eft ^ Nj+P2_right ^ N2+PO straight ^ N0 (18)
[0110] 步骤5 :根据模型对流量进行预测。卡口监测路段的流量可用该卡口面向路口的 三个方向的来车数表示,因此可根据路口的转向系数对卡口监测路段流量进行预测。另外, 考虑到路段本身存在的特性,分别对转向系数和路段历史状态引入权重。具体算法如下:
[0111] (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:
[0112] 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,本发明中取K = 5。
[0113] Step2 :计算重构权值。重构目标?
其中Z1为第i个样本,N = 30, Z ^为样本X i的第j个近邻,近邻总数为K = 5, 为第j个近邻的权重,ε (E)为误差。重构权值为:
表示第j 个近邻的权值,其中
是两个近邻样本的协方差,Q1是一个5Xk 的局部协方差矩阵,为消除奇异性,对其正则化处理:Q1= Q1+ Θ I,其中,I为5X5的单位矩 阵,Θ为正则化系数。
[0114] Step3 :计算局部重建权值矩阵。根据stepl和step2,Z的最后一个样本的5个近 邻为第20、17、24、28、27个样本,得到局部重建权值矩阵为:
[0116] 其中,系数矩阵为重构权值。
[0117] (5.2)计算目标路段流量历史均值。计算连续一个月内每天某个5分钟时段(如 09 :05到09 :10)卡口 K监测路段的流量历史平均值:
[0118] Nhls= avg(N(K) ^N2(K),...,N31(K)) (20)
[0119] 其中N(K)1, N2(K),···,N31(K)为目标路段连续31天每天09 :05到09 :30连续5 个5分钟时段卡口 K监测路段的流量,avg〇是求均值函数,求得的流量历史均值为:Nhls = [99,103,110,102,102]〇
[0120] (5. 3)构造流量预测权值函数。09 :05到09 :10时段的路段车流量可根据该时段 的历史平均车流量和09 :00到09 :05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P i,路口的转向系数权重为P 2,则路段09 :05到09 :10时段的车流量预测值 为:
[0129] P JP P 2是可调整型自适应参数,满足P ι+Ρ 2= 1。初始取P 1= 〇,P 2= 1, 以〇. 05为间隔,P i每次加0. 05直到值为1,P 2每次减〇. 〇5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。经实验本发明中取P := 〇. 4、P 2= 0. 6时预测精 度最高。本发明方法可用于流量多步预测,即在预测值基础上进行再预测,根据式(19)进 行时间迭代可预测出路段多个时间段后的车流量:
[0131] 在多步预测时,需要预先预测卡口 K1、K2、K0监测路段的流量,再根据转向系数求 卡口 K监测路段的流量。卡口 KU Κ2、KO监测路段的流量可根据其三个来车方向的卡口监 测路段流量及路口转向系数求得。
[0132] 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:
[0134] 其中Nt_为预测时段的真实流量值,ε为预测精度。
[0135] 表1所示为本发明方法与历史平均法在[2014-08-31]连续多个5分钟时段的车 流量单步预测结果与真实值以及预测误差对比。从表中可以看出,本发明方法相对历史平 均法具有更低的预测误差,预测精度保持在90%以上,且历史平均法预测结果不稳定,会出 现时好时坏的情况。
【主权项】
1. 一种基于转向系数的交通流模拟及预测方法,其特征在于:所述预测方法包括如下 步骤: 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、Kl、 K2,目标路口北向南方向卡口为K3,南向北方向卡口为K4,目标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; 步骤2 :数据预处理,剔除未能识别车牌的数据; 步骤3 :计算路口转向系数 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:其中,1&31咖、&_1^為_1^分别表示经过卡口1(0后直转、卡口1(1后左转、卡口1(2后 右转的车辆数,Pc_ straight、Pl-left、P2_"ght分别表示车辆直行、左转、右转的概率; 步骤4 :路段流量建模,卡口K监测路段的流量计算为: N(K)=Nstraight+Nleft+Nright (4) 其中,Nstraight为经过卡口KO的车辆中直行的车辆数,Nlrft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: N(K) -P。-straightXNo+Pi-left+P2-rightXN2 (5) 其中,Pljeft是经过卡口Kl后左转的概率,N1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; 步骤5 :根据路段流量模型对流量进行预测,过程如下: (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: 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;对其正则化处理:Q1=Q> 9I,其中,I为KXK的单位矩阵,0为正则化系数; 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:重构权值; (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=Bvg(MK),N2(K),…,Nn(K)) (7) 其中,N1 (K) ,N2(K),…,Nn为卡口K监测路段连续n天每天同一时间段的车流量,avg〇是求均值函数; (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Pi,路口的转向系数权重 为P2,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:P:和P2是可调整型自适应参数,满足Pi+P2= 1,初始取Pi= 〇,P2= 1,以〇. 05 为间隔,Pi每次加〇. 05直到值为1,P2每次减〇. 〇5直到值为〇,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:其中,t为第t个时间槽,t+1为其后的一个时间槽,多步预测时,需要先预测K0、K1、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。2. 如权利要求1所述的一种基于转向系数的交通流模拟及预测方法,其特征在于:所 述预测方法还包括以下步骤: 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:其中,Nt_为预测时段的真实流量值,e为预测精度。3. 如权利要求1或2所述的一种基于转向系数的交通流模拟及预测方法,其特征在于: 所述步骤2中,剔除规则如下: (2. 1)若车牌号码数据为'NULL'或'未识别',则去掉该条数据; (2. 2)若车牌号码数据长度小于6位,则去掉该条数据; (2. 3)若车牌号码数据长度大于10位,则去掉该条数据。
【专利摘要】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,有效提高预测的精度、稳定性和实效性。
【IPC分类】G08G1/065, G08G1/01
【公开号】CN105046956
【申请号】CN201510354506
【发明人】李丹, 李建元, 王毅, 陈涛, 顾超, 靳明豪
【申请人】银江股份有限公司
【公开日】2015年11月11日
【申请日】2015年6月24日