CN115394086B - 交通参数的预测方法、装置、存储介质及电子装置 - Google Patents
交通参数的预测方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN115394086B CN115394086B CN202211319940.8A CN202211319940A CN115394086B CN 115394086 B CN115394086 B CN 115394086B CN 202211319940 A CN202211319940 A CN 202211319940A CN 115394086 B CN115394086 B CN 115394086B
- Authority
- CN
- China
- Prior art keywords
- target
- traffic
- determining
- cell
- accident
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003066 decision tree Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000001413 cellular effect Effects 0.000 description 28
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 19
- 238000004088 simulation Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000003379 elimination reaction Methods 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
- 230000003287 optical effect Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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"
-
- G06Q50/40—
Abstract
本发明实施例提供了一种交通参数的预测方法、装置、存储介质及电子装置,其中,该方法包括:确定目标道路中包括的目标元胞的第一交通参数,以及确定目标道路中包括的相邻元胞的第二交通参数,其中,相邻元胞为与目标元胞相邻,且位于目标元胞上游的元胞,目标元胞为对目标道路进行划分,所得到的多个子区间中包括的任意一个区间;确定在预定时刻进入目标元胞中的车辆的目标数量;基于第一交通参数、第二交通参数以及目标数量预测预定时刻目标元胞的目标交通参数。通过本发明,解决了相关技术中存在的预测交通参数效率低的问题,达到提高预测交通参数的效率的效果。
Description
技术领域
本发明实施例涉及智能交通领域,具体而言,涉及一种交通参数的预测方法、装置、存储介质及电子装置。
背景技术
在相关技术中,元胞自动机模型在交通领域多用于城市内道路,研究对象主要是微观的交通流,主要方法把每个车辆的大小当做一个道路元胞,根据每一个元胞前后和相邻车道的元胞内是否存在车辆,从而决定下一个单位时间内每一个车辆前进多少个元胞,需要综合考虑城市道路中行人、非机动车、红绿灯、交叉路口、司机的反应速度等诸多影响进行仿真。这种模型的可解释性比较好,但是在高速道路中往往关注的是一段道路上整体的车流状况,比如整体的平均车速、拥堵里程等,按上述微观方法建立模型的话会非常繁琐且效率不高。
在高速道路的交通流预测中,相关技术中多是综合历史道路交通流数据以及收费站进出数据、天气数据等诸多因素,建立深度学习、机器学习或时间序列分析模型进行预测。这种方法对道路通畅时的交通流数据以及早晚高峰的周期性拥堵预测效果较好,但是由于大部分历史数据都是道路通畅情况下的,所以此类模型对于突发事故造成道路部分拥堵之后的交通流预测效果并不理想。交通波等模型虽然可以用来分析拥堵消散过程,但是它对数据的要求比较高,需要事故位置前后车流的瞬时速度和流量,这在实际应用中是难以准确获取的。此外,深度学习等模型往往都是以黑盒的形式存在,模型的可解释性较差,这样就导致在人为采取限流等管制措施后,难以及时对模型做出相应的调整,灵活性比较差。
由此可知,相关技术中存在预测交通参数效率低的问题。
针对相关技术中存在的上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种交通参数的预测方法、装置、存储介质及电子装置,以至少解决相关技术中存在的预测交通参数效率低的问题。
根据本发明的一个实施例,提供了一种交通参数的预测方法,包括:确定目标道路中包括的目标元胞的第一交通参数,以及确定所述目标道路中包括的相邻元胞的第二交通参数,其中,所述相邻元胞为与所述目标元胞相邻,且位于所述目标元胞上游的元胞,所述目标元胞为对所述目标道路进行划分,所得到的多个子区间中包括的任意一个区间;确定在预定时刻进入所述目标元胞中的车辆的目标数量;基于所述第一交通参数、所述第二交通参数以及所述目标数量预测所述预定时刻所述目标元胞的目标交通参数。
根据本发明的另一个实施例,提供了一种交通参数的预测装置,包括:第一确定模块,用于确定目标道路中包括的目标元胞的第一交通参数,以及确定所述目标道路中包括的相邻元胞的第二交通参数,其中,所述相邻元胞为与所述目标元胞相邻,且位于所述目标元胞上游的元胞,所述目标元胞为对所述目标道路进行划分,所得到的多个子区间中包括的任意一个区间;第二确定模块,用于确定在预定时刻进入所述目标元胞中的车辆的目标数量;预测模块,用于基于所述第一交通参数、所述第二交通参数以及所述目标数量预测所述预定时刻所述目标元胞的目标交通参数。
根据本发明的又一个实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,确定目标道路中包括的目标元胞的第一交通参数,以及确定目标道路中包括的相邻元胞的第二交通参数,目标元胞为对目标道路进行划分,所得到的多个子区间中包括的任意一个区间;确定在预定时刻进入目标元胞中的车辆的目标数量;基于第一交通参数、第二交通参数以及目标数量预测预定时刻目标元胞的目标交通参数。由于在预测目标交通参数时,可以对目标道路进行划分,得到目标元胞,根据目标元胞的第一交通参数、位于目标元胞上游的相邻元胞的第二交通参数以及在预定时刻进入目标元胞的车辆的目标数量预测预定时刻目标元胞的目标交通参数,因此,可以解决相关技术中存在的预测交通参数效率低的问题,达到提高预测交通参数的效率的效果。
附图说明
图1是本发明实施例的一种交通参数的预测方法的移动终端的硬件结构框图;
图2是根据本发明实施例的交通参数的预测方法的流程图;
图3是根据本发明示例性实施例的目标网络模型的结构示意图;
图4是根据本发明示例性实施例的确定第二数量的网络模型示意图;
图5是根据本发明示例性实施例的目标元胞的车辆速度与车流速度的函数关系拟合示意图;
图6是根据本发明具体实施例的交通参数的预测方法流程图;
图7是根据本发明具体实施例的预测交通参数流程示意图;
图8是根据本发明具体实施例的A地-B地路段的平均速度变化示意图;
图9是根据本发明具体实施例的速度-密度散点图;
图10是根据本发明具体实施例的速度-密度函数拟合结果示意图;
图11是根据本发明具体实施例的A地-B地路段平均车速的仿真结果示意图;
图12是根据本发明具体实施例的上游G地-A地路段平均车速的仿真结果示意图;
图13是根据本发明具体实施例的再上游F地-G地平均车速的仿真结果示意图;
图14是根据本发明实施例的交通参数的预测装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种交通参数的预测方法的移动终端的硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的交通参数的预测方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种交通参数的预测方法,图2是根据本发明实施例的交通参数的预测方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,确定目标道路中包括的目标元胞的第一交通参数,以及确定所述目标道路中包括的相邻元胞的第二交通参数,其中,所述相邻元胞为与所述目标元胞相邻,且位于所述目标元胞上游的元胞,所述目标元胞为对所述目标道路进行划分,所得到的多个子区间中包括的任意一个区间;
步骤S204,确定在预定时刻进入所述目标元胞中的车辆的目标数量;
步骤S206,基于所述第一交通参数、所述第二交通参数以及所述目标数量预测所述预定时刻所述目标元胞的目标交通参数。
在上述实施例中,目标元胞和相邻元胞可以是目标道路中一段子区间,目标道路可以是快速路、高速、隧道等。可以对目标道路进行划分,得到多个子区间,每个子区间即为一个元胞。在对目标道路进行划分时,可以按照固定长度划分,即得到的每个元胞的长度均相同,还可以根据目标道路中包括的收费站、服务区、岔路口的数量等对目标道路进行划分。当采用固定长度划分的情况下,可以令每个元胞的长度大约2km(该取值仅是一种示例性说明,本发明对此不作限定,例如,元胞的长度还可以为1.5km、3km、5kn等),每个时刻元胞的状态包含3个参数,即第一交通参数以及第二交通参数可以包括车辆密度、车流平均速度、最大通行能力。其中,车辆的密度和平均速度是强相关的,当元胞的车辆密度增大时,该元胞的车流平均速度就会减少,元胞的最大通行能力主要是与道路状况相关,比如当下游路段出现拥堵,当前元胞出现事故导致了部分道路封闭,当前元胞采取了人为管控等措施都会降低道路的通行能力。通常情况下,造成元胞内车辆拥堵的原因有两种,一是当前元胞的道路通行能力下降,二是下游元胞出现了拥堵,这两种情况都会导致当前元胞的车辆无法及时驶出,从而造成了拥堵。
在上述实施例中,同一个元胞内部的车辆是均匀分布的(每个元胞都只有一个车流密度的参数),且单位时间内(通常为每分钟)车流不会跨越两个元胞。所以可以将高速道路中的枢纽或收费站作为元胞的端点,以此作为元胞划分的依据。在按照固定长度划分时,固定长度可以根据目标道路的最高限速确定,保证在单位时间内,确定最高限速与单位时间的乘积,将该乘积与目标常数的和值确定为固定长度,其中,目标常数为大于零的数,保证车辆在单位时间内的行驶距离小于固定长度。
另一方面,一些重点路段的元胞划分可以更细,比如路段较长、服务区较多或者桥梁、隧道、匝道口较多的复杂路段,这些路段比较难满足内部车流密度基本不变的条件,因此划分更细有助于更好的对未来交通变化进行推演。因此,可以采用非固定长度的方式进行道路划分。
在上述实施例中,对于目标道路,还可以采用固定长度划分和非固定长度划分两种方式进行划分,对于目标道路中包括的路段较长、服务区较多或者桥梁、隧道、匝道口较多的复杂路段,可以采用非固定长度划分的方式,对于其他路段,采用固定长度划分的方式。
在上述实施例中,在对目标道路进行划分后,可以确定每个元胞的交通参数,根据每个元胞的交通参数,以及该元胞的上游与其相邻的元胞的交通参数预测该元胞的交通参数。以目标元胞为例,可以确定目标元胞的第一交通参数以及相邻元胞的第二交通参数,并确定在预定时刻进入目标元胞中的车辆的目标数据。根据第一交通参数、第二交通参数以及目标数量预测预定时刻目标元胞的目标交通参数。其中,可以通过元胞自动机模型预测目标交通参数。在预定时刻进入目标元胞中的车辆可以是从目标元胞中包括的匝道口、岔路口、收费站等处进入到目标元胞中的车辆。
其中,上述步骤的执行主体可以为处理器等,但不限于此。
通过本发明,确定目标道路中包括的目标元胞的第一交通参数,以及确定目标道路中包括的相邻元胞的第二交通参数,目标元胞为对目标道路进行划分,所得到的多个子区间中包括的任意一个区间;确定在预定时刻进入目标元胞中的车辆的目标数量;基于第一交通参数、第二交通参数以及目标数量预测预定时刻目标元胞的目标交通参数。由于在预测目标交通参数时,可以对目标道路进行划分,得到目标元胞,根据目标元胞的第一交通参数、位于目标元胞上游的相邻元胞的第二交通参数以及在预定时刻进入目标元胞的车辆的目标数量预测预定时刻目标元胞的目标交通参数,因此,可以解决相关技术中存在的预测交通参数效率低的问题,达到提高预测交通参数的效率的效果。
在一个示例性实施例中,确定目标道路中包括的目标元胞的第一交通参数包括:确定所述目标元胞的第一车辆密度、第一车流平均速度;在当前时刻所述目标元胞中未发生第一事故的情况下,基于所述目标元胞的历史交通参数确定所述目标元胞的第一通行能力;在当前时刻所述目标元胞中发生第一事故的情况下,基于所述第一事故的事故数据确定所述目标元胞的第一通行能力;将所述第一车辆密度、所述第一车流平均速度以及所述第一通行能力确定为所述第一交通参数。在本实施例中,在确定第一交通参数时,可以根据目标元胞中设置的摄像设备、门架上设置的路侧单元等确定目标元胞当前的第一车辆密度以及第一车流平均速度。即,当目标道路为高速时,可以通过高速上设置的路侧单元确定进入目标元胞中的车辆的数量,根据数量确定第一车辆密度,根据车辆密度与车流平均速度的对应关系确定与第一车辆密度对应的第一车流平均速度。当目标道路为隧道、高架或者除高速之外的其他道路时,可以根据目标元胞中设备的摄像设备确定进入目标元胞中的车辆的数量,根据数量确定第一车辆密度,根据车辆密度与车流平均速度的对应关系确定与第一车辆密度对应的第一车流平均速度。在当前时刻未发生第一事故时,可以根据目标元胞的历史交通数据确定目标元胞的第一通行能力。当发生第一事故时,可以根据事故数据确定第一通行能力。
在一个示例性实施例中,确定目标道路中包括的相邻元胞的第二交通参数包括:确定所述相邻元胞的第二车辆密度、第二车流平均速度;在当前时刻所述目标元胞中未发生第二事故的情况下,基于所述相邻元胞的历史交通参数确定所述相邻元胞的第二通行能力;在当前时刻所述相邻元胞中发生第二事故的情况下,基于所述第二事故的事故数据确定所述相邻元胞的第二通行能力;将所述第二车辆密度、所述第二车流平均速度以及所述第二通行能力确定为所述第二交通参数。在本实施例中,在确定第二交通参数时,可以根据相邻元胞中设置的摄像设备、门架上设置的路侧单元等确定相邻元胞当前的第二车辆密度以及第二车流平均速度。即,当目标道路为高速时,可以通过高速上设置的路侧单元确定进入相邻元胞中的车辆的数量,根据数量确定第二车辆密度,根据车辆密度与车流平均速度的对应关系确定与第二车辆密度对应的第二车流平均速度。当目标道路为隧道、高架或者除高速之外的其他道路时,可以根据相邻元胞中设备的摄像设备确定进入相邻元胞中的车辆的数量,根据数量确定第二车辆密度,根据车辆密度与车流平均速度的对应关系确定与第二车辆密度对应的第二车流平均速度。在当前时刻未发生第二事故时,可以根据相邻元胞的历史交通数据确定相邻元胞的第二通行能力。当发生第二事故时,可以根据事故数据确定第二通行能力。
在一个示例性实施例中,基于所述第一事故的事故数据确定所述目标元胞的第一通行能力包括:将所述事故数据输入至目标网络模型中,得到所述目标网络模型中包括的每个决策树的通行能力预测结果,其中,所述事故数据包括发生所述第一事故之前预定时间内所述目标道路的第三车流密度、所述发生所述第一事故的第一车辆类型、第一车辆状态、影响的第一车道数量、所述第一事故的发生地的历史通行能力、所述第一事故的发生地与目标出口的第一距离,所述目标出口为所述目标道路中包括的与所述第一事故的发生地最近的出口;确定每个所述通行能力预测结果对应的第一权重;基于所述第一权重对所述通行能力预测结果进行加权平均,得到所述第一通行能力。在本实施例中,高速道路畅行的最大通行能力为120辆/分钟,在高峰时间段,当道路通行能力为40辆/分钟时就有可能出现拥堵,当有一半的车道无法通行或拥堵已经产生时,道路通行能力基本上会降为20辆/分钟。因此需要评估不同的拥堵或管制措施对道路通行能力和预计持续时长的影响,这两个指标是元胞模型中决定拥堵消散过程的重要参数,可以建立机器学习模型对这两个指标进行预测。
在上述实施例中,目标网络模型可以为随机森林模型。可以根据历史记录的事故信息,可以从大量事故中提取一些反应事故影响程度的重要指标,主要包括事故发生前道路上车流的密度、事故及事故车辆的类型、事故车辆的状态及影响的车道数、事故发生地平时的最大通行能力、事故点位离最近出口的距离等,将这些信息作为X;事故处理时长作为Y1,事故点位道路通行能力作为Y2。对(X,Y1)和(X,Y2)可以分别建立回归模型进行预测。由于X中既包含分类变量,又包含连续变量,对于此类数据,建立树类模型进行预测的效果比较好,随机森林是基于决策树构建的集成学习模型,它既可以用来做分类,也可以用来做回归。在构建每棵决策树时,可以随机选取X中的部分指标并随机抽取部分数据建立模型,未被抽取到的数据会作为验证集对该决策树的结果进行评估。这种随机性保证了各颗决策树的构建过程可以独立进行并降低了各颗决策树之间的相关性。最终各颗决策树会根据按照其预测效果进行加权平均,输出预测值Y1或Y2。 以10个决策树为例,误差分别是(1,2,3,4,5,6,7,8,9,10),求权重时,先把这10个误差值归一化,就是(0.018,0.036,0.055,0.073,0.091,0.109,0.127,0.145,0.164,0.182),基于误差越大,权重越小,权重和为1的原则,那这10个决策树的权重其实就是归一化误差的倒序,也就是(0.182,0.164……,0.018)。在随机森林模型建立后,可以在事故发生后,将事故相关信息,即第一事故的事故数据转化为预计处理时间和事故处通行能力的具体数值并输入元胞模型,用于确定目标交通数据。其中,目标网络模型的结构示意图可参见附图3。
在一个示例性实施例中,所述方法还包括:将所述事故数据输入至目标网络模型中,得到所述目标网络模型中包括的每个决策树的事故处理预测时长;确定每个所述事故处理预测时长对应的第二权重;基于所述第二权重对所述事故处理预测时长进行加权平均,得到事故处理目标时长;基于所述事故处理目标时长预测所述目标元胞的目标通行能力。在本实施例中,目标网络模型还可以用于确定事故处理预测时长,目标网络模型可以为随机森林模型,可以确定随机森林模型中包括的每个决策树预测的事故处理预测时长,确定每个事故处理预测时长对应的第二权重,根据第二权重进行加权平均,得到事故处理目标时长,根据事故处理目标时长确定目标通行能力。
在一个示例性实施例中,确定在预定时刻进入所述目标元胞中的车辆的目标数量包括:基于所述第二交通参数确定从所述相邻元胞中进入所述目标元胞中的车辆的第一数量;确定从目标入口进入到所述目标元胞中的车辆的第二数量,其中,所述目标入口包括允许车辆驶入所述目标元胞的入口;将所述第一数量和所述第二数量的和值确定为所述目标数量。在本实施例中,确定预定时刻进入目标元胞中的车辆的数量时,可以确定从目标入口进入到目标元胞中的车辆的第二数量和从相邻元胞中进入到目标元胞中的车辆的第一数量的和。其中,第一数量和第二数量均可以是根据历史数据拟合确定得到的。
在一个示例性实施例中,确定从目标入口进入到所述目标元胞中的车辆的第二数量包括:获取从所述目标入口进入所述目标元胞中的车辆的历史数量;基于所述历史数量确定所述第二数量。在本实施例中,道路外的车流,即从目标入口进入目标元胞中的车流,主要包括元胞起点输入的车流、收费站,枢纽等进入的车流,这部分车流可以根据历史数据建立时间序列模型进行预测,通常情况下,拥堵消散的仿真在一个小时左右,因此需要对未来一小时每分钟级别的起点、收费站、枢纽等输入车流进行预测。在进行预测时,可以建立比较复杂的ARMA、RNN、LSTM等时间序列模型,也可以直接用前一段时间内分钟级别的平均车流作为未来一小时内每分钟的平均车流,这个结果会作为元胞自动机模型的输入。
在上述实施例中,还可以采用基于时空数据的多维LSTM+Dense模型对未来车流进行预测,假设有44个收费站或枢纽点位每分钟的流量,采用三层LSTM层+两层全连接层的深度学习模型对该数据建模,模型的目的是根据近4小时每分钟各枢纽、收费站进出车流数据,对未来1小时内每分钟各枢纽、收费站的数据进行预测,三层LSTM用来提取数据中的时间信息,全连接层用来提取空间信息,即综合各路段枢纽车流之间的相互关联信息。模型输入维度为48*44,其中48是时间长度,也就是模型的记忆时长。44是空间维度,也就是枢纽个数。经过三层LSTM和双层全连接层训练后输出1*44的数据,代表44个枢纽某一时间段内的车流量。模型训练完成后,在实际应用中可以根据历史数据对未来一段时间内每分钟枢纽进出的车流量进行预测,预测结果可以作为元胞模型的输入,元胞模型会在每分钟更新道路上车流运动造成的车流变化后,根据各枢纽的进出车流对各元胞的车流密度进行修正。其中,确定第二数量的网络模型示意图可参见附图4。
在一个示例性实施例中,基于所述第一交通参数、所述第二交通参数以及所述目标数量预测所述预定时刻所述目标元胞的目标交通参数包括:基于所述第一交通参数中包括的所述第一车辆密度、所述第一车流平均速度以及第一通行能力确定在预定时刻驶出所述目标元胞的车辆的第三数量;基于所述第二交通参数中包括的所述第二车辆密度、所述第二车流平均速度以及第二通行能力确定在预定时刻驶入所述目标元胞的车辆的第四数量;基于所述第三数量、所述第四数量以及所述目标数量确定所述目标元胞在所述预定时刻的目标车辆密度;基于所述目标车辆密度确定所述目标元胞的目标车流速度;将所述目标车辆密度、所述目标车流速度确定为所述目标交通参数。在本实施例中,可以确定在预定时刻进入目标元胞的车辆的数量、在预定时刻驶出目标元胞的车辆的数量,根据上述数量确定目标元胞在预定时刻的目标车辆密度。根据车辆密度与车流速度的对应关系确定与目标车辆密度对应的目标车流速度。
在一个示例性实施例中,基于所述目标车辆密度确定所述目标元胞的目标车流速度包括:基于所述目标元胞的历史车辆密度与历史车流速度拟合所述目标元胞的车辆速度与车流速度的函数关系式,其中,所述函数关系式为高阶多项式;将所述目标车辆密度输入至所述函数关系式中,得到初始车流速度;将所述初始车流速度与目标常数的乘积确定为所述目标车流速度。在本实施例中,在交通流理论中,交通流主要参数包括流量q、密度k、速度v,这三个参数存在函数关系q= kv,并且密度k和速度v也存在着一定的关系,但在不同路段上这个关系却不相同。当样本量足够大时,可以直接采用高次多项式函数进行拟合。一般情况下用一个月分钟级别的速度和密度数据即可,在不同的路段(元胞)上,通常需要拟合不同的函数关系。其中,目标元胞的车辆速度与车流速度的函数关系拟合示意图可参见附图5。采用多项式函数对散点图进行函数拟合,可以选用五次多项式函数。即:y=w5x5+w4x4+w3x3+w2x2+w1x+w0,采用最小二乘法进行参数估计,求得速度-密度函数。为了更贴合实际情况,还可以对上述函数稍作修正,例如,当密度<25时,基础速度为81.4,上下波动5%,也就是乘以0.95~1.05的随机数。当密度>25时,两组路段分别按照不同的五次多项式函数计算速度,得到的结果同样乘以0.95~1.05的随机数,如果函数结果小于0,则按0计算。其中,w是多项式拟合模型的系数,有了数据以后,将X和Y调入模型,采用最小二乘法可以对w进行计算,使得最终的w满足(Y -wX) 2最小,也就是拟合的均方误差最小。
下面结合具体实施例对交通参数的预测方法进行说明:
图6是根据本发明具体实施例的交通参数的预测方法流程图,如图6所示,该流程包括离线训练和在线训练,离线训练用于确定不同事故或管制措施对道路通行能力的影响。在线训练用于根据输入的参数(如不同事故或管制措施对道路通行能力的影响、仿真起始时刻、管制类型或事故严重程度及所处元胞、管制/事故预计持续时长、仿真时长、仿真时刻前30分钟各门架/摄像头记录的原始数据)预测从仿真起始至结束,每分钟各元胞内的平均车速、车流密度等交通参数。模型的流程可以为根据历史数据确定初始状态各元胞的交通参数,接着每分钟根据各元胞车流到达的位置以及元胞外输入的车流更新各元胞的密度,如果某个元胞根据计算理论上通过的车流大于该元胞最大通行能力,那么超过最大通行能力的车流应该积压在该元胞内,据此更新每个元胞的车流密度,然后根据之前拟合的速度-密度函数更 新每个路段的车流速度。循环往复,当事故处理完毕或管制措施解除时,更新元胞的最大通行能力,即可模拟整个拥堵消散的过程。其中,预测交通参数流程示意图可参见附图7。
下面以某高速为例,建立元胞自动机模型对某次拥堵事件进行分析。
以11:00A地-B地路段发生的拥堵消散事件为例进行分析,A地-B地路段的平均速度变化示意图可参见附图8。
此次事件是交通事故引起的,从10:15开始事故处理耗时30分钟,10:45事故基本处理完毕,道路开始恢复。模型的输入除了历史数据外,还包括仿真起始时间10:15,仿真时长1个小时,事故前1小时各路段的车流数据,事故路段A地-B地,事故类型对应的预估通行能力(此次事故约为10辆/分钟),事故处理时长30分钟等。
1.元胞划分。
首先进行元胞划分,门架记录了车辆经过的数据,元胞的划分需满足每个元胞内车流的真实数据(速度、密度等)以及道路外其他因素进出的车流(收费站、枢纽等)是可测的,因此根据本例实际情况可以直接按照每个收费站及枢纽作为元胞划分的端点,共划分15个元胞,具体端点如下:
C地-D地-E地-F地-G地-H地-B地-I地-J地-K地-L地-M地-N地-O地-P地-Q地。依次记为路段1~路段15,这15个元胞对应的长度(单位:米)为:
[3573,7474,4247,2977,5300,3823,3533,2895,4139,6131,5694,2408,5200,4992,6551]
这个长度也确保了每分钟车流行驶的距离不会跨越一个完整的元胞。即每个元胞每分钟的车流变化只会受到相邻元胞的影响。
2. 速度-密度函数拟合。
大量研究及经验都表明,在高速道路上车流的密度与速度是强相关的,通常情况下,当车流的密度小于一定阈值时,车辆自由行驶不受具体密度的限制,一般在80~100波动;当超过该阈值后,车流的平均速度会随着密度具体数值的增大而减小;当密度增大到某个阈值之后,道路上车辆完全堵死,车流速度为0,密度无法再增加。基于此,可以构造函数拟合车流速度和密度的关系,这个模型作为元胞模型过程中的一部分,需要较好地拟合上述趋势。
通常情况下,速度-密度的函数关系与路况是强关联的,比如车道数、隧道/桥梁路段、天气等因素都会影响该函数关系,可以拟合不同条件下不同路段的速度-密度函数,根据高速各路段历史上一个月内统计的每分钟级别车流的平均速度和密度,绘制散点图,其中,速度-密度散点图可参见附图9。
基本满足上述规律。采用多项式函数对以上散点图进行函数拟合,这里选用五次多项式函数。即:y=w5x5+w4x4+w3x3+w2x2+w1x+w0,采用最小二乘法进行参数估计,求得上述两段路上的速度-密度函数,拟合结果示意图可参见附图10。为了更贴合实际情况,还可以对上述函数稍作修正,例如,当密度<25时,基础速度为81.4,上下波动5%,也就是乘以0.95~1.05的随机数。当密度>25时,两组路段分别按照不同的五次多项式函数计算速度,得到的结果同样乘以0.95~1.05的随机数,如果函数结果小于0,则按0计算。
3.道路外进出车流分析
在高速道路车流每分钟更新过程中,道路上原本的车流占了较大的比例,但是还有一部分车流是从收费站或其他道路枢纽进入的,元胞自动机模型主要用来推测道路上原本的车流变化,至于从其他收费站或枢纽进入的车流,则需要建立时间序列模型进行预测。
在仿真模型中,会输入仿真起始时前1小时的门架或视频记录的原始车流途径的数据,针对主要枢纽、收费站等,按分钟级别统计车流后即可分别建立一维的时间序列模型,预测从仿真起始时间起1小时内每分钟净流入道路的车流,这个结果会作为元胞模型的输入。
4.元胞初始状态
根据事故前一小时记录的原始车流数据,可以获得事故初始时刻,道路上各元胞的车流密度,分别为K =[6.4, 10.4, 10.9, 3.6, 5.7, 7.7, 8.1, 7.5, 2.4, 3.4, 2.7,1.4, 1.7, 2.2, 0.8](单位:辆/km),根据历史数据各元胞的最大通行能力定为120辆/分钟,按照速度-密度函数可以推得各元胞的速度均为82km/h左右。
5.元胞状态更新规则
每分钟每个元胞车流的变化会受到本元胞的最大通行能力,相邻元胞的车流速度、车流密度以及本元胞道路外(收费站、枢纽等)净流入车流的影响。以B地-I地路段及其上游A地-B地,下游I地-J地三个路段为例,这三个路段的长度为[3823,3533,2895](单位:米)假设某时刻这三个路段的车流密度为[20,30,25](单位:辆/km),相应的速度为[80.4,81.9,82.2](单位:km/h)。
以B地-I地路段为主要研究对象,假设根据时间序列模型预测之后一分钟B地枢纽净流入5辆车,求1分钟后该路段的车流密度。
A地-B地路段的车流1分钟后行进的距离为:81.9km/h*1min = 1365m,对应进入B地-I地路段的车辆数为:1365m*20辆/km = 27.3辆,再加上从B地枢纽净流入的5辆车,1分钟后共流入B地-I地路段32.3辆车;另一方面,B地-I地路段的车流会流出并进入I地-J地,对应的行进距离为82.2km/h*1min = 1370m,共流出车辆1370m*30辆/km = 41.1辆。综上所述,理论上一分钟后会有32.3辆车流入该元胞,41.1辆车流出该元胞,对应该元胞的流量为41.1辆/分钟。
如果在正常情况下,即该元胞道路通畅时,最大通行能力约为120辆/分钟,那么41.1辆车可以完全流出该元胞,1分钟后该元胞的车辆共净流出41.1-32.3=8.8辆,相应的密度就会减少8.8辆/3.533km = 2.49辆/km,该元胞1分钟后密度即为30-2.49=27.51辆/km。
如果在事故情况下,封闭一半道路后元胞的通行能力大约会降至20辆/分钟,此时理论上应流出的41.1辆车就只能流出20辆,那么1分钟后该元胞会净流入32.3-20=12.3辆,相应密度增加12.3辆/3.533km = 3.48辆/km,该元胞1分钟后密度为32.3+3.48=35.78辆/km。
每个元胞都按照此方法进行分析,即可得出1分钟后各元胞的车流密度,根据速度-密度函数即可更新1分钟后各元胞的平均速度,同时需要根据事故预估处理进度更新每分钟各路段的最大通行能力,循环往复即可得到之后一段时间内每分钟各元胞的交通参数。
6.仿真结果
按照上述规则对A地-B地的拥堵消散过程进行仿真预测。在模型中初始时刻为10:15,在此之前各路段最大通行能力均为120辆/分钟,此后该元胞发生事故,最大通行能力降至10辆/分钟,事故对道路的影响持续了半小时,10:45事故处理完毕,此处道路通行能力恢复至120辆/分钟。
在模型中输入起始时刻各元胞的密度以及道路外每分钟净流入的车流量,A地-B地最大通行能力按照上述过程进行变化,其他元胞的通行能力保持不变,可以模拟事故后1各小时各元胞的交通参数变化情况。A地-B地路段平均车速的仿真结果示意图可参见附图11,上游G地-A地路段平均车速的仿真结果示意图可参见附图12,再上游F地-G地平均车速的仿真结果示意图可参见附图13。
通过上述步骤,模型能够较好地拟合整个拥堵消散过程。模型的输出结果是起始时刻一小时后每分钟各元胞的平均速度、平均密度,据此可以进一步得出各元胞的拥堵时间,拥堵长度等信息,也可以通过修改通行能力这个参数,模拟采取一些疏通措施或加快事故处理进度等方法对道路交通影响的过程。与传统的城市内道路交通元胞自动机模型相比,本方法提出的宏观交通流模型能够更好的应用于高速道路,运行效率更高。与传统的LSTM等时间序列模型相比,本方法对车流的预测有可解释性更强、灵活性更强的特点。特别是在突发事故后,在实际中会有较多的人工干预,因此道路上的路况每时每刻都在改变,在本方法中可以通过改变每分钟道路通行能力这个参数来模拟一些人为管控、事故处理这些过程,能够较好的拟合事故发生后各路段车流的变化过程。
在前述实施例中,只需要高速公路上比较普遍的门架或视频交参数据,即可预测事故发生后人工采取不同的措施会对道路上的交通产生的影响。可解释性更高,适用性、灵活性更强,可以专门针对事故等突发事件导致的拥堵消散过程。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种交通参数的预测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图14是根据本发明实施例的交通参数的预测装置的结构框图,如图14所示,该装置包括:
第一确定模块1402,用于确定目标道路中包括的目标元胞的第一交通参数,以及确定所述目标道路中包括的相邻元胞的第二交通参数,其中,所述相邻元胞为与所述目标元胞相邻,且位于所述目标元胞上游的元胞,所述目标元胞为对所述目标道路进行划分,所得到的多个子区间中包括的任意一个区间;
第二确定模块1404,用于确定在预定时刻进入所述目标元胞中的车辆的目标数量;
预测模块1406,用于基于所述第一交通参数、所述第二交通参数以及所述目标数量预测所述预定时刻所述目标元胞的目标交通参数。
在一个示例性实施例中,第一确定模块1402可以通过如下方式实现确定目标道路中包括的目标元胞的第一交通参数:确定所述目标元胞的第一车辆密度、第一车流平均速度;在当前时刻所述目标元胞中未发生第一事故的情况下,基于所述目标元胞的历史交通参数确定所述目标元胞的第一通行能力;在当前时刻所述目标元胞中发生第一事故的情况下,基于所述第一事故的事故数据确定所述目标元胞的第一通行能力;将所述第一车辆密度、所述第一车流平均速度以及所述第一通行能力确定为所述第一交通参数;第一确定模块1402可以通过如下方式实现确定目标道路中包括的相邻元胞的第二交通参数:确定所述相邻元胞的第二车辆密度、第二车流平均速度;在当前时刻所述目标元胞中未发生第二事故的情况下,基于所述相邻元胞的历史交通参数确定所述相邻元胞的第二通行能力;在当前时刻所述相邻元胞中发生第二事故的情况下,基于所述第二事故的事故数据确定所述相邻元胞的第二通行能力;将所述第二车辆密度、所述第二车流平均速度以及所述第二通行能力确定为所述第二交通参数。
在一个示例性实施例中,第一确定模块1402可以通过如下方式实现基于所述第一事故的事故数据确定所述目标元胞的第一通行能力:将所述事故数据输入至目标网络模型中,得到所述目标网络模型中包括的每个决策树的通行能力预测结果,其中,所述事故数据包括发生所述第一事故之前预定时间内所述目标道路的第三车流密度、所述发生所述第一事故的第一车辆类型、第一车辆状态、影响的第一车道数量、所述第一事故的发生地的历史通行能力、所述第一事故的发生地与目标出口的第一距离,所述目标出口为所述目标道路中包括的与所述第一事故的发生地最近的出口;确定每个所述通行能力预测结果对应的第一权重;基于所述第一权重对所述通行能力预测结果进行加权平均,得到所述第一通行能力。
在一个示例性实施例中,所述装置还用于将所述事故数据输入至目标网络模型中,得到所述目标网络模型中包括的每个决策树的事故处理预测时长;确定每个所述事故处理预测时长对应的第二权重;基于所述第二权重对所述事故处理预测时长进行加权平均,得到事故处理目标时长;基于所述事故处理目标时长预测所述目标元胞的目标通行能力。
在一个示例性实施例中,第二确定模块1404可以通过如下方式实现确定在预定时刻进入所述目标元胞中的车辆的目标数量:基于所述第二交通参数确定从所述相邻元胞中进入所述目标元胞中的车辆的第一数量;确定从目标入口进入到所述目标元胞中的车辆的第二数量,其中,所述目标入口包括允许车辆驶入所述目标元胞的入口;将所述第一数量和所述第二数量的和值确定为所述目标数量。
在一个示例性实施例中,第二确定模块1404可以通过如下方式实现确定从目标入口进入到所述目标元胞中的车辆的第二数量:获取从所述目标入口进入所述目标元胞中的车辆的历史数量;基于所述历史数量确定所述第二数量。
在一个示例性实施例中,预测模块1406可以通过如下方式实现基于所述第一交通参数、所述第二交通参数以及所述目标数量预测所述预定时刻所述目标元胞的目标交通参数:基于所述第一交通参数中包括的所述第一车辆密度、所述第一车流平均速度以及第一通行能力确定在预定时刻驶出所述目标元胞的车辆的第三数量;基于所述第二交通参数中包括的所述第二车辆密度、所述第二车流平均速度以及第二通行能力确定在预定时刻驶入所述目标元胞的车辆的第四数量;基于所述第三数量、所述第四数量以及所述目标数量确定所述目标元胞在所述预定时刻的目标车辆密度;基于所述目标车辆密度确定所述目标元胞的目标车流速度;将所述目标车辆密度、所述目标车流速度确定为所述目标交通参数。
在一个示例性实施例中,预测模块1406可以通过如下方式实现基于所述目标车辆密度确定所述目标元胞的目标车流速度:基于所述目标元胞的历史车辆密度与历史车流速度拟合所述目标元胞的车辆速度与车流速度的函数关系式,其中,所述函数关系式为高阶多项式;将所述目标车辆密度输入至所述函数关系式中,得到初始车流速度;将所述初始车流速度与目标常数的乘积确定为所述目标车流速度。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
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)
1.一种交通参数的预测方法,其特征在于,包括:
确定目标道路中包括的目标元胞的第一交通参数,以及确定所述目标道路中包括的相邻元胞的第二交通参数,其中,所述相邻元胞为与所述目标元胞相邻,且位于所述目标元胞上游的元胞,所述目标元胞为对所述目标道路进行划分,所得到的多个子区间中包括的任意一个区间;
确定在预定时刻进入所述目标元胞中的车辆的目标数量;
基于所述第一交通参数、所述第二交通参数以及所述目标数量预测所述预定时刻所述目标元胞的目标交通参数;
确定目标道路中包括的目标元胞的第一交通参数包括:确定所述目标元胞的第一车辆密度、第一车流平均速度;在当前时刻所述目标元胞中未发生第一事故的情况下,基于所述目标元胞的历史交通参数确定所述目标元胞的第一通行能力;在当前时刻所述目标元胞中发生第一事故的情况下,基于所述第一事故的事故数据确定所述目标元胞的第一通行能力;将所述第一车辆密度、所述第一车流平均速度以及所述第一通行能力确定为所述第一交通参数;
确定目标道路中包括的相邻元胞的第二交通参数包括:确定所述相邻元胞的第二车辆密度、第二车流平均速度;在当前时刻所述目标元胞中未发生第二事故的情况下,基于所述相邻元胞的历史交通参数确定所述相邻元胞的第二通行能力;在当前时刻所述相邻元胞中发生第二事故的情况下,基于所述第二事故的事故数据确定所述相邻元胞的第二通行能力;将所述第二车辆密度、所述第二车流平均速度以及所述第二通行能力确定为所述第二交通参数。
2.根据权利要求1所述的方法,其特征在于,基于所述第一事故的事故数据确定所述目标元胞的第一通行能力包括:
将所述事故数据输入至目标网络模型中,得到所述目标网络模型中包括的每个决策树的通行能力预测结果,其中,所述事故数据包括发生所述第一事故之前预定时间内所述目标道路的第三车流密度、所述发生所述第一事故的第一车辆类型、第一车辆状态、影响的第一车道数量、所述第一事故的发生地的历史通行能力、所述第一事故的发生地与目标出口的第一距离,所述目标出口为所述目标道路中包括的与所述第一事故的发生地最近的出口;
确定每个所述通行能力预测结果对应的第一权重;
基于所述第一权重对所述通行能力预测结果进行加权平均,得到所述第一通行能力。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
将所述事故数据输入至目标网络模型中,得到所述目标网络模型中包括的每个决策树的事故处理预测时长;
确定每个所述事故处理预测时长对应的第二权重;
基于所述第二权重对所述事故处理预测时长进行加权平均,得到事故处理目标时长;
基于所述事故处理目标时长预测所述目标元胞的目标通行能力。
4.根据权利要求1所述的方法,其特征在于,确定在预定时刻进入所述目标元胞中的车辆的目标数量包括:
基于所述第二交通参数确定从所述相邻元胞中进入所述目标元胞中的车辆的第一数量;
确定从目标入口进入到所述目标元胞中的车辆的第二数量,其中,所述目标入口包括允许车辆驶入所述目标元胞的入口;
将所述第一数量和所述第二数量的和值确定为所述目标数量。
5.根据权利要求4所述的方法,其特征在于,确定从目标入口进入到所述目标元胞中的车辆的第二数量包括:
获取从所述目标入口进入所述目标元胞中的车辆的历史数量;
基于所述历史数量确定所述第二数量。
6.根据权利要求1所述的方法,其特征在于,基于所述第一交通参数、所述第二交通参数以及所述目标数量预测所述预定时刻所述目标元胞的目标交通参数包括:
基于所述第一交通参数中包括的第一车辆密度、第一车流平均速度以及第一通行能力确定在预定时刻驶出所述目标元胞的车辆的第三数量;
基于所述第二交通参数中包括的第二车辆密度、第二车流平均速度以及第二通行能力确定在预定时刻驶入所述目标元胞的车辆的第四数量;
基于所述第三数量、所述第四数量以及所述目标数量确定所述目标元胞在所述预定时刻的目标车辆密度;
基于所述目标车辆密度确定所述目标元胞的目标车流速度;
将所述目标车辆密度、所述目标车流速度确定为所述目标交通参数。
7.根据权利要求6所述的方法,其特征在于,基于所述目标车辆密度确定所述目标元胞的目标车流速度包括:
基于所述目标元胞的历史车辆密度与历史车流速度拟合所述目标元胞的车辆速度与车流速度的函数关系式,其中,所述函数关系式为高阶多项式;
将所述目标车辆密度输入至所述函数关系式中,得到初始车流速度;
将所述初始车流速度与目标常数的乘积确定为所述目标车流速度。
8.一种交通参数的预测装置,其特征在于,包括:
第一确定模块,用于确定目标道路中包括的目标元胞的第一交通参数,以及确定所述目标道路中包括的相邻元胞的第二交通参数,其中,所述相邻元胞为与所述目标元胞相邻,且位于所述目标元胞上游的元胞,所述目标元胞为对所述目标道路进行划分,所得到的多个子区间中包括的任意一个区间;
第二确定模块,用于确定在预定时刻进入所述目标元胞中的车辆的目标数量;
预测模块,用于基于所述第一交通参数、所述第二交通参数以及所述目标数量预测所述预定时刻所述目标元胞的目标交通参数;
所述第一确定模块通过如下方式实现确定目标道路中包括的目标元胞的第一交通参数:确定所述目标元胞的第一车辆密度、第一车流平均速度;在当前时刻所述目标元胞中未发生第一事故的情况下,基于所述目标元胞的历史交通参数确定所述目标元胞的第一通行能力;在当前时刻所述目标元胞中发生第一事故的情况下,基于所述第一事故的事故数据确定所述目标元胞的第一通行能力;将所述第一车辆密度、所述第一车流平均速度以及所述第一通行能力确定为所述第一交通参数;
所述第一确定模块通过如下方式实现确定目标道路中包括的相邻元胞的第二交通参数:确定所述相邻元胞的第二车辆密度、第二车流平均速度;在当前时刻所述目标元胞中未发生第二事故的情况下,基于所述相邻元胞的历史交通参数确定所述相邻元胞的第二通行能力;在当前时刻所述相邻元胞中发生第二事故的情况下,基于所述第二事故的事故数据确定所述相邻元胞的第二通行能力;将所述第二车辆密度、所述第二车流平均速度以及所述第二通行能力确定为所述第二交通参数。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211319940.8A CN115394086B (zh) | 2022-10-26 | 2022-10-26 | 交通参数的预测方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211319940.8A CN115394086B (zh) | 2022-10-26 | 2022-10-26 | 交通参数的预测方法、装置、存储介质及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115394086A CN115394086A (zh) | 2022-11-25 |
CN115394086B true CN115394086B (zh) | 2023-01-20 |
Family
ID=84128759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211319940.8A Active CN115394086B (zh) | 2022-10-26 | 2022-10-26 | 交通参数的预测方法、装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115394086B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116543562B (zh) * | 2023-07-06 | 2023-11-14 | 银江技术股份有限公司 | 干线协调优化模型的构建方法和装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008022349A1 (de) * | 2008-05-02 | 2009-11-12 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zur Ermittlung von Rückstaulängen an Lichtsignalanlagen |
WO2015170289A1 (en) * | 2014-05-09 | 2015-11-12 | Vodafone Omnitel B.V. | Method and system for vehicular traffic prediction |
CN105975705A (zh) * | 2016-05-13 | 2016-09-28 | 东南大学 | 一种针对可变限速控制的元胞传输仿真模型改进方法 |
CN111311913B (zh) * | 2020-02-26 | 2021-09-03 | 清华大学 | 一种提高公路变窄路段通行效率的控制方法和系统 |
CN112800550B (zh) * | 2021-03-30 | 2021-10-15 | 浙江高速信息工程技术有限公司 | 一种基于元胞传输模型的匝道流量管控效果仿真预测方法 |
CN114021254A (zh) * | 2021-11-04 | 2022-02-08 | 东南大学 | 一种基于多车道元胞传输模型的基本路段交通仿真方法 |
CN114627658B (zh) * | 2022-04-22 | 2023-10-27 | 河北上元智能科技股份有限公司 | 一种重大特殊车队通行高速公路的交通控制方法 |
-
2022
- 2022-10-26 CN CN202211319940.8A patent/CN115394086B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115394086A (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108335485B (zh) | 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
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 | |
CN112466117A (zh) | 基于深度时空残差网络的路网短时交通流预测方法 | |
CN103593535A (zh) | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 | |
CN111402587B (zh) | 一种智能驾驶的测试方法及测试系统 | |
CN115394086B (zh) | 交通参数的预测方法、装置、存储介质及电子装置 | |
CN111797768A (zh) | 一种城市道路交通拥堵多原因自动实时识别方法及系统 | |
CN116168539A (zh) | 一种公路通行能力参数的预测方法及预测装置 | |
CN114333361A (zh) | 一种信号灯配时方法及装置 | |
CN115862322A (zh) | 一种车辆可变限速控制优化方法、系统、介质及设备 | |
EP4252217A1 (en) | Distributed multi-task machine learning for traffic prediction | |
CN115731693A (zh) | 一种车道划分方法以及相关装置 | |
CN112446538A (zh) | 一种基于个性化避险的最优路径获取方法 | |
CN115273468B (zh) | 一种交通拥堵控制策略生成方法及装置 | |
CN114627643B (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
Festa et al. | Experimental analysis of different simulation models for motorway traffic flow | |
Casas et al. | Decision Support Systems (DSS) for traffic management assessment: Notes on current methodology and future requirements for the implementation of a DSS | |
Li et al. | Variable speed limit strategies analysis with link transmission model on urban expressway | |
CN115759329A (zh) | 基于卷积神经网络的景区游客人数预测方法 | |
CN113902209A (zh) | 出行路线推荐方法、边缘服务器、云服务器、设备及介质 | |
CN110428612A (zh) | 车辆管控方法、装置、计算机设备和存储介质 | |
CN115578854B (zh) | 收费站车辆排队长度预测方法、装置、设备及存储介质 | |
CN117037501B (zh) | 基于人工智能的城市停车管理方法和管理系统 | |
Yu et al. | Impacts of Bus Stops on Adjacent Non-Motorized Lanes Capacity |
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 |