比如我们可以知道每天或每周的早晚高峰期基本上都是差不多的,所以Bi_LSTM主要就是获取到数据的周期情况。
S36将所述空间特征和所述周期性特征融合后利用激活函数对预设时间段的车流量和平均车速进行预测,得到预测车流量和预测车速。
具体的,所述预设时间段为未来10-20分钟。
S4根据所述预测车速计算第一交通态势等级Ls;
具体方式为:S41计算2除以所述预测车速对应的平均行程车速的区间差,得到第一计算结果;
S42计算所述预测车速减去所述区间差的左区间的绝对值,得到第二计算结果;
具体的,第二计算结果为|Va-Vl|,其中,Va为所述预测车速,Vl为所述区间差Vsdiff的左区间。
S43将所述预测车速对应的态势等级的右区间减去所述第一计算结果和所述第二计算结果的积,得到第一交通态势等级。
其中,Sr为所述预测车速对应的态势等级的右区间。
S5根据所述预测车流量计算第二交通态势等级Lf;
具体方式为:采用sigmoid函数将所述预测车流量映射到[0,1]范围,再乘以10,得到第二交通态势等级。
其中,sigmoid函数越接近两端,值就越接近0和1,且梯度变化在两端很小,而中间区段的梯度变化明显,十分符合对车辆拥堵的等级判定,故选此函数进行计算。其中F为预测的车流量,Fmax为统计过去一周内的实际最大车流量。
S6查询与所述当前道路的名称对应的拥堵评价信息Lo;
S7将所述第一交通态势等级、所述第二交通态势等级和所述拥堵评价信息进行加权计算,得到最终交通态势等级L。
具体的,公式为:L=αLs+βLf+γLo;
具体的,α+β+γ=1,α=0.6,β=0.2,γ=0.2;Lo∈[0,4],若Lo=0,则β=0.4,γ=0。这里α,β,γ作为将三个交通态势等级进行加权融合计算的权重值,其中由于Lo为0时,代表的是未知路况,所以在Lo为0时,我们提高Lf的权重比。引入这些参数主要是对我们提出使用的三个等级进行融合加权,相比于已有的方法来说,能够使用多种评估方法的结果进行综合评估,在最终的结果上能够更加准确些,所述最终交通事态等级划分如下表:
态势等级 | 畅通 | 基本畅通 | 轻度拥堵 | 中度拥堵 | 严重拥堵 |
具体数值 | [0,2) | [2,4) | [4,6) | [6,8) | [8,10) |
本发明提供的一种基于交通流参数预测的交通态势评估方法,和已有的评估方法相比,从一方面来说,可以省去获取更多参数的步骤,同时本方法将车流量直观地转为态势等级,减少计算量;而且本方法中引入了第三方的交通态势等级数据,最终进行一个融合评估判定,得到结果相对更有说服力。从另一方面来说,本方法实际是个预测评估的结果,根据模型进行预测,可获取预设时间段的车流量、平均车速,利用该方法即可计算出预设时间段的交通态势等级,由此能够提前做出交通疏导方案,避免拥堵的发生。
以上所揭露的仅为本发明一种基于交通流参数预测的交通态势评估方法较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (4)
1.一种基于交通流参数预测的交通态势评估方法,其特征在于,包括以下步骤:
获取当前道路的车流量和平均车速,得到样本数据;
填补所述样本数据的空缺值,得到填充数据,将所述填充数据中的异常值去除,得到清洗数据;
基于所述清洗数据利用深度学习模型预测预设时间段的车流量和平均车速,得到预测车流量和预测车速;所述基于所述清洗数据利用深度学习模型预测预设时间段的车流量和平均车速,得到预测车流量和预测车速的具体方式为:
搭建Conv_LSTM网络和Bi_LSTM网络;
将所需预测道路作为中心,并提取所述中心的上下游路段的车流量和平均车速,构成矩阵;
将所述矩阵输入至所述Conv_LSTM网络,得到空间特征;
对所述清洗数据中的历史数据的同时刻进行采样,构成以天和周为时间基础的矩阵数据;
将所述矩阵数据输入至所述Bi_LSTM网络,得到周期性特征;
将所述空间特征和所述周期性特征融合后利用激活函数对预设时间段的车流量和平均车速进行预测,得到预测车流量和预测车速;
根据所述预测车速计算第一交通态势等级;
根据所述预测车流量计算第二交通态势等级;
查询与所述当前道路的名称对应的拥堵评价信息;
将所述第一交通态势等级、所述第二交通态势等级和所述拥堵评价信息进行加权计算,得到最终交通态势等级。
2.如权利要求1所述的基于交通流参数预测的交通态势评估方法,其特征在于,
所述填补所述样本数据的空缺值,得到填充数据,将所述填充数据中的异常值去除,得到清洗数据的具体方式为:
将历史数据中的车流量和平均车速作为参考数据,将所述参考数据加上高斯噪声后填充至所述空缺值,得到填充数据;
将所述填充数据中超过所述当前道路限速值的数据判定为异常值;
使用所述当前道路的限速值将所述异常值替换,得到清洗数据。
3.如权利要求1所述的基于交通流参数预测的交通态势评估方法,其特征在于,
所述根据所述预测车速计算第一交通态势等级的具体方式为:
计算2除以所述预测车速对应的平均行程车速的区间差,得到第一计算结果;
计算所述预测车速减去所述区间差的左区间的绝对值,得到第二计算结果;
将所述预测车速对应的态势等级的右区间减去所述第一计算结果和所述第二计算结果的积,得到第一交通态势等级。
4.如权利要求1所述的基于交通流参数预测的交通态势评估方法,其特征在于,
所述根据所述预测车流量计算第二交通态势等级的具体方式为:
采用sigmoid函数将所述预测车流量映射到[0,1]范围,再乘以10,得到第二交通态势等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210010168.5A CN114495494B (zh) | 2022-01-06 | 2022-01-06 | 基于交通流参数预测的交通态势评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210010168.5A CN114495494B (zh) | 2022-01-06 | 2022-01-06 | 基于交通流参数预测的交通态势评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114495494A CN114495494A (zh) | 2022-05-13 |
CN114495494B true CN114495494B (zh) | 2023-01-24 |
Family
ID=81510679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210010168.5A Active CN114495494B (zh) | 2022-01-06 | 2022-01-06 | 基于交通流参数预测的交通态势评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114495494B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410386B (zh) * | 2022-09-05 | 2024-02-06 | 同盾科技有限公司 | 短时速度预测方法及装置、计算机存储介质、电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521981A (zh) * | 2011-12-20 | 2012-06-27 | 青岛海信网络科技股份有限公司 | 一种基于消息中间件的交通态势计算方法 |
CN104464321B (zh) * | 2014-12-17 | 2017-02-22 | 合肥革绿信息科技有限公司 | 一种基于交通运行指数发展态势的智能交通诱导方法 |
CN104778837B (zh) * | 2015-04-14 | 2017-12-05 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
CN105118289A (zh) * | 2015-06-17 | 2015-12-02 | 河南理工大学 | 一种交通态势评估方法 |
CN110570651B (zh) * | 2019-07-15 | 2020-10-30 | 浙江工业大学 | 一种基于深度学习的路网交通态势预测方法及系统 |
CN112037509A (zh) * | 2020-08-21 | 2020-12-04 | 淮北市盛世昊明科技服务有限公司 | 一种基于大数据的城市交通态势感知方法及预警系统 |
-
2022
- 2022-01-06 CN CN202210010168.5A patent/CN114495494B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114495494A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
CN108320506B (zh) | 一种基于复合网络的拥堵时段的发现方法 | |
CN112289034A (zh) | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 | |
CN105374209B (zh) | 一种城市区域路网运行状态特征信息提取方法 | |
CN110751311B (zh) | 偶发性交通拥堵持续时间的数据提取与实时预测方法 | |
CN109409713B (zh) | 基于贝叶斯模型和三倍标准差准则的道路网络评估方法 | |
CN107730893B (zh) | 一种基于乘客出行多维特征的共享巴士站点客流预测方法 | |
CN104751288A (zh) | 一种钢卷分段多维在线质量判定系统及其方法 | |
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
CN114495494B (zh) | 基于交通流参数预测的交通态势评估方法 | |
CN109637128B (zh) | 一种基于Markov的灰色Verhulst短时交通流预测方法及系统 | |
CN111210621B (zh) | 基于实时路况的信号绿波协调路线优化控制方法及系统 | |
CN111179592B (zh) | 基于时空数据流融合分析的城市交通预测方法和系统 | |
CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
CN112542049A (zh) | 智慧交通综合管控平台 | |
CN109872047B (zh) | 一种考虑出行者拥挤度感知的公交出行方案推荐方法 | |
CN113537596A (zh) | 一种城市轨道交通新线站点短时客流预测方法 | |
JP3577983B2 (ja) | 旅行時間情報処理装置 | |
CN108922191B (zh) | 一种基于软集合的行程时间的计算方法 | |
CN109741597B (zh) | 一种基于改进深度森林的公交车路段运行时间预测方法 | |
Sheu | A fuzzy clustering approach to real-time demand-responsive bus dispatching control | |
CN113033921B (zh) | 一种基于多元逐步回归分析的公交线路客流预测方法 | |
CN114999154A (zh) | 一种基于图卷积网络的道路服务水平预测方法 | |
CN110120154B (zh) | 大规模路网下利用检测器数据的交通路况预测方法 | |
CN113112794A (zh) | 基于时空气象网格的交通事故发生率预测方法 |
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 |