CN116580563A - 基于马尔可夫链的区域拥堵车源预测方法、装置及设备 - Google Patents
基于马尔可夫链的区域拥堵车源预测方法、装置及设备 Download PDFInfo
- Publication number
- CN116580563A CN116580563A CN202310835672.3A CN202310835672A CN116580563A CN 116580563 A CN116580563 A CN 116580563A CN 202310835672 A CN202310835672 A CN 202310835672A CN 116580563 A CN116580563 A CN 116580563A
- Authority
- CN
- China
- Prior art keywords
- road section
- congestion
- contribution
- vehicle
- vehicle source
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000007704 transition Effects 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Analytical Chemistry (AREA)
- Tourism & Hospitality (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于马尔可夫链的区域拥堵车源预测方法、装置及设备，方法包括：获取拥堵路段所在区域的公路路网情况和历史公路OD数据；对历史公路OD数据进行交通流分配，得到车辆行驶路径和各路段交通量；筛选途经拥堵路段的车辆行驶路径，并将路径起点确定为拥堵路段的车源；统计各车源对拥堵路段贡献量，根据贡献量占比时间序列，对各车源进行马尔可夫性的检验；对具有马尔可夫性的每个车源，利用其对待研究拥堵路段的贡献量占比时间序列，构建一步状态转移概率矩阵，进而建立马尔可夫车源预测模型；基于马尔可夫车源预测模型，预测待研究拥堵路段在目标时段的主要车源。本发明能够便捷、快速、客观地对拥堵路段主要车源进行精准预测。
Description
技术领域
本发明涉及交通技术领域，特别涉及一种基于马尔可夫链的区域拥堵车源预测方法、装置及设备。
背景技术
随着近几年经济、汽车产业不断发展，人均汽车保有率逐年上涨，在其给居民生活带来巨大便利的同时，由于交通基础设施建设缓慢，交通环境面临不小的压力。在上下班高峰期以及重大活动举办时期，不少道路会出现拥堵的现象。为提前确定需要交通疏导的车源地，需要对可能发生拥堵的路段进行主要车源预测，从而实现交通疏导时对主要车源的优先控制，以获得最佳的疏导效果。为达到上述效果，近几十年来，常见的预测方法有：以专家经验为基础的预测模型，以卡尔曼滤波模型为基础的预测模型和以机器学习为基础的预测模型等。
但是，现有的预测模型存在着以下的问题：
经典的以专家经验为基础的拥堵区域主要车源预测模型太过依赖专家的个人经历与经验，存在着预测过程主观性强、多次预测结果可能不一致等问题。同时，由于专家仅有其所处交通区域的预测经验，导致专家经验不具备普适性，这在想要得到一个精确结果的限制下，是一个不小的问题。
常用的以卡尔曼滤波模型为基础的拥堵区域主要车源预测模型，可以将交通流量时间序列转化为由状态方程和输出方程组成的状态空间模型进行描述，虽然可以灵活选择预测因子，但是，该方法需要大量的矩阵和向量计算，使得在线预测有一定的难度，同时该预测模型只能预测拥堵区域车流量，无法对拥堵区域主要车源进行精确预测。
基于近年来常见的各种机器学习算法的预测模型有一定的应用场景，但模型过于黑盒，即模型只关注其输入和输出，而对于其内部的具体工作原理和决策过程并不了解。另外，模型的准确度与训练数据量有很大的关系，在小样本集场景，评价效果不够理想。
发明内容
针对现有技术存在的上述技术问题，本发明提供一种基于马尔科夫链的区域拥堵车源预测方法、装置及设备，能对未来较长时间段内的拥堵路段车源提供控制优先级，以获得最佳缓解拥堵效果。
为实现上述技术目的，本发明采用如下技术方案：
一种基于马尔可夫链的区域拥堵车源预测方法，包括：
步骤1，获取待研究拥堵路段所在区域的公路路网情况和历史公路OD数据；
步骤2，采用增量分配法对历史公路OD数据进行交通流分配，得到路网的车辆行驶路径和路网中各路段的交通量；
步骤3，筛选途经所述待研究拥堵路段的车辆行驶路径，并将筛选所得每条车辆行驶路径的起始收费站均确定为所述待研究拥堵路段的车源；
步骤4，统计待研究拥堵路段的各个车源每天每个时间窗对待研究拥堵路段的贡献量，每天共n个连续时间窗对应得到贡献量占比时间序列；
步骤5，根据每个车源对待研究拥堵路段的贡献量占比时间序列，利用/>统计量对各车源进行马尔可夫性的检验；
步骤6，对具有马尔可夫性的每个车源，利用其对待研究拥堵路段的贡献量占比时间序列，构建一步状态转移概率矩阵，进而建立马尔可夫车源预测模型；
步骤7，基于马尔可夫车源预测模型，预测待研究拥堵路段在目标时段的主要车源。
进一步地，所述公路路网情况以及历史公路OD数据，包括：道路信息、收费站信息和以小时为单位的OD数据；所述道路信息、收费站信息和以小时为单位的OD数据，包括待研究拥堵路段所属区域的公路路网及公路收费站的地理信息、每对出入口站的编码、每对出入口站每小时通过的OD交通量、记录OD交通量的日期和其所属的时间窗。
进一步地，采用增量分配法对历史公路OD数据进行交通流分配的方法为：
步骤2.1，利用历史公路OD数据求得每个时间窗内的OD总需求量，并将每个时间窗内的OD需求总量划分为若干个部分，其中每部分的OD交通需求量相等或递减；
步骤2.2，利用经验或历史记录得到各路段初始阻抗；
步骤2.3，将第1部分OD交通需求量分配到当前路网阻抗下利用最短路径算法求得的每对OD相应的最短路径上；
步骤2.4，利用路阻函数模型BPR函数更新步骤2.3中被分配交通需求量的路段的交通阻抗；
步骤2.5，将第2部分OD交通需求量分配到当前路网阻抗下利用最短路径算法求得的每对OD对应的最短路径上；
步骤2.6，重复执行步骤2.4，获得更新后的交通阻抗，并按步骤2.5将剩余任意部分的OD交通需求量分配到当前更新过的路网阻抗下利用最短路径算法求得的每对OD对应的最短路径上，直到所有OD交通需求量分配完毕。
进一步地，某一车源对待研究拥堵路段的贡献量定义为：从该车源出发并经过该待研究拥堵路段的车辆数。
进一步地，利用统计量对各车源进行马尔可夫性的检验，具体为：
假设某一车源在n个连续时间窗内对待研究拥堵路段的贡献量占比时间序列为，将序列所有贡献量占比划为m种状态，每个贡献量占比隶属于其中1种状态，用/>表示该序列中的贡献量占比从状态/>经过一步转移到状态/>的频数，将状态转移频数矩阵/>的第/>列之和除以该矩阵各行各列的总和得到的值成为边际概率，记为/>，即：
当贡献量占比时间序列的长度n足够大时，统计量/>服从自由度为/>的/>分布；其中，/>为转移状态/>到状态/>的转移概率，为状态/>经过一步转移到状态/>的频数占状态/>经过一步转移到任意状态的频数总和之比；
给定显著性水平，通过查询对应的卡方分布表，确定自由度为/>时的密度函数值/>，若统计量/>满足
则判定该车源对待研究拥堵路段的贡献量占比时间序列具有马尔可夫性。
进一步地，建立的马尔可夫车源预测模型表示为：
式中，为待预测车源第/>时段的贡献量占比的状态向量预测值；/>为距待预测车源最近的时间窗/>内对待研究拥堵路段的贡献量占比的状态向量；车源对路段的贡献量占比的状态向量，是指车源对路段的贡献量占比分别占/>种状态的隶属度构成的向量；/>为一步状态转移矩阵，其中元素/>为转移状态/>到状态/>的转移概率；/>为第/>时段；
然后采用马尔可夫车源预测模型，滚动预测各车源对待研究拥堵路段在目标时段的贡献量占比的状态向量，取状态向量中最大概率对应的状态作为各车源对待研究拥堵路段在目标时段的贡献量占比；
再将各车源按其对待研究拥堵路段在目标时段的贡献量占比从大到小排序，将满足预设条件的前若干个车源确定为待研究拥堵路段在目标时段的主要车源。
进一步地，所述将序列所有贡献量占比划为种状态，每个贡献量占比隶属于其中1种状态，具体为：首先确定划分状态的数目/>，然后将贡献量占比时间序列按从小到大排序，并按序将每/>个贡献量占比为一个簇，将每簇内均值作为1种状态，并确定簇内每个贡献量占比隶属于的状态。
一种基于马尔可夫链的区域拥堵车源预测装置，包括：
样本获取模块，用于：获取待研究拥堵路段所在区域的公路路网情况和历史公路OD数据；
交通流分配模块，用于：采用增量分配法对历史公路OD数据进行交通流分配，得到路网的车辆行驶路径和路网中各路段的交通量；
车源确定模块，用于：筛选途经所述待研究拥堵路段的车辆行驶路径，并将筛选所得每条车辆行驶路径的起始收费站均确定为所述待研究拥堵路段的车源；
贡献量统计模块，用于：统计待研究拥堵路段的各个车源每天每个时间窗内对待研究拥堵路段的贡献量，每天共n个连续时间窗对应得到车源对路段的贡献量占比序列；
马尔可夫性检验模块，用于：根据每个车源对待研究拥堵路段的贡献量占比时间序列，利用/>统计量对各车源进行马尔可夫性的检验；
预测模型建立模块，用于：对具有马尔可夫性的每个车源，利用其对待研究拥堵路段的贡献量占比时间序列，构建一步状态转移概率矩阵，进而建立马尔可夫车源预测模型；
预测模块，用于：基于马尔可夫车源预测模型，预测待研究拥堵路段在目标时段的主要车源。
一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项所述的基于马尔可夫链的区域拥堵车源预测方法。
相对于现有技术，本发明的技术效果在于：能够便捷、快速、客观地对拥堵路段主要车源进行精准的预测，为交通管理部门提供科学合理的参考，帮助交通管理部门在进行交通疏导时，以便优先对主要车源进行交通控制，获得最佳的疏导效果。
附图说明
图1是本申请实施例所述方法流程示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
本实施例提供一种基于马尔可夫链的区域拥堵路段车源预测方法，参考图1所示，包括以下步骤：
步骤1，获取待研究拥堵路段所在区域的公路路网情况和历史公路OD数据。
所述公路路网情况以及历史公路OD数据，包括：道路信息、收费站信息和以小时为单位的OD数据；所述道路信息、收费站信息和以小时为单位的OD数据，包括待研究拥堵路段所属区域的公路路网及公路收费站的地理信息、每对出入口站的编码、每对出入口站每小时通过的OD交通量、记录OD交通量的日期和其所属的时间窗。
本案例京港澳高速公路湖南段作为研究对象，获取的路段及收费站信息数据有：
1.1）待研究拥堵路段所在区域的路段的地理位置、长度和方向信息。
例如：京珠高速某段的起点位置经度为113.064812，起点位置纬度为28.2364859；终点位置经度为113.0626087，终点位置纬度为28.2343662；拐点一位置经度为113.0645982，拐点一位置纬度为28.2363088，拐点二位置经度为113.0637813，拐点二位置纬度为28.2346847。已知地球上任意两点的经纬度，则可根据公式求出该两点之间的距离；
距离公式为：
其中，为所求两点之间的距离，单位为/>；/>为地球半径，/>；/>为点一所处位置纬度；/>为点一所处位置经度；/>为点二所处位置纬度；/>为点二所处位置经度；
1.2）待研究路段所在区域收费站的编号以及地理位置信息。
例如：学士站的编号为301，所在位置经度为112.88722799，所在位置纬度为28.14399775；
白泉站的编号为304，所在位置经度为112.89139727，所在位置纬度为27.999959；
本案例所述的待研究区域历史公路OD数据包括公路路网内每对出入站编码，每对出入站之间的OD交通量，数据记录的日期以及其所属的时间窗；
例如：出口站编码为301、入口站编码为303的站点之间的OD交通量为6，数据记录的时间为2019-05-13，其所属的时间窗为1；
出口站编码为30、入口站编码为304的站点之间的OD交通量为1，数据记录的时间为2019-02-13.其所属的时间窗为1。
步骤2，采用增量分配法对历史公路OD数据进行交通流分配，得到路网的车辆行驶路径和路网中各路段的交通量。
采用增量分配法对历史公路OD数据进行交通流分配的方法为：
步骤2.1，利用历史公路OD数据求得每个时间窗内的OD总需求量，并将每个时间窗内的OD需求总量划分为N=4个部分，每部分分配的流量分别占OD总交通需求量的40%、30%、20%和10%，初始化路段阻抗，其中/>为路网中路段总数；初始化当前迭代分配次数为/>；
步骤2.2，利用BPR函数更新各路段阻抗为；
步骤2.3，将第n部分OD交通需求量分配到路网中阻抗量小的路径上，更新路段流量；
步骤2.4，利用路阻函数模型BPR函数更新步骤2.3中被分配交通需求量的路段的交通阻抗；
步骤2.5，判断是否等于/>，如果/>，计算结束，否则/>，重复执行步骤2.3至步骤2.5。
例如，对起终站编号分别为301、4914的收费站之间的OD交通量进行交通流分配，在某十五分钟起终站编号分别为301、4914的收费站之间的OD交通量为20；具体步骤如下：
设定总的迭代次数为，设置每次分配的流量分别占OD数据行程的40%、30%、20%和10%，即8、6、4、2；第一次分配：按每条路段车流量为零时路段行驶时间初始化路段阻抗，即编号301的收费站到临近编号为6408的收费站之间的路段零流行驶时间/>为60s等，根据计算得到的每条路段的路段阻抗利用Dijkstra方法求出待分配起终点之间的最短路径，所求站点301到4914之间的最短路径为301-6408-4912-4914，将第一份车流量分配到所求最短路径上；第二次分配：以301-6408-4912-4914路段交通量为8，其他路段交通量为0，按BPR函数更新路段阻抗，即更新得到的编号301的收费站到临近编号为6408的收费站之间的路段行驶时间/>为63s，再根据计算得到的每条路段的路段阻抗利用Dijkstra方法求出待分配起终点之间的最短路径，所求站点301到4914之间的最短路径为301-1521-1704-4914，将第二份车流量分配到所求最短路径上。
同理，根据第二次分配结果进行第三次交通流分配，根据第三次分配结果进行第四次交通流分配。
步骤3，筛选途经所述待研究拥堵路段的车辆行驶路径，并将筛选所得每条车辆行驶路径的起始收费站均确定为所述待研究拥堵路段的车源。
针对路网中每对OD的车辆行驶路径，遍历高速公路网每一条路段，如果某一路段存在于某OD对的出行路径中，则认为该OD对的起始收费站为该路段的车源，反之，则认为该OD对的起始收费站不是该路段的车源。本实施例中针对待研究路段，将途径待研究拥堵路段的车辆行驶路径提取出来，并将这些车辆行驶路径的起始收费站均确定为待研究路段的车源。
步骤4，统计待研究拥堵路段的各个车源每天每个时间窗对待研究拥堵路段的贡献量，每天共n个连续时间窗对应得到贡献量占比时间序列。
针对待研究拥堵路段，将从某一车源出发并经过该路段的车辆数定义为该车源对该路段的贡献量；例如车源301在2019年5月13日对路段301-6408的贡献量为8。
步骤5，根据每个车源对待研究拥堵路段的贡献量占比时间序列，利用统计量对各车源进行马尔可夫性的检验。
具体步骤为：已知2019年5月13日0点到2019年5月14日0点编号为130的站点每小时对京港澳高速公路湖南段的贡献量占比为：{0.297735, 0.258065,0.220884, 0.220339, 0.251908, 0.166172, 0.143533, 0.100000, 0.115987,0.121807, 0.149652, 0.188755, 0.139687, 0.142700, 0.171501, 0.154946,0.145928, 0.173864, 0.185093, 0.172214, 0.186992, 0.192641, 0.246479,0.246575}，构成长度n为24的贡献量占比时间序列。
将序列中所有贡献量占比划为种状态，每个贡献量占比隶属于其中1种状态，具体为：首先确定划分状态的数目为4，然后将贡献量占比时间序列/>按从小到大重新排序，并按序将每6个贡献量占比数据为1个簇，将每簇内数据均值作为1个状态，得到贡献量占比的4种状态为：{0.127285, 0.160069, 0.191281, 0.253601}，并确定簇内每个贡献量占比隶属于的状态。此时即可计算出该日交通贡献量占比的频数转移矩阵/>和一步状态转移概率矩阵/>，计算结果如下：
根据上面求出的频数转移矩阵和一步转移矩阵/>，可以计算出/>。一般，选取显著性水平/>，即表示统计显著性为95%，通过查询对应的卡方分布表，可以计算得到
=16.919，/>。由于/>，所以2019年5月13日0点到2019年5月14日0点编号为130的站点每小时时间窗内对京港澳高速公路湖南段的贡献量占比时间序列满足马尔可夫性。
步骤6，对具有马尔可夫性的每个车源，利用其对待研究拥堵路段的贡献量占比时间序列，构建一步状态转移概率矩阵/>，进而建立马尔可夫车源预测模型。
将建立的马尔可夫车源预测模型表示为：
式中，为待预测车源第/>时段的贡献量占比的状态向量预测值；/>为距待预测车源最近的时间窗/>内对待研究拥堵路段的贡献量占比的状态向量；车源对路段的贡献量占比的状态向量，是指车源对路段的贡献量占比分别占/>种状态的隶属度构成的向量；/>为一步状态转移矩阵，其中元素/>为转移状态/>到状态/>的转移概率；/>为待预测车源第/>时段。
步骤7，基于马尔可夫车源预测模型，预测待研究拥堵路段在目标时段的主要车源。
采用马尔可夫车源预测模型，滚动预测各车源对待研究拥堵路段在目标时段的贡献量占比的状态向量，取车源对路段的贡献量占比的状态向量中最大概率对应的状态作为各车源对待研究拥堵路段在目标时段的贡献量占比。
例如，预测2019年5月14日0点到1点编号为130的站点对京港澳高速公路湖南段的贡献量占比，已知2019年5月13日23点到2019年5月14日0点编号为130的站点对京港澳高速公路湖南段的车源贡献量占比为0.246479，从步骤5计算得到的车源对路段的贡献量占比状态序列{0.127285、0.160069、0.191281、0.253601}中选取与贡献量占比0.246479的差值绝对值最小的状态作为2019年5月13日23点到2019年5月14日0点的车源贡献量占比状态，即贡献量占比0.246479与车源对路段的贡献量占比的状态序列{0.127285、0.160069、0.191281、0.253601}中第4种状态0.253601差值绝对值最小，即2019年5月13日23点到2019年5月14日0点的该车源对路段的贡献量占比状态为状态序列中第4种状态0.253601，即取初试状态向量，利用步骤10模型求得预测第1时段内车源对路段的贡献量占比的状态向量/>为/>，选取车源对路段的贡献量占比的状态向量/>中最高概率0.6对应的车源对路段的贡献量占比的状态序列{0.127285、0.160069、0.191281、0.253601}中第4种状态0.253601为第1时段该车源贡献量占比预测值；利用步骤6求得模型预测第2时段的状态向量/>为/>，选取车源对路段的贡献量占比的状态向量/>中最高概率0.4266对应的状态序列{0.127285、0.160069、0.191281、0.253601}中第4种状态0.253601为第2时段该车源贡献量占比预测值；依次滚动预测可得到目标时段该车源贡献量占比预测值。
然后将各车源按其对待研究拥堵路段在目标时段的贡献量占比预测值从大到小排序，将满足预设条件的前若干个车源确定为待研究拥堵路段在目标时段的主要车源。
本实施例中按贡献量占比预测值顺序，从第1位向后依次累加车源对路段交通量的贡献量占比，直至累加的交通量贡献量占比达到路段交通流量80%为止，记为第n位，其中第1位至第n位之间的车源为主要车源。
以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (9)
1.一种基于马尔可夫链的区域拥堵车源预测方法，其特征在于，包括：
步骤1，获取待研究拥堵路段所在区域的公路路网情况和历史公路OD数据；
步骤2，采用增量分配法对历史公路OD数据进行交通流分配，得到路网的车辆行驶路径和路网中各路段的交通量；
步骤3，筛选途经所述待研究拥堵路段的车辆行驶路径，并将筛选所得每条车辆行驶路径的起始收费站均确定为所述待研究拥堵路段的车源；
步骤4，统计待研究拥堵路段的各个车源每天每个时间窗对待研究拥堵路段的贡献量，每天共n个连续时间窗对应得到贡献量占比时间序列；
步骤5，根据每个车源对待研究拥堵路段的贡献量占比时间序列，利用/>统计量对各车源进行马尔可夫性的检验；
步骤6，对具有马尔可夫性的每个车源，利用其对待研究拥堵路段的贡献量占比时间序列，构建一步状态转移概率矩阵，进而建立马尔可夫车源预测模型；
步骤7，基于马尔可夫车源预测模型，预测待研究拥堵路段在目标时段的主要车源。
2.根据权利要求1所述的基于马尔可夫链的区域拥堵车源预测方法，其特征在于，所述公路路网情况以及历史公路OD数据，包括：道路信息、收费站信息和以小时为单位的OD数据；所述道路信息、收费站信息和以小时为单位的OD数据，包括待研究拥堵路段所属区域的公路路网及公路收费站的地理信息、每对出入口站的编码、每对出入口站每小时通过的OD交通量、记录OD交通量的日期和其所属的时间窗。
3.根据权利要求1所述的基于马尔可夫链的区域拥堵车源预测方法，其特征在于，采用增量分配法对历史公路OD数据进行交通流分配的方法为：
步骤2.1，利用历史公路OD数据求得每个时间窗内的OD总需求量，并将每个时间窗内的OD需求总量划分为若干个部分，其中每部分的OD交通需求量相等或递减；
步骤2.2，利用经验或历史记录得到各路段初始阻抗；
步骤2.3，将第1部分OD交通需求量分配到当前路网阻抗下利用最短路径算法求得的每对OD相应的最短路径上；
步骤2.4，利用路阻函数模型BPR函数更新步骤2.3中被分配交通需求量的路段的交通阻抗；
步骤2.5，将第2部分OD交通需求量分配到当前路网阻抗下利用最短路径算法求得的每对OD对应的最短路径上；
步骤2.6，重复执行步骤2.4，获得更新后的交通阻抗，并按步骤2.5将剩余任意部分的OD交通需求量分配到当前更新过的路网阻抗下利用最短路径算法求得的每对OD对应的最短路径上，直到所有OD交通需求量分配完毕。
4.根据权利要求1所述的基于马尔可夫链的区域拥堵车源预测方法，其特征在于，某一车源对待研究拥堵路段的贡献量定义为：从该车源出发并经过该待研究拥堵路段的车辆数。
5.根据权利要求1所述的基于马尔可夫链的区域拥堵车源预测方法，其特征在于，利用统计量对各车源进行马尔可夫性的检验，具体为：
假设某一车源在n个连续时间窗内对待研究拥堵路段的贡献量占比时间序列为，将序列所有贡献量占比划为m种状态，每个贡献量占比隶属于其中1种状态，用表示该序列中的贡献量占比从状态/>经过一步转移到状态/>的频数，将状态转移频数矩阵的第/>列之和除以该矩阵各行各列的总和得到的值成为边际概率，记为/>，即：
；
当贡献量占比时间序列的长度足够大时，/>统计量/>服从自由度为/>的/>分布；其中，/>为转移状态/>到状态/>的转移概率，为状态/>经过一步转移到状态/>的频数占状态/>经过一步转移到任意状态的频数总和之比；
给定显著性水平，通过查询对应的卡方分布表，确定自由度为/>时的密度函数值/>，若统计量/>满足
；
则判定该车源对待研究拥堵路段的贡献量占比时间序列具有马尔可夫性。
6.根据权利要求5所述的基于马尔可夫链的区域拥堵车源预测方法，其特征在于，建立的马尔可夫车源预测模型表示为：
；
式中，为待预测车源第/>时段的贡献量占比的状态向量预测值；/>为距待预测车源最近的时间窗/>内对待研究拥堵路段的贡献量占比的状态向量；车源对路段的贡献量占比的状态向量，是指车源对路段的贡献量占比分别占/>种状态的隶属度构成的向量；/>为一步状态转移矩阵，其中元素/>为转移状态/>到状态/>的转移概率；/>为第/>时段；
然后采用马尔可夫车源预测模型，滚动预测各车源对待研究拥堵路段在目标时段的贡献量占比的状态向量，取状态向量中最大概率对应的状态作为各车源对待研究拥堵路段在目标时段的贡献量占比；
再将各车源按其对待研究拥堵路段在目标时段的贡献量占比从大到小排序，将满足预设条件的前若干个车源确定为待研究拥堵路段在目标时段的主要车源。
7.根据权利要求5所述的基于马尔可夫链的区域拥堵车源预测方法，其特征在于，所述将序列所有贡献量占比划为种状态，每个贡献量占比隶属于其中1种状态，具体为：首先确定划分状态的数目/>，然后将贡献量占比时间序列按从小到大排序，并按序将每/>个贡献量占比为一个簇，将每簇内均值作为1种状态，并确定簇内每个贡献量占比隶属于的状态。
8.一种基于马尔可夫链的区域拥堵车源预测装置，其特征在于，包括：
样本获取模块，用于：获取待研究拥堵路段所在区域的公路路网情况和历史公路OD数据；
交通流分配模块，用于：采用增量分配法对历史公路OD数据进行交通流分配，得到路网的车辆行驶路径和路网中各路段的交通量；
车源确定模块，用于：筛选途经所述待研究拥堵路段的车辆行驶路径，并将筛选所得每条车辆行驶路径的起始收费站均确定为所述待研究拥堵路段的车源；
贡献量统计模块，用于：统计待研究拥堵路段的各个车源每天每个时间窗内对待研究拥堵路段的贡献量，每天共n个连续时间窗对应得到车源对路段的贡献量占比序列；
马尔可夫性检验模块，用于：根据每个车源对待研究拥堵路段的贡献量占比时间序列，利用/>统计量对各车源进行马尔可夫性的检验；
预测模型建立模块，用于：对具有马尔可夫性的每个车源，利用其对待研究拥堵路段的贡献量占比时间序列，构建一步状态转移概率矩阵，进而建立马尔可夫车源预测模型；
预测模块，用于：基于马尔可夫车源预测模型，预测待研究拥堵路段在目标时段的主要车源。
9.一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310835672.3A CN116580563B (zh) | 2023-07-10 | 2023-07-10 | 基于马尔可夫链的区域拥堵车源预测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310835672.3A CN116580563B (zh) | 2023-07-10 | 2023-07-10 | 基于马尔可夫链的区域拥堵车源预测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116580563A true CN116580563A (zh) | 2023-08-11 |
| CN116580563B CN116580563B (zh) | 2023-09-22 |
Family
ID=87538142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310835672.3A Active CN116580563B (zh) | 2023-07-10 | 2023-07-10 | 基于马尔可夫链的区域拥堵车源预测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116580563B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252307A (zh) * | 2023-11-14 | 2023-12-19 | 北京阿帕科蓝科技有限公司 | 流量预测方法、装置、计算机设备和存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060212188A1 (en) * | 2003-02-27 | 2006-09-21 | Joel Kickbusch | Method and apparatus for automatic selection of alternative routing through congested areas using congestion prediction metrics |
| CN105046949A (zh) * | 2015-06-12 | 2015-11-11 | 中南大学 | 一种基于手机数据计算o-d流进行车源预测的方法 |
| CN106530715A (zh) * | 2016-12-24 | 2017-03-22 | 浙江工业大学 | 基于模糊马尔可夫过程的路网交通状态预测方法 |
| CN107045787A (zh) * | 2017-06-16 | 2017-08-15 | 南京理工大学 | 一种交通拥堵贡献度的计算方法 |
| CN107147517A (zh) * | 2017-03-24 | 2017-09-08 | 上海交通大学 | 一种针对虚拟网络功能的自适应计算资源分配方法 |
| CN107146446A (zh) * | 2017-07-10 | 2017-09-08 | 中南大学 | 一种基于rfid数据和动态车源的路径诱导方法 |
| JP2019066930A (ja) * | 2017-09-28 | 2019-04-25 | 株式会社Ｎｔｔドコモ | 渋滞予測モデル作成装置 |
| CN110889427A (zh) * | 2019-10-15 | 2020-03-17 | 同济大学 | 一种拥堵交通流溯源分析方法 |
| CN112070275A (zh) * | 2020-08-14 | 2020-12-11 | 青岛海信网络科技股份有限公司 | 一种轨道交通路网协同限流的方法和装置及设备 |
| CN112863176A (zh) * | 2021-01-06 | 2021-05-28 | 北京掌行通信息技术有限公司 | 交通拥堵溯源方法、装置、电子设备及存储介质 |
| CN113724489A (zh) * | 2021-07-22 | 2021-11-30 | 东南大学 | 基于多源数据的交通拥堵溯源方法 |
| CN115100848A (zh) * | 2022-05-20 | 2022-09-23 | 同济大学 | 一种地面交通拥堵的出行溯源方法和系统 |
| CN116030629A (zh) * | 2023-01-09 | 2023-04-28 | 云艾网人工智能科技(江苏)有限公司 | 基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器 |
| CN116403410A (zh) * | 2023-06-06 | 2023-07-07 | 中南大学 | 一种考虑拥堵车源的高速公路混合路径诱导模型构建方法 |
-
2023
- 2023-07-10 CN CN202310835672.3A patent/CN116580563B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060212188A1 (en) * | 2003-02-27 | 2006-09-21 | Joel Kickbusch | Method and apparatus for automatic selection of alternative routing through congested areas using congestion prediction metrics |
| CN105046949A (zh) * | 2015-06-12 | 2015-11-11 | 中南大学 | 一种基于手机数据计算o-d流进行车源预测的方法 |
| CN106530715A (zh) * | 2016-12-24 | 2017-03-22 | 浙江工业大学 | 基于模糊马尔可夫过程的路网交通状态预测方法 |
| CN107147517A (zh) * | 2017-03-24 | 2017-09-08 | 上海交通大学 | 一种针对虚拟网络功能的自适应计算资源分配方法 |
| CN107045787A (zh) * | 2017-06-16 | 2017-08-15 | 南京理工大学 | 一种交通拥堵贡献度的计算方法 |
| CN107146446A (zh) * | 2017-07-10 | 2017-09-08 | 中南大学 | 一种基于rfid数据和动态车源的路径诱导方法 |
| JP2019066930A (ja) * | 2017-09-28 | 2019-04-25 | 株式会社Ｎｔｔドコモ | 渋滞予測モデル作成装置 |
| CN110889427A (zh) * | 2019-10-15 | 2020-03-17 | 同济大学 | 一种拥堵交通流溯源分析方法 |
| CN112070275A (zh) * | 2020-08-14 | 2020-12-11 | 青岛海信网络科技股份有限公司 | 一种轨道交通路网协同限流的方法和装置及设备 |
| CN112863176A (zh) * | 2021-01-06 | 2021-05-28 | 北京掌行通信息技术有限公司 | 交通拥堵溯源方法、装置、电子设备及存储介质 |
| CN113724489A (zh) * | 2021-07-22 | 2021-11-30 | 东南大学 | 基于多源数据的交通拥堵溯源方法 |
| CN115100848A (zh) * | 2022-05-20 | 2022-09-23 | 同济大学 | 一种地面交通拥堵的出行溯源方法和系统 |
| CN116030629A (zh) * | 2023-01-09 | 2023-04-28 | 云艾网人工智能科技(江苏)有限公司 | 基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器 |
| CN116403410A (zh) * | 2023-06-06 | 2023-07-07 | 中南大学 | 一种考虑拥堵车源的高速公路混合路径诱导模型构建方法 |
Non-Patent Citations (4)
| Title |
|---|
| CHEN YUJUN 等: "Spatial–temporal traffic outlier detection by coupling road level of service", 《IET INTELLIGENT TRANSPORT SYSTEMS》, vol. 13, pages 1016 - 1022, XP006081871, DOI: 10.1049/iet-its.2018.5214 * |
| KUN HE 等: "Congestion Avoidance Routing Based on Large-Scale Social Signals", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, vol. 17, no. 9, pages 2613 - 2626, XP011620991, DOI: 10.1109/TITS.2015.2498186 * |
| 王璞 等: "手机信令与出租车GPS数据融合车源定位方法", 《哈尔滨工业大学学报》, vol. 50, no. 9, pages 96 - 100 * |
| 龙雪琴 等: "考虑出行者不同理性程度的拥堵交通流分配方法", 《交通运输系统工程与信息》, vol. 23, no. 1, pages 216 - 223 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252307A (zh) * | 2023-11-14 | 2023-12-19 | 北京阿帕科蓝科技有限公司 | 流量预测方法、装置、计算机设备和存储介质 |
| CN117252307B (zh) * | 2023-11-14 | 2024-04-09 | 北京阿帕科蓝科技有限公司 | 流量预测方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116580563B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
| CN111160753B (zh) | 一种基于知识图谱的路网节点重要性评估的方法 | |
| CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
| CN108564790B (zh) | 一种基于交通流时空相似性的城市短时交通流预测方法 | |
| CN105185115B (zh) | 一种交通预测方法和预测系统 | |
| CN101673463B (zh) | 一种基于时间序列的交通信息预测方法及装置 | |
| US7920960B2 (en) | Method and apparatus for predicting future travel times over a transportation network | |
| CN103413443B (zh) | 基于隐马尔科夫模型的短时交通流状态预测方法 | |
| CN109376935B (zh) | 一种基于神经网络的公交客流分时段组合预测方法 | |
| CN116580563B (zh) | 基于马尔可夫链的区域拥堵车源预测方法、装置及设备 | |
| Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
| CN112863182A (zh) | 基于迁移学习的跨模态数据预测方法 | |
| CN105303835B (zh) | 一种道路交通流状态的短时预测方法 | |
| CN103870890A (zh) | 高速公路网交通流量分布的预测方法 | |
| CN109712402B (zh) | 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 | |
| CN108345987B (zh) | 一种道路基础设施建设项目影响评价决策支持系统及方法 | |
| CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
| Mahdavian et al. | A universal automated data-driven modeling framework for truck traffic volume prediction | |
| Doğan | Short-term traffic flow prediction using artificial intelligence with periodic clustering and elected set | |
| Jintanakul et al. | Bayesian mixture model for estimating freeway travel time distributions from small probe samples from multiple days | |
| Zheng et al. | Rebuilding city-wide traffic origin destination from road speed data | |
| Chen et al. | Data mining and pattern matching for dynamic origin–destination demand estimation: Improving online network traffic prediction | |
| CN111815956A (zh) | 一种高速公路交通流量预测方法 | |
| CN115394083A (zh) | 一种基于深度学习的高速公路交通拥堵预测方法 | |
| Mallek et al. | Enhanced K-Nearest Neighbor model for multi-steps traffic flow forecast in urban roads |
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 |