CN116665439A - 基于车牌识别数据的城市路网车流od不确定性估计方法 - Google Patents
基于车牌识别数据的城市路网车流od不确定性估计方法 Download PDFInfo
- Publication number
- CN116665439A CN116665439A CN202310486336.2A CN202310486336A CN116665439A CN 116665439 A CN116665439 A CN 116665439A CN 202310486336 A CN202310486336 A CN 202310486336A CN 116665439 A CN116665439 A CN 116665439A
- Authority
- CN
- China
- Prior art keywords
- flow
- traffic
- vehicle
- time
- period
- 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 49
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 15
- 239000010410 layer Substances 0.000 claims description 86
- 238000009826 distribution Methods 0.000 claims description 42
- 210000002569 neuron Anatomy 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 22
- 239000011229 interlayer Substances 0.000 claims description 19
- 210000004027 cell Anatomy 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000013531 bayesian neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012795 verification 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于车辆号牌识别数据的城市路网车流OD不确定性估计方法,包括:获取车辆号牌识别数据,重构车辆轨迹,并按照Time‑of‑Day的时间维度提取路网样本车流OD、样本路径流量、样本路段流量和实际路段流量;基于贝叶斯计算图框架构建得到车流OD不确定性估计框架;分别设计历史车流OD、实时车流OD的不确定性估计流程,基于车流OD不确定性估计框架,设置损失函数,采用Adam方法进行训练求解,得到实时车流OD和历史车流OD的不确定性估计结果。本发明能够提高车流OD估计的鲁棒性和准确性,对提升交通管理系统的响应能力和服务水平具有重要意义。
Description
技术领域
本发明属于城市路网车流OD估计技术领域,尤其涉及一种基于车辆号牌识别数据的城市路网车流OD不确定性估计方法。
背景技术
路网车流OD反映特定时间段内道路交通网络中各交通小区之间的交通需求,能够为城市交通规划与管理提供有效的决策依据。路网车流OD估计是道路交通管控智能化的重要基础环节,也是利用交通供需关系实现主动式交通管理的关键支撑,其准确性和鲁棒性在基于供需关系的智能交通管控与服务中显得尤为重要。实时、全样本车流OD是城市交通规划和主动交通管理的重要输入,传统上通过交通调查的方式获取车流OD费时费力。利用观测数据进行车流OD估计的方法能以更小的经济、时间成本获取车流OD,且具有时效性。
现有的路网车流OD估计方法为:将计算图作为底层建模工具,基于多源数据估计不同层级(出行生成、出行分布、交通分配)的出行需求;将不同类型的数据与不同层级关联,通过计算图统一表达数据和定义状态来分解复杂的复合函数,刻画交通需求估计问题内部的数学结构;同时利用反向传播算法自动计算梯度,求解计算图各层级的交通需求估计值。现有的路网车流OD估计方法本质可以看作双层问题建模和求解:上层是针对车流OD估计问题进行建模,主要基于统计优化函数、状态空间方程、计算图;下层是针对交通分配问题进行建模,主要是基于非动态交通分配方法、显式动态交通分配方法、隐式动态交通分配方法。
现有车流OD估计模型变量和参数隐含确定性假设,无法有效反映交通流异方差不确定性和动态交通分配过程不确定性,动态车流OD估计的不确定性建模水平有待进一步量化提升,不能有效支撑城市交通规划和主动交通管理;另外,现有车流OD估计技术中的交通分配模型多以用户均衡为模型收敛目标,主动交通管理等场景下的车辆出行路径选择通常介于用户均衡和系统最优之间,现有方法未充分利用车辆号牌识别数据等轨迹数据捕捉到的车辆真实轨迹分布。因此,如何反映路网车流OD与交通流量的非线性映射关系,实现城市路网历史车流OD、实时车流OD的不确定性量化,进一步提高车流OD估计的鲁棒性和准确性,成为亟需解决的技术问题。
发明内容
解决的技术问题:本发明公开了一种基于车辆号牌识别数据的城市路网车流OD不确定性估计方法,能够反映路网车流OD与交通流量的非线性映射关系,通过构建路网车流OD不确定性估计框架,实现城市路网历史车流OD、实时车流OD的不确定性量化,进一步提高车流OD估计的鲁棒性和准确性,对提升交通管理系统的响应能力和服务水平具有重要意义。
技术方案:
一种基于车辆号牌识别数据的城市路网车流OD不确定性估计方法,所述不确定性估计方法包括以下步骤:
S1,获取车辆号牌识别数据,重构车辆轨迹,并按照Time-of-Day的时间维度提取路网样本车流OD、样本路径流量、样本路段流量和实际路段流量;路网车流OD是指交通网络中起点O与终点D之间在指定时间段内的车辆出行总量;
S2,基于贝叶斯计算图框架构建得到车流OD不确定性估计框架,车流OD不确定性估计框架由车流OD层、路径流量层、路段流量层这三层结构组成;框架中所有神经元和权重均为由均值和方差表示的正态分布;其中,车流OD层的各个神经元与路网中的各OD对一一对应,每个神经元的值代表相应OD对的OD值,层神经元的数量为时段数量n乘以OD对的数量(k×k),k为小区数量;路径流量层的各个神经元与路网中各条路径一一对应,每个神经元的值代表对应路径上的流量,层神经元的数量为时段数量n乘以路径的数量p;路段流量层的各个神经元与路网中各条路段一一对应,每个神经元的值代表对应路段上的流量,层神经元的数量为路段的数量m;不同层间的神经元根据实际路网的时间和空间关联情况进行连接;
S3,分别设计历史车流OD、实时车流OD的不确定性估计流程,基于车流OD不确定性估计框架,设置损失函数,采用Adam方法进行训练求解,得到实时车流OD和历史车流OD的不确定性估计结果。
进一步地,步骤S1中,获取车辆号牌识别数据,重构车辆轨迹,并按照Time-of-Day的时间维度提取路网样本车流OD、样本路径流量、样本路段流量和实际路段流量的过程包括以下子步骤:
S11,获取卡口式电子警察设备采集的车辆号牌识别数据,包括过车时刻、设备编号、车牌编号与车道编号;设备编号是卡口式电子警察设备的编号,车道编号为车辆被记录时所在车道;
S12,统计相邻轨迹点间各车辆的行程时间,设置时间阈值为相邻出行轨迹点间平均行程时间的两倍;
S13,利用时间阈值,将车辆出行链划分为车辆轨迹;
S14,将装有卡口式电子警察设备的交叉口作为交通小区,并将各车辆轨迹的起点和终点与交通小区匹配;
S15,判断各车辆出行轨迹是否完整,采用最短路算法将不完整的车辆出行轨迹重构补全;
S16,基于重构的车辆轨迹,提取各预设单位时段的样本车流OD、样本路径流量和样本路段流量;
S17,针对每个卡口式电子警察设备,统计各预设单位时段的过车数量,得到实际路段流量。
进一步地,所述预设单位时段为15分钟。
进一步地,步骤S2中,基于贝叶斯计算图框架构建得到车流OD不确定性估计框架的过程包括以下子步骤:
S21,假设当前时段的路段流量由当前时段和前n-1个时段释放的交通流共同影响,每个时段的数据为一个样本,采用下述公式计算时段数量n:
其中,tmax表示路网内的交通小区之间行程时间的最大值,t表示单个时段的时长,表示向上取整;
S22,构建车流OD不确定性估计框架,框架中的所有神经元和权重均为由均值和方差表示的正态分布;
S23,设置层间连接关系,不同层间的神经元根据实际路网的时间和空间关联情况进行连接;时间关联是指,处于j时段的路段流量受到j、j-1...j-(n-1)时段路径流量的影响,处于j时段的路径流量仅受到j时段车流OD的影响;空间关联是指,任意一个路段流量被经过该路段的路径流量影响,任意一个路径流量被选择该路径的车流OD影响。
进一步地,步骤S3中,分别设计历史车流OD、实时车流OD的不确定性估计流程,基于车流OD不确定性估计框架,设置损失函数,采用Adam方法进行训练求解,得到实时车流OD和历史车流OD的不确定性估计结果的过程包括以下子步骤:
S31,设置贝叶斯计算图求解过程中的损失函数:
L=L1+L2+L3
其中,Lx分别代表车流OD层、路径流量层和路段流量层的损失误差,通过计算训练数据的流量分布和训练参数的流量分布的KL散度得到,x=1,2,3;利用变分推断拟合后验分布,近似得到误差函数Lx:
其中,框架训练数据集为w为计算图的参数集合,θ为最优估计参数;P(·)表示先验分布,q(·)表示后验分布;
S32,进行历史样本车流OD不确定性估计,基于历史样本车流OD不确定性估计结果再进行待估时段的历史车流OD估计;
S33,训练实时车流OD不确定性估计模型,进行实时车流OD不确定性估计。
进一步地,步骤S32中,进行历史样本车流OD不确定性估计,基于历史样本车流OD不确定性估计结果再进行待估时段的历史车流OD估计的过程包括以下子步骤:
S321,提取待估时段及其前n-1个时段的样本车流OD、待估时段及其前n-1个时段的样本路径流量和待估时段的样本路段流量;
S322,将步骤S321的提取数据输入至车流OD不确定性估计框架,训练得到历史样本车流OD不确定性估计模型,迭代终止次数为M,置信水平为95%,学习率α为0.001,激活函数为sigmoid,优化器采用Adam算法;
S323,采用训练好的历史样本车流OD不确定性估计模型,输出待估时段及其前n-1个时段的样本车流OD估计值、待估时段及其前n-1个时段的样本路径流量估计值、待估时段的样本路段流量估计值,以及车流OD层与路段流量层间的层间参数、路径流量层与路段流量层间的层间参数;
S324,将待估时段及其前n-1个时段的样本车流OD估计值、待估时段及其前n-1个时段的样本路径流量估计值和待估时段的路段流量输入至车流OD不确定性估计框架,将步骤S322得到的车流OD层与路段流量层间的层间参数、路径流量层与路段流量层间的层间参数作为固定值,训练得到历史车流OD不确定性估计模型;迭代终止次数为M,置信水平为95%,学习率α为0.001,激活函数为sigmoid,优化器采用Adam算法;
S325,采用训练完成的历史车流OD不确定性估计模型,输出待估时段的历史车流OD、历史路径流量和历史路段流量的估计值。
进一步地,步骤S33中,训练实时车流OD不确定性估计模型,进行实时车流OD不确定性估计的过程包括以下子步骤:
S331,输入当前时段的历史同时期车流OD及前n-1个时段的实时估计车流OD、当前时段的历史同时期路径流量及前n-1个时段的实时估计路径流量、当前时段的实时路段流量至车流OD不确定性估计框架,训练实时车流OD不确定性估计模型;迭代终止次数为M,置信水平为95%,学习率α为0.001,激活函数为sigmoid,优化器采用Adam算法;
S332,采用训练好的实时车流OD不确定性估计模型,输出当前时段的实时车流OD、实时路径流量、实时路段流量的估计值,以及车流OD层与路径流量层间的层间参数、路径流量层与路段流量层间的层间参数。
有益效果:
第一,本发明的基于车辆号牌识别数据的城市路网车流OD不确定性估计方法,将物理可解释性强的计算图方法与贝叶斯神经网络结合,框架神经元和权重均为分布,通过求解贝叶斯计算图不仅能获取路网车流OD估计水平值,还能获取路网车流OD的分布区间,刻画交通流的不确定性。
第二,本发明的基于车辆号牌识别数据的城市路网车流OD不确定性估计方法,车辆号牌识别数据的轨迹信息符合现实路网主动交通管理等场景下的车辆出行路径选择规律,充分利用该轨迹信息提高路网车流OD估计的准确性和可靠性,为城市交通规划与主动交通管理提供充分的数据支持。
附图说明
图1为车流OD不确定性估计框架示意图;
图2为历史车流OD不确定性估计流程示意图;
图3为实时车流OD不确定性估计流程示意图;
图4为实例路网示意图;
图5为本发明实施的基于车辆号牌识别数据的城市路网车流OD不确定性估计方法流程示意图。
具体实施方式
下面的实施例可使本专业技术人员更全面地理解本发明,但不以任何方式限制本发明。
首先对本实施例涉及的术语进行解释:路网车流OD(Origin-Destination,简称OD),交通网络中特定起点(O)与终点(D)之间特定时间段内的车辆出行总量。车辆号牌识别数据,指通过车牌识别技术,记录经过号牌识别设备检测区域的车辆信息,包括检测器编号、车牌编号、车道编号、过车时刻等数据。OD不确定性估计,估计路网车流OD的均值和方差。贝叶斯计算图方法,是一种将计算图和贝叶斯神经网络结合的框架,其节点和边具有实际物理含义,其参数是具有不确定性的分布,可以通过反向传播算法对贝叶斯计算图进行求解。
参见图5,本实施例公开了一种基于车辆号牌识别数据的城市路网车流OD不确定估计方法,包括如下步骤:
S1,获取车辆号牌识别数据,重构车辆轨迹,并按照Time-of-Day的时间维度提取路网样本车流OD、样本路径流量、样本路段流量和实际路段流量。
S2,构建由三层结构(车流OD层、路径流量层、路段流量层)组成的贝叶斯计算图框架;车流OD不确定性估计框架的具体结构如图1所示。
S3,分别设计历史车流OD、实时车流OD的不确定性估计流程,基于车流OD估计贝叶斯计算图框架,设置损失函数,采用Adam方法进行训练求解,得到实时车流OD和历史车流OD的不确定性估计结果。
步骤S1的具体过程如下:
S11,获取卡口式电子警察设备采集的车辆号牌识别数据,包括过车时刻、设备编号、车牌编号与车道编号;
S12,统计相邻轨迹点间各车辆的行程时间,设置时间阈值为相邻出行轨迹点间平均行程时间的两倍;
S13,利用时间阈值,将车辆出行链划分为车辆轨迹;
S14,将装有卡口式电子警察设备的交叉口作为交通小区,并将各车辆轨迹的起点和终点与交通小区匹配;
S15,判断各车辆出行轨迹是否完整,采用最短路算法将不完整的车辆出行轨迹重构补全;
S16,基于重构的车辆轨迹,提取各时段(例如15分钟)的样本车流OD、样本路径流量和样本路段流量;
S17,针对每个卡口式电子警察设备,统计各时段(例如15分钟)的过车数量,得到实际路段流量。
步骤2的具体过程如下:
S21,由于交通流量在路网上存在滞留现象,当前时段的路段流量由当前时段和前n-1个时段释放的交通流共同影响。每个时段的数据为一个样本,计算时段数量n:
其中,tmax表示路网内的交通小区之间行程时间的最大值,t表示单个时段的时长,表示向上取整。
S22,构建车流OD不确定性估计框架,框架中的所有神经元和权重均为由均值和方差表示的正态分布:
(1)设置车流OD层。车流OD层的各个神经元与路网中的各OD对一一对应,每个神经元的值代表相应OD对的OD值,层神经元的数量为时段数量n乘以OD对的数量(k×k),k为小区数量;
(2)设置路径流量层。路径流量层的各个神经元与路网中各条路径一一对应,每个神经元的值代表对应路径上的流量,层神经元的数量为时段数量n乘以路径的数量p;
(3)设置路段流量层。路段流量层的各个神经元与路网中各条路段一一对应,每个神经元的值代表对应路段上的流量,层神经元的数量为路段的数量m。
(4)设置层间连接关系。不同层间的神经元根据实际路网的时间和空间关联情况进行连接:时间关联是指,由于路段流量由当前时段和前n-1个时段释放的交通流共同影响,处于j时段的路段流量受到j、j-1...j-(n-1)时段路径流量的影响,处于j时段的路径流量仅受到j时段车流OD的影响;空间关联是指,某路段流量被经过该路段的路径流量影响,某路径流量被选择该路径的车流OD影响。
步骤3的具体过程如下:
S31,设置贝叶斯计算图求解过程中的损失函数:
L=L1+L2+L3
其中,Lx(x=1,2,3)分别代表车流OD层、路径流量层和路段流量层的损失误差,通过计算训练数据的流量分布和训练参数的流量分布的KL(Kullback-Leibler)散度得到。利用变分推断拟合后验分布,近似得到误差函数Ln:
其中,框架训练数据集为w为计算图的参数集合,θ为最优估计参数;P(·)表示先验分布,q(·)表示后验分布。
S32,首先进行历史样本车流OD不确定性估计,基于此再进行待估时段的历史车流OD估计,流程如图2所示,具体步骤如下:
(1)训练历史样本车流OD不确定性估计模型。输入基于步骤S16得到的样本车流OD(待估时段及其前n-1个时段)、样本路径流量(待估时段及其前n-1个时段)和样本路段流量(待估时段);
(2)训练模型,迭代终止次数为M,置信水平为95%,学习率α为0.001,激活函数为sigmoid,优化器采用Adam算法;
(3)输出样本车流OD估计值(待估时段及其前n-1个时段)、样本路径流量估计值(待估时段及其前n-1个时段)、样本路段流量估计值(待估时段),以及车流OD层与路径流量层间的层间参数、路径流量层与路段流量层间的层间参数;
(4)训练历史车流OD不确定性估计模型。输入样本车流OD估计值(待估时段及其前n-1个时段)、样本路径流量估计值(待估时段及其前n-1个时段)和路段流量(待估时段),将步骤(3)得到的车流OD层与路径流量层间的层间参数,路径流量层与路段流量层间的层间参数作为固定值。
(5)训练模型,迭代终止次数为M,置信水平为95%,学习率α为0.001,激活函数为sigmoid,优化器采用Adam算法;
(6)输出待估时段的历史车流OD、历史路径流量和历史路段流量的估计值。
S33进行实时车流OD不确定性估计,流程如图3所示,具体步骤如下:
(1)训练实时车流OD不确定性估计模型。输入路网车流OD(当前时段的历史同时期车流OD及前n-1个时段的实时估计车流OD)、路径流量(当前时段的历史同时期路径流量及前n-1个时段的实时估计路径流量)、实时路段流量(当前时段);
(2)训练模型,迭代终止次数为M,置信水平为95%,学习率α为0.001,激活函数为sigmoid,优化器采用Adam算法;
(3)输出当前时段的实时车流OD、实时路径流量、实时路段流量的估计值,以及车流OD层与路径流量层间的层间参数、路径流量层与路段流量层间的层间参数。
案例分析
本发明实施例对上述方法进行了实验验证,并取得了良好的效果。案例数据来源于江苏省昆山市中心城区路网,东起青阳路,西至柏庐路,南起朝阳路,北至同丰路,如图4所示。车辆号牌识别数据的采集时间范围为2018年5月10日至2018年6月22日,筛选出数据质量较好的37天数据。每条号牌识别数据记录经过号牌识别设备检测区域的车辆的相关信息,包括日期、时间、设备编号、车牌号码、车道编号。设备编号是卡口式电子警察设备的编号,车道编号为车辆被记录时所在车道。
(1)号牌识别数据如表1所示。
表1号牌识别数据样例
(2)车辆出行链划分后车辆出行轨迹如表2所示。
表2划分行程后的车辆出行轨迹示例
(3)利用本发明所提出的贝叶斯计算图框架对示例路网的历史车流OD和实时车流OD进行不确定性估计。示例路网车流OD矩阵属于典型稀疏矩阵,矩阵中OD值较大的点对,对路网交通状况影响较大。故选取流量较大、具有一定代表性的15组OD对,如表3所示,从准确性和可靠性两方面对估计结果进行评估。
表3代表性OD对
(4)准确性评估
1)历史车流OD不确定性估计的准确性评估
评估指标为均方根误差指标(RMSE)、平均绝对百分比误差指标(MAPE),具体如下:
其中,表示贝叶斯计算图框架估计的历史车流OD水平值,yi表示历史OD的观测值,n为OD对的数量。针对早高峰(7:00-9:00)、平峰(9:00-17:00)、晚高峰(17:00-19:00)分别计算RMSE和MAPE。
步骤S3历史车流OD不确定性估计准确性指标如表4所示。15组车流OD对的RMSE指标值均小于10(辆/15分钟)。早高峰时段的RMSE指标值较大,可能受早高峰时段车流量大、交通状况复杂影响;平峰时段的RMSE指标值均小于8(辆/15分钟),MAPE指标值均小于24%,其中OD对16-12例外,由于该OD对的交通需求量较小,较小的估计误差可能导致较大的MAPE指标值;晚高峰时段,大多数OD对RMSE指标值均小于9(辆/15分钟),仅有OD对24-25与41-44的RMSE指标值较大,可能受晚高峰时段内较大的车流波动影响。
表4历史车流OD估计准确性指标
2)基于实时车流OD不确定性估计的路段流量分配准确性评估。
由于无法获得整个实例路网的真实实时车流OD观测值,因此通过对比实际观测的实时路段流量与框架估计的实时路段流量进行准确性评估。评估指标为GEH,具体如下:
其中,表示贝叶斯计算图框架估计的实时路段流量水平值;yi表示实时路段流量的观测值。对早高峰(7:00-9:00)、平峰(9:00-17:00)、晚高峰(17:00-19:00)分别计算GEH。GEH指标的评判标准为:当GEH≤5时,估计结果准确性较好;当5<GEH≤10时,估计结果准确性可接受;当GEH>10时,估计结果准确性较差。
实时车流OD不确定性估计的准确性指标如表5所示。85.76%实际路段分配流量的GEH≤5,96.29%的实际路段分配流量的GEH≤10,说明实时路段流量分配结果准确性较高。平峰、晚高峰时段的实际路段分配流量的GEH小于早高峰时段,说明所提出框架在平峰和晚高峰时段内刻画路网车流分布的能力更强。
表5实时路段流量分配准确性指标
(5)可靠性评估
1)历史车流OD不确定性估计的可靠性评估
评估指标为无效覆盖率(KP)和置信水平95%下的估计置信区间宽度(CI),具体如下:
CI=置信区间上限-置信区间下限
其中,KN为无效覆盖量,即不在估计的区间范围内的观测值数量;N为估计的样本总量。
历史车流OD不确定性估计可靠性指标如表6所示。大多数OD对的平均KP指标值小于9%,15组KP的均值约为8.20%,即约8.20%的历史车流OD观测值处在贝叶斯计算图框架估计结果的95%置信区间之外,同时整体CI值较小,说明历史车流OD不确定性估计的整体可靠性较高。
表6历史车流OD估计可靠性指标
2)基于实时车流OD不确定性估计的路段流量分配可靠性评估
由于无法获得整个实例路网的真实实时车流OD观测值,因此通过对比实际观测的实时路段流量与框架估计的实时路段流量进行可靠性评估。评估指标为无效覆盖率(KP)和置信水平95%下的估计置信区间宽度(CI)。
实时车流OD不确定性估计可靠性指标如表7所示。各个路段的平均KP指标值均小于16%,15组KP的均值约为7.89%,即7.89%的实时路段流量观测值处在贝叶斯计算图框架估计结果的95%置信区间之外。此外,在保证有效估计的基础上,整体CI值较小,说明实时路段流量分配结果的可靠性较高。
表7实时路段流量分配可靠性指标
本发明实施例对车流OD进行不确定性估计,基于车流分配过程,结合贝叶斯神经网络中参数和神经元服从分布的特性,构建路网车流OD不确定性估计计算图,采用贝叶斯反向传播算法,实现对历史和实时车流OD的不确定性估计。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于车辆号牌识别数据的城市路网车流OD不确定性估计方法,其特征在于,所述不确定性估计方法包括以下步骤:
S1,获取车辆号牌识别数据,重构车辆轨迹,并按照Time-of-Day的时间维度提取路网样本车流OD、样本路径流量、样本路段流量和实际路段流量;路网车流OD是指交通网络中起点O与终点D之间在指定时间段内的车辆出行总量;
S2,基于贝叶斯计算图框架构建得到车流OD不确定性估计框架,车流OD不确定性估计框架由车流OD层、路径流量层、路段流量层这三层结构组成;框架中所有神经元和权重均为由均值和方差表示的正态分布;其中,车流OD层的各个神经元与路网中的各OD对一一对应,每个神经元的值代表相应OD对的OD值,层神经元的数量为时段数量n乘以OD对的数量(k×k),k为小区数量;路径流量层的各个神经元与路网中各条路径一一对应,每个神经元的值代表对应路径上的流量,层神经元的数量为时段数量n乘以路径的数量p;路段流量层的各个神经元与路网中各条路段一一对应,每个神经元的值代表对应路段上的流量,层神经元的数量为路段的数量m;不同层间的神经元根据实际路网的时间和空间关联情况进行连接;
S3,分别设计历史车流OD、实时车流OD的不确定性估计流程,基于车流OD不确定性估计框架,设置损失函数,采用Adam方法进行训练求解,得到实时车流OD和历史车流OD的不确定性估计结果。
2.根据权利要求1所述的基于车辆号牌识别数据的城市路网车流OD不确定性估计方法,其特征在于,步骤S1中,获取车辆号牌识别数据,重构车辆轨迹,并按照Time-of-Day的时间维度提取路网样本车流OD、样本路径流量、样本路段流量和实际路段流量的过程包括以下子步骤:
S11,获取卡口式电子警察设备采集的车辆号牌识别数据,包括过车时刻、设备编号、车牌编号与车道编号;设备编号是卡口式电子警察设备的编号,车道编号为车辆被记录时所在车道;
S12,统计相邻轨迹点间各车辆的行程时间,设置时间阈值为相邻出行轨迹点间平均行程时间的两倍;
S13,利用时间阈值,将车辆出行链划分为车辆轨迹;
S14,将装有卡口式电子警察设备的交叉口作为交通小区,并将各车辆轨迹的起点和终点与交通小区匹配;
S15,判断各车辆出行轨迹是否完整,采用最短路算法将不完整的车辆出行轨迹重构补全;
S16,基于重构的车辆轨迹,提取各预设单位时段的样本车流OD、样本路径流量和样本路段流量;
S17,针对每个卡口式电子警察设备,统计各预设单位时段的过车数量,得到实际路段流量。
3.根据权利要求2所述的基于车辆号牌识别数据的城市路网车流OD不确定性估计方法,其特征在于,所述预设单位时段为15分钟。
4.根据权利要求1所述的基于车辆号牌识别数据的城市路网车流OD不确定性估计方法,其特征在于,步骤S2中,基于贝叶斯计算图框架构建得到车流OD不确定性估计框架的过程包括以下子步骤:
S21,假设当前时段的路段流量由当前时段和前n-1个时段释放的交通流共同影响,每个时段的数据为一个样本,采用下述公式计算时段数量n:
其中,tmax表示路网内的交通小区之间行程时间的最大值,t表示单个时段的时长,表示向上取整;
S22,构建车流OD不确定性估计框架,框架中的所有神经元和权重均为由均值和方差表示的正态分布;
S23,设置层间连接关系,不同层间的神经元根据实际路网的时间和空间关联情况进行连接;时间关联是指,处于j时段的路段流量受到j、j-1...j-(n-1)时段路径流量的影响,处于j时段的路径流量仅受到j时段车流OD的影响;空间关联是指,任意一个路段流量被经过该路段的路径流量影响,任意一个路径流量被选择该路径的车流OD影响。
5.根据权利要求1所述的基于车辆号牌识别数据的城市路网车流OD不确定性估计方法,其特征在于,步骤S3中,分别设计历史车流OD、实时车流OD的不确定性估计流程,基于车流OD不确定性估计框架,设置损失函数,采用Adam方法进行训练求解,得到实时车流OD和历史车流OD的不确定性估计结果的过程包括以下子步骤:
S31,设置贝叶斯计算图求解过程中的损失函数:
L=L1+L2+L3
其中,Lx分别代表车流OD层、路径流量层和路段流量层的损失误差,通过计算训练数据的流量分布和训练参数的流量分布的KL散度得到,x=1,2,3;利用变分推断拟合后验分布,近似得到误差函数Lx:
其中,框架训练数据集为w为计算图的参数集合,θ为最优估计参数;P(·)表示先验分布,q(·)表示后验分布;
S32,进行历史样本车流OD不确定性估计,基于历史样本车流OD不确定性估计结果再进行待估时段的历史车流OD估计;
S33,训练实时车流OD不确定性估计模型,进行实时车流OD不确定性估计。
6.根据权利要求5所述的基于车辆号牌识别数据的城市路网车流OD不确定性估计方法,其特征在于,步骤S32中,进行历史样本车流OD不确定性估计,基于历史样本车流OD不确定性估计结果再进行待估时段的历史车流OD估计的过程包括以下子步骤:
S321,提取待估时段及其前n-1个时段的样本车流OD、待估时段及其前n-1个时段的样本路径流量和待估时段的样本路段流量;
S322,将步骤S321提取的数据输入至车流OD不确定性估计框架,训练得到历史样本车流OD不确定性估计模型,迭代终止次数为M,置信水平为95%,学习率α为0.001,激活函数为sigmoid,优化器采用Adam算法;
S323,采用训练好的历史样本车流OD不确定性估计模型,输出待估时段及其前n-1个时段的样本车流OD估计值、待估时段及其前n-1个时段的样本路径流量估计值、待估时段的样本路段流量估计值,以及车流OD层与路径流量层间的层间参数、路径流量层与路段流量层间的层间参数;
S324,将待估时段及其前n-1个时段的样本车流OD估计值、待估时段及其前n-1个时段的样本路径流量估计值和待估时段的路段流量输入至车流OD不确定性估计框架,将步骤S322得到的车流OD层与路径流量层间的层间参数、路径流量层与路段流量层间的层间参数作为固定值,训练得到历史车流OD不确定性估计模型;迭代终止次数为M,置信水平为95%,学习率α为0.001,激活函数为sigmoid,优化器采用Adam算法;
S325,采用训练完成的历史车流OD不确定性估计模型,输出待估时段的历史车流OD、历史路径流量和历史路段流量的估计值。
7.根据权利要求5所述的基于车辆号牌识别数据的城市路网车流OD不确定性估计方法,其特征在于,步骤S33中,训练实时车流OD不确定性估计模型,进行实时车流OD不确定性估计的过程包括以下子步骤:
S331,输入当前时段的历史同时期车流OD及前n-1个时段的实时估计车流OD、当前时段的历史同时期路径流量及前n-1个时段的实时估计路径流量、当前时段的实时路段流量至车流OD不确定性估计框架,训练实时车流OD不确定性估计模型;迭代终止次数为M,置信水平为95%,学习率α为0.001,激活函数为sigmoid,优化器采用Adam算法;
S332,采用训练好的实时车流OD不确定性估计模型,输出当前时段的实时车流OD、实时路径流量、实时路段流量的估计值,以及车流OD层与路径流量层间的层间参数、路径流量层与路段流量层间的层间参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310486336.2A CN116665439B (zh) | 2023-04-28 | 2023-04-28 | 基于车牌识别数据的城市路网车流od不确定性估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310486336.2A CN116665439B (zh) | 2023-04-28 | 2023-04-28 | 基于车牌识别数据的城市路网车流od不确定性估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116665439A true CN116665439A (zh) | 2023-08-29 |
CN116665439B CN116665439B (zh) | 2024-05-07 |
Family
ID=87718011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310486336.2A Active CN116665439B (zh) | 2023-04-28 | 2023-04-28 | 基于车牌识别数据的城市路网车流od不确定性估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116665439B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017140175A1 (zh) * | 2016-02-18 | 2017-08-24 | 华南理工大学 | 基于路径识别系统的收费公路网交通信息采集与诱导系统 |
CN107705558A (zh) * | 2017-09-15 | 2018-02-16 | 东南大学 | 一种多数据类型的贝叶斯od矩阵估计方法 |
CN108376472A (zh) * | 2018-04-24 | 2018-08-07 | 浙江方大智控科技有限公司 | 基于智能交通灯od信息分析的路段管理方法及系统 |
CN109215350A (zh) * | 2018-11-02 | 2019-01-15 | 重庆大学 | 一种基于rfid电子车牌数据的短期交通状态预测方法 |
CN110148295A (zh) * | 2019-04-03 | 2019-08-20 | 东南大学 | 一种估计路段自由流速度及交叉口上游到达流率的方法 |
CN110362557A (zh) * | 2019-05-27 | 2019-10-22 | 华南理工大学 | 一种基于机器学习和车牌识别数据的缺失路径修复方法 |
US20200042799A1 (en) * | 2018-07-31 | 2020-02-06 | Didi Research America, Llc | System and method for point-to-point traffic prediction |
CN112634620A (zh) * | 2020-12-24 | 2021-04-09 | 东南大学 | 基于Encoder-Decoder深度神经网络的路网动态交通分配方法 |
CN114049765A (zh) * | 2021-11-03 | 2022-02-15 | 扬州大学 | 基于自动车辆号牌识别数据的城市路网车流od估计方法 |
US20220207995A1 (en) * | 2020-12-30 | 2022-06-30 | Here Global B.V. | Origination destination route analytics of road lanes |
CN115691170A (zh) * | 2022-11-03 | 2023-02-03 | 东南大学 | 一种基于号牌数据的城市干线道路子区划分方法 |
-
2023
- 2023-04-28 CN CN202310486336.2A patent/CN116665439B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017140175A1 (zh) * | 2016-02-18 | 2017-08-24 | 华南理工大学 | 基于路径识别系统的收费公路网交通信息采集与诱导系统 |
CN107705558A (zh) * | 2017-09-15 | 2018-02-16 | 东南大学 | 一种多数据类型的贝叶斯od矩阵估计方法 |
CN108376472A (zh) * | 2018-04-24 | 2018-08-07 | 浙江方大智控科技有限公司 | 基于智能交通灯od信息分析的路段管理方法及系统 |
US20200042799A1 (en) * | 2018-07-31 | 2020-02-06 | Didi Research America, Llc | System and method for point-to-point traffic prediction |
CN109215350A (zh) * | 2018-11-02 | 2019-01-15 | 重庆大学 | 一种基于rfid电子车牌数据的短期交通状态预测方法 |
CN110148295A (zh) * | 2019-04-03 | 2019-08-20 | 东南大学 | 一种估计路段自由流速度及交叉口上游到达流率的方法 |
CN110362557A (zh) * | 2019-05-27 | 2019-10-22 | 华南理工大学 | 一种基于机器学习和车牌识别数据的缺失路径修复方法 |
CN112634620A (zh) * | 2020-12-24 | 2021-04-09 | 东南大学 | 基于Encoder-Decoder深度神经网络的路网动态交通分配方法 |
US20220207995A1 (en) * | 2020-12-30 | 2022-06-30 | Here Global B.V. | Origination destination route analytics of road lanes |
CN114049765A (zh) * | 2021-11-03 | 2022-02-15 | 扬州大学 | 基于自动车辆号牌识别数据的城市路网车流od估计方法 |
CN115691170A (zh) * | 2022-11-03 | 2023-02-03 | 东南大学 | 一种基于号牌数据的城市干线道路子区划分方法 |
Non-Patent Citations (1)
Title |
---|
孙剑;冯羽;: "自动识别环境下车辆的出行矩阵估计新方法", 同济大学学报(自然科学版), no. 12, 15 December 2011 (2011-12-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN116665439B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991713B (zh) | 基于多图卷积和gru的不规则区域流量预测方法 | |
Zang et al. | Long-term traffic speed prediction based on multiscale spatio-temporal feature learning network | |
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN111612243B (zh) | 交通速度预测方法、系统及存储介质 | |
Coccia et al. | Recent developments in predictive uncertainty assessment based on the model conditional processor approach | |
CN110827543A (zh) | 一种基于深度学习和时空数据融合的短时交通流控制方法 | |
Khaled et al. | TFGAN: Traffic forecasting using generative adversarial network with multi-graph convolutional network | |
CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN112257934A (zh) | 一种基于时空动态神经网络的城市人流预测方法 | |
CN114220271A (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
CN111275962B (zh) | 车辆轨迹数据聚集效应预测方法及装置 | |
CN112489426A (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN111079860B (zh) | 基于情景相似度的突发事件多粒度响应模型构建方法 | |
CN112613637A (zh) | 充电负荷的处理方法和装置 | |
CN111638396B (zh) | 一种基于Boost的土壤杂散电流电位监测方法 | |
CN115659609A (zh) | 一种基于dtw-dcrnn的化工园区噪声预测方法 | |
CN112613630B (zh) | 一种融合多尺度时空统计信息的短时交通需求预测方法 | |
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 | |
CN111985731B (zh) | 城市公共交通站点人数的预测方法及系统 | |
CN116665439B (zh) | 基于车牌识别数据的城市路网车流od不确定性估计方法 | |
CN116089744B (zh) | 一种基于Transformer动态时空关联的医院停车场推荐方法 | |
CN116913098A (zh) | 一种融合空气质量与车流量数据的短时交通流预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |