CN115830855B - 一种基于双状态划分的高速公路路段通行时间预测方法 - Google Patents
一种基于双状态划分的高速公路路段通行时间预测方法 Download PDFInfo
- Publication number
- CN115830855B CN115830855B CN202211412404.2A CN202211412404A CN115830855B CN 115830855 B CN115830855 B CN 115830855B CN 202211412404 A CN202211412404 A CN 202211412404A CN 115830855 B CN115830855 B CN 115830855B
- Authority
- CN
- China
- Prior art keywords
- road section
- vehicle
- upstream
- portal
- time
- 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 38
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 146
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 3
- 238000012417 linear regression Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000006399 behavior Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于双状态划分的高速公路路段通行时间预测方法,包括:确定高速公路路段和门架间的上下游关系;获取高速公路历史数据;将历史数据处理为交通流量及平均通行时间序列;确定与时段对应的路段交通状态;划分车辆行驶速度状态;利用历史车辆的路段交通状态、车辆行驶速度状态及上游路段平均行驶速度,对下游路段通行时间建模并训练;实时采集目标车辆数据,提取特征输入通行时间预测模型,得到预测结果。本发明对高速公路交通数据进行了多源数据融合与时空特征分析,将宏观层面的路段交通状态和微观层面的具体车辆行驶状态相结合,运用贝叶斯模型,实现了以车辆为单位的高速公路通行时间精确预测。
Description
技术领域
本发明涉及交通预测、交通系统建模分析等技术领域,具体涉及一种基于双状态划分的高速公路路段通行时间预测方法。
背景技术
高速公路通行时间是衡量交通运行状况的重要指标之一,也是出行者最易理解和最关心的一个指标。对高速公路通行时间进行准确的预测有助于管理者实时监测路段状态,对异常情况做出反应;有助于出行者合理安排出行路线和时间,提高行程效率。
在目前现有的研究中,已经开发出一系列通过历史交通数据对高速公路通行时间预测的方法及模型。但是,在大多数情况下,这些方法以时段平均通行时间为研究对象,忽略了个体驾驶行为对于通行时间的影响。同时,现有方法基于路段状态对时段进行划分时,没有充分考虑可监测数据之外的隐藏变量。因此,在预测高速公路通行时间时,需要考虑含隐藏变量的路段交通宏观状态和车辆行驶微观状态划分,并将宏观层面的路段交通状态和微观层面的具体车辆行驶状态相结合,对高速公路交通数据进行时空特征分析,这样才能进一步提高预测准确度,细化预测主体,使得交通管理者在对道路通行情况做出整体判断的同时,增强对个体行为的监管。
发明内容
本发明的目的在于提供一种基于双状态划分的高速公路路段通行时间预测方法,将宏观层面的路段交通状态和微观层面的具体车辆行驶状态相结合,深化对高速公路通行时间影响因素的认知,改善对交通系统模型笼统的整体性分析方法。
实现本发明目的的技术解决方案为:一种基于路段交通宏观状态和车辆行驶微观状态的双状态划分高速公路路段通行时间预测方法,包括以下步骤:
步骤1,将高速公路按门架划分为路段,按车辆行驶方向确定各路段间的上下游关系以及各路段的上下游门架;
步骤2,获取高速公路待预测路段上下游门架的历史车辆数据及其上游路段上游门架的历史车辆数据;
步骤3,选取固定的时间步长,将步骤2获取的待预测路段上下游门架历史车辆数据处理为此步长的待预测路段上下游门架交通流量序列及平均通行时间序列;
步骤4,根据步骤3处理的待预测路段上下游门架交通流量序列和路段平均通行时间序列,对时段进行聚类,确定各时段与路段交通状态间的对应关系;
步骤5,从步骤2获取的历史车辆数据中统计每辆车通过待预测路段上游门架时间所处时段,根据步骤4得到的对应关系确定每辆车行驶时的路段交通状态。
步骤6,从步骤2获取的历史车辆数据中统计每辆车通过待预测路段上游门架时的瞬时车速,并计算每辆车通过上游路段的平均行驶速度,根据上游门架瞬时车速和上游路段平均行驶速度对车辆进行聚类分析,划分历史车辆行驶速度状态,并训练得到车辆行驶速度状态分类器;
步骤7,综合历史车辆在步骤5获得的路段交通状态、步骤6获得的车辆行驶速度状态和上游路段的平均行驶速度,对下游待预测路段通行时间进行建模和模型训练。
步骤8,实时采集通过待预测路段上游门架的单辆车作为目标车辆,提取目标车辆特征输入步骤7得到的下游路段通行时间预测模型,得到预测结果。
步骤2中,历史车辆数据包括:车牌号、过门架时间、过门架瞬时车速;历史车辆数据来自于雷达和视频融合采集的数据。
步骤3中,选取固定的时间步长,将步骤2获取的待预测路段上下游门架历史车辆数据处理为此步长的待预测路段上下游门架交通流量序列及平均通行时间序列,具体方法为:
步骤3-1,将固定的时间步长设定为5分钟,根据交通参数的日周期性,待预测路段上下游门架交通流量序列及平均通行时间序列按照日(24小时)进行划分,每个序列中包含的元素量为288个。
步骤3-2,统计每5分钟内通过待预测路段上下游门架的车辆数量,得到待预测路段上下游门架交通流量序列。
步骤3-3,统计每5分钟内车辆通过待预测路段所用的通行时间均值,得到待预测路段平均通行时间序列。
步骤3-4,对所有样本数据重复步骤3-2和步骤3-3,得到与样本天数相同的多天待预测路段上下游门架交通流量序列及平均通行时间序列。
步骤4中,根据步骤3处理的待预测路段上下游门架交通流量序列和路段平均通行时间序列,对时段进行聚类,确定各时段与路段交通状态间的对应关系,具体方法为:
步骤4-1,使用EM聚类算法对路段交通状态进行聚类,选择每个时间步长的待预测路段上下游门架交通流量及平均通行时间作为特征输入,输出为各个时间步长所对应的交通状态,对所有样本天数的数据重复进行此操作,获得每个时间步长在不同天所对应的交通状态集合{S1,S2,......,SM},其中,
n为天数样本编号,n≤M且n为正整数,M为样本天数;为各时间步长交通状态,Q为聚类数,i∈{1,2,......,288};
步骤4-2,使用投票法修正聚类得到的各时间步长交通状态,记Si为序列中的众数,表示修正后第i个时间步长对应的交通状态,i∈{1,2,......,288},M为样本天数。
对每个时间步长统计修正后,去除了单天样本特殊性,得到了时段与路段交通状态间的对应关系:
S={S1,S2,......,S288}
步骤6中,从步骤2获取的历史车辆数据中统计每辆车通过待预测路段上游门架时的瞬时车速,并计算每辆车通过上游路段的平均行驶速度,根据上游门架瞬时车速和上游路段平均行驶速度对车辆进行聚类分析,划分历史车辆行驶速度状态,并训练得到车辆行驶速度状态分类器,具体方法为:
步骤6-1,提取历史车辆过待预测路段上游门架时的瞬时车速信息。
步骤6-2,对比通过上游路段上下游门架车辆车牌信息,计算过门架时间差,该时间差即为历史车辆通过上游路段的通行时间,用路段长度除以通行时间得到单辆车在上游路段的平均行驶速度;
步骤6-3,采用EM聚类算法,将历史车辆的上游路段平均行驶速度与待预测路段上游门架瞬时车速作为输入,把车辆行驶速度分割成不同的类,输出为每辆车行驶速度所属的类别,即车辆行驶速度状态。
步骤6-4,将历史车辆的上游路段平均行驶速度、待预测路段上游门架瞬时车速与车辆行驶速度状态作为训练集,对车辆行驶速度状态分类器进行训练。对于训练完成的车辆行驶速度状态分类器,对训练器实时输入车辆的上游路段平均行驶速度与待预测路段上游门架瞬时车速即可获得该车辆的车辆行驶速度状态。
步骤7中,综合历史车辆在步骤5获得的路段交通状态、步骤6获得的车辆行驶速度状态和上游路段的平均行驶速度,对下游待预测路段通行时间进行建模和模型训练,具体方法为:
步骤7-1,将上游路段的平均行驶速度、路段交通状态、车辆行驶速度状态作为输入特征建立贝叶斯模型和线性回归模型,模型输出为单辆车的下游待预测路段通行时间。
步骤7-2,根据由历史车辆的上游路段平均行驶速度、路段交通状态、车辆行驶速度及下游待预测路段通行时间组成的历史数据训练集,对模型参数进行训练,得到训练完成的贝叶斯模型和线性回归模型。
步骤8中,实时采集通过待预测路段上游门架的单辆车作为目标车辆,提取目标车辆特征输入步骤7得到的下游路段通行时间预测模型,得到预测结果,具体方法为:
步骤8-1,实时采集通过待预测路段上游门架的单辆车数据,包括:车牌号、过门架时间和过门架瞬时速度。
步骤8-2,根据目标车辆通过待预测路段上游门架时间所属时间段确定目标车辆通行时段的路段交通状态。
步骤8-3,在上游路段上游门架过车数据中查询与目标车辆车牌号相同的车辆数据并计算过门架时间差,结合上游路段长度得到目标车辆通过上游路段的平均行驶速度。
步骤8-4,将目标车辆的上游路段平均行驶速度及通过待预测路段上游门架的瞬时速度输入由步骤6得到的车辆行驶速度状态分类器,确定目标车辆行驶速度状态。
步骤8-5,将目标车辆通过上游路段的平均行驶速度、路段交通状态和行驶速度状态作为待预测特征值,将步骤7-2的历史数据训练集中出现过的各特征值集合记为
其中,i∈{1,2,3},表示特征编号;对于实时新输入待预测的特征值x={x1,x2,x3},若满足则认为输入值在贝叶斯模型可预测范围内,使用贝叶斯模型进行预测;反之则使用线性回归模型进行预测,得到最终的通行时间预测结果。
本发明与现有技术相比,其显著优点在于:1)对高速公路交通数据进行了时空特征分析,充分考虑了路段交通宏观状态和车辆行驶微观状态对高速公路通行时间的影响,并在此基础上提出了一种基于路段交通宏观状态和车辆行驶微观状态的双状态划分高速公路路段通行时间预测方法,挖掘了可监测数据之外的隐藏变量,并将其体现在路段状态和车辆状态划分中,提高了高速公路通行时间预测模型的理论性与实用性。2)将通行时间预测细化为以单辆车为主体,使得交通管理者在对道路通行情况做出整体判断的同时,增强对个体行为的监管,以提高交通管理者对异常情况的决策水平和智能化水平。3)将宏观层面的路段交通状态和微观层面的具体车辆行驶状态相结合,实现车辆微观行驶时间的精确预测,具有创新性。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明基于双状态划分的高速公路路段通行时间预测方法的流程图。
图2为一个实例中基于路段交通状态划分的时段结果图。
图3为一个实例中车辆行驶状态划分结果图。
图4为一个实例中贝叶斯网络因果关系图。
图5为一个实例中预测结果误差分布图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
结合图1,本发明提供了一种基于路段交通宏观状态和车辆行驶微观状态的双状态划分高速公路路段通行时间预测方法,该方法包括如下步骤:
步骤1,将高速公路按门架划分为路段,按车辆行驶方向确定各路段间的上下游关系以及各路段的上下游门架;
步骤2,获取高速公路待预测路段上下游门架的历史车辆数据及其上游路段上游门架的历史车辆数据;
历史车辆数据包括:车牌号、过门架时间、过门架瞬时车速;历史车辆数据来自于雷达和视频融合采集的数据。
步骤3,选取固定的时间步长,将步骤2获取的待预测路段上下游门架历史车辆数据预处理为此步长的待预测路段上下游门架交通流量序列及平均通行时间序列,具体方法为:
步骤3-1,将固定的时间步长设定为5分钟,根据交通参数的日周期性,待预测路段上下游门架交通流量序列及平均通行时间序列按照日(24小时)进行划分,每个序列中包含的元素量为288个。
步骤3-2,统计每5分钟内通过待预测路段上下游门架的车辆数量,得到待预测路段上下游门架交通流量序列。
步骤3-3,统计每5分钟内车辆通过待预测路段所用的通行时间均值,得到待预测路段平均通行时间序列。
步骤3-4,对所有样本数据重复步骤3-2和步骤3-3,得到与样本天数相同的多天待预测路段上下游门架交通流量序列及平均通行时间序列。
在一个实施例中,样本天数为7天,因此得到了与7天数据相对应的待预测路段上下游门架交通流量序列和平均通行时间序列。
步骤4中,根据步骤3处理的待预测路段上下游门架交通流量序列和路段平均通行时间序列,对时段进行聚类,确定各时段与路段交通状态间的对应关系,具体方法为:
步骤4-1,使用EM聚类算法对路段交通状态进行聚类,选择每个时间步长的待预测路段上下游门架交通流量及平均通行时间作为特征输入,输出为各个时间步长所对应的交通状态,对所有样本天数的数据重复进行此操作,获得每个时间步长在不同天所对应的交通状态集合{S1,S2,......,SM},其中,
n为天数样本编号,n≤M且n为正整数,M为样本天数;为各时间步长交通状态,Q为聚类数,i∈{1,2,......,288};
EM算法由两个步骤交替计算组成:第一步是E步,计算各时间步长属于每个路段交通状态的后验概率;第二步是M步,通过更新的后验概率更新模型参数;迭代执行E步和M步直至似然函数收敛,挖掘在流量、速度之外对路段交通状态产生影响的隐藏环境变量。
步骤4-2,使用投票法修正聚类得到的各时间步长交通状态,记Si为序列中的众数,表示修正后第i个时间步长对应的交通状态,i∈{1,2,......,288},M为样本天数。
对每个时间步长统计修正后,去除了单天样本特殊性,得到了时段与路段交通状态间的对应关系:
S={S1,S2,......,S288}
在一个实施例中,投票前的某单天时段与路段交通状态对应关系及经过投票后的常时非拥堵状态下的时段与路段交通状态对应关系如图2所示。
步骤6中,从步骤2获取的历史车辆数据中统计每辆车通过待预测路段上游门架时的瞬时车速,并计算每辆车通过上游路段的平均行驶速度,根据上游门架瞬时车速和上游路段平均行驶速度对车辆进行聚类分析,划分历史车辆行驶速度状态,并训练得到车辆行驶速度状态分类器,具体方法为:
步骤6-1,提取历史车辆过待预测路段上游门架时的瞬时车速信息。
步骤6-2,对比通过上游路段上下游门架车辆车牌信息,计算过门架时间差,该时间差即为历史车辆通过上游路段的通行时间,用路段长度除以通行时间得到单辆车在上游路段的平均行驶速度;
步骤6-3,采用EM聚类算法,将历史车辆的上游路段平均行驶速度与待预测路段上游门架瞬时车速作为输入,把车辆行驶速度分割成不同的类,输出为每辆车行驶速度所属的类别,即车辆行驶速度状态。
在一个实施例中,图3为历史车辆行驶速度状态分为3类的聚类结果。
步骤6-4,将历史车辆的上游路段平均行驶速度、待预测路段上游门架瞬时车速与车辆行驶速度状态作为训练集,对车辆行驶速度状态分类器进行训练。对于训练完成的车辆行驶速度状态分类器,对训练器实时输入车辆的上游路段平均行驶速度与待预测路段上游门架瞬时车速即可获得该车辆的车辆行驶速度状态。
步骤7中,综合历史车辆在步骤5获得的路段交通状态、步骤6获得的车辆行驶速度状态和上游路段的平均行驶速度,对下游待预测路段通行时间进行建模和模型训练,具体方法为:
步骤7-1,将上游路段的平均行驶速度、路段交通状态、车辆行驶速度状态作为输入特征建立贝叶斯模型和线性回归模型,模型输出为单辆车的下游待预测路段通行时间。
1)根据条件依赖关系建立贝叶斯模型。
在一个实施例中,表示上游路段平均行驶速度、路段交通状态、车辆行驶速度状态与下游路段通行时间因果关系的有向无环图如图4所示。
该贝叶斯模型的类集合为{c1,c2,......,cn},包含所有在历史通行时间中出现过的数值;分类节点为X={X1,X2,X3},分别表示特征:上游路段平均行驶速度、路段交通状态和车辆行驶速度状态。在一个实例中,待预测车辆的特征值为x={x1,x2,x3},将该辆车通过下游路段的通行时间预测为cm,当
P(C=cm|X=x)=max(P(C=c1|X=x),P(C=c2|X=x),......,P(C=cn|X=x))
2)建立线性回归模型。
在一个实施例中,选定上游路段平均行驶速度、路段交通状态和车辆行驶速度状态作为输入特征,分别记为x1,x2,x3,组成特征输入向量x=[x1,x2,x3],将预测目标下游路段通行时间记为y,构成线性回归模型:
y=wxT+b=w1x1+w2x2+w3x3+b
其中,w=[w1,w2,w3]为模型参数,b为偏置量,通过历史数据集训练获得。
步骤7-2:根据由历史车辆的上游路段平均行驶速度、路段交通状态、车辆行驶速度及下游待预测路段通行时间组成的历史数据训练集,对模型参数进行训练,得到训练完成的贝叶斯模型和线性回归模型。
步骤8,实时采集通过待预测路段上游门架的单辆车作为目标车辆,提取目标车辆特征输入步骤7得到的下游路段通行时间预测模型,得到预测结果,具体方法为:
步骤8-1,实时采集通过待预测路段上游门架的单辆车数据,包括:车牌号、过门架时间和过门架瞬时速度。
步骤8-2,根据目标车辆通过待预测路段上游门架时间所属时间段确定目标车辆通行时段的路段交通状态。
步骤8-3,在上游路段上游门架过车数据中查询与目标车辆车牌号相同的车辆数据并计算过门架时间差,结合上游路段长度得到目标车辆通过上游路段的平均行驶速度。
步骤8-4,将目标车辆的上游路段平均行驶速度及通过待预测路段上游门架的瞬时速度输入由步骤6得到的车辆行驶速度状态分类器,确定目标车辆行驶速度状态。
步骤8-5,将目标车辆通过上游路段的平均行驶速度、路段交通状态和行驶速度状态作为待预测特征值,将步骤7-2的历史数据训练集中出现过的各特征值集合记为
其中,i∈{1,2,3},表示特征编号;对于实时新输入待预测的特征值x={x1,x2,x3},若满足则认为输入值在贝叶斯模型可预测范围内,使用贝叶斯模型进行预测;反之则使用线性回归模型进行预测,得到最终的通行时间预测结果。
线性回归模型作为贝叶斯模型的补充,有效解决了当待预测特征值超出可预测特征值范围时产生的模型失效问题,增加了发明的适用范围和实用性。
在一个实例中,分别选取4条路段作为待预测路段进行预测,对4条路段一周内的车辆数据抽取90%作为训练样本对步骤7中的模型进行训练,10%作为目标测试样本,表1为模型预测结果,评价指标为平均绝对百分比误差(MAPE),可以看出本发明能够对高速公路路段通行时间进行准确的预测。
表1路段通行时间预测效果
图5所示为预测误差的分布图,以单辆车为单位对测试车辆路段通行时间的误差进行统计,并选择最符合数据特征的分布曲线进行拟合。
表2所示为最符合误差统计数据特征的四个分布类型以及不同分布类型下拟合出的曲线与实际值的均方误差。
表2拟合曲线效果对比
因此,选择瓦尔德分布来对预测误差分布进行统计和分析,预测误差分布呈现出明显的单峰值和长尾特征,表明大部分的车辆通行时间预测误差较小。其中,超过76%的车辆预测结果误差在10秒内(平均每公里偏差在1.6秒内),超过95%的车辆预测结果误差在30秒内(平均每公里偏差在4.8秒内),进一步证明本发明能够对高速公路路段通行时间进行准确的预测。
综上所述,本发明基于对含隐藏变量的路段交通宏观状态和车辆行驶微观状态进行划分,构建综合预测模型,充分考虑整体交通状况和个体驾驶行为对通行时间产生的影响,更加高效和准确的对高速公路路段通行时间进行了预测。
Claims (3)
1.一种基于双状态划分的高速公路路段通行时间预测方法,其特征在于,包括以下步骤:
步骤1,将高速公路按门架划分为路段,按车辆行驶方向确定各路段间的上下游关系以及各路段的上下游门架;
步骤2,获取高速公路待预测路段上下游门架的历史车辆数据及其上游路段上游门架的历史车辆数据;
步骤3,选取固定的时间步长,将步骤2获取的待预测路段上下游门架历史车辆数据处理为此步长的待预测路段上下游门架交通流量序列及平均通行时间序列;
步骤4,根据步骤3处理的待预测路段上下游门架交通流量序列和路段平均通行时间序列,对时段进行聚类,确定各时段与路段交通状态间的对应关系;
步骤5,从步骤2获取的高速公路待预测路段上下游门架的历史车辆数据中统计每辆车通过待预测路段上游门架时间所处时段,根据步骤4得到的对应关系确定每辆车行驶时的路段交通状态;
步骤6,从步骤2高速公路待预测路段上下游门架的历史车辆数据及其上游路段上游门架的历史车辆数据中统计每辆车通过待预测路段上游门架时的瞬时车速,并计算每辆车通过上游路段的平均行驶速度,根据通过待预测路段上游门架时的瞬时车速和通过上游路段的平均行驶速度对车辆进行聚类分析,划分历史车辆行驶速度状态,并训练得到车辆行驶速度状态分类器;
步骤7,综合历史车辆在步骤5获得的路段交通状态、步骤6获得的车辆行驶速度状态和通过上游路段的平均行驶速度,对下游待预测路段通行时间进行建模和模型训练;
步骤8,实时采集通过待预测路段上游门架的单辆车作为目标车辆,提取目标车辆特征输入步骤7得到的下游路段通行时间预测模型,得到预测结果;
步骤4中,根据步骤3处理的待预测路段上下游门架交通流量序列和路段平均通行时间序列,对时段进行聚类,确定各时段与路段交通状态间的对应关系,具体方法为:
步骤4-1,使用EM聚类算法对路段交通状态进行聚类,选择每个时间步长的待预测路段上下游门架交通流量及平均通行时间作为特征输入,输出为各个时间步长所对应的交通状态,对所有样本天数的数据重复进行此操作,获得每个时间步长在不同天所对应的交通状态集合{S1,S2,……,SM},其中,
n为天数样本编号,n≤M且n为正整数,M为样本天数;为第n个天数样本第i个时间步长交通状态,/>Q为聚类数,i∈{1,2,……,288};
步骤4-2,使用投票法修正聚类得到的各时间步长交通状态,记Si为序列中的众数,表示修正后第i个时间步长对应的交通状态,i∈{1,2,……,288},M为样本天数;
对每个时间步长统计修正后,去除了单天样本特殊性,得到了时段与路段交通状态间的对应关系:
S={S1,S2,……,S288}
步骤6中,从步骤2高速公路待预测路段上下游门架的历史车辆数据及其上游路段上游门架的历史车辆数据中统计每辆车通过待预测路段上游门架时的瞬时车速,并计算每辆车通过上游路段的平均行驶速度,根据通过待预测路段上游门架时的瞬时车速和通过上游路段的平均行驶速度对车辆进行聚类分析,划分历史车辆行驶速度状态,并训练得到车辆行驶速度状态分类器;,具体方法为:
步骤6-1,提取历史车辆过待预测路段上游门架时的瞬时车速信息;
步骤6-2,对比通过上游路段上下游门架车辆车牌信息,计算过门架时间差,该时间差即为历史车辆通过上游路段的通行时间,用路段长度除以通行时间得到单辆车在上游路段的平均行驶速度;
步骤6-3,采用EM聚类算法,将历史车辆的上游路段平均行驶速度与通过待预测路段上游门架时的瞬时车速作为输入,把车辆行驶速度分割成不同的类,输出为每辆车行驶速度所属的类别,即车辆行驶速度状态;
步骤6-4,将历史车辆的上游路段平均行驶速度、通过待预测路段上游门架时的瞬时车速与车辆行驶速度状态作为训练集,对车辆行驶速度状态分类器进行训练;对于训练完成的车辆行驶速度状态分类器,对训练器实时输入车辆的上游路段平均行驶速度与通过待预测路段上游门架时的瞬时车速即可获得该车辆的车辆行驶速度状态;
步骤7中,综合历史车辆在步骤5获得的路段交通状态、步骤6获得的车辆行驶速度状态和通过上游路段的平均行驶速度,对下游待预测路段通行时间进行建模和模型训练,具体方法为:
步骤7-1,将通过上游路段的平均行驶速度、路段交通状态、车辆行驶速度状态作为输入特征建立贝叶斯模型和线性回归模型,模型输出为单辆车的下游待预测路段通行时间;
步骤7-2,根据由历史车辆通过上游路段的平均行驶速度、路段交通状态、车辆行驶速度及下游待预测路段通行时间组成的历史数据训练集,对模型参数进行训练,得到训练完成的贝叶斯模型和线性回归模型;
步骤8中,实时采集通过待预测路段上游门架的单辆车作为目标车辆,提取目标车辆特征输入步骤7得到的下游路段通行时间预测模型,得到预测结果,具体方法为:
步骤8-1,实时采集通过待预测路段上游门架的单辆车数据,包括:车牌号、过门架时间和过门架瞬时速度;
步骤8-2,根据目标车辆通过待预测路段上游门架时间所属时间段确定目标车辆通行时段的路段交通状态;
步骤8-3,在上游路段上游门架过车数据中查询与目标车辆车牌号相同的车辆数据并计算过门架时间差,结合上游路段长度得到目标车辆通过上游路段的平均行驶速度;
步骤8-4,将目标车辆的上游路段平均行驶速度及通过待预测路段上游门架的瞬时速度输入由步骤6得到的车辆行驶速度状态分类器,确定目标车辆行驶速度状态;
步骤8-5,将目标车辆通过上游路段的平均行驶速度、路段交通状态和行驶速度状态作为待预测特征值,将步骤7-2的历史数据训练集中出现过的各特征值集合记为
其中,j∈{1,2,3},表示特征编号;对于实时新输入待预测的特征值x={x1,x2,x3},若满足则认为输入值在贝叶斯模型可预测范围内,使用贝叶斯模型进行预测;反之则使用线性回归模型进行预测,得到最终的通行时间预测结果。
2.根据权利要求1所述的基于双状态划分的高速公路路段通行时间预测方法,其特征在于,步骤2中,所述高速公路待预测路段上下游门架的历史车辆数据及其上游路段上游门架的历史车辆数据包括:车牌号、过门架时间、过门架瞬时车速;历史车辆数据来自于雷达和视频融合采集的数据。
3.根据权利要求1所述的基于双状态划分的高速公路路段通行时间预测方法,其特征在于,步骤3中,选取固定的时间步长,将步骤2获取的待预测路段上下游门架历史车辆数据处理为此步长的待预测路段上下游门架交通流量序列及平均通行时间序列,具体方法为:
步骤3-1,将固定的时间步长设定为5分钟,根据交通参数的日周期性,待预测路段上下游门架交通流量序列及平均通行时间序列按照日进行划分,每个序列中包含的元素量为288个;
步骤3-2,统计每5分钟内通过待预测路段上下游门架的车辆数量,得到待预测路段上下游门架交通流量序列;
步骤3-3,统计每5分钟内车辆通过待预测路段所用的通行时间均值,得到待预测路段平均通行时间序列;
步骤3-4,对所有样本数据重复步骤3-2和步骤3-3,得到与样本天数相同的多天待预测路段上下游门架交通流量序列及平均通行时间序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211412404.2A CN115830855B (zh) | 2022-11-11 | 2022-11-11 | 一种基于双状态划分的高速公路路段通行时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211412404.2A CN115830855B (zh) | 2022-11-11 | 2022-11-11 | 一种基于双状态划分的高速公路路段通行时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115830855A CN115830855A (zh) | 2023-03-21 |
CN115830855B true CN115830855B (zh) | 2024-04-09 |
Family
ID=85527748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211412404.2A Active CN115830855B (zh) | 2022-11-11 | 2022-11-11 | 一种基于双状态划分的高速公路路段通行时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830855B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475641B (zh) * | 2023-12-28 | 2024-03-08 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436751A (zh) * | 2011-09-30 | 2012-05-02 | 上海交通大学 | 基于城市宏观路网模型的交通流短时预测方法 |
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
CN114596700A (zh) * | 2022-01-10 | 2022-06-07 | 昆明理工大学 | 一种基于门架数据的高速公路路段实时流量估计方法 |
CN114973640A (zh) * | 2021-02-24 | 2022-08-30 | 阿里巴巴集团控股有限公司 | 交通流量的预测方法、装置及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110365B (zh) * | 2009-12-28 | 2013-11-06 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和系统 |
EP3413284B1 (en) * | 2017-06-09 | 2021-03-24 | PTV Planung Transport Verkehr AG | Computer system and method for state prediction of a traffic system |
-
2022
- 2022-11-11 CN CN202211412404.2A patent/CN115830855B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436751A (zh) * | 2011-09-30 | 2012-05-02 | 上海交通大学 | 基于城市宏观路网模型的交通流短时预测方法 |
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
CN114973640A (zh) * | 2021-02-24 | 2022-08-30 | 阿里巴巴集团控股有限公司 | 交通流量的预测方法、装置及系统 |
CN114596700A (zh) * | 2022-01-10 | 2022-06-07 | 昆明理工大学 | 一种基于门架数据的高速公路路段实时流量估计方法 |
Non-Patent Citations (1)
Title |
---|
ETC门架系统多维数据融合应用探析;钱旻;《中国交通信息化》;20210615(第6期);第109-112页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115830855A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108269401B (zh) | 一种基于数据驱动的高架桥交通拥堵预测方法 | |
Mackenzie et al. | An evaluation of HTM and LSTM for short-term arterial traffic flow prediction | |
CN107045788B (zh) | 交通路况预测方法及装置 | |
Smith et al. | Exploring imputation techniques for missing data in transportation management systems | |
Van Arem et al. | Recent advances and applications in the field of short-term traffic forecasting | |
Jiang et al. | Traffic and vehicle speed prediction with neural network and hidden markov model in vehicular networks | |
CN113096388B (zh) | 一种基于梯度提升决策树的短时交通流量预测方法 | |
Peeta et al. | Adaptability of a hybrid route choice model to incorporating driver behavior dynamics under information provision | |
CN115830855B (zh) | 一种基于双状态划分的高速公路路段通行时间预测方法 | |
CN113344254A (zh) | 一种基于LSTM-LightGBM-KNN的高速公路服务区车流预测方法 | |
CN115410372B (zh) | 基于贝叶斯lstm的高速公路交通流量可靠预测方法 | |
Gao et al. | Short-term traffic speed forecasting using a deep learning method based on multitemporal traffic flow volume | |
CN113449905A (zh) | 一种基于门控循环单元神经网络的交通拥堵预警方法 | |
CN112906945A (zh) | 一种交通流量预测方法、系统及计算机可读存储介质 | |
CN112860782A (zh) | 一种基于大数据分析的纯电动车续驶里程估计方法 | |
Gokasar et al. | MSND: Modified standard normal deviate incident detection algorithm for connected autonomous and human-driven vehicles in mixed traffic | |
CN111311905A (zh) | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 | |
Shen | Freeway travel time estimation and prediction using dynamic neural networks | |
Lee | Freeway travel time forecast using artifical neural networks with cluster method | |
Amini et al. | Developing a macroscopic model based on fuzzy cognitive map for road traffic flow simulation | |
Wu | Measuring reliability in dynamic and stochastic transportation networks | |
Soorya et al. | Exploratory study on approaches for traffic count prediction; using toll-way traffic count | |
Briani et al. | Inverting the fundamental diagram and forecasting boundary conditions: How machine learning can improve macroscopic models for traffic flow | |
Cetin et al. | Improving the accuracy of vehicle reidentification algorithms by solving the assignment problem | |
Cui et al. | Spatio-temporal broad learning networks for traffic speed prediction |
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 |