CN117012042A - 一种基于动态复杂网络的交通流量预测方法及设备 - Google Patents
一种基于动态复杂网络的交通流量预测方法及设备 Download PDFInfo
- Publication number
- CN117012042A CN117012042A CN202311276841.0A CN202311276841A CN117012042A CN 117012042 A CN117012042 A CN 117012042A CN 202311276841 A CN202311276841 A CN 202311276841A CN 117012042 A CN117012042 A CN 117012042A
- Authority
- CN
- China
- Prior art keywords
- flow
- vehicle
- traffic
- path
- model
- 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 57
- 239000002131 composite material Substances 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 76
- 230000006870 function Effects 0.000 claims description 8
- 238000013468 resource allocation Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000003912 environmental pollution Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本发明公开了一种基于动态复杂网络的交通流量预测方法及设备,属于智慧交通技术技术领域,用于解决现有高速公路的交通流为大粒度预测,难以对高速公路上的交通流进行准确的预测,不利于高速公路的资源分配的技术问题。方法包括:获取高速公路的交通数据;根据交通数据,对车辆交通起止点的流量占比进行模型训练,得到OD流量占比预测模型;基于OD流量占比预测模型,确定出基于高速收费站的预测OD流量;通过车辆出行的路径选择因素,对车辆的实际出行路径进行加权相关性训练,得到复合路径选择模型;根据预测OD流量以及复合路径选择模型,对高速收费站之间各个路段的车流量进行流量预测,得到预测车流量。
Description
技术领域
本申请涉及智慧交通技术领域,尤其涉及一种基于动态复杂网络的交通流量预测方法及设备。
背景技术
随着国民经济实力的持续增强,交通运输业也在快速发展,特别是高速公路,然而,随着汽车持有量的持续增加,以及各地区经济互动的愈加频繁,行驶于高速公路上的车辆越来越多,导致高速公路上的交通拥堵越来越严重,交通事故也频频发生。
如何提升现有高速公路的通行效率,从而缓解拥堵、减少事故,成为高速公路交通的管理和控制的重要方向。这其中,实时准确的高速公路路段流量预测是实施高速公路智能交通管理和诱导的关键。
传统高速公路路段的交通流在时间上具有周期性和规律性,并使用时间序列预测方法来估算高速公路路段交通流,该预测方法虽然简单但过于粗糙,并未充分考虑路网结构等空间因素以及环境、交通事故等随机性因素的影响,仅仅只适用于大粒度交通流预测,难以对高速公路上的交通流进行准确的预测,不利于高速公路的资源分配。
发明内容
本申请实施例提供了一种基于动态复杂网络的交通流量预测方法及设备,用于解决如下技术问题:现有高速公路的交通流为大粒度预测,未充分考虑路网结构、交通事故等多因素影响,难以对高速公路上的交通流进行准确的预测,不利于高速公路的资源分配。
本申请实施例采用下述技术方案:
一方面,本申请实施例提供了一种基于动态复杂网络的交通流量预测方法,包括:获取高速公路的交通数据;根据所述交通数据,对车辆交通起止点的流量占比进行模型训练,得到OD流量占比预测模型;并基于所述OD流量占比预测模型,确定出基于高速收费站的预测OD流量;通过车辆出行的路径选择因素,对车辆的实际出行路径进行加权相关性训练,得到复合路径选择模型;根据所述预测OD流量以及所述复合路径选择模型,对所述高速收费站之间各个路段的车流量进行流量预测,得到预测车流量。
本申请实施例将流量预测结果中的预测车流量通过智能交通系统平台提供给出行者和管理者,可以诱导出行者选择最佳的行驶路径,以避开拥堵路段,节约时间,减少额外的经济损失和环境污染,提高了行驶效率和交通安全,而管理者也可以根据未来一段时间的流量预测信息来及时的对拥堵路段实施必要的管控,减轻拥堵路段的交通负荷,合理利用高速公路资源。
在一种可行的实施方式中,获取高速公路的交通数据,具体包括:基于高速公路的高速收费站以及通行门架,获取历史车辆在各个时刻的进站流量数据以及对应的车辆OD流量;根据车辆类型数据,对所述车辆OD流量进行相同车型的数据分类,得到每个车型的历史OD流量;获取当前车辆在各个时刻的当前车辆OD流量;并对所述当前车辆OD流进行相同车型的数据分类,得到每个车型的当前OD流量;其中,所述交通数据包括:所述历史OD流量以及所述当前OD流量。
在一种可行的实施方式中,在根据所述交通数据,对车辆交通起止点的流量占比进行模型训练,得到OD流量占比预测模型之前,所述方法还包括:根据,得到处于高速收费站i的p型车辆下的OD流量占比预测模型的训练输入量/>;其中,表示t时刻,p型车辆在高速收费站i的OD流量占比向量;L为时间单元个数;/>表示在t时刻p型车辆且在高速收费站i的进站流量;/>表示t时刻,p型车辆,从高速收费站i到高速收费站j的OD流量;根据,得到处于高速收费站i的p型车辆下的OD流量占比预测模型的训练输出量/>;根据,得到处于t时刻下p型车辆的单个训练样本/>;根据/>,得到训练样本集合;其中,/>为所述OD流量占比预测模型的维度向量。
在一种可行的实施方式中,根据所述交通数据,对车辆交通起止点的流量占比进行模型训练,得到OD流量占比预测模型,具体包括:根据,得到用于所述OD流量占比预测模型训练的损失函数/>;其中,/>表示模型预测OD流量占比,表示真实OD流量占比,/>表示向量的点乘;基于所述训练输入量、所述训练输出量、所述单个训练样本、所述训练样本集合以及所述损失函数,对车辆交通起止点的OD流量占比进行随机梯度下降训练;并基于历史OD流量以及当前OD流量的占比向量,生成所述OD流量占比预测模型。
在一种可行的实施方式中,在通过车辆出行的路径选择因素,对车辆的实际出行路径进行加权相关性训练,得到复合路径选择模型之前,所述方法还包括:基于,确定出所述实际出行路径的相关性信息;其中,/>表示p型车辆的出行者在所述预测OD流量/>之间的实际出行路径;表示p型车辆的出行者在所述预测OD流量/>之间的距离出行路径;/>表示p型车辆的出行者在所述预测OD流量/>之间的时间出行路径;/>表示p型车辆的出行者在所述预测OD流量/>之间的路费出行路径;/>分别表示p型车辆的出行者在进行路径选择时距离最优路径、时间最优路径和路费最优路径的加权系数;/>表示为相关性;所述路径选择因素包括:所述距离出行路径、所述时间出行路径以及所述路费出行路径。
在一种可行的实施方式中,通过车辆出行的路径选择因素,对车辆的实际出行路径进行加权相关性训练,得到复合路径选择模型,具体包括:根据,得到实际出行路径特征向量/>;其中,/>分别表示p型车辆的出行者在进行路径选择时距离最优路径、时间最优路径和路费最优路径的加权系数;/>为距离出行路径的特征向量;为时间出行路径的特征向量;/>为路费出行路径的特征向量;p为p型车辆;i与j分别为不同的高速收费站;基于所述实际出行路径特征向量,对车辆的实际出行路径进行加权相关性训练,生成所述复合路径选择模型。
在一种可行的实施方式中,根据,得到所述距离出行路径的特征向量/>;其中,/>表示高速公路网的第/>个路段是否属于距离最短出行路径/>;/>为向量空间;i与j分别为不同的高速收费站;p为p型车辆;根据/>,得到所述时间出行路径的特征向量;其中,/>表示高速公路网的第/>个路段是否属于时间出行路径;根据/>,得到所述路费出行路径的特征向量/>;其中,/>表示高速公路网的第/>个路段是否属于路费出行路径。
在一种可行的实施方式中,在根据所述预测OD流量以及所述复合路径选择模型,对所述高速收费站之间各个路段的车流量进行流量预测,得到预测车流量之前,所述方法还包括:根据,得到p型车辆的OD流量训练样本数量/>;其中,为高速收费站i与高速收费站j之间p型车辆的预测OD流量;训练样本为;/>为实际出行路径特征向量;/>为距离最短出行路径特征向量;/>为时间最小出行路径特征向量;/>为路费最少出行路径特征向量;p为p型车辆;i与j分别为不同的高速收费站。
在一种可行的实施方式中,根据所述预测OD流量以及所述复合路径选择模型,对所述高速收费站之间各个路段的车流量进行流量预测,得到预测车流量,具体包括:根据,得到所述预测车流量/>;其中,/>为OD流量占比预测模型所预测出的p型车辆的预测OD流量;/>分别表示在所述复合路径选择模型中p型车辆的出行者在进行路径选择时距离最优路径、时间最优路径和路费最优路径的加权系数;/>为距离出行路径的特征向量;/>为时间出行路径的特征向量;/>为路费出行路径的特征向量;p为p型车辆;i与j分别为不同的高速收费站。
另一方面,本申请实施例还提供了一种基于动态复杂网络的交通流量预测设备,所述设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有能够被所述至少一个处理器执行的指令,以使所述至少一个处理器能够执行上述实施例所述的一种基于动态复杂网络的交通流量预测方法。
本申请提供了一种基于动态复杂网络的交通流量预测方法及设备,与现有技术相比,本申请具有以下有益的技术效果:
本申请实施例将流量预测结果中的预测车流量通过智能交通系统平台提供给出行者和管理者,可以诱导出行者选择最佳的行驶路径,以避开拥堵路段,节约时间,减少额外的经济损失和环境污染,提高了行驶效率和交通安全,而管理者也可以根据未来一段时间的流量预测信息来及时的对拥堵路段实施必要的管控,减轻拥堵路段的交通负荷,合理利用高速公路资源。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请实施例提供的一种基于动态复杂网络的交通流量预测方法流程图;
图2为本申请实施例提供的一种基于动态复杂网络的交通流量预测设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,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他实施例,都应当属于本申请保护的范围。
本申请实施例提供了一种基于动态复杂网络的交通流量预测法,如图1所示,基于动态复杂网络的交通流量预测方法具体包括步骤S101-S104:
需要说明的是,将高速公路路网抽象为由点集合和边集合组成的复杂网络,其中/>表示高速公路网中的节点集合,/>表示节点的个数,其中/>表示收费站对应的节点集合,N表示收费站的个数;/>表示除收费站之外的节点集合(如交叉立交)。/>表示高速公路网中连接节点的边的集合(边对应高速公路路段),M表示边的个数。
1、表示车辆类型分类。
2、表示t时刻,在高速收费站i的进站流量。
3、表示t时刻,p型车辆,在高速收费站i的进站流量。
4、表示t时刻,从高速收费站i到高速收费站j的OD流量。
5、表示t时刻,p型车辆,从高速收费站i到高速收费站j的OD流量。
S101、获取高速公路的交通数据。
具体地,基于高速公路的高速收费站以及通行门架,获取历史车辆在各个时刻的进站流量数据以及对应的车辆OD流量。根据车辆类型数据,对车辆OD流量进行相同车型的数据分类,得到每个车型的历史OD流量。其中,OD流量即交通起止点调查又称OD交通量调查,OD交通量就是指起终点间的交通出行量。“O”来源于英文ORIGIN,指出行的出发地点,“D”来源于英文DESTINATION,指出行的目的地。
进一步地,获取当前车辆在各个时刻的当前车辆OD流量。并对当前车辆OD流进行相同车型的数据分类,得到每个车型的当前OD流量。
其中,交通数据包括:历史OD流量以及当前OD流量。
在一个实施例中,采集历史高速公路的交通数据。用于模型训练:获取从到时刻的高速公路收费站收费数据和门架通行数据,可以获取各个时刻所有收费站的进站流量/>以及各个时刻所有OD流量/>。将OD流量按照车型进行拆分,可获得各个时刻,各个车型的所有历史OD流量/>。然后再采集当前高速公路的交通数据,用于模型推理:获取当前(即/>时刻)的高速公路收费站收费数据和门架通行数据,可以获取当前所有收费站的进站流量/>,将进站流量按照车型进行拆分,可获得当前各个车型的进站流量/>。
S102、根据交通数据,对车辆交通起止点的流量占比进行模型训练,得到OD流量占比预测模型。并基于OD流量占比预测模型,确定出基于高速收费站的预测OD流量。
需要说明的是,本申请实施例基于卷积神经网络构建OD流量占比预测模型。卷积神经网络包括输入层、卷积层、激活层、池化层和全连接层。其中,输入层接收的输入向量为/>维度的列向量。卷积层的卷积核尺寸为5x5,卷积核移动步长为1,采用补零填充。激活层采用RELU激活函数。池化层采用最大池化方式。模型的最后为两层全连接层。全连接的输出为长度为/>维度的列向量。
具体地,根据,得到处于高速收费站i的p型车辆下的OD流量占比预测模型的训练输入量/>。其中,表示t时刻,p型车辆在高速收费站i的OD流量占比向量。L为时间单元个数。/>表示在t时刻p型车辆且在高速收费站i的进站流量。/>表示t时刻,p型车辆,从高速收费站i到高速收费站j的OD流量。/>即为从/>时刻到时刻共计L个时间单元,p车型在高速收费站i的OD流量占比向量的拼接向量。
进一步地,根据,得到处于高速收费站i的p车型下的OD流量占比预测模型的训练输出量/>。
进一步地,根据,得到处于t时刻下p型车辆的单个训练样本/>。
进一步地,根据,得到训练样本集合。其中,/>为OD流量占比预测模型的维度向量。
进一步地,根据,得到用于OD流量占比预测模型训练的损失函数/>。其中,/>表示模型预测OD流量占比,/>表示真实OD流量占比,/>表示向量的点乘。该损失函数衡量了模型预测OD流量占比和真实OD流量占比在概率分布上差异。
进一步地,基于训练输入量、训练输出量、单个训练样本、训练样本集合以及损失函数,对车辆交通起止点的OD流量占比进行随机梯度下降训练。并基于历史OD流量以及当前OD流量的占比向量,生成OD流量占比预测模型。
在一个实施例中,将从时刻到/>时刻,p车型在收费站i的OD流量占比向量的拼接向量作为模型推理的输入,送入/>(待训练的OD流量占比预测模型),即可得到当前时刻p车型在收费站i的OD流量占比向量。再结合收费站i当前时刻的进展流量/>,可得到各个OD流量绝对数值/>,从而完成预测模型的推理,生成OD流量占比预测模型。
S103、通过车辆出行的路径选择因素,对车辆的实际出行路径进行加权相关性训练,得到复合路径选择模型。
需要说明的是,在实际的交通环境中,不同类型出行者的路径选择具有不同的特点,因此本申请进行如下定义:
①由于出行者分类在实际情况中难以获得,因此本申请将车型作为出行者分类的依据,即不同的车型在路径选择上具有不同的特点;
②影响路径选择的因素主要包括行程距离、行程时间和行程路费,即路径选择行为受到距离、时间和路费的综合影响。
具体地,基于,确定出实际出行路径的相关性信息。
其中,表示p型车辆的出行者在预测OD流量/>之间的实际出行路径。
表示p型车辆的出行者在预测OD流量/>之间的距离出行路径。
表示p型车辆的出行者在预测OD流量/>之间的时间出行路径。
表示p型车辆的出行者在预测OD流量/>之间的路费出行路径。
分别表示p型车辆的出行者在进行路径选择时距离最优路径、时间最优路径和路费最优路径的加权系数,/>表示为相关性。
其中,路径选择因素包括:距离出行路径、时间出行路径以及路费出行路径。
作为一种可行的实施方式,由于路径是由不确定数量的路段组成,因此为了构建、/>、/>和/>的量化关系。本申请分别将/>、/>、和/>投影到/>维度的特征空间,形成特征向量/>、、/>和/>。
进一步地,根据,得到实际出行路径特征向量/>。其中,/>分别表示p型车辆的出行者在进行路径选择时距离最优路径、时间最优路径和路费最优路径的加权系数,p为p型车辆,i与j分别为不同的高速收费站。/>为距离出行路径的特征向量。/>为时间出行路径的特征向量。/>为路费出行路径的特征向量。即实际出行路径特征向量等于距离最短出行路径特征向量、时间最小出行路径特征向量和路费最少出行路径特征向量的线性组合。
其中,1)针对预测OD流量,并基于路网结构,使用迪杰斯特拉算法可找出行程最短路径/>;/>是由/>个连续的路段组成,其中/>。我们将/>投影到/>维度的特征空间,形成长度为M的列向量/>。即,根据,得到距离出行路径的特征向量/>。其中,表示高速公路网的第/>个路段是否属于距离最短出行路径/>。如果高速公路网的第/>个路段属于行程最短路径/>,则/>,否则/>0。p为p型车辆,i与j分别为不同的高速收费站,/>为向量空间。
2)针对预测OD流量,并基于路网结构、历史行程时间使用迪杰斯特拉算法可以找出行程时间最短路径/>,并将其投影为长度为M的列向量/>。即,根据/>,得到时间出行路径的特征向量/>。其中,/>表示高速公路网的第/>个路段是否属于时间出行路径/>。如果高速公路网的第/>个路段属于行程最短路径/>,则/>,否则/>0。
3)针对预测OD流量,并基于路网结果和高速公路收费费率,使用迪杰斯特拉算法可以找出费用最少路径/>,并将其投影为长度为M的列向量/>。即,根据/>,得到路费出行路径的特征向量/>。其中,/>表示高速公路网的第/>个路段是否属于路费出行路径/>。如果高速公路网的第/>个路段属于费用最少路径/>,则/>,否则/>0。
进一步地,根据,得到p型车辆的OD流量训练样本数量/>。其中,/>为高速收费站i与高速收费站j之间p型车辆的预测OD流量。该训练样本为。
其中,为实际出行路径特征向量。/>为距离最短出行路径特征向量。/>为时间最小出行路径特征向量。/>为路费最少出行路径特征向量。p为p型车辆。i与j分别为不同的高速收费站。即要拟合的参数为上述公式/>中的/>。并使用最小二乘法进行参数拟合。
进一步地,基于实际出行路径特征向量,对车辆的实际出行路径进行加权相关性训练,并基于上述的p型车辆的OD流量训练样本数量,继续学习训练,最终得到训练后的复合路径选择模型。
S104、根据预测OD流量以及复合路径选择模型,对高速收费站之间各个路段的车流量进行流量预测,得到预测车流量。
具体地,最后再根据,得到预测车流量/>。其中,/>为OD流量占比预测模型所预测出的p型车辆的预测OD流量。/>分别表示在复合路径选择模型中p型车辆的出行者在进行路径选择时距离最优路径、时间最优路径和路费最优路径的加权系数。/>为距离出行路径的特征向量。/>为时间出行路径的特征向量。/>为路费出行路径的特征向量。p为p型车辆。i与j分别为不同的高速收费站。
另外,本申请实施例还提供了一种基于动态复杂网络的交通流量预测设备,如图2所示,基于动态复杂网络的交通流量预测设备200具体包括:
至少一个处理器201。以及,与至少一个处理器201通信连接的存储器202;其中,存储器202存储有能够被至少一个处理器201执行的指令,以使至少一个处理器201能够执行:
获取高速公路的交通数据;
根据交通数据,对车辆交通起止点的流量占比进行模型训练,得到OD流量占比预测模型;并基于OD流量占比预测模型,确定出基于高速收费站的预测OD流量;
通过车辆出行的路径选择因素,对车辆的实际出行路径进行加权相关性训练,得到复合路径选择模型;
根据预测OD流量以及复合路径选择模型,对高速收费站之间各个路段的车流量进行流量预测,得到预测车流量。
本申请将流量预测结果中的预测车流量通过智能交通系统平台提供给出行者和管理者,可以诱导出行者选择最佳的行驶路径,以避开拥堵路段,节约时间,减少额外的经济损失和环境污染,提高了行驶效率和交通安全,而管理者也可以根据未来一段时间的流量预测信息来及时的对拥堵路段实施必要的管控,减轻拥堵路段的交通负荷,合理利用高速公路资源。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于动态复杂网络的交通流量预测方法,其特征在于,所述方法包括:
获取高速公路的交通数据;
根据所述交通数据,对车辆交通起止点的流量占比进行模型训练,得到OD流量占比预测模型;并基于所述OD流量占比预测模型,确定出基于高速收费站的预测OD流量;
通过车辆出行的路径选择因素,对车辆的实际出行路径进行加权相关性训练,得到复合路径选择模型;
根据所述预测OD流量以及所述复合路径选择模型,对所述高速收费站之间各个路段的车流量进行流量预测,得到预测车流量。
2.根据权利要求1所述的一种基于动态复杂网络的交通流量预测方法,其特征在于,获取高速公路的交通数据,具体包括:
基于高速公路的高速收费站以及通行门架,获取历史车辆在各个时刻的进站流量数据以及对应的车辆OD流量;
根据车辆类型数据,对所述车辆OD流量进行相同车型的数据分类,得到每个车型的历史OD流量;
获取当前车辆在各个时刻的当前车辆OD流量;并对所述当前车辆OD流进行相同车型的数据分类,得到每个车型的当前OD流量;
其中,所述交通数据包括:所述历史OD流量以及所述当前OD流量。
3.根据权利要求1所述的一种基于动态复杂网络的交通流量预测方法,其特征在于,在根据所述交通数据,对车辆交通起止点的流量占比进行模型训练,得到OD流量占比预测模型之前,所述方法还包括:
根据,得到处于高速收费站i的p型车辆下的OD流量占比预测模型的训练输入量/>;其中,表示t时刻,p型车辆在高速收费站i的OD流量占比向量;L为时间单元个数;/>表示在t时刻p型车辆且在高速收费站i的进站流量;/>表示t时刻,p型车辆,从高速收费站i到高速收费站j的OD流量;
根据,得到处于高速收费站i的p型车辆下的OD流量占比预测模型的训练输出量/>;
根据,得到处于t时刻下p型车辆的单个训练样本/>;
根据,得到训练样本集合;其中,/>为所述OD流量占比预测模型的维度向量。
4.根据权利要求3所述的一种基于动态复杂网络的交通流量预测方法,其特征在于,根据所述交通数据,对车辆交通起止点的流量占比进行模型训练,得到OD流量占比预测模型,具体包括:
根据 ,得到用于所述OD流量占比预测模型训练的损失函数/>;其中,/>表示模型预测OD流量占比,表示真实OD流量占比,/>表示向量的点乘;/>为所述OD流量占比预测模型的维度向量;
基于所述训练输入量、所述训练输出量、所述单个训练样本、所述训练样本集合以及所述损失函数,对车辆交通起止点的OD流量占比进行随机梯度下降训练;并基于历史OD流量以及当前OD流量的占比向量,生成所述OD流量占比预测模型。
5.根据权利要求1所述的一种基于动态复杂网络的交通流量预测方法,其特征在于,在通过车辆出行的路径选择因素,对车辆的实际出行路径进行加权相关性训练,得到复合路径选择模型之前,所述方法还包括:
基于,确定出所述实际出行路径的相关性信息;其中,/>表示p型车辆的出行者在所述预测OD流量/>之间的实际出行路径;/>表示p型车辆的出行者在所述预测OD流量/>之间的距离出行路径;表示p型车辆的出行者在所述预测OD流量/>之间的时间出行路径;/>表示p型车辆的出行者在所述预测OD流量/>之间的路费出行路径;/>分别表示p型车辆的出行者在进行路径选择时距离最优路径、时间最优路径和路费最优路径的加权系数;表示为相关性;
所述路径选择因素包括:所述距离出行路径、所述时间出行路径以及所述路费出行路径。
6.根据权利要求1所述的一种基于动态复杂网络的交通流量预测方法,其特征在于,通过车辆出行的路径选择因素,对车辆的实际出行路径进行加权相关性训练,得到复合路径选择模型,具体包括:
根据,得到实际出行路径特征向量/>;其中,/>分别表示p型车辆的出行者在进行路径选择时距离最优路径、时间最优路径和路费最优路径的加权系数;/>为距离出行路径的特征向量;/>为时间出行路径的特征向量;/>为路费出行路径的特征向量;p为p型车辆;i与j分别为不同的高速收费站;
基于所述实际出行路径特征向量,对车辆的实际出行路径进行加权相关性训练,生成所述复合路径选择模型。
7.根据权利要求6所述的一种基于动态复杂网络的交通流量预测方法,其特征在于,
根据,得到所述距离出行路径的特征向量;其中,/>表示高速公路网的第/>个路段是否属于距离最短出行路径;/>为向量空间;i与j分别为不同的高速收费站;p为p型车辆;
根据,得到所述时间出行路径的特征向量;其中,/>表示高速公路网的第/>个路段是否属于时间出行路径;
根据,得到所述路费出行路径的特征向量;其中,/>表示高速公路网的第/>个路段是否属于路费出行路径。
8.根据权利要求1所述的一种基于动态复杂网络的交通流量预测方法,其特征在于,在根据所述预测OD流量以及所述复合路径选择模型,对所述高速收费站之间各个路段的车流量进行流量预测,得到预测车流量之前,所述方法还包括:
根据,得到p型车辆的OD流量训练样本数量/>;其中,/>为高速收费站i与高速收费站j之间p型车辆的预测OD流量;
训练样本为;为实际出行路径特征向量;/>为距离最短出行路径特征向量;为时间最小出行路径特征向量;/>为路费最少出行路径特征向量;p为p型车辆;i与j分别为不同的高速收费站。
9.根据权利要求1所述的一种基于动态复杂网络的交通流量预测方法,其特征在于,根据所述预测OD流量以及所述复合路径选择模型,对所述高速收费站之间各个路段的车流量进行流量预测,得到预测车流量,具体包括:
根据,得到所述预测车流量/>;其中,/>为OD流量占比预测模型所预测出的p型车辆的预测OD流量;分别表示在所述复合路径选择模型中p型车辆的出行者在进行路径选择时距离最优路径、时间最优路径和路费最优路径的加权系数;/>为距离出行路径的特征向量;/>为时间出行路径的特征向量;/>为路费出行路径的特征向量;p为p型车辆;i与j分别为不同的高速收费站。
10.一种基于动态复杂网络的交通流量预测设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有能够被所述至少一个处理器执行的指令,以使所述至少一个处理器能够执行根据权利要求1-9任一项所述的一种基于动态复杂网络的交通流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311276841.0A CN117012042B (zh) | 2023-10-07 | 2023-10-07 | 一种基于动态复杂网络的交通流量预测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311276841.0A CN117012042B (zh) | 2023-10-07 | 2023-10-07 | 一种基于动态复杂网络的交通流量预测方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117012042A true CN117012042A (zh) | 2023-11-07 |
CN117012042B CN117012042B (zh) | 2024-01-09 |
Family
ID=88571272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311276841.0A Active CN117012042B (zh) | 2023-10-07 | 2023-10-07 | 一种基于动态复杂网络的交通流量预测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117012042B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956807A (zh) * | 2019-12-05 | 2020-04-03 | 中通服咨询设计研究院有限公司 | 基于多源数据与滑动窗口组合的高速公路流量预测方法 |
CN112185124A (zh) * | 2020-11-27 | 2021-01-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种全路网交通状态预测方法及装置 |
CN114580750A (zh) * | 2022-03-07 | 2022-06-03 | 南京邮电大学 | 一种改进的区域车辆路径规划动态分析模型的分析方法 |
CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
US20220414450A1 (en) * | 2021-06-28 | 2022-12-29 | Mitsubishi Electric Research Laboratories, Inc. | Distributed Multi-Task Machine Learning for Traffic Prediction |
CN115952920A (zh) * | 2023-01-13 | 2023-04-11 | 福建省高速公路联网运营有限公司 | 高速公路od和路径流量预测方法、电子设备及存储介质 |
CN116486624A (zh) * | 2023-04-24 | 2023-07-25 | 山东大学 | 基于时空图卷积神经网络的交通流预测方法及系统 |
-
2023
- 2023-10-07 CN CN202311276841.0A patent/CN117012042B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956807A (zh) * | 2019-12-05 | 2020-04-03 | 中通服咨询设计研究院有限公司 | 基于多源数据与滑动窗口组合的高速公路流量预测方法 |
CN112185124A (zh) * | 2020-11-27 | 2021-01-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种全路网交通状态预测方法及装置 |
US20220414450A1 (en) * | 2021-06-28 | 2022-12-29 | Mitsubishi Electric Research Laboratories, Inc. | Distributed Multi-Task Machine Learning for Traffic Prediction |
CN114580750A (zh) * | 2022-03-07 | 2022-06-03 | 南京邮电大学 | 一种改进的区域车辆路径规划动态分析模型的分析方法 |
CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
CN115952920A (zh) * | 2023-01-13 | 2023-04-11 | 福建省高速公路联网运营有限公司 | 高速公路od和路径流量预测方法、电子设备及存储介质 |
CN116486624A (zh) * | 2023-04-24 | 2023-07-25 | 山东大学 | 基于时空图卷积神经网络的交通流预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
吴晶;徐名海;顾宏博;奚杰杰;: "基于代理的OD矩阵反推模型", 计算机应用与软件, no. 12, pages 279 - 283 * |
Also Published As
Publication number | Publication date |
---|---|
CN117012042B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105118294B (zh) | 一种基于状态模式的短时交通流预测方法 | |
CN104424812B (zh) | 一种公交到站时间预测系统和方法 | |
Abbas et al. | Short-term traffic prediction using long short-term memory neural networks | |
CN103065469B (zh) | 行程时间的确定方法和装置 | |
CN111063204B (zh) | 一种基于收费站流量的高速公路车速预测模型训练方法 | |
CN110299011A (zh) | 一种基于收费数据的高速公路任意断面的交通流预测方法 | |
CN113837446B (zh) | 一种基于多源异构数据的机场陆侧区域交通态势预测方法 | |
CN106355905A (zh) | 一种基于卡口数据的高架信号控制方法 | |
CN109087509A (zh) | 一种路网交通运行状态预测方法 | |
CN114529081A (zh) | 一种时空联合的交通流量预测方法及装置 | |
Hou et al. | The effect of the dataset on evaluating urban traffic prediction | |
Wu et al. | Forecasting metro rail transit passenger flow with multiple-attention deep neural networks and surrounding vehicle detection devices | |
Miao et al. | Highly Automated Electric Vehicle (HAEV)-based mobility-on-demand system modeling and optimization framework in restricted geographical areas | |
Kumar et al. | Intelligent traffic controller | |
CN112669595B (zh) | 一种基于深度学习的网约车流量预测方法 | |
CN117012042B (zh) | 一种基于动态复杂网络的交通流量预测方法及设备 | |
Xia et al. | A distributed EMDN-GRU model on Spark for passenger waiting time forecasting | |
CN109741597B (zh) | 一种基于改进深度森林的公交车路段运行时间预测方法 | |
CN116663742A (zh) | 基于多因素和模型融合的区域运力预测方法 | |
CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
Shenghua et al. | Road traffic congestion prediction based on random forest and DBSCAN combined model | |
Yu et al. | GPS data mining at signalized intersections for congestion charging | |
CN113344277B (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
Wang et al. | The prediction of urban road traffic congestion by using a deep stacked long short-term memory network | |
Hao et al. | Developing an adaptive strategy for connected eco-driving under uncertain traffic and signal conditions |
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 |