CN101488284A - 道路交通状况即时预测的智能管理*** - Google Patents

Abstract

一种基于对未来道路交通状况(速度与流量)的预测进行智能管理的***。它包括数据融合处理模块，数学模型预测运算模块，基于预测的交通疏导管理模块。它把实时收集的多元交通信息通过数据融合的技术产生规范化信息输入，通过历史数据判别道路网络交通流的内在关联建立参数化统计模型并在此基础上计算未来90分钟里的道路网络里各个路段的交通状况(例如速度与流量)，其时间精确度与实时数据收集的时间间隔一致。然后根据预测结果进一步判断生成可量化交通指标，包括：各路段未来时间里的堵塞概率，已经堵车的路段何时恢复畅通，车流量异常警报，为交通参与者与管理者提供决策支持。

Description

道路交通状况即时预测的智能管理***

所属技术领域

本发明是一种基于对未来道路交通状况(速度与流量)即时预测进行智能管理的***.

背景技术

在交通领域，行程时间对于为旅行者和调度员提供导航是必不可少的。在交通网络中这种信息通常用对每个路段取平均值的方法来取得。基于行程时间的平均值，我们可以用很多最短路径的算法来得出最佳的行程路线。在交通网络中路径是由一条或多条路段组成的。有几种传统的方法来计算未来时间段的导航以及最佳路径。

最普遍的方法就是取平均值。这种方法可以为用户提供平均的最佳路径。然而由于道路的堵塞，对于某一路段行程时间的平均值在某一特定时间和真实的行程时间会有很大的差距。比如在高峰时期某一路段的行程时间会是非高峰时间的两倍。在这种情况下，为用户提供基于特定时间的导航获最佳路径将更合理。

有一种早期的传统方法关于报告汽车数据，在该方法中类似队列的对象在交通流中被找出并跟踪，从而得出各种交通参数的估计值，其中可能包括行程时间。更具体些，那些数据关于在队列中的平均汽车数，队列长度，汽车在队列中的平均等待时间，某一段道路特定方向的平均汽车数，以及当前的数据空白程度，能够用来在一个连续的基础上生成历史的进度线。同时历史进度线暗示了对现在或不远将来的预告。如果把路段之间的相互关系考虑进去这种方法会变得过于复杂，同时对这些值的实时运算是不可能的。

第二种关于对未来道路交通状态预测的方法。这是一种未来多种时间间隔的速度信息进行预测的方法(比如对未来0-60分钟到几小时，甚至1-3天)。该方法用类似路段在同一时间点同一类型的日期历史速度乘以一个小等于1的加权参数，然后通过对一些参数如天气预报信息，道路改造，以及任何对该路段已知的安排好的事件进行回归分析得到结果。

因此这种方法依赖于高质量的天气预报数据以及基于路段的相应事件。然而这些数据通常并不以能被交通预测运用的格式存在。

第三种方法是通过计算机神经网络与非参数回归模型进行预测.这一类方法自从二十世纪九十年代以来已经被许多研究小组尝试用于实际的交通预测.但是由于此方法内在的缺点，它的计算速度慢而且无法同时应用预测大范围精密覆盖的道路网络，她的预测精确度也不高.更重要的是在这类解决方案中，一些外界因素(如天气，道路零时施工，大型活动)对交通流的影响无法及时体现.

然而，对于本发明的申请人来说，以上的传统方法在许多情况下不能适用，例如：

(1)在天气预报和固定事件的数据不存在的情况下仍然需要对未来行程时间的准确预报。

(2)由于天气或事件的效果对不同的路段是很不同的，用单一的加权因素对平均行程时间进行计算往往是不够的。除此以外，对于现在情况高细节的数据，就像在第一种传统方法中假设的一样，一般对大多数的路段是无法取得的，同时对用于很短期的预测是没有效果的。

发明内容

综合考虑前述、有代表性的问题、缺陷、传统***的劣势等等因素，本发明能够提供一种新的结构实现对大型的交通网络进行实时地、高动态的未来交通状况预测，并且在预测的基础上提供可量化指标给交通管理决策支持。

本发明的道路交通状况即时预测的智能管理***由以下部分组成：一个接收实时到达的整体或者部分地区道路网络上的交通数据的数据融合处理模块；一个计算未来时间里的在所有被采集数据的路段上的交通状况的数学模型预测运算模块；一个把预测的信息提炼成预设的可量化指标进行决策支持的基于预测的交通疏导管理模块。数据融合处理模块实时接收到多个数据采集点的在预设的时间间隔里的交通信息(例如平均交通速度和流量)，当时当地的自然气象条件，各种特殊节假日信息，并把实时收集的多元交通信息通过数据融合的技术产生规范化信息输入。数学模型预测运算模块通过历史数据判别道路网络交通流的内在关联建立参数化统计模型并在此基础上预测运算未来90分钟里的道路网络里各个路段的平均速度与流量。其时间精确度与实时数据收集的时间间隔一致。基于预测的交通疏导管理模块在预测整个道路网络的未来交通状况的基础上进一步判断生成可量化交通指标进行决策支持，包括：各路段未来时间里的堵塞概率，已经堵车的路段何时恢复畅通，车流量异常警报。建立参数化统计模型采用一种数学方法，根据截至当前时刻的道路交通信息，提前预报未来道路网络上的未来交通状况，其中所涉及的原始的道路网络是由许多相连的路段组成，其道路网络结构是一个完整道路网络上的子网络，其中的每一个路段代表了多个相邻的路段这个子网络与原始网络的对应关系是通过对历史交通数据的分析发掘得到的，实际的数据预测是在精简的子网络上进行，然后再映射到原始完整的道路网络；子网络是通过的以下步骤完成，选择与当前所考虑的道路节点有道路直接相邻的1层，2层，直到最多20层网络，把此网络上的历史交通流量(速度)组成的矩阵，这个矩阵每行对应此网络上的一个路段(数据采集点)，然后检验此矩阵的约当标准形的构成，找出约当标准形的对角元显著大于0的位置所对应的路段，即是与当前考虑的道路节点显著相关的子网络；统计模型把子网络上的所有路段同一时刻的交通状况组成的一个向量，通过考察此向量构成的前行与后行的观测量之间的正则相关系数的显著性来确定一组Kronecker指数，通过这组Kronecker指数的最大值决定参数化回归统计模型变量的个数，然后并且在此基础上利用历史数据库来确定多维多变量的参数化线性回归模型得到此模型的参数值。所涉及的预测运算是由以下步骤构成：截至当前时刻的交通数据都通过减去对应路段上同一时刻的历史平均值，所得的差再输入到数学模型中进行计算，模型计算得到的结果再迭加到历史平均值得到实际的预测结果，先预测最近邻的未来时间段里的交通状况，然后更加远的未来时间段里的预报是通过迭代的方法进行，预测的结果包括一种或者多个：交通速度，交通流量，交通密度。

本发明的有益效果是，在快速提供对未来交通状况的准确预测的基础上，预测未来堵塞风险，帮助人们提前避开堵车路段，节能降耗；计算当前堵塞路段何时恢复畅通。自动探测交通异常路段。本发明的预测结果不仅可以给个人用户提供交通信息服务，还可以给交通管理部门提供交通诱导的决策支持。实际使用时预测***在新的数据到达后能够在10秒钟的时间里更新预测未来90分钟里整个网络上的交通状况(例如速度和流量)。根据道路网络的改变，本发明的***中的数学模型预测运算模块可以及时调整模型的参数估计，从而包括最新的道路结构对交通的影响。

下面结合附图和实施例对本发明进一步说明。

附图说明

图1是本发明***实施例的方框图。

图2是本发明***的数学模型预测运算模块(图1，(2))的核心算法。

具体实施方式

图1数据融合处理模块(1)输入的数据包括各采集点当前的每5分钟(也可以是其他设定的时间间隔)里的交通状况(例如平均速度，车流量，交通事故，天气状况等等)。并且产生标准化的数据输入到***里。图1数学模型预测运算模块(2)利用输入的标准化历史数据产生数学模型，并且利用此模型结合当前的交通状况输入预测未来的交通状况。图1基于预测的交通疏导管理模块(3)根据预测的结果进一步计算预设的量化指标，例如各个路段的堵车概率。这些指标可以为交通参与者与管理者提供决策支持。

图2详细描述了本发明的数学模型预测运算模块的核心算法.本算法可以适用于同时预测交通流量和速度.为简明扼要，在以下的描述中我们以交通流量为例，对于交通速度的算法只需把描述中的”流量”改为”速度”即可.在这个描述中，

代表在时间段t里位于路段i的交通流量.

在图2的步骤(1)中，假设我们当前要预测的路段编号为0.通过分析它周围的相邻路段所组成的子网络上的历史交通流量所组成的矩阵， $\mathrm{HX}=\left(\begin{array}{c}{X}_t^1,X_t^2,\·\·\·,X_t^p\\ X_{t+1}^1,X_{t+1}^2,\·\·\·,X_{t+1}^p\\ X_{t+2}^1,X_{t+2}^2,\·\·\·,X_{t+2}^p\\ \·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\end{array}\right),$ 这p个路段都是与我们当前要考察的路段在地理位置上通过道路相关.通过分析HX矩阵的约旦标准型的对角元显著大于0的位置，我们确定与当前路段(编号0)相关的子网络，假设这个网络有k个路段，编号顺序为1，2，...k. $Z_t=(X_t^1,X_t^2,\·\·\·,X_t^k)$ 是由k个与路段0相关的路段上的交通流量所组成的矢量.P_t＝(Z_t-1，Z_t-2，…，Z_t-s)是由时间段t之前的s个时间段里的整个子网络上的交通流量所组成的矢量.F_t＝(Z_t，Z_t+1，…)是由时间段t起向未来时间里的整个子网络上的交通流量所组成的矢量.F_t＝(Z_1，t，…Z_k，t，Z_1，t+1，…，Z_k，t+1，Z_1，t+2，…)。至此，所需的过去的交通状况的标准化向量和相关的子网络构造完毕。

在图2的步骤(2)中，这是一个循环的过程来寻找一组参数(Q₁，Q₂，…，Q_k).这组参数在多维时间序列里叫作Kornecker指数.在第一步，从F_t选取子向量 $F_t^{*}=\left(Z_{1,t}\right),$ 计算

与P_t的正则相关系数，用统计学中的卡方分布来检验最小的正则相关系数

是否显著大于0：

$\hat{d}=1+2\underset{v=1}{\overset{h}{\mathrm{\Σ}}}{\widehat{\mathrm{\ρ}}}_{\mathrm{uu}}\left(v\right){\widehat{\mathrm{\ρ}}}_{\mathrm{ww}}\left(v\right)$

其中的

代表正则相关量的时间序列的自相关系数。

如果不是否显著大于0，则与当前的

的最后一位变量对应的Kornecker指数就确定了。具体地说，如果当前的 $F_t^{*}=\left(Z_{1,t}\right),$ 那么Q₁＝0，如果当前的 $F_t^{*}=(Z_{1,t},\·\·\·,Z_{i,t+h})$ ，则有Q_i＝h。在确定了新的一个Q之后，在F_t当中把所有未来时间里的此变量全部删除，具体地说，就是删除Z_i，t+h+1，Z_i，t+h+2，Z_i，t+h+3，......如果最小的正则相关系数

是显著大于0，那么把F_t当中下一个元素添加到当前的

中，新的 $F_t^{*}=(Z_{1,t},\·\·\·,Z_{i,t+h},Z_{i+1,t+h})$ 或者 $F_t^{*}=(Z_{1,t},\·\·\·,Z_{i,t+h},Z_{1,t+h+1}).$ 然后重复进行卡方检验最小的正则相关系数

，直到确定所有k个Kronecker指数，(Q₁，Q₂，…，Q_k)。

选取k个Kronecker指数(Q₁，Q₂，…，Q_k)的最大值，记为q，这就是预测模型里所用到的变量的数目。

在图2的步骤(3)中，然后建立多元(q个变量，Z_t-1，...，Z_t-q)，多维(每个Z_t-1有k个分量)的参数回归模型.

X⁽⁰⁾ _t＝β₁Z_t-1+β₂Z_t-2+…+β_qZ_t-q

其中的X⁽⁰⁾ _t代表当前考虑的路段(编号0)在时间段t里的交通流量。所得到的参数β₁，…，β_q代表了周围网络上的交通状况对当前考虑的路段(编号0)在未来的时间段里的交通状况的影响。由此得到参数线性回归方程的参数值。

Claims (3)

1.一个道路交通状况即时预测的智能管理***，由以下部分组成：一个接收实时到达的整体或者部分地区道路网络上的交通数据的数据融合处理模块；一个计算未来时间里的在所有被采集数据的路段上的交通状况的数学模型预测运算模块；一个把预测的信息提炼成预设的指标进行决策支持的基于预测的交通疏导管理模块，其特征是：所述的数据融合处理模块实时接收到多个数据采集点的在预设的时间间隔里的交通信息(例如平均交通速度和流量)，当时当地的自然气象条件，各种特殊节假日信息，并把实时收集的多元交通信息通过数据融合的技术产生规范化信息输入，所述的数学模型预测运算模块通过历史数据判别道路网络交通流的内在关联建立参数化统计模型并在此基础上预测运算未来90分钟里的道路网络里各个路段的平均速度与流量。其时间精确度与实时数据收集的时间间隔一致，所述的基于预测的交通疏导管理模块在预测整个道路网络的未来交通状况的基础上进一步判断生成可量化交通指标进行决策支持，包括：各路段未来时间里的堵塞概率，已经堵车的路段何时恢复畅通，车流量异常警报。

2.根据权利要求1所述的道路交通状况即时预测的智能管理***，其特征是：建立参数化统计模型采用一种数学方法，根据截至当前时刻的道路交通信息，提前预报未来道路网络上的未来交通状况，其中所涉及的原始的道路网络是由许多相连的路段组成，其道路网络结构是一个完整道路网络上的子网络，其中的每一个路段代表了多个相邻的路段这个子网络与原始网络的对应关系是通过对历史交通数据的分析发掘得到的，实际的数据预测是在精简的子网络上进行，然后再映射到原始完整的道路网络；子网络是通过的以下步骤完成，选择与当前所考虑的道路节点有道路直接相邻的1层，2层，直到最多20层网络，把此网络上的历史交通流量(速度)组成的矩阵，这个矩阵每行对应此网络上的一个路段(数据采集点)，然后检验此矩阵的约当标准形的构成，找出约当标准形的对角元显著大于0的位置所对应的路段，即是与当前考虑的道路节点显著相关的子网络；统计模型把子网络上的所有路段同一时刻的交通状况组成的一个向量，通过考察此向量构成的前行与后行的观测量之间的正则相关系数的显著性来确定一组Kronecker指数，通过这组Kronecker指数的最大值决定参数化回归统计模型变量的个数，然后并且在此基础上利用历史数据库来确定多维多变量的参数化线性回归模型得到此模型的参数值。

3.根据权利要求1所述的道路交通状况即时预测的智能管理***，其特征是：所涉及的预测运算是由以下步骤构成：截至当前时刻的交通数据都通过减去对应路段上同一时刻的历史平均值，所得的差再输入到数学模型中进行计算，模型计算得到的结果再迭加到历史平均值得到实际的预测结果，先预测最近邻的未来时间段里的交通状况，然后更加远的未来时间段里的预报是通过迭代的方法进行，预测的结果包括一种或者多个：交通速度，交通流量，交通密度。

Images