CN115578854B - 收费站车辆排队长度预测方法、装置、设备及存储介质 - Google Patents
收费站车辆排队长度预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115578854B CN115578854B CN202211079179.5A CN202211079179A CN115578854B CN 115578854 B CN115578854 B CN 115578854B CN 202211079179 A CN202211079179 A CN 202211079179A CN 115578854 B CN115578854 B CN 115578854B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- term
- toll station
- traffic
- 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 52
- 238000003860 storage Methods 0.000 title abstract description 12
- 230000007774 longterm Effects 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 239000002245 particle Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
- 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"
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种收费站车辆排队长度预测方法、装置、设备及存储介质,所述方法包括:获取预设时间段内的收费站基础数据、车辆通行数据以及通行影响因素数据;将所述收费站基础数据、车辆通行数据以及通行影响因素数据输入预训练的交通状况预测模型,得到预测的短期车辆通行数据和长期车辆通行数据;根据所述短期车辆通行数据、长期车辆通行数据、收费站基础数据以及预设的排队长度模型,得到预测的收费站各个车道短期排队长度和长期排队长度。根据本申请提供的收费站车辆排队长度预测方法,不仅可以同时对多个收费站进行预测,而且可以预测未来较长一段时间内的收费站交通状况,且预测精度高,可协助管理人员对未来收费站车道配置方案进行提前优化。
Description
技术领域
本发明涉及智能交通技术领域,特别涉及一种收费站车辆排队长度预测方法、装置、设备及存储介质。
背景技术
高速公路自20世纪90年代起在我国得到了突飞猛进的发展,以其本身固有的特点和优势,在现代交通运输中占有极为重要的地位和作用。然而与之相应的,随着我国各地经济互动越来越频繁,行驶在城际高速公路和环城高速公路上的车辆也越来越多,导致高速公路上的道路拥堵情况愈加严重。准确地预测高速公路收费站车道排队情况,掌握高速公路收费站间流量关系,有利于交管部门和营运部门合力管控,交管部门可以进行限流、交通管制,保证主线上车辆数低于饱和,有效避免拥堵;营运部门可以通过预测结果进行收费站车道及收费员资源合理配置,低峰期避免资源浪费,高峰期可提前做好应对措施,启动应急预案。同时,也能够为出行者提供有效的路径诱导服务。
因此,如何准确地预测收费站未来一段时间内的排队长度,是本领域技术人员亟待解决的技术问题。
发明内容
本申请实施例提供了一种收费站车辆排队长度预测方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种收费站车辆排队长度预测方法,包括:
获取预设时间段内的收费站基础数据、车辆通行数据以及通行影响因素数据;
将收费站基础数据、车辆通行数据以及通行影响因素数据输入预训练的交通状况预测模型,得到预测的短期车辆通行数据和长期车辆通行数据;
根据短期车辆通行数据、长期车辆通行数据、收费站基础数据以及预设的排队长度模型,得到预测的收费站各个车道短期排队长度和长期排队长度。
在一个实施例中,收费站基础数据包括车道编号、车道类型、各类型车道数量、各类型车道服务时间;
车辆通行数据包括车辆离去率、过车类型占比以及收费类型占比;
通行影响因素数据包括日期、周变系数、时变系数、节假日系数、天气系数以及重大事件系数。
在一个实施例中,将收费站基础数据、车辆通行数据以及通行影响因素数据输入预训练的交通状况预测模型之前,还包括:
对收费站基础数据、车辆通行数据以及通行影响因素数据进行预处理;
根据预处理后的收费站基础数据、车辆通行数据以及通行影响因素数据构建训练集、测试集以及验证集;
根据训练集、测试集以及验证集训练交通状况预测模型。
在一个实施例中,根据训练集、测试集以及验证集训练交通状况预测模型,包括:
根据训练集、测试集以及验证集训练交通状况预测模型的短期交通状况预测模块,短期交通状况预测模块为Temporal Fusion Transformer神经网络结构;
根据训练集、测试集以及验证集训练交通状况预测模型的长期交通状况预测模块,长期交通状况预测模块为DeepAR神经网络结构;
根据PSO算法寻找模型的最佳超参数,得到训练好的交通状况预测模型。
在一个实施例中,根据短期车辆通行数据、长期车辆通行数据、收费站基础数据以及预设的排队长度模型,得到预测的收费站各个车道短期排队长度和长期排队长度,包括:
根据收费站基础数据以及预测的车辆通行数据对各个车道的服务时间的期望和方差进行修正,得到修正后的各个车道的服务时间期望和方差;
根据修正后的各个车道的服务时间期望和方差、预测的短期车辆通行数据以及预设的排队长度模型,得到预测的各个车道短期排队长度;
根据修正后的各个车道的服务时间期望和方差、预测的长期车辆通行数据以及预设的排队长度模型,得到预测的各个车道长期排队长度。
在一个实施例中,根据收费站基础数据以及预测的车辆通行数据对各个车道的服务时间的期望和方差进行修正,得到修正后的各个车道的服务时间期望和方差,包括:
根据收费站基础数据以及预测的车辆通行数据得到各个车道的车道类型、各类型车道服务时间、过车类型占比以及收费类型占比;
根据过车类型占比修正各个车道的服务时间期望和方差;
根据收费类型占比再次修正混合类型车道的服务时间期望和方差。
在一个实施例中,排队长度模型如下所示:
其中,λ为车辆到达率,v为车道服务时间分布,σ2(v)为服务时间方差,E(v)为服务时间期望,Lq(x)表示排队长度,K表示车道数。
第二方面,本申请实施例提供了一种收费站车辆排队长度预测装置,包括:
获取模块,用于获取预设时间段内的收费站基础数据、车辆通行数据以及通行影响因素数据;
通行数据预测模块,用于将收费站基础数据、车辆通行数据以及通行影响因素数据输入预训练的交通状况预测模型,得到预测的短期车辆通行数据和长期车辆通行数据;
排队长度预测模块,用于根据短期车辆通行数据、长期车辆通行数据、收费站基础数据以及预设的排队长度模型,得到预测的收费站各个车道短期排队长度和长期排队长度。
第三方面,本申请实施例提供了一种电子设备,包括处理器和存储有程序指令的存储器,处理器被配置为在执行程序指令时,执行上述实施例提供的收费站车辆排队长度预测方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机可读指令,计算机可读指令被处理器执行以实现上述实施例提供的一种收费站车辆排队长度预测方法。
本申请实施例提供的技术方案可以包括以下有益效果:
本申请实施例提供的收费站车辆排队长度预测方法,可以首先根据收费站基础数据、历史车辆通行数据、通行影响因素数据以及预设的神经网络模型,预测出未来较短时间内的车辆通行数据以及较长时间内的车辆通行数据,然后基于预测出来的短期通行数据和长期通行数据,在精确计算出收费站各个车道的短期排队长度和长期排队长度。该方法不仅可以对多个收费站的多个车道进行大规模预测,还可以预测未来较长时间段内的排队长度,可协助管理人员对未来收费站车道配置方案进行提前优化。且方案考虑了多个通行影响因素,预测准确率较高。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种收费站车辆排队长度预测方法的流程示意图;
图2是根据一示例性实施例示出的一种交通状况预测模型的训练方法示意图;
图3是根据一示例性实施例示出的一种模型参数优化方法示意图;
图4是根据一示例性实施例示出的一种短期车辆通行数据预测模块的神经网络;
图5是根据一示例性实施例示出的一种长期车辆通行数据预测模块的神经网络;
图6是根据一示例性实施例示出的一种收费站车辆排队长度预测装置的结构示意图;
图7是根据一示例性实施例示出的一种电子设备的结构示意图;
图8是根据一示例性实施例示出的一种计算机存储介质的示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。
目前,对收费站交通状况预测的方式中,未对中长期收费站交通状况进行预测,无法对多个收费站同时建模,即需要针对不同收费站单独建立模型;收费站排队长度在实际工程中难以直接获取,数据获取成本高,且未考虑非线性因素如节假日影响、重大事件影响、天气影响等协变量的影响。
基于此,本申请实施例提供的收费站车辆排队长度预测方法,将预测对象排队长度转换为其他易于收集的收费站多元数据,再通过排队论计算出未来的排队长度,进而实现对收费站交通状况的预测,以降低成本,提高预测数据的可解释性;本方案支持多重预测,即可以同时对多个收费站进行预测,极大降低建模成本;本方案支持加入多种可解释特征协变量;本方案极大增加预测长度,可对未来较长时间的车辆通行状况进行预测,使收费站车道管理可以提前较长时间进行配置。
下面将结合附图对本申请实施例提供的收费站车辆排队长度预测方法进行详细介绍。参见图1,该方法具体包括以下步骤。
S101获取预设时间段内的收费站基础数据、车辆通行数据以及通行影响因素数据。
在一个实施例中,获取预设时间段内的收费站基础数据,包括获取收费站的车道编号、车道类型、各类型车道数量、各类型车道服务时间。并确定服务时间分布,服务时间分布指车道不同类型车辆的服务时间期望和方差,或车道不同类型车辆以及不同收费方式的服务时间期望和方差。
获取历史车辆通行数据,例如,通过检测设备可以实时地获得各车道车辆的通行参数,包括计算车辆离去率,标记过车类型(私家车、货车、出租车等),并计算过车类型占比。标记车辆的收费类型(现金、刷卡、二维码等),计算收费类型占比。并将实时数据进行存储,形成历史数据。
进一步地,本申请还包括获取通行影响因素数据,例如,获取未来一段时间内的日期数据和天气数据,并形成周变系数、时变系数、节假日系数、天气系数以及重大事件系数。例如,将周日至周六标记为数字0-6,将0-23小时标记为数字0-23,将节假日也分别进行具体的数字表示,将异常天气也进行数字表示,将重大事件也进行数字表示,本申请实施例对具体的量化方法不做具体限定。
本申请实施例的方案,基于多源数据进行预测,能够考虑非线性因素,如节假日影响、重大事件影响、天气影响等协变量的影响。提高模型预测的准确率。
S102将收费站基础数据、车辆通行数据以及通行影响因素数据输入预训练的交通状况预测模型,得到预测的短期车辆通行数据和长期车辆通行数据。
在一种可能的实现方式中,在利用交通状况预测模型进行车辆通行数据预测之前,还包括训练交通状况预测模型。
具体地,首先对收费站基础数据、车辆通行数据以及通行影响因素数据进行预处理。获取收费站各类型每条车道交通状况预测所需的样本数据,包括收费站基础数据,也就是静态变量(车道编号、车道类型、服务时间等),车辆通行数据,也就是动态时变变量(车辆离去率、过车类型占比、收费类型占比),通行影响因素数据,也就是动态时不变变量(日期、周变系数、时变系数、节假日系数、预测的天气、重大事件系数)。
对原始样本数据进行缺失值修复处理。对于静态变量修复:使用同一车道静态变量数据填充;动态时变变量修复:使用偏离均值三倍标准差替换异常值;动态时不变变量修复:先修复日期,再根据修复后的日期生成其他变量。得到预处理后的收费站基础数据、车辆通行数据以及通行影响因素数据。
进一步地,根据预处理后的收费站基础数据、车辆通行数据以及通行影响因素数据构建训练集、测试集以及验证集。根据训练集、测试集以及验证集训练交通状况预测模型。
在一个实施方式中,交通状况预测模型包括短期交通状况预测模块和长期交通状况预测模块。可以根据训练集、测试集以及验证集训练交通状况预测模型的短期交通状况预测模块,短期交通状况预测模块为Temporal Fusion Transformer神经网络结构。如图4所示,TFT神经网络结构包括顺序连接的输入层,可以输入静态信息、历史信息(待预测变量)、未来信息(其他变量,例如节假日、天气影响)。还包括变量选择层,进行特征筛选。还包括LSTM编码层,通过LSTM来捕捉点长短期信息。还包括Gate+Add&Norm层,还包括GRN层,用来加深网络,还包括注意力机制Attention层,对不同时刻的信息进行加权,最后为输出层。
本申请实施例的短期交通状况预测模块,可以输出较短时间内的预测的车辆通行数据,例如输出48小时之内的车辆离去率、过车类型占比以及收费类型占比。
进一步地,根据训练集、测试集以及验证集训练交通状况预测模型的长期交通状况预测模块,长期交通状况预测模块为DeepAR神经网络模型,如图5所示,DeepAR是一种针对大量相关时间序列统一建模的预测算法,该算法采用了深度学习的技术,通过在大量时间序列上训练自回归递归网络模型,可以从相关的时间序列中有效地学习全局模型,并且能够学习复杂的模式,例如季节性、数据随时间的不确定性增长,从而对各条时间序列进行预测。
本申请实施例的长期交通状况预测模块,可以输出较长时间内的预测的车辆通行数据,例如输出48-336小时之内的车辆离去率、过车类型占比以及收费类型占比。
进一步地,根据PSO算法寻找模型的最佳超参数,得到训练好的交通状况预测模型。如图3所示,通过PSO算法寻找模型最佳超参数的步骤包括:
S301生成不同超参数组合的粒子群;
S302根据当前各粒子超参数值训练计算出适应值;
S303找出个体和群体最优值;
S304更新各个粒子的速度和位置;
S305判断是否达到最大迭代次数或达到最大阈值,若是,则结束流程,若否,则执行步骤S302。
其中,PSO算法的速度和位置更新公式分别如下:
Vi=w×Vi+c1×rand(0,1)×(pbesti-Xi)+c2×rand(0,1)×(gbesti-Xi)
Xi=Xi+Vi
其中,i代表不同超参数组合共同组成的粒子群体中第i个粒子,Vi和Xi分别代表其速度和位置,w代表惯性因子,c1和c2代表学习因子,rand(0,1)代表介于(0,1)的随机数,pbesti是单个粒子目前已知的最好位置,gbesti则为整个粒子群中所有粒子发现的最好位置。
在一种可能的实现方式中,交通状况预测模型的训练方法如图2所示,包括如下步骤:
S201获取收费站历史数据,包括获取包括收费站基础数据(车道编号、车道类型、服务时间等),车辆通行数据(车辆离去率、过车类型占比、收费类型占比),通行影响因素数据(日期、周变系数、时变系数、节假日系数、预测的天气、重大事件系数)。
S202对历史数据进行清洗、修复。
S203根据清洗修复后的数据制作训练集、测试集、验证集。
S204构建TFT神经网络模型和DeepAR神经网络模型。
S205根据训练集、测试集、验证集分别训练构建的TFT神经网络模型和DeepAR神经网络模型。
S206通过PSO算法对模型的超参数进行优化,得到训练好的交通状况预测模型。
根据该步骤,可以得到训练好的交通状况预测模型,可以预测出48小时之内的车辆离去率、过车类型占比以及收费方式占比,还可以预测出48-336小时之内的车辆离去率、过车类型占比以及收费方式占比,通过对车辆通行数据中的多元数据进行短期预测和长期预测,可以提高结果的可解释性。
S103根据短期车辆通行数据、长期车辆通行数据、收费站基础数据以及预设的排队长度模型,得到预测的收费站各个车道短期排队长度和长期排队长度。
使用预测的未来车辆通行数据,再基于收费站基础数据,采用排队论对未来收费站排队长度进行识别,进而实现对未来收费站交通状况预测。
具体地,根据收费站基础数据以及预测的车辆通行数据对各个车道的服务时间进行修正,得到修正后的各个车道的服务时间期望和方差。
获取收费站基础数据以及预测的车辆通行数据,分析出各个车道的车道类型,包括ETC(Electronic Toll Collection)车道、混合车道(ETC收费车辆和人工收费车辆均可通行的车道)、MTC(Manual Toll Collection)车道,各类型车道服务时间的期望和方差,以及各个车道的过车类型占比以及收费类型占比。
然后,对所有类型的车道的服务时间的期望和方差都按照过车类型占比进行修正,还要对混合车道按照支付方式占比进行修正。修正计算方法如下:设二者期望分别为样本数分别为n1、n2,修正后的期望为:
设二者方差为s1 2、s2 2,则修正后的方差为:
根据修正后的各个车道的服务时间期望和方差、预测的短期车辆通行数据以及预设的排队长度模型,得到预测的各个车道短期排队长度;根据修正后的各个车道的服务时间期望和方差、预测的长期车辆通行数据以及预设的排队长度模型,得到预测的各个车道长期排队长度。
在一个实施例中,排队长度模型如下所示:
其中,λ为车辆到达率,v为车道服务时间分布,σ2(v)为服务时间方差,E(v)为服务时间期望,Lq(x)表示排队长度,K表示车道数。车辆到达率λ可根据预测的车辆通行数据中的车辆离去率得到,在一种可能的实现方式中,采用离去率近似替代到达率,即单位时间通过指定类型车道的车辆总数。还可以根据离去率估计到达率式中,λ为到达率,/>为离去率,Lq(x)代表排队长度计算函数。
将各个车道的服务时间的期望和方差、以及短期车辆通行预测数据和长期车辆通行预测数据代入上述排队长度模型,即可计算出不同车道的短期排队长度和长期排队长度,实现对收费站各个车道的排队长度预测。
本申请实施例提供的收费站排队长度预测方法,可根据收费站多元数据(各车道类型、各类型车道数量、各类型车道服务时间分布、收费站各类型车道实时通行数据)、协变量数据(日期、天气、节假日、重大事件等),基于Temporal Fusion PSO-Transformer和PSO-deepar等模型,采用集成学习方法先预测未来的车道通行数据,再利用预测出的车辆通行数据基于排队论对未来排队长度进行计算,实现预测未来较长一段时间(如336小时)收费站交通状况。
该方法与现有技术相比,至少具有以下技术效果:
1、将预测对象排队长度转换为其他易于收集的收费站多元数据,再通过排队论计算出未来的排队长度,进而实现对收费站交通状况的预测,以降低成本;
2、支持多重预测,即可以同时对多个收费站进行预测,极大降低建模成本;
3、支持加入多种可解释特征协变量;
4、极大增加预测长度,使收费站车道管理可以提前较长时间进行配置;
5、采用PSO进行超参数自动寻优以及集成学习等方式提高模型鲁棒性。
本申请实施例还提供一种收费站车辆排队长度预测装置,该装置用于执行上述实施例的收费站车辆排队长度预测方法,如图6所示,该装置包括:
获取模块601,用于获取预设时间段内的收费站基础数据、车辆通行数据以及通行影响因素数据;
通行数据预测模块602,用于将收费站基础数据、车辆通行数据以及通行影响因素数据输入预训练的交通状况预测模型,得到预测的短期车辆通行数据和长期车辆通行数据;
排队长度预测模块603,用于根据短期车辆通行数据、长期车辆通行数据、收费站基础数据以及预设的排队长度模型,得到预测的收费站各个车道短期排队长度和长期排队长度。
需要说明的是,上述实施例提供的收费站车辆排队长度预测装置在执行收费站车辆排队长度预测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的收费站车辆排队长度预测装置与收费站车辆排队长度预测方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供一种与前述实施例所提供的收费站车辆排队长度预测方法对应的电子设备,以执行上述收费站车辆排队长度预测方法。
请参考图7,其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图7所示,电子设备包括:处理器700,存储器701,总线702和通信接口703,处理器700、通信接口703和存储器701通过总线702连接;存储器701中存储有可在处理器700上运行的计算机程序,处理器700运行计算机程序时执行本申请前述任一实施例所提供的收费站车辆排队长度预测方法。
其中,存储器701可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口703(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线702可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中,存储器701用于存储程序,处理器700在接收到执行指令后,执行程序,前述本申请实施例任一实施方式揭示的收费站车辆排队长度预测方法可以应用于处理器700中,或者由处理器700实现。
处理器700可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器700中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器700可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器701,处理器700读取存储器701中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的收费站车辆排队长度预测方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施例还提供一种与前述实施例所提供的收费站车辆排队长度预测方法对应的计算机可读存储介质,请参考图8,其示出的计算机可读存储介质为光盘800,其上存储有计算机程序(即程序产品),计算机程序在被处理器运行时,会执行前述任意实施例所提供的收费站车辆排队长度预测方法。
需要说明的是,计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的收费站车辆排队长度预测方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种收费站车辆排队长度预测方法,其特征在于,包括:
获取预设时间段内的收费站基础数据、车辆通行数据以及通行影响因素数据;
对所述收费站基础数据、车辆通行数据以及通行影响因素数据进行预处理;根据预处理后的收费站基础数据、车辆通行数据以及通行影响因素数据构建训练集、测试集以及验证集;根据所述训练集、测试集以及验证集训练交通状况预测模型的短期交通状况预测模块,所述短期交通状况预测模块为Temporal Fusion Transformer神经网络结构;根据所述训练集、测试集以及验证集训练所述交通状况预测模型的长期交通状况预测模块,所述长期交通状况预测模块为DeepAR神经网络结构;根据PSO算法寻找模型的最佳超参数,得到训练好的交通状况预测模型;
将所述收费站基础数据、车辆通行数据以及通行影响因素数据输入预训练的交通状况预测模型,得到预测的短期车辆通行数据和长期车辆通行数据;
根据所述短期车辆通行数据、长期车辆通行数据、收费站基础数据以及预设的排队长度模型,得到预测的收费站各个车道短期排队长度和长期排队长度;包括:根据所述收费站基础数据以及预测的车辆通行数据对各个车道的服务时间的期望和方差进行修正,得到修正后的各个车道的服务时间期望和方差;根据修正后的各个车道的服务时间期望和方差、预测的短期车辆通行数据以及预设的排队长度模型,得到预测的各个车道短期排队长度;根据修正后的各个车道的服务时间期望和方差、预测的长期车辆通行数据以及预设的排队长度模型,得到预测的各个车道长期排队长度;所述排队长度模型如下所示:
其中,λ为车辆到达率,v为车道服务时间分布,σ2(v)为服务时间方差,E(v)为服务时间期望,Lq表示排队长度,K表示车道数。
2.根据权利要求1所述的方法,其特征在于,
所述收费站基础数据包括车道编号、车道类型、各类型车道数量、各类型车道服务时间;
所述车辆通行数据包括车辆离去率、过车类型占比以及收费类型占比;
所述通行影响因素数据包括日期、周变系数、时变系数、节假日系数、天气系数以及重大事件系数。
3.根据权利要求1所述的方法,其特征在于,根据所述收费站基础数据以及预测的车辆通行数据对各个车道的服务时间的期望和方差进行修正,得到修正后的各个车道的服务时间期望和方差,包括:
根据所述收费站基础数据以及预测的车辆通行数据得到各个车道的车道类型、各类型车道服务时间、过车类型占比以及收费类型占比;
根据过车类型占比修正各个车道的服务时间期望和方差;
根据收费类型占比再次修正混合类型车道的服务时间期望和方差。
4.一种收费站车辆排队长度预测装置,其特征在于,包括:
获取模块,用于获取预设时间段内的收费站基础数据、车辆通行数据以及通行影响因素数据;
训练模块,用于对所述收费站基础数据、车辆通行数据以及通行影响因素数据进行预处理;根据预处理后的收费站基础数据、车辆通行数据以及通行影响因素数据构建训练集、测试集以及验证集;根据所述训练集、测试集以及验证集训练交通状况预测模型的短期交通状况预测模块,所述短期交通状况预测模块为Temporal Fusion Transformer神经网络结构;根据所述训练集、测试集以及验证集训练所述交通状况预测模型的长期交通状况预测模块,所述长期交通状况预测模块为DeepAR神经网络结构;根据PSO算法寻找模型的最佳超参数,得到训练好的交通状况预测模型;
通行数据预测模块,用于将所述收费站基础数据、车辆通行数据以及通行影响因素数据输入预训练的交通状况预测模型,得到预测的短期车辆通行数据和长期车辆通行数据;
排队长度预测模块,用于根据所述短期车辆通行数据、长期车辆通行数据、收费站基础数据以及预设的排队长度模型,得到预测的收费站各个车道短期排队长度和长期排队长度;包括:根据所述收费站基础数据以及预测的车辆通行数据对各个车道的服务时间的期望和方差进行修正,得到修正后的各个车道的服务时间期望和方差;根据修正后的各个车道的服务时间期望和方差、预测的短期车辆通行数据以及预设的排队长度模型,得到预测的各个车道短期排队长度;根据修正后的各个车道的服务时间期望和方差、预测的长期车辆通行数据以及预设的排队长度模型,得到预测的各个车道长期排队长度;所述排队长度模型如下所示:
其中,λ为车辆到达率,v为车道服务时间分布,σ2(v)为服务时间方差,E(v)为服务时间期望,Lq表示排队长度,K表示车道数。
5.一种电子设备,其特征在于,包括处理器和存储有程序指令的存储器,所述处理器被配置为在执行所述程序指令时,执行如权利要求1至3任一项所述的收费站车辆排队长度预测方法。
6.一种计算机可读介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令被处理器执行以实现如权利要求1至3任一项所述的一种收费站车辆排队长度预测方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022109079564 | 2022-07-29 | ||
CN202210907956 | 2022-07-29 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115578854A CN115578854A (zh) | 2023-01-06 |
CN115578854B true CN115578854B (zh) | 2024-01-26 |
Family
ID=84580119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211079179.5A Active CN115578854B (zh) | 2022-07-29 | 2022-09-05 | 收费站车辆排队长度预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578854B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991824A (zh) * | 2017-05-23 | 2017-07-28 | 招商局重庆交通科研设计院有限公司 | 收费站车辆排队预测方法 |
CN108039044A (zh) * | 2017-12-05 | 2018-05-15 | 安徽大学 | 基于多尺度卷积神经网络的车辆智能排队的系统及方法 |
CN112766662A (zh) * | 2020-12-31 | 2021-05-07 | 北京掌行通信息技术有限公司 | 确定收费站运营能力的方法、装置、电子设备及介质 |
CN114202937A (zh) * | 2021-12-31 | 2022-03-18 | 北京掌行通信息技术有限公司 | 对施工路段上游车辆进行管控的方法、装置、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932855A (zh) * | 2017-05-22 | 2018-12-04 | 阿里巴巴集团控股有限公司 | 道路交通控制系统、方法以及电子设备 |
-
2022
- 2022-09-05 CN CN202211079179.5A patent/CN115578854B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991824A (zh) * | 2017-05-23 | 2017-07-28 | 招商局重庆交通科研设计院有限公司 | 收费站车辆排队预测方法 |
CN108039044A (zh) * | 2017-12-05 | 2018-05-15 | 安徽大学 | 基于多尺度卷积神经网络的车辆智能排队的系统及方法 |
CN112766662A (zh) * | 2020-12-31 | 2021-05-07 | 北京掌行通信息技术有限公司 | 确定收费站运营能力的方法、装置、电子设备及介质 |
CN114202937A (zh) * | 2021-12-31 | 2022-03-18 | 北京掌行通信息技术有限公司 | 对施工路段上游车辆进行管控的方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115578854A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Short-term traffic flow prediction using seasonal ARIMA model with limited input data | |
CN111966729B (zh) | 一种车辆轨迹数据处理方法、装置、设备及存储介质 | |
CN111653088B (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN108960476B (zh) | 基于ap-ti聚类的共享单车流量预测方法及装置 | |
US11443335B2 (en) | Model-based deep reinforcement learning for dynamic pricing in an online ride-hailing platform | |
Kim et al. | Idle vehicle relocation strategy through deep learning for shared autonomous electric vehicle system optimization | |
US20240054321A1 (en) | Traffic prediction | |
CN110210664B (zh) | 多个个体车辆使用行为短时预测的深度学习方法 | |
Li et al. | Deep learning based parking prediction on cloud platform | |
Pan et al. | DHPA: Dynamic human preference analytics framework: A case study on taxi drivers’ learning curve analysis | |
CN110223533B (zh) | 一种基于生存分析的夜间驻留停车需求预测方法 | |
Zang et al. | Jointly modeling spatio–temporal dependencies and daily flow correlations for crowd flow prediction | |
CN115830848A (zh) | 一种基于lstm模型的共享停车位智能分配系统及方法 | |
CN115206092A (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
CN113838303B (zh) | 停车场推荐方法、装置、电子设备及存储介质 | |
CN113821547B (zh) | 快速高效的停车场占有率短时预测方法、系统及存储介质 | |
CN111985731B (zh) | 城市公共交通站点人数的预测方法及系统 | |
Doğan | Short-term traffic flow prediction using artificial intelligence with periodic clustering and elected set | |
Banerjee et al. | An intelligent hybrid scheme for optimizing parking space: A Tabu metaphor and rough set based approach | |
CN115578854B (zh) | 收费站车辆排队长度预测方法、装置、设备及存储介质 | |
CN116311927A (zh) | 一种交通流量的预测方法、装置、电子设备及存储介质 | |
Zhu et al. | Real time short-term forecasting method of remaining parking space in urban parking guidance systems | |
Liu | Bi-level optimization algorithm for dynamic reversible lane control based on short-term traffic flow prediction | |
CN117272849B (zh) | 区域停车场饱和度的预测方法、系统及可读存储介质 | |
Afandizadeh et al. | Prediction of traffic flow based on calendar data on suburban roads (case study: chalus road) |
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 |