CN102034351B - 一种交通流短时预测*** - Google Patents
一种交通流短时预测*** Download PDFInfo
- Publication number
- CN102034351B CN102034351B CN2010102991975A CN201010299197A CN102034351B CN 102034351 B CN102034351 B CN 102034351B CN 2010102991975 A CN2010102991975 A CN 2010102991975A CN 201010299197 A CN201010299197 A CN 201010299197A CN 102034351 B CN102034351 B CN 102034351B
- Authority
- CN
- China
- Prior art keywords
- prediction
- predicted
- module
- data
- highway section
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了交通流短时预测***,属于交通流预测***领域,数据处理子***通过Socket通信接收从交通信息采集平台传来的交通流数据,维护预测子***位置表,当待预测路段在预测周期的数据统计出后,根据待预测路段的代码在预测子***位置表中查找代码所对应的预测子***,将统计数据发送给预测子***;接收统计数据,在主机上维护预测模块位置表,根据待预测路段的代码在预测模块位置表中进行查找,对待预测路段进行预测,对待预测路段在不同预测时长进行预测得到预测结果,将预测结果发送给数据分析与显示子***;数据分析与显示子***接收预测结果对每个周期的每个待预测路段的预测值和实际值进行分析,统计出预测效果并显示预测效果。
Description
技术领域
本发明涉及交通流预测***领域,特别涉及一种交通流短时预测***。
背景技术
在智能交通***的体系结构中,交通流短时预测***是重要的组成部分,交通流短时预测***的主要作用是依据当前流量根据历史的交通流量情况来预测某待预测路段未来时刻的交通流量,并将预测结果提供给其他用户和程序,包括交通控制、交通诱导和交通信息服务***等。由于短时交通流具有很强的非线性和不确定性,即使对于一个待预测路段,交通流短时预测的难度也是很大的,而在整个城市路网上,会有许多待预测路段,因此对于实用的交通流短时预测***的要求比科学研究中使用的交通流短时预测方法更为苛刻,在交通流短时预测***的实际应用中通常存在以下问题:1、严重依赖人工数据处理工作和经验设定;2、难以满足大数据量的实时预测需求;3、交通流短时预测***设计不够灵活,算法与***模块紧密耦合,难以扩展。
发明内容
为了解决上述问题,本发明提供了一种交通流短时预测***,所述***包括:数据处理子***、预测子***和数据分析与显示子***,
所述数据处理子***通过Socket通信接收从交通信息采集平台传来的交通流数据,维护预测子***位置表,当待预测路段在预测周期的数据统计出后,根据待预测路段的代码在所述预测子***位置表中查找代码所对应的所述预测子***,通过Socket通信将统计数据发送给所述预测子***;所述预测子***接收统计数据,所述预测子***在主机上维护预测模块位置表,根据待预测路段的代码在所述预测模块位置表中进行查找,对待预测路段进行预测,对待预测路段在不同预测时长进行预测,得到预测结果,通过Socket通信将预测结果发送给所述数据分析与显示子***;所述数据分析与显示子***接收预测结果,对每个周期的每个待预测路段的预测值和实际值进行分析,统计出预测效果,并显示预测效果。
所述预测子***包括:预测模块管理器、路段预测模块、基本预测模块和路段交通流特性获取模块,
所述预测模块管理器对所述路段预测模块进行维护,在主机上维护预测模块位置表,根据待预测路段的代码在所述预测模块位置表中进行查找,找到对应所述路段预测模块的指针,使用所述路段预测模块进行预测;所述路段预测模块完成待预测路段的预测;所述基本预测模块完成待预测路段在不同预测时长的预测;所述路段交通流特性获取模块采用非参数回归将预测流量转化为速度,实现对交通流平均速度的预测。
所述基本预测模块包括:模式库子模块、缓存子模块和配置设置子模块。
对应不同的预测需求分别建立所述模式库子模块,采用内存存储,以模式库类作为基类,模式库继承基类并实现基类规定的虚函数。
所述缓存子模块中存储的记录为一个三元组<W,S,X>,模式X由状态向量和因变量组成;W为等待值,表示模式X中因变量的值是W个预测周期后的预测值;S=0表示模式X在所述模式库子模块中不存在;S=1表示模式X在所述模式库子模块中存在。
所述交通流短时预测***包括:
根据所述配置设置子模块中的数据标识、预测需求从数据库中读取和数据标识相应的字段,组成对应预测需求的表示当前交通流状态的状态向量;
依据预设准则在所述模式库子模块中搜索与待匹配模式相似的L个模式,其中L为模式的数量;
遍历所述缓存子模块将所有记录的等待值减1,找出所有等待值为0的记录,如果S=0用实际流量值替换模式的因变量构成一条完整的模式,将模式加入所述模式库子模块;如果S=1则检验预测结果的精度并进行相应调整。
所述数据分析与显示子***包括:第二接收模块、第二解包模块、第二存储模块、第二统计模块和数据分析与显示界面模块,
所述第二接收模块通过Socket通信方式接收各个所述预测子***的预测结果;所述第二解包模块根据第二预设协议从预测结果中识别出完整数据包;所述第二存储模块对每条待预测路段建立内存中的预测数据列表和缓存,将待预测路段第T个周期的预测数据和第T个周期的实际流量数据组成一个数据对放入所述预测数据列表中,将所述数据对发送给所述第二统计模块、所述数据分析与显示界面模块和数据库;将待预测路段第T+k个周期的预测数据放入所述缓存;所述第二统计模块将所述数据对统计成平均相对误差、预测误差和均等系数,得到预测效果;所述数据分析与显示界面模块接收预测效果对预测效果进行分析,并对预测效果进行显示。
本发明提供的技术方案的有益效果是:
本发明提供的交通流短时预测***采用了分布式结构,能够同时承担多个待预测路段的交通流预测任务,并且基本预测模块可以根据需要增减;该交通流短时预测***是数据驱动,不依赖人工对数据进行处理和实现模式库子模块的建立,可以从零开始运行;该交通流短时预测***中的基本预测模块能够方便扩展;采用非参数回归的方法拟合待预测路段的交通流流量-速度-密度关系,可以进行平均旅行速度的预测;并通过数据分析与显示界面模块提供了丰富的视图,便于对预测结果进行分析。
附图说明
图1为本发明提供的交通流短时预测***的结构示意图;
图2为本发明提供的数据处理子***的结构示意图;
图3为本发明提供的路段信息的示意图;
图4为本发明提供的速度信息的示意图;
图5为本发明提供的流量信息的示意图;
图6为本发明提供的预测子***的分配示意图;
图7为本发明提供的预测子***的结构示意图;
图8为本发明提供的模式库子模块的类设计示意图;
图9为本发明提供的模式库子模块、缓存子模块和配置设置子模块配合工作的示意图;
图10为本发明提供的数据分析与显示子***的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
为了解决上述问题,本发明实施例提供了一种交通流短时预测***,参见图1,该交通流短时预测***包括:数据处理子***、预测子***和数据分析与显示子***,
数据处理子***通过Socket通信接收从交通信息采集平台传来的交通流数据,维护预测子***位置表,当待预测路段在预测周期的数据统计出后,根据待预测路段的代码在预测子***位置表中查找代码所对应的预测子***,通过Socket通信将统计数据发送给预测子***;预测子***接收统计数据,预测子***在主机上维护预测模块位置表,根据待预测路段的代码在预测模块位置表中进行查找,对待预测路段进行预测,对待预测路段在不同预测时长进行预测,得到预测结果,通过Socket通信将预测结果发送给数据分析与显示子***;数据分析与显示子***接收预测结果,对每个周期的每个待预测路段的预测值和实际值进行分析,统计出预测效果,并显示预测效果。
一、数据处理子***
参见图2,数据处理子***包括:第一接收模块、第一解包模块、有效性验证模块、解码模块、第一统计模块、数据打包模块、查找模块和第一存储模块,其中,
第一接收模块,监听是否有交通流数据到达,如果是,通过Socket通信从交通信息采集平台接收交通流数据,并取出交通流数据;如果否,继续监听;
第一解包模块,根据第一预设协议从交通流数据中识别出完整数据包;
其中,参见表1,本发明实施例采用的第一预设协议的定义具体为:数据包包头为0x68,长度为一个字节;IP地址长度为4字节;端口号长度为2个字节;消息标识长度为1个字节;数据长度为1个字节;数据包包尾为0x18,长度为一个字节。
表1第一预设协议的定义
包头 | IP地址长度 | 端口号 | 消息标识 | 数据长度 | 包尾 |
1byte、Ox68 | 4byte | 2byte | 1byte | 1byte | 1byte、Ox18 |
有效性验证模块,根据消息头的长度对数据包的完整性进行验证处理,对合格的数据包进行解码;对不合格的数据包,进行重发请求或丢弃处理;
其中,数据包的有效性主要是指数据包在通信传输中的有效性验证,包括数据包的完整性验证和数据包的正确性验证。考虑到交通数据采集***已经提高了质量比较高的数据,在此处只根据消息头的长度对数据包的完整性进行了验证处理。其中,对于不合格数据包,进行重发请求或丢弃处理具体为:根据不同的消息类型进行相应的重发请求或丢弃处理,一般来讲如果一两次重发请求得不到响应,则认为数据已经丧失了时效性,直接放弃此条数据。
解码模块,从数据包中提取路段信息、速度信息和流量信息;
参见图3、图4和图5,上述3个图中给出了路段信息、速度信息和流量信息的数据格式。
第一统计模块,根据预测周期对交通信息采集平台接收的交通流数据进行统计,将统计后的数据发送给数据打包模块;
数据打包模块,将统计后的数据按照预测子***的要求重新组织并包装;
查找模块,根据待预测路段的代码查找和待预测路段的代码对应的预测子***;
由于交通流短时预测***的结构是分布式的,负责某个待预测路段预测任务的预测子***分布在若干个主机上,因此必须找到对应的预测子***才能进行预测。具体过程如下:数据处理子***维护一个预测子***位置表,当某条待预测路段在某个预测周期的数据被统计出来之后,根据待预测路段的代码在预测子***位置表中查找待预测路段的代码所对应的预测子***,获取预测子***所在主机的IP地址,然后将数据发送到和预测子***对应的主机上。其中,为了取得较快的查找速度,本发明实施例优选采用哈希表结构来构建预测子***位置表,用待预测路段的代码作为哈希表的键值,预测子***所在主机的IP地址作为数据,由于待预测路段的代码是连续且无重复的,因此该哈希表的时间和空间消耗都最优。具体实现时,也可以采用顺序查找方法和折半查找方法等,本发明实施例对此不做限制。
数据存储模块,将第一统计模块统计后的数据存放到数据库中进行存储。
其中,将统计后的数据存放到数据库中成为永久存储,由于数据存储的频率十分频繁而且涉及到对数据库的I/O操作,因此是交通流短时预测***性能的瓶颈。
二、预测子***
参见图6,交通流短时预测***的预测需求由预测子***完成,在交通流短时预测中,最基本的预测需求可以表示成“预测路段i在k个预测周期之后的流量”,并将“k个预测周期”称作预测时长,其单位就是预测周期。可见,对于一个道路网,首先需要对若干个不同待预测路段的流量进行预测。而对于一条特定的待预测路段,又存在若干个不同预测时长的需求。从交通流数据来源考虑,流量数据来自固定式检测器,速度数据来自于浮动车,由于浮动车在路网上是出于不断运动当中,因此对每一条待预测路段来讲,不一定每个预测周期都能获得速度数据,因此数据处理子***传来的路段交通流统计数据有两种类型:即速度-流量信息或单纯的流量信息。路段预测模块将根据数据的不同,分别进行不同的处理。如果是速度-流量信息,则一方面将这些数据发送给路段交通流特性获取模块,用来获得路段交通流的速度-密度-流量关系;另一方面将其中的流量数据发送给每一个基本预测模块进行预测。如果是单纯流量信息,则仅将流量数据发送给基本预测模块。预测子***是数据驱动的,预测子***通常只是处于等待状态,当从主机接收到一个数据包之后,就从数据包中提取出信息,把这些信息依次传递给相关的路段预测模块,完成预测。
参见图7,预测子***包括:预测模块管理器、路段预测模块、基本预测模块和路段交通流特性获取模块,
预测模块管理器,对路段预测模块进行维护,在主机上维护预测模块位置表,根据待预测路段的代码在预测模块位置表中进行查找,找到对应路段预测模块的指针,使用路段预测模块进行预测;
其中,为了取得较快的查找速度,本发明实施例优选采用哈希表结构来构建预测模块位置表,以待预测路段的代码为键值,该预测模块位置表的不同数据部分是路段预测模块的引用,利用待预测路段的代码查找该路段预测模块的时间复杂度O(1)。由于一台主机上的路段预测模块所负责的待预测路段的代码可能有间断,因此使用哈希表会浪费一些存储空间。具体实现时,也可以采用顺序查找方法和折半查找方法等,本发明实施例对此不做限制。
路段预测模块,完成待预测路段的预测;
其中,一个预测子***中包含若干个路段预测模块,每个路段预测模块完成某一条特定待预测路段的预测,而每个路段预测模块的基本预测任务根据预测时长的不同分别由不同的基本预测模块完成。当路段预测模块是第一次被调用,则利用配置文件和初始模式库子模块来初始化该路段预测模块。
基本预测模块,完成待预测路段在不同预测时长的预测;
其中,基本预测模块是完成交通流预测的最基本单元,每个基本预测模块完成待预测路段在不同预测时长的预测,由于预测时长的不同,使得一条待预测路段有多个预测需求,该路段预测模块就有多个基本预测模块与之对应。每个基本预测模块包括:模式库子模块、缓存子模块和配置设置子模块,这三个子模块相互配合,完成一个基本预测任务。
模式库子模块,对应于不同的预测需求的预测模式集合,采用内存存储,以模式库类作为基类,模式库继承基类,并实现基类规定的虚函数。
其中,在软件实现时采用继承结构,基类只提供虚函数作为接口,派生类实现基类中规定的虚函数,完成所需功能。
由于预测需求的不同,模式库子模块中模式的结构也是不同的,例如预测5分钟和10分钟之后的流量,模式中状态向量的维数和各分量的意义必然有所不同。因此对于每一种不同预测时长的预测需求,都必须建立单独的模式库子模块。模式库子模块中的模式完全采用内存存储,首先是因为它直接影响了M最近邻搜索的速度,必须采用存取速度最快的内存存储。其次可以估算一下模式库子模块的大小,通过数据预处理等方法,将每个状态向量的维数控制在10维是可行的,加上因变量以及KD树的左右子树等辅助存储空间,以每个分量和指针都占用4个字节计算,每条数据的大小不超过60byte,假设每个模式库子模块有106个模式,则共占据60MB的内存空间,以现有的硬件水平,每台主机足以支持20~30个左右这种大小的模式库子模块。而实际上,假设预测周期为3分钟,则每条待预测路段每天能够收集500组实测数据,即使这些数据都能够组成一个全新的模式,则106个模式也需要2000天,即6年左右。再考虑到实际上存在许多重复的模式,所以模式库子模块采用内存存储是完全能够达到要求的。由于使用非参数回归方法进行交通流预测需要在模式库子模块中搜索M个与待预测模式最相似的模式,对于一种特定的模式库子模块结构,就需要一种特定的M最近邻搜索算法,因此在软件设计时必须考虑对模式库子模块的扩展。本***中,将模式库子模块视作一个“虚拟数据类型(ADT)”,模式库子模块不但包括模式数据的物理和逻辑组织形式,而且包括了建立在这种数据组织形式上的各种算法。采用面向接口的设计思想,参见图8,首先建立一个模式库类RangeQuery作为基类,模式的加入,删除,查找等操作都体现为它的虚函数,在模式库类RangeQuery中,这些虚函数不具有任何实际的功能,实际功能需要在RangeQuery的派生类中根据具体实现方案对虚函数进行重写来完成。基本预测模块,只需要维护一个基类RangeQuery的指针,这个指针实际上指向RangeQuery某个派生类的实例,按照统一的接口(虚函数)进行操作,而无须知道模式库子模块具体的实现细节。目前***中实现了KD树和线性表两种具体的模式库子模块,如果需要实现使用R树或其他数据结构的模式库子模块,只需继承RangeQuey建立派生类Rtree,并重写以上几个虚方法,然后将基本预测模块中的基类引用指向Rtree实例的指针即可。其中,模式库类RegionQuery包含五个主要的虚方法,其对应的代码如下所示:
bool virtual AddData(Pattern Data Data):将模式数据加入模式库子模块,成功后返回真。
bool virtual DeleteData(PatternData Data):将模式数据从模式库子模块中删除,成功后返回真。
PattemData[]virtual KNNSearch(float Range,int maxM,PatternData center):搜索以参数数据center为中心,Range为半径,最多maxM个最近邻数据,并返回搜索到的数据集合。
bool Persistence(string Filename):将模式数据存储为文件,定义文件名为Filename,成功后返回真。
bool DePersistence(string Filename):从模式文件Filename中读取历史模式,建立模式库,成功后返回真。
其中,上述采用的非参数回归方法为现有技术中的通用方法,具体实现时,本发明实施例对此不做限制。
缓存子模块中存储的记录为一个三元组<W,S,X>,模式X由状态向量和因变量组成;W为等待值,表示模式X中因变量的值是W个预测周期后的预测值;S=0表示模式X在模式库子模块中不存在;S=1表示模式X在模式库子模块中存在。
其中,S=0表示模式X目前在模式库子模块中不存在,则X的因变量部分无意义,需要W个周期后接收到实际数据之后才能构成一条完整的模式;如果S=1表示该模式在模式库子模块中已经存在,但是需要验证是否准确,则在W个周期后接收到实际数据之后利用实际数据对其准确性进行检验。
配置设置子模块,为内存中数据标识集合,表示应该使用哪些数据组成某种预测需求所需的状态向量。
每个基本预测模块的配置设置都是通过读取外存中的配置文件生成的。配置文件存在为xml文件的形式,其主要内容是如下的形式:
<Modes>
<Mode Forcast=″1″>
<road ID=″4″BackTrace=″0″></road>
<road ID=″3″BackTrace=″0″></road>
……
</Mode>
<Mode Forcast=″2″>
<road ID=″4″Target=″1″BackTrace=″1″></road>
……
</Mode>
</Modes>
其中节点<Mode></Mode>之间是一种特定预测需求所要使用的状态向量组成,以第一个<Mode>节点为例,Forcast=″1″表示预测1个预测周期后的流量。<road ID=″4″BackTrace=″0″></road>表示状态向量中的一个分量是ID为4的路段,回推一个预测周期的流量。对于每一个<Mode>节点,都生成一个基本预测模块,并利用<Mode>节点之间的内容生成该模块的配置设置子模块。对于一个路段预测模块而言,配置文件是必须的。并且由于缓存数据量小且存取频繁,因此采用内存存储。
参见图9,模式库子模块、缓存子模块和配置设置子模块配合工作进行交通流预测的流程详见下文描述:
1、根据配置设置子模块中的数据标识、预测需求从数据库中读取和数据标识相应的字段,组成对应预测需求的表示当前交通流状态的状态向量;
其中,数据库中数据来自数据处理子***中读取相应的字段,组成对应某种预测需求的表示当前交通流状态的状态向量。
2、依据预设准则在模式库子模块中搜索与待匹配模式相似的L个模式,其中L为模式的数量;
如果没有在模式库子模块中搜索到相似的模式,或者虽然搜索到了,但是现有的类似模式太少,这时就需要为模式库子模块增加新模式。首先将模式加入缓存中,S=0,模式中的自变量部分留空。如果在模式库子模块中搜索到相似的模式,需要利用实际流量值与本次预测值误差进行反馈修正,这时需要将模式加入缓存中,S=1,模式中的自变量部分就是本次的预测值。其中,预设准则根据实际应用中的具体应用情况进行设定,具体实现时,本发明实施例对此不做限制。
3、遍历缓存子模块将所有记录的等待值减1,找出所有等待值为0的记录,如果S=0,用实际流量值替换模式的因变量构成一条完整的模式,将模式加入模式库子模块;如果S=1,则检验预测结果的精度并进行相应调整。
其中,检验预测结果的精度和调整采用现有技术中的通用方法即可,即根据实际的应用情况将预测结果的精度调整到设计需求,具体实现时本发明实施例对此不做限制。
每个路段预测模块还包含一个路段交通流特性获取模块,路段交通流特性获取模块,采用非参数回归将预测流量转化为速度,实现对交通流平均速度的预测。其中,状态向量表示为<W,B,Q,O>,W表示天气状况,B表示交通流中大型车的比例,Q表示流量,O表示占有率。
对于交通诱导等实际应用,关心更多的是路段上的平均旅行速度,而直接预测出的信息是流量,因此还必须具备根据流量数据计算出平均旅行速度的功能。这一功能实现的基础是交通流理论中流量-速度-密度三者之间的关系,在交通流中,流量=速度*密度这一关系是恒成立的,对于其中两个参数之间也存在着某种确定的关系,但是这种关系的具体形式却由于路段物理结构、路面状况、自然环境和车辆组成等有所区别,必须通过采集实际数据才能找出具体的关系。其中,天气状况和大型车的比例对流量-速度关系的影响是毋庸置疑的,而由于每个待预测路段都具有单独的路段交通流特性获取模块,因此待预测路段自身的状况也就隐含其中了。由于在交通流中,通常情况下,流量-平均速度的关系不是唯一的,因此仅靠流量数据无法得到唯一的速度值,所以在状态向量中还必须加入占有率O,这四个分量就决定了一个唯一的速度值。***在运行中,通过交通信息采集平台可以获得待预测路段的流量、大型车比例及占有率数据,通过浮动车可以获得待预测路段的平均旅行速度,天气状况由于不是实时变化的量,可以通过人工、外场安装的检测设备或web服务的方式从某些网站获得。如果数据处理子***传来的数据中包含速度和流量两种信息,则这些信息会被路段预测模块交给自身包含的路段交通流特性获取模块,路段交通流特性获取模块收到这些信息后与天气信息一起组成一条交通流特性模式,流量-速度转化时就可以通过非参数回归方法进行。
三、数据分析与显示子***
数据分析与显示子***收集各个预测子***的预测结果,以统计图的形式展示给交通管理者,并计算出若干重要的统计指标,在数据分析与显示子***中主要使用了三个统计指标,分别反映了预测的不同方面的性能:
1、平均相对误差,反映了长时间预测的平均效果,是评价预测效果好坏的最直接指标,计算公式如下:
其中,Fi表示第i个周期的预测流量,fi表示第i个周期的实际流量,N表示预测周期数。
2、预测方差,反映了预测效果的稳定性,计算公式如下:
3、均等系数,反映了预测的满意程度,均等系数大于0.9的预测可以认为是较好的预测,计算公式如下:
参见图10,数据分析与显示子***包括:第二接收模块、第二解包模块、第二存储模块、第二统计模块和数据分析与显示界面模块,
第二接收模块,通过Socket通信方式接收各个预测子***的预测结果;
其中,数据分析与显示子***来自数据吞吐量的压力要小于数据处理子***,完全可以使用与数据处理子***中类似的技术来实现,详细描述情况参见数据处理子***,在此不再赘述。
第二解包模块,根据第二预设协议从预测结果中识别出完整数据包;
即从数据包中提取出待预测路段、当前流量,预测流量以及预测流量所代表的是哪一个周期的流量。其中,参见表2,本发明实施例采用的第二预设协议的定义具体为:数据包的包头为0x78,长度为1个字节;包长度为1个字节;待预测路段的代码为2个字节;当前周期为4个字节;本周期流量float;预测时长为1个字节;预测流量float;数据包的包尾为0x18,长度为1个字节。
表2第二预设协议的定义
第二存储模块,对每条待预测路段建立内存中的预测数据列表和缓存,将待预测路段R第T个周期的预测数据和第T个周期的实际流量数据组成一个数据对放入预测数据列表中,将数据对和发送给第二统计模块、数据分析与显示界面模块和数据库;将待预测路段R第T+k个周期的预测数据放入缓存;
数据分析与显示界面模块,接收预测效果对预测效果进行分析,并对预测效果进行显示。
其中,存入数据库可以作为永久存储。本发明实施例提供了实时显示模式和用户查询显示模式,实时显示模式为:当新的预测效果做出时,实时的刷新显示界面;用户查询显示模式为:在用户指定某个时间段和具体的区域,从数据库内查询并显示,显示界面模块提供了3种视图:
(1)对比视图:将待预测路段在T个预测周期的实际值和预测值用折线图显示。
(2)误差视图:将待预测路段,在T个预测周期的实际值和预测值之间的相对误差用折线图显示。
(3)统计指标视图:指定显示区域,在显示区域内对T个预测周期内的预测效果进行显示。
综上所述,本发明实施例提供了一种交通流短时预测***,该交通流短时预测***采用了分布式结构,能够同时承担多个待预测路段的交通流预测任务,并且基本预测模块可以根据需要增减;该交通流短时预测***是数据驱动,不依赖人工对数据进行处理和实现模式库子模块的建立,可以从零开始运行;该交通流短时预测***中的基本预测模块能够方便扩展;采用非参数回归的方法拟合待预测路段的交通流流量-速度-密度关系,可以进行平均旅行速度的预测;并通过数据分析与显示界面模块提供了丰富的视图,便于对预测效果进行分析。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种交通流短时预测***,其特征在于,包括:数据处理子***、预测子***和数据分析与显示子***,
所述数据处理子***通过Socket通信接收从交通信息采集平台传来的交通流数据,维护预测子***位置表,当待预测路段在预测周期的数据统计出后,根据待预测路段的代码在所述预测子***位置表中查找代码所对应的所述预测子***,通过Socket通信将统计数据发送给所述预测子***;所述预测子***接收统计数据,在主机上维护预测模块位置表,根据待预测路段的代码在所述预测模块位置表中进行查找,对待预测路段进行预测,对待预测路段在不同预测时长进行预测,得到预测结果,通过Socket通信将预测结果发送给所述数据分析与显示子***;所述数据分析与显示子***接收预测结果,对每个周期的每个待预测路段的预测值和实际值进行分析,统计出预测效果,并显示预测效果;
所述预测子***包括:预测模块管理器、路段预测模块、基本预测模块和路段交通流特性获取模块,
所述预测模块管理器对所述路段预测模块进行维护,在主机上维护预测模块位置表,根据待预测路段的代码在所述预测模块位置表中进行查找,找到对应所述路段预测模块的指针,使用所述路段预测模块进行预测;所述路段预测模块完成待预测路段的预测;所述基本预测模块完成待预测路段在不同预测时长的预测;所述路段交通流特性获取模块采用非参数回归将预测流量转化为速度,实现对交通流平均速度的预测;
所述基本预测模块包括:模式库子模块、缓存子模块和配置设置子模块;
对应不同的预测需求分别建立所述模式库子模块,采用内存存储,以模式库类作为基类,模式库继承基类并实现基类规定的虚函数;
所述缓存子模块中存储的记录为一个三元组<W,S,X>,模式X由状态向量和因变量组成;W为等待值,表示模式X中因变量的值是W个预测周期后的预测值;S=0表示模式X在所述模式库子模块中不存在;S=1表示模式X在所述模式库子模块中存在;
所述交通流短时预测***包括:
根据所述配置设置子模块中的数据标识、预测需求从数据库中读取和数据标识相应的字段,组成对应预测需求的表示当前交通流状态的状态向量;
依据预设准则在所述模式库子模块中搜索与待匹配模式相似的L个模式,其中L为模式的数量;
遍历所述缓存子模块将所有记录的等待值减1,找出所有等待值为0的记录,如果S=0用实际流量值替换模式的因变量构成一条完整的模式,将模式加入所述模式库子模块;如果S=1则检验预测结果的精度并进行相应调整;
所述数据分析与显示子***包括:第二接收模块、第二解包模块、第二存储模块、第二统计模块和数据分析与显示界面模块,
所述第二接收模块通过Socket通信方式接收各个所述预测子***的预测结果;所述第二解包模块根据第二预设协议从预测结果中识别出完整数据包;所述第二存储模块对每条待预测路段建立内存中的预测数据列表和缓存,将待预测路段第T个周期的预测数据和第T个周期的实际流量数据组成一个数据对放入所述预测数据列表中,将所述数据对发送给所述第二统计模块、所述数据分析与显示界面模块和数据库;将待预测路段第T+k个周期的预测数据放入所述缓存;所述第二统计模块将所述数据对统计成平均相对误差、预测误差和均等系数,得到预测效果;所述数据分析与显示界面模块接收预测效果对预测效果进行分析,并对预测效果进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102991975A CN102034351B (zh) | 2010-09-30 | 2010-09-30 | 一种交通流短时预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102991975A CN102034351B (zh) | 2010-09-30 | 2010-09-30 | 一种交通流短时预测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102034351A CN102034351A (zh) | 2011-04-27 |
CN102034351B true CN102034351B (zh) | 2012-07-25 |
Family
ID=43887189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102991975A Expired - Fee Related CN102034351B (zh) | 2010-09-30 | 2010-09-30 | 一种交通流短时预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102034351B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021665B (zh) * | 2014-06-06 | 2016-09-07 | 河南理工大学 | 基因搜索短时交通流预测方法 |
CN106128101B (zh) * | 2016-06-29 | 2018-09-04 | 南京城建隧桥经营管理有限责任公司 | 交通流量短时预测结果的可视化装置 |
CN107086989B (zh) * | 2017-03-30 | 2020-08-21 | 努比亚技术有限公司 | 数据包识别***及方法 |
CN112397146B (zh) * | 2020-12-02 | 2021-08-24 | 广东美格基因科技有限公司 | 一种基于云平台的微生物组学数据交互分析*** |
CN112802331A (zh) * | 2020-12-30 | 2021-05-14 | 青岛中兴智能交通有限公司 | 一种根据停车数据判断城市交通出行规律的***和方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488284A (zh) * | 2008-01-16 | 2009-07-22 | 闵万里 | 道路交通状况即时预测的智能管理*** |
CN101286269A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测*** |
CN101593424B (zh) * | 2009-07-10 | 2010-09-29 | 浙江大学 | 一种短时交通流智能组合预测方法 |
CN101739819A (zh) * | 2009-11-19 | 2010-06-16 | 北京世纪高通科技有限公司 | 预测交通流的方法和装置 |
CN101789176B (zh) * | 2010-01-22 | 2013-09-04 | 天津市市政工程设计研究院 | 预约集港模式下的港区短时交通流预测方法 |
-
2010
- 2010-09-30 CN CN2010102991975A patent/CN102034351B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102034351A (zh) | 2011-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102034351B (zh) | 一种交通流短时预测*** | |
CN105069703B (zh) | 一种电网海量数据管理方法 | |
Cervero | Road expansion, urban growth, and induced travel: A path analysis | |
US9551583B1 (en) | Hybrid road network and grid based spatial-temporal indexing under missing road links | |
CN101794507B (zh) | 基于浮动车数据的宏观路网交通状态评价方法 | |
CN111275965B (zh) | 一种基于互联网大数据的实时交通仿真分析***与方法 | |
CN102163225A (zh) | 一种基于微博客收集的交通信息融合评价方法 | |
Balakrishna et al. | Time-dependent origin-destination estimation without assignment matrices | |
CN103747523A (zh) | 一种基于无线网络的用户位置预测***和方法 | |
CN110738855B (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
CN106447119A (zh) | 一种基于卷积神经网络的短期交通流量预测方法及*** | |
Anwar et al. | Capturing the spatiotemporal evolution in road traffic networks | |
CN111160867A (zh) | 大范围地域停车场大数据分析*** | |
Magdy et al. | GeoTrend: spatial trending queries on real-time microblogs | |
Kucukyilmaz et al. | A machine learning approach for result caching in web search engines | |
Chen et al. | Spatio-temporal top-k term search over sliding window | |
CN109003128A (zh) | 基于改进的随机森林公共自行车站点需求量预测方法 | |
CN104899702A (zh) | 基于大数据的装饰预算定额管理***及管理方法 | |
Willumsen | An entropy maximising model for estimating trip matrices from traffic counts | |
Li et al. | Research on the method of traffic organization and optimization based on dynamic traffic flow model | |
Yang et al. | Recommending profitable taxi travel routes based on big taxi trajectories data | |
CN105956816A (zh) | 物资运输信息智能处理方法 | |
CN106781508B (zh) | 一种Spark环境下基于多重相空间的短时交通流预测方法 | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
CN101968780A (zh) | 一种非参数回归方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120725 Termination date: 20120930 |