CN117456738A - 一种基于etc门架数据的高速公路交通量预测方法 - Google Patents
一种基于etc门架数据的高速公路交通量预测方法 Download PDFInfo
- Publication number
- CN117456738A CN117456738A CN202311804278.XA CN202311804278A CN117456738A CN 117456738 A CN117456738 A CN 117456738A CN 202311804278 A CN202311804278 A CN 202311804278A CN 117456738 A CN117456738 A CN 117456738A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic flow
- etc portal
- time
- portal
- 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 42
- 238000012549 training Methods 0.000 claims abstract description 22
- 210000004258 portal system Anatomy 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 53
- 230000002123 temporal effect Effects 0.000 claims description 8
- 230000007812 deficiency Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于ETC门架数据的高速公路交通量预测方法，涉及高速公路交通流量预测技术，基于GCN和subLSTM技术，包括以下步骤：收集ETC门架系统采集的交通流原始数据，制作数据集；对数据集进行归一化处理，并划分；根据ETC门架系统中的物理拓扑信息与虚拟关系，获取ETC门架的交通流的空间特征；根据数据集中ETC门架的历史交通流数据，获取ETC门架对应的道路交通流的时间特征；结合空间特征和时间特征，将训练集和测试集输入至交通流预测模型进行训练，得到训练好的交通流预测模型；使用训练好的交通流预测模型对ETC门架下一时间段的交通流进行预测，实现了对高速公路道路交通流的实时掌握和准确预测。
Description
技术领域
本发明涉及高速公路交通流量预测技术，尤其涉及一种基于ETC门架数据的高速公路交通量预测方法。
背景技术
随着交通运输行业改革和智慧交通技术体系发展，高速公路全面建设应用了ETC电子不停车收费系统，实现联网收费。在全国ETC收费体系构建过程中，在高速公路单元路段（即两个互通枢纽之间路段，也是高速公路最基础的、不可再次切分的线型结构单元）上布设了ETC门架，在ETC门架上安装部署了RSU天线、高清车牌识别、雷达、视频监监控等设备以全方位采集获取车辆通行状况，并支持精准计费。ETC门架数据记录了所有车辆经过高速公路观测断面（即单元路段）的状态信息，也是当前在高速公路领域中行驶车辆数据采集体系中最高频、最精准也是布设面最广泛的数据来源。
交通流预测是交通管理和控制部门采取交通诱导措施的主要依据，是先进交通管理系统的关键组成部分，是实现交通规划、交通管理和交通控制的重要组成部分。同时，基于ETC门架数据开展分析预测是交通流分析技术的新思路，但是目前业内尚无较为成型且有效的应用实践。
交通流预测（尤其是路网交通流）是一项具有挑战性的任务，因为复杂的空间依赖性和不同道路之间的时空模式的动态趋势。现有方法框架通常利用给定的空间邻接图和复杂的机制来对空间和时间相关性进行建模。但是，具有不完整相邻连接的给定空间图结构的有限表示可能会限制那些模型的有效时空依赖性学习。此外，过往基于ARIMA、SVM、KNN等模型的传统预测方法只考虑了时间依赖性或只侧重学习局部空间相关性，而忽略了交通流的整体空间相关性。同时，在交通流数据预测中，某个时间的交通流量不仅与最近时段的交通流量有关，而且也与前溯特定周期的交通流量相关，充分反映了交通流数据的接近性、周期性和趋势性。因此，要从此类复杂且高度非线性的时空数据中发掘出时间与空间的模式，同时能够与实际问题相结合，就需要空间信息的整合并增强对时间多粒度特性的思考，从而进行更加精准的预测。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于ETC门架数据的高速公路交通量预测方法解决了现有的交通流预测方法准确率不高，预测结果偏差幅度大、预测精度和长时间预测性能的下降程度明显的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于ETC门架数据的高速公路交通量预测方法，包括以下分步骤：
S1、收集ETC门架系统采集的交通流原始数据，按照指定时间间隔合并不同类型车辆流量，作为数据集；对数据集进行归一化处理，并将归一化处理后的数据集分为训练集，测试集和验证集；
S2、根据ETC门架系统中的物理拓扑信息与虚拟关系，获取ETC门架的交通流的空间特征；
S3、根据数据集中ETC门架的历史交通流数据，获取ETC门架对应的道路交通流的时间特征；
S4、结合空间特征和时间特征，将训练集和测试集输入至交通流预测模型进行训练，得到训练好的交通流预测模型；
S5、使用训练好的交通流预测模型对ETC门架下一时间段的交通流进行预测。
进一步地：所述步骤S1包括以下分步骤：
S11、收集ETC门架系统中P个门架相同时间范围内的交通流原始数据，指定时间间隔Q，根据时间间隔Q合并不同类型车辆流量，得到数据集X，其表达式为：
其中，表示编号为P的ETC门架在第M个时间间隔的历史交通流数据；
S12、使用线性插值法补齐数据集X的缺失值，对补齐缺失值的数据集进行最大最小归一化处理，并将归一化处理后的数据集/>分为训练集，测试集和验证集，最大最小归一化处理的表达式为：
其中，表示补齐缺失值的数据集/>的第i行第j列，/>表示归一化处理后的数据集/>的第i行第j列，x max和x min分别为补齐缺失值的数据集/>中的最大值和最小值。
进一步地：所述步骤S2包括以下分步骤：
S21、获取ETC门架系统中相邻关系，通过二进制编码来表示门架之间的连通性，并构建门架邻接矩阵D；
S22、将单个ETC门架作为高速公路图中的节点，ETC门架之间的高速公路作为连接节点之间的边，通过阈值高斯核计算两个ETC门架之间距离，得到地理邻接矩阵的权重，并根据每两个ETC门架之间的权重，构建地理邻接矩阵A，所述地理邻接矩阵的权重的表达式为：
其中，a ij为地理邻接矩阵A中的元素，为阈值，/>为方差，dist(i,j)为门架传感器i和门架传感器j之间的距离；
S23、获取数据集中连续T个时段的历史交通流数据，并根据各个ETC门架历史交通流数据的相似度构建全局相关矩阵C；
S24、根据ETC门架邻接矩阵D、地理邻接矩阵A、全局相关矩阵C计算K-hop矩阵；
S25、将不同阶数的K-hop矩阵进行拼接，作为ETC门架的交通流的空间特征。
进一步地：所述步骤S23包括以下分步骤：
S231、获取数据集中连续T个时段的历史交通流数据，采用Pearson相关系数法来分析传感器之间的相关性，Pearson相关系数法的表达式为：
其中，C ij表示传感器i与传感器j的相关系数，代表第i个门架的交通流特征，/>为/>的平均值；/>为/>的平均值，/>代表第j个门架的交通流特征；
S232、计算每两个传感器之间的相关系数，构造全局相关矩阵C，所述全局相关矩阵C的表达式为：
；
S233、设置阀值k，若全局相关矩阵C中的元素大于阀值k，则元素的值不变；否则将元素的值替换为0。
进一步地：所述步骤S24中，K-hop矩阵的表达式为：
其中，*代表矩阵之间对应位置元素进行乘积，上标k为阈值，为k-hop邻接图。
进一步地：所述步骤S25中，ETC门架的交通流的空间特征的表达式为：
。
进一步地：所述步骤S3包括以下分步骤：
S31、将训练集中的数据划分为邻近时间、日和周三个时间窗口的数据；
S32、根据三个时间窗口的数据，分别得到邻近时间的时间序列数据、日相关时间序列数据和周相关时间序列数据；
S33、将邻近时间的时间序列数据、日相关时间序列数据和周相关时间序列数据分别输入至sbuLSTM模型，获取ETC门架对应的道路交通流的时间特征。
进一步地：所述步骤32中，邻近时间的时间序列数据x h的表达式为：
其中，t 0表示当前时间，T h表示邻近时间的序列片段；
日相关时间序列数据x d的表达式为：
其中，t 0表示当前时间，T d表示日相关的序列片段，q为每日采集次数，T p表示预测窗口大小；
周相关时间序列数据x w的表达式为：
其中，T w表示周相关的序列片段。
进一步地：所述步骤S4，交通流预测模型的训练过程中，使用平均绝对误差MAE作为损失函数，采用Adam作为优化器，更新模型参数直至模型收敛。
本发明的有益效果为：
1)对ETC门架数据时间序列的连续性和周期性进行编码，以方便对交通数据的时间依赖性进行建模。通过对不同的策略进行组合，提出了不同时间编码方法，以得到更好的预测精确度。
2）本发明分别设计了邻接矩阵、地理邻接矩阵和全局相关矩阵可以使GCN网络更好的提取道路交通流量数据的空间特征并提高了模型全局时空相关分析的能力与有效地避免平滑问题，增强了对交通流波动的预测能力。
3）本发明提出了一种基于GCN-sbuLSTM的模型来解决序列数据中的复杂依赖关系，其中sbuLSTM被用来对时间依赖性进行建模，GCN则有助于空间依赖性的建模，GCN-sbuLSTM算法同时继承了GCN和sbuLSTM的优点，其并行结构有助于保持大部分时空信息的独立性，从而降低了它们相互干扰所带来的不确定性。
附图说明
图1为基于ETC门架数据的高速公路交通量预测方法流程图。
图2为本发明使用的堆叠双向单向长短期记忆sbuLSTM网络结构图。
图3为实施例中对某路段交通流量浮动区间的预测结果。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来将，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，在本发明的一个实施例中，提供一种基于ETC门架数据的高速公路交通量预测方法，包括以下分步骤：
S1、收集ETC门架系统采集的交通流原始数据，按照指定时间间隔合并不同类型车辆流量，作为数据集；对数据集进行归一化处理，并将归一化处理后的数据集分为训练集，测试集和验证集；
S2、根据ETC门架系统中的物理拓扑信息与虚拟关系，获取ETC门架的交通流的空间特征；
S3、根据数据集中ETC门架的历史交通流数据，获取ETC门架对应的道路交通流的时间特征；
S4、结合空间特征和时间特征，将训练集和测试集输入至交通流预测模型进行训练，得到训练好的交通流预测模型；
S5、使用训练好的交通流预测模型对ETC门架下一时间段的交通流进行预测。
在本实施例中，所述步骤S1包括以下分步骤：
S11、收集ETC门架系统中P个门架相同时间范围内的交通流原始数据，指定时间间隔Q，根据时间间隔Q合并不同类型车辆流量，得到数据集X，其表达式为：
其中，表示编号为P的ETC门架在第M个时间间隔的历史交通流数据；
S12、使用线性插值法补齐数据集X的缺失值，对补齐缺失值的数据集进行最大最小归一化处理，并将归一化处理后的数据集/>分为训练集，测试集和验证集，最大最小归一化处理的表达式为：
其中，表示补齐缺失值的数据集/>的第i行第j列，/>表示归一化处理后的数据集/>的第i行第j列，x max和x min分别为补齐缺失值的数据集/>中的最大值和最小值。
在本实施例中，所述步骤S2包括以下分步骤：
S21、获取ETC门架系统中相邻关系，通过二进制编码来表示门架之间的连通性，并构建门架邻接矩阵D；
其中，门架邻接矩阵D为由0和1组成的矩阵，门架邻接矩阵D中的元素为d ij，如果门架i与门架j在ETC门架网络中直连，则d ij=1，否则d j=0；
S22、将单个ETC门架作为高速公路图中的节点，ETC门架之间的高速公路作为连接节点之间的边，通过阈值高斯核计算两个ETC门架之间距离，得到地理邻接矩阵的权重，并根据每两个ETC门架之间的权重，构建地理邻接矩阵A，所述地理邻接矩阵的权重的表达式为：
其中，为阈值,/>是方差，dist(i,j)传感器之间的距离；
S23、获取数据集中连续T个时段的历史交通流数据，并根据各个ETC门架历史交通流数据的相似度构建全局相关矩阵C；
S24、根据ETC门架邻接矩阵D、地理邻接矩阵A、全局相关矩阵C计算K-hop矩阵；
S25、将不同阶数的K-hop矩阵进行拼接，作为ETC门架的交通流的空间特征。
GCN传播规则为：
其中，表示第l层的输入，/>是可训练的权重矩阵，softmax(*)为归一化指数函数；
其中，σ表示是非线性激活函数，H （l）表示第l层的输入，当H为第一层的输入时，I为单位矩阵，/>是/>的度矩阵；ETC门架邻接矩阵D、地理邻接矩阵A、全局相关矩阵C在本实施例中分布作为第一层输入；
在本实施例中，所述步骤S23包括以下分步骤：
所述步骤S23包括以下分步骤：
S231、获取数据集中连续T个时段的历史交通流数据，采用Pearson相关系数法来分析传感器之间的相关性，Pearson相关系数法的表达式为：
其中，C ij表示传感器i与传感器j的相关系数，代表第i个门架的交通流特征，/>为/>的平均值；/>为/>的平均值，/>代表第j个门架的交通流特征；
S232、计算每两个传感器之间的相关系数，构造全局相关矩阵C，所述全局相关矩阵C的表达式为：
；
S233、设置阀值k，若全局相关矩阵C中的元素大于阀值k，则元素的值不变；否则将元素的值替换为0。
在本实施例中，所述步骤S24中，K-hop矩阵的表达式为：
其中，*代表矩阵之间对应位置元素进行乘积，上标k为阈值，为k-hop邻接图。
所述的元素为/>，/>的值为0或1，/>=1表示节点i到达节点j的最少边数小于等于阈值k；/>=0表示节点i到达节点j的最少边数大于阈值k。
在本实施例中，所述步骤S25中，ETC门架的交通流的空间特征的表达式为：
。
在本实施例中，所述步骤S3包括以下分步骤：
S31、将训练集中的数据划分为邻近时间、日和周三个时间窗口的数据；
S32、根据三个时间窗口的数据，分别得到邻近时间的时间序列数据、日相关时间序列数据和周相关时间序列数据；
S33、将邻近时间的时间序列数据、日相关时间序列数据和周相关时间序列数据分别输入至sbuLSTM模型，获取ETC门架对应的道路交通流的时间特征；
如图2所示，基础传播单元LSTM传播方式如下：
其中，x t表示输入数据，h t表示当前LSTM计算单元的输出，f t表示LSTM的遗忘门，控制当前细胞状态丢弃的信息；i t为输入门的更新规则，决定当前时刻网络哪些信息需要更新：为记忆门的临时输出向量,c t为输入门的生成向量，o t表示输出门的更新规则,决定将哪部分进行输出；其中/>，/>，/>和/>表示输入/>传递到/>,/>,o t和/>对应的权重矩阵，/> 表示对于的偏置项，/>，/>表示不同的激活函数。
sbuLSTM模型在两个传播方向上都包含两个并行LSTM层，传播方式如下:
其中，和/>分别表示正向LSTM和反向LSTM。/>和/>是双向LSTM学习到的输入时间特征x t的隐藏状态。每个输入x t的双向隐藏状态h t是通过连接生成的正向和反向隐藏状态得到的。最后把双向隐藏状态h t再馈送到LSTM的单元提取更高级别的序列数据规律。
现有的车流量检测方法通常采用单一LSTM模型进行时间特征的提取，单一LSTM结构只能利用前向依赖关系，并且由于长期的门控记忆链，不可避免地会过滤掉有用的信息；双向LSTM结构可以通过连接前向和后向LSTM层来解决这个问题，在sbuLSTM模型，将双向LSTM结构的输出进一步馈送到LSTM层，以学习更高的序列数据规律来提高模型的准确性。
在本实施例中，进一步地：所述步骤32中，邻近时间的时间序列数据x h的表达式为：
其中，t 0表示当前时间，T h表示邻近时间的序列片段；
日相关时间序列数据x d的表达式为：
其中，t 0表示当前时间，T d表示日相关的序列片段，q为每日采集次数，T p表示预测窗口大小；
周相关时间序列数据x w的表达式为：
其中，T w表示周相关的序列片段。
在本实施例中，所述步骤S4，交通流预测模型的训练过程中，使用平均绝对误差MAE作为损失函数，采用Adam作为优化器，更新模型参数直至模型收敛。
在本发明的一个实施例中，采用本发明中所述的高速公路ETC门架交流流预测方法对某高速路段进行预测；
在本实施例中，该高速路段的部分门架数据表如表1所示：
表1某高速路段的部分门架数据表
该路段的车流量预测结果如图3所示，根据图3可以明确，本方案对ETC门架下一时间段的交通流预测准确率高，可以用于对高速公路道路交通流进行实时掌握和准确预测。
为验证本发明的算法优势，在本发明的实施例中，分别使用平均绝对误差MAE和均方根误差RMSE作为损失函数，将本发明中记载的高速公路交通流预测方法和目前常用的几种方法在不同的时间颗粒下进行比较，其结果如表2所示：
表2 本发明与目前常用的几种预测方法对比结果
根据平均绝对误差MAE和均方根误差RMSE的定义可知，MAE和RMSE的值越小，模型性能约好。根据表2可知，在真实数据集上的实验结果表明，GCN-sbuLSTM在准确率和训练效率方面都优于目前较先进的模型，证明了GCN-LSTM模型优于具单一捕获特性的模型与部分现有的组合模型，同时采用了数据实测和训练等，证明了模型在预测精度和长时间预测性能的下降缓慢程度均优于现有模型。
在本发明的描述中，需要理解的是，术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此，限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。
Claims (9)
1.一种基于ETC门架数据的高速公路交通量预测方法，其特征在于，包括以下分步骤：
S1、收集ETC门架系统采集的交通流原始数据，按照指定时间间隔合并不同类型车辆流量，作为数据集；对数据集进行归一化处理，并将归一化处理后的数据集分为训练集，测试集和验证集；
S2、根据ETC门架系统中的物理拓扑信息与虚拟关系，获取ETC门架的交通流的空间特征；
S3、根据数据集中ETC门架的历史交通流数据，获取ETC门架对应的道路交通流的时间特征；
S4、结合空间特征和时间特征，将训练集和测试集输入至交通流预测模型进行训练，得到训练好的交通流预测模型；
S5、使用训练好的交通流预测模型对ETC门架下一时间段的交通流进行预测。
2.根据权利要求1所述的基于ETC门架数据的高速公路交通量预测方法，其特征在于，所述步骤S1包括以下分步骤：
S11、收集ETC门架系统中P个门架相同时间范围内的交通流原始数据，指定时间间隔Q，根据时间间隔Q合并不同类型车辆流量，得到数据集X，其表达式为：
其中，表示编号为P的ETC门架在第M个时间间隔的历史交通流数据；
S12、使用线性插值法补齐数据集X的缺失值，对补齐缺失值的数据集进行最大最小归一化处理，并将归一化处理后的数据集/>分为训练集，测试集和验证集，最大最小归一化处理的表达式为：
其中，表示补齐缺失值的数据集/>的第i行第j列，/>表示归一化处理后的数据集/>的第i行第j列，x max和x min分别为补齐缺失值的数据集/>中的最大值和最小值。
3.根据权利要求1所述的基于ETC门架数据的高速公路交通量预测方法，其特征在于，所述步骤S2包括以下分步骤：
S21、获取ETC门架系统中相邻关系，通过二进制编码来表示门架之间的连通性，并构建门架邻接矩阵D；
S22、将单个ETC门架作为高速公路图中的节点，ETC门架之间的高速公路作为连接节点之间的边，通过阈值高斯核计算两个ETC门架之间距离，得到地理邻接矩阵的权重，并根据每两个ETC门架之间的权重，构建地理邻接矩阵A，所述地理邻接矩阵的权重的表达式为：
其中，a ij为地理邻接矩阵A中的元素，为阈值，/>为方差，dist(i,j)为门架传感器i和门架传感器j之间的距离；
S23、获取数据集中连续T个时段的历史交通流数据，并根据各个ETC门架历史交通流数据的相似度构建全局相关矩阵C；
S24、根据ETC门架邻接矩阵D、地理邻接矩阵A、全局相关矩阵C计算K-hop矩阵；
S25、将不同阶数的K-hop矩阵进行拼接，作为ETC门架的交通流的空间特征。
4.根据权利要求3所述的基于ETC门架数据的高速公路交通量预测方法，其特征在于，所述步骤S23包括以下分步骤：
S231、获取数据集中连续T个时段的历史交通流数据，采用Pearson相关系数法来分析传感器之间的相关性，Pearson相关系数法的表达式为：
其中，C ij表示传感器i与传感器j的相关系数，代表第i个门架的交通流特征，/>为/>的平均值；/>为/>的平均值，/>代表第j个门架的交通流特征；
S232、计算每两个传感器之间的相关系数，构造全局相关矩阵C，所述全局相关矩阵C的表达式为：
；
S233、设置阀值k，若全局相关矩阵C中的元素大于阀值k，则元素的值不变；否则将元素的值替换为0。
5.根据权利要求3所述的基于ETC门架数据的高速公路交通量预测方法，其特征在于，所述步骤S24中，K-hop矩阵的表达式为：
其中，*代表矩阵之间对应位置元素进行乘积，上标k为阈值，为k-hop邻接图。
6.根据权利要求3所述的基于ETC门架数据的高速公路交通量预测方法，其特征在于，所述步骤S25中，ETC门架的交通流的空间特征的表达式为：
。
7.根据权利要求1所述的基于ETC门架数据的高速公路交通量预测方法，其特征在于，所述步骤S3包括以下分步骤：
S31、将训练集中的数据划分为邻近时间、日和周三个时间窗口的数据；
S32、根据三个时间窗口的数据，分别得到邻近时间的时间序列数据、日相关时间序列数据和周相关时间序列数据；
S33、将邻近时间的时间序列数据、日相关时间序列数据和周相关时间序列数据分别输入至sbuLSTM模型，获取ETC门架对应的道路交通流的时间特征。
8.根据权利要求7所述的基于ETC门架数据的高速公路交通量预测方法，其特征在于，所述步骤32中，邻近时间的时间序列数据x h的表达式为：
其中，t 0表示当前时间，T h表示邻近时间的序列片段；
日相关时间序列数据x d的表达式为：
其中，t 0表示当前时间，T d表示日相关的序列片段，q为每日采集次数，T p表示预测窗口大小；
周相关时间序列数据x w的表达式为：
其中，T w表示周相关的序列片段。
9.根据权利要求1所述的基于ETC门架数据的高速公路交通量预测方法，其特征在于，所述步骤S4，交通流预测模型的训练过程中，使用平均绝对误差MAE作为损失函数，采用Adam作为优化器，更新模型参数直至模型收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311804278.XA CN117456738B (zh) | 2023-12-26 | 2023-12-26 | 一种基于etc门架数据的高速公路交通量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311804278.XA CN117456738B (zh) | 2023-12-26 | 2023-12-26 | 一种基于etc门架数据的高速公路交通量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117456738A true CN117456738A (zh) | 2024-01-26 |
| CN117456738B CN117456738B (zh) | 2024-02-27 |
Family
ID=89593394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311804278.XA Active CN117456738B (zh) | 2023-12-26 | 2023-12-26 | 一种基于etc门架数据的高速公路交通量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117456738B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106912040A (zh) * | 2017-01-24 | 2017-06-30 | 中国人民解放军电子工程学院 | 一种融合删除法的AdHoc网络关键节点识别方法 |
| CN110139225A (zh) * | 2019-04-28 | 2019-08-16 | 华南理工大学 | 一种基于边缘计算的车联网混合数据分发方法 |
| CN112435462A (zh) * | 2020-10-16 | 2021-03-02 | 同盾控股有限公司 | 短时交通流量预测的方法、系统、电子装置和存储介质 |
| CN112749832A (zh) * | 2020-12-03 | 2021-05-04 | 南京邮电大学 | 基于图卷积嵌入时空长短时记忆网络的交通流量预测方法 |
| CN115496257A (zh) * | 2022-07-23 | 2022-12-20 | 南京信息工程大学 | 基于时空融合的短时车速预测 |
| CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
| CN116612645A (zh) * | 2023-06-14 | 2023-08-18 | 招商新智科技有限公司 | 一种高速公路服务区车流量预测方法 |
| CN116913088A (zh) * | 2023-07-13 | 2023-10-20 | 辽宁高速通智慧出行有限责任公司 | 一种用于高速公路的智能流量预测方法 |
-
2023
- 2023-12-26 CN CN202311804278.XA patent/CN117456738B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106912040A (zh) * | 2017-01-24 | 2017-06-30 | 中国人民解放军电子工程学院 | 一种融合删除法的AdHoc网络关键节点识别方法 |
| CN110139225A (zh) * | 2019-04-28 | 2019-08-16 | 华南理工大学 | 一种基于边缘计算的车联网混合数据分发方法 |
| CN112435462A (zh) * | 2020-10-16 | 2021-03-02 | 同盾控股有限公司 | 短时交通流量预测的方法、系统、电子装置和存储介质 |
| CN112749832A (zh) * | 2020-12-03 | 2021-05-04 | 南京邮电大学 | 基于图卷积嵌入时空长短时记忆网络的交通流量预测方法 |
| CN115496257A (zh) * | 2022-07-23 | 2022-12-20 | 南京信息工程大学 | 基于时空融合的短时车速预测 |
| CN116612645A (zh) * | 2023-06-14 | 2023-08-18 | 招商新智科技有限公司 | 一种高速公路服务区车流量预测方法 |
| CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
| CN116913088A (zh) * | 2023-07-13 | 2023-10-20 | 辽宁高速通智慧出行有限责任公司 | 一种用于高速公路的智能流量预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| KERANG CAO: "Research on Regional Traffic Flow Prediction Based on MGCN-WOALSTM", 《IEEE ACCESS》, vol. 11, 7 November 2023 (2023-11-07), pages 126436 * |
| PENGFEI CHEN: "A Graph Convolutional Stacked Bidirectional Unidirectional-LSTM Neural Network for Metro Ridership Prediction", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, 31 May 2021 (2021-05-31), pages 1 - 13 * |
| QIWEI MA: "Spatio-temporal adaptive graph convolutional networks for traffic flow forecasting", 《IET INTELLIGENT TRANSPORT SYSTEMS》, 22 October 2022 (2022-10-22) * |
| SAEED RAHMANI: "Graph Neural Networks for Intelligent Transportation Systems: A Survey", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, vol. 24, no. 8, 20 March 2023 (2023-03-20), pages 8846, XP011945718, DOI: 10.1109/TITS.2023.3257759 * |
| 陶钟阳: "绕城高速公路运行状态辨识与预测方法研究--以苏州绕城高速公路为例", 《万方数据库》, 23 August 2023 (2023-08-23) * |
| 高嘉阳: "基于时空特征融合的路网交通流预测模型研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 02, 15 February 2022 (2022-02-15), pages 034 - 481 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117456738B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109754605B (zh) | 一种基于注意力时态图卷积网络的交通预测方法 | |
| Essien et al. | Improving urban traffic speed prediction using data source fusion and deep learning | |
| CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
| CN113673769B (zh) | 基于多元时间序列插补的图神经网络交通流预测方法 | |
| 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 | |
| US20240054321A1 (en) | Traffic prediction | |
| CN111612243A (zh) | 交通速度预测方法、系统及存储介质 | |
| CN114299723B (zh) | 一种交通流量预测方法 | |
| CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
| CN114802296A (zh) | 一种基于动态交互图卷积的车辆轨迹预测方法 | |
| CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
| Tang et al. | Dynamic origin‐destination flow estimation using automatic vehicle identification data: A 3D convolutional neural network approach | |
| CN114529081B (zh) | 一种时空联合的交通流量预测方法及装置 | |
| CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
| CN115578851A (zh) | 一种基于mgcn的交通预测方法 | |
| CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
| CN114565124A (zh) | 一种基于改进图卷积神经网络的船舶交通流预测方法 | |
| CN111242292A (zh) | 基于深度时空网络的od数据预测方法及系统 | |
| Zhang et al. | Vehicle re-identification for lane-level travel time estimations on congested urban road networks using video images | |
| CN114925836A (zh) | 基于动态多视图图神经网络的城市交通车流量推理方法 | |
| CN111815075B (zh) | 一种重大公共卫生事件下交通出行需求的预测方法 | |
| CN115662142B (zh) | 基于车联网稀疏信息的深度学习交通状态估计方法及系统 | |
| CN115565369A (zh) | 一种基于超图的时空超图卷积交通流量预测方法及系统 | |
| CN116259172A (zh) | 考虑交通网络时空特征的城市道路速度预测方法 | |
| CN114611814A (zh) | 聚合多尺度时空相似信息的城市交通流预测方法 |
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 |