一种基于转向系数的交通流模拟及预测方法

文档序号:9328086阅读:431来源:国知局
一种基于转向系数的交通流模拟及预测方法
【技术领域】
[0001] 本发明属于智能交通领域,涉及一种交通流预测方法。
【背景技术】
[0002] 随着经济的迅速发展,越来越多的机动车辆出现在道路上,交通拥堵现象日益严 重。为了应对愈发恶劣的交通环境,智能交通系统应运而生。如何解决交通拥堵和交通安 全问题,是智能交通系统的研究重点。其中,获取准确、及时的交通流信息是智能交通系统 成功的关键,它能帮助道路使用者做出更好的出行决策,同时能帮助交通管理者做出更好 的交通管控方案,提高路网的使用效率。因此,如何快速准确地对交通流进行预测成为智能 交通领域的研究重点。交通流预测主要是通过交通历史数据构建流量预测模型,根据模型 对流量进行预测,其中预测模型是交通流预测的关键,对预测精度有直接影响,如何构建准 确的预测模型是交通流预测的重点和难点。
[0003] 现有的交通流预测方法主要有历史平均法、最小二乘法、非参数方法等,这些方法 操作简单、实现方便,但基本只考虑了单一数据类型(例如当前路段的实时和历史数据), 未能挖掘道路之间的空间规律;另外,这些方法的预测实效性不高,对于简单稳定的道路有 较好的预测结果,但对于复杂且交通流不稳定的道路,预测精度较低;最后,这些方法对于 流量多步预测不具鲁棒性,预测步数增多,准确性大幅降低。因此,为了提高预测精度,克服 上述方法的不足,需要引入新的方法模型对交通流进行预测。

【发明内容】

[0004] 为了克服已有交通流预测方法的预测的精度、稳定性和实效性较差的不足,本发 明提供了一种有效提高预测的精度、稳定性和实效性的基于转向系数的交通流模拟及预测 方法
[0005] 本发明解决其技术问题所采用的技术方案是:
[0006] 一种基于转向系数的交通流模拟及预测方法,所述预测方法包括如下步骤:
[0007] 步骤1 :采集一段时间内的卡口过车记录数据,包括卡口号、车辆通过卡口的时间 和车牌号码,定义目标路口西向东方向卡口为K,直行卡口、左转卡口、右转卡口分别为KO、 KU K2,目标路口北向南方向卡口为K3,南向北方向卡口为K4,路口西向东方向左转向北、 右转向南、直行向东的过车记录通过卡口 KO得到;
[0008] 步骤2 :数据预处理,剔除未能识别车牌的数据;
[0009] 步骤3 :计算路口转向系数
[0010] 设卡口 KO -段时间内的过车记录经过数据预处理后有N。辆车,这N。辆车在目标 路口有左转、右转、直行三种行进方案,通过查找这N。辆车的下一条过车记录判断其所在的 位置:若下一条过车记录在卡口 K,则说明车辆是直行;若下一条过车记录在卡口 K3,则说 明车辆是右转;若下一条过车记录在卡口 K4,则说明车辆是左转;求得卡口 KO在十字路口 的车辆转向系数:
[0014] 其中,NQ straight、NUeft、N2_"ghA1U表示经过卡口 KO后直转、卡口 Kl后左转、卡口 K2后右转的车辆数,PQ_straight、Pl lrft、P1^lght分别表示车辆直行、左转、右转的概率;
[0015] 步骤4 :路段流量建模,卡口 K监测路段的流量计算为:
[0016] N(K) = Nstralght+Nleft+Nright (4)
[0017] 其中,Nstralght为经过卡口 KO的车辆中直行的车辆数,Nleft为经过卡口 Kl的车辆中 左转的车辆数,N"ght为经过卡口 K2的车辆中右转的车辆数,根据步骤3中求得的三个卡口 在十字路口的转向系数,卡口 K监测路段的流量表示为:
[0018] N(K) -P。-straight X Nt^P1Jeft X NjP2Jight X N2 (5)
[0019] 其中,Pl left是经过卡口 Kl后左转的概率,N i是卡口 Kl在一段时间内检测的车辆 数;P2_"ght是经过卡口 K2后右转的概率,N2是卡口 K2在一段时间内检测的车辆数;
[0020] 步骤5 :根据路段流量模型对流量进行预测,过程如下:
[0021] (5. 1)根据近邻计算Z的局部重建权值矩阵Z',根据步骤3中求得的转向系数数 组Z,利用局部线性重构方法找出Z的关联转向系数矩阵,局部线性重构方法如下所示:
[0022] Stepl :计算样本近邻,以Z的每行为一个样本,计算任意两个样本的欧式距离,找 出K个最小距离样本为K个近邻样本;
[0023] Step2 :计算重构权值,重构目标是

,其中Z1为第i个样本,N为样本总数,Z u为样本X1的第j个近邻,近邻总数 为K,为第j个近邻的权重,ε (E)为误差,重构权值为
第j个近邻的权值,其4
是两个近邻样本的协方差,Q1是一个 KXK的局部协方差矩阵,对其正则化处理:Q1=Q1+ΘΙ,其中,I为KXK的单位矩阵,Θ为 正则化系数;
[0024] Step3 :计算局部重建权值矩阵,根据stepl和step2,得到Z的最后一个样本的K 个近邻,其局部重建权值矩阵为:
[0026] 其中Pl left l, Pl left 2,…,Pueftji为经过卡口 Kl后左转的K个重构样本,
[0027] W1, w2,…,wK为重构权值;
[0028] (5.2)求目标路段流量历史均值,以转向系数所在时间段的下一时间段为采样 时段,构造该时间段连续多天的车流量数组,以数组的均值作为该时间段的流量值:Nhls = avg(N1 (K), N2(K), -,Nn(K)) (7)
[0029] 其中,N1 (K),Ν2(Κ),"·,Νη(K)为卡口 K监测路段连续η天每天同一时间段的车流 量,avg〇是求均值函数;
[0030] (5. 3)构造流量预测权值函数,某时段的路段车流量根据该时段的历史车流量和 前一时段路口三个方向的转向系数计算得到,设路段历史状态权重为P1,路口的转向系数 权重为P 2,以卡口 K监测路段为目标,则该路段某时段的车流量预测值为:
[0037] P JP P 2是可调整型自适应参数,满足p I+P 2= 1,初始取P 1= 〇,P 2= 1,以 0. 05为间隔,p i每次加0. 05直到值为1,P 2每次减0. 05直到值为0,取预测值与真实值最 接近的组作下一个时段预测参数,根据式(8)迭代可预测出路段多个时间段后的车流量:
[0039] 其中,t为第t个时间槽,t+Ι为其后的一个时间槽,多步预测时,需要先预测K0、 KU K2三个卡口第一个时间槽的流量,再根据预测值预测目标路段第二个时间槽的流量。
[0040] 进一步,所述预测方法还包括以下步骤:
[0041] 步骤6 :计算预测精确度。将预测结果与真实值进行比较,可得到预测精度:
[0043] 其中,Nt_为预测时段的真实流量值,ε为预测精度。
[0044] 再进一步,所述步骤2中,剔除规则如下:
[0045] (2. 1)若车牌号码数据为'NULL'或'未识别',则去掉该条数据;
[0046] (2. 2)若车牌号码数据长度小于6位,则去掉该条数据;
[0047] (2. 3)若车牌号码数据长度大于10位,则去掉该条数据。
[0048] 本发明中,为了提高流量预测的精度、稳定性和实效性,挖掘道路之间的空间规 律,本发明提出了一种基于转向概率的交通流模拟和预测方法,该方法通过对卡口过车记 录数据进行预处理后,计算路口的转向概率,根据转向概率对路段流量进行建模,通过模拟 模型和路段历史状态建立流量预测模型进行预测。本发明考虑道路间的空间关系,消除了 动态数据的不稳定性,预测精度较高,且多步预测效果显著。
[0049] 本发明的有益效果主要表现在:(1)适用性强。本发明方法是基于卡口过车记录 数据,能适用于任何卡口监测路段。(2)可行性强。只需要给定卡口历史过车记录数据,就 能根据数据进行训练得到预测模型。(3)实效性高。本发明方法挖掘空间和时间规律,能用 于复杂和交通流不稳定的道路。(4)计算速度快。本发明方法复杂性低,操作简单,对于几 百万条数据,计算时间为秒级。(5)预测精度高。本发明方法通过挖掘时间和空间规律,消 除动态数据的随机不稳定性,降低预测误差,提高了预测结果的准确性和可靠性。
【附图说明】
[0050] 图1是基于转向系数的交通流模拟及预测方法的流程图。
[0051] 图2是路口卡口布设图。
[0052] 图3是目标路段路网图。
【具体实施方式】
[0053] 下面结合附图对本发明作进一步描述。
[0054] 参照图1~图3,一种基于转向系数的交通流模拟及预测方法,包括如下步骤:
[0055] 步骤1 :采集一段时间内的卡口过车记录数据,包括卡口号、车辆通过卡口的时 间、车牌号码等信息。
[0056] 步骤2:数据预处理,由于环境、设备自身故
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1