CN102496284A - 一种道路交通流量采集及预测方法 - Google Patents

Abstract

一种道路交通流量采集及预测方法，包括环形感应线圈、车辆检测模块、交通流量采集模块、交通流量数据预处理和预测，道路交通流量数据预处理和预测软件在上位机（PC机）上进行，并通过网络接口读取采集模块（SD卡）中的交通流量数据。为提高预测的可靠性，在道路交通流量数据预处理和预测方法中，首先采用小波分析结合最小二乘法对交通流量数据进行噪声剔除；然后采用改进的BP神经网络建立交通流量预测模型，实现对交通流量的预测，为优化道路交通的控制配时方案和道路交通规划提供依据。本发明可获得规定周期内的车流量、平均车速、占有率和交通密度等道路交通参数，从而实现对道路交通流量的预测，提高数据采集和道路交通流量预测的准确性。

Description

一种道路交通流量采集及预测方法

技术领域

本发明属于ITS(智能交通***)技术领域，具体涉及一种道路交通流量数据采集装置的设计、并可对采集的数据进行去噪预处理和对道路交通流量进行预测的方法。

背景技术

交通流量是交通信息中一个重要的参数，交通流量采集及预测是控制车流出入，确保道路安全畅通的重要手段，对城市交通控制与管理有着重要的作用和意义。

通常，交通流量的获取是靠各种交通流量检测设备来完成的，交通流量检测设备以机动车辆为检测目标，检测车辆的存在或通过状况。现有的交通流量检测主要有感应线圈检测、微波检测和视频检测等多种方法，其中，感应线圈车辆检测由于其准确度、可靠性高和成本低等优点而被广泛使用。

采用感应线圈的车流量检测***是一种基于电磁感应原理的检测***。当被检测车辆通过感应线圈时，就会引起线圈回路电感量的变化，检测***通过微处理器检测出这个电感变化量，就能检测出车辆的通过或存在状况。通常，检测电感变化量的方式有两种：第一种是利用相位锁存器和相位比较器来检测相位的变化；另一种是利用耦合振荡电路对其振荡频率进行检测。第二种方式的耦合振荡电路设计简单，成本更低。

传统的感应线圈车流量检测***在检测时存在的缺陷：在对多个车道的感应线圈进行检测时，检测***采用设置振荡电路产生不同振荡频率的方法来避免各车道的感应线圈间的藕合效应。这样，将对不同环境下的检测频率的设置有所限制，从而影响检测精度。

道路交通流量的预测属于交通信号控制***的一个重要组成部分，道路交通流量数据的准确采集是道路交通流量预测准确的前提和保证，道路交通流量预测又是提高交通信号控制***性能的一个关键。目前，大多数的交通流量预测方法，都没有对交通流量中的噪声进行处理。而交通流量数据本身的振荡性就比较大，传统的数据处理方法对噪声数据的处理都是对相对平稳的信号进行处理的，因此使用传统的方法将使得大量的真实数据被剔除，造成对预测效果产生更大的影响。

目前，常用的预测方法有：kalman滤波、非参数回归、人工神经网络以及支持向量机等多种方法。在这些方法中，大多数是针对固定时间间隔(5～10分钟)的短时交通流量预测，数据平稳度大于以交叉路口信号周期为时间间隔采集的数据，预测的方法相对简单。所以，在实际的应用中就会造成预测精度不高、运算时间长等问题，使其难以应用在道路交通信号控制***中。

发明内容

本发明为了解决上述问题，提出一种对多车道的感应线圈进行逐个扫描的道路交通流量采集装置及预测的方法，获得规定周期内的车流量、平均车速、占有率和交通密度等道路交通参数，实现对道路交通流量的预测，提高数据采集和预测的准确性。

本发明专利的技术方案如下：

一种道路交通流量采集与预测方法，包含交通流量采集和交通流量数据预处理与预测两部分；其特征在于包括以下步骤：

(1)交通流量采集：

将道路交通流量采集装置中的环形感应线圈通过馈线与车辆检测模块的输入端相连，车辆检测模块的输出通过RS-485串口与交通流量采集模块的输入相连，并得到道路交通流量数据；交通流量采集模块的输出通过RJ-45网络接口与上位机(PC机)相连，将采集到的交通流量数据提供给上位机进行预处理及交通流量的预测；

(2)交通流量数据预处理与预测：在上位机中，预处理模块采用小波分析结合最小二乘法实现对采集数据中的异常数据进行剔除；预测模块采用改进的BP神经网络算法实现对交通流量的预测：

a)交通流量数据预处理：首先将采集到的交通流量数据进行2层DB4小波分解，把分解后的2层低频分量进行完全重构，以此重构序列为依据，作为异常数据剔除的基准线；然后将原始交通流量序列与基准线即重构序列求得绝对差值序列，再结合最小二乘法找出绝对差值序列中出现异常的位置定为原始交通流量序列的异常点，使用原始数据中的前后平均值加以修复；

b)交通流量预测：采用变步长算法来弥补传统BP神经网络的缺陷，对传统的BP神经网络进行改进，在改进的BP神经网络中，以预测断面自身的历史数据为BP神经网络的输入，预测断面的下一个时段的流量为输出来训练网络，将训练好的网络作为交通流量预测模型。

本发明提供了一种道路交通流量采集装置，包括感应线圈、车辆检测模块、交通流量采集模块三部分。

车辆检测模块的输入端通过馈线与感应线圈相连，其输出通过RS-485串口与交通流量采集模块的输入相连，将检测到的有无车辆通过的状态信号传输给交通流量采集模块进行处理，从而得到交通流量数据。

交通流量采集模块的输出通过网络接口与上位机(PC机)相连，并将采集到的交通流量数据提供给上位机进行预处理及交通流量预测。

在上位机运行的软件中，首先将交通流量数据采集装置采集的数据进行预处理，之后再对交通流量数据进行预测。

所述的交通流量数据预处理部分：首先将采集的交通流量数据作为一个序列S，用DB4小波进行分析，对其进行二层小波分解；将分解后的2层低频分量a₂进行完全重构；以重构序列S_rec为依据，用原始序列与其求得一个绝对差值序列d。

d(i)＝S(i)-S_rec(i)，i＝1，2，…，N    (1)

再使用最小二乘法找出这个差值序列中的异常数据位置，先求出差值序列的标准差σ。

$\mathrm{\σ}=\sqrt{\left\{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{[d\left(i\right)-\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}d\left(j\right)]}^2\right\}/(N-1)},i,j=\mathrm{1,2},...,N----\left(2\right)$

式中，N表示序列中数据的总个数。

最后，以式(3)来判定数据中的异常数据。

|d(i)|_max≤3δ，i＝1，2，…，N    (3)

将该序列出现异常的位置定为原始数据数据出现异常数据的位置。所述的流量预测部分：以步长η算法来弥补传统BP神经网络的缺陷，在训练过程中，当网络误差e增大时，采用减小步长来减小误差。误差膨胀系数α取值为0.8。

η(n)＝α×η(n-1)

(4)

式中，η(n)表示第n次迭代时的步长；

当网络误差减小时，增大步长以加快收敛速度，误差收缩系数β取值为1.25。

η(n)＝β×η(n-1)(5)

以预测断面的5个历史数据为BP神经网络的输入，预测断面下一个时段的流量值为网络的输出，对网络进行训练；网络训练好后，以预测前的5个历史数据为输入，以网络响应值作为流量预测值。

本发明可获得规定周期内的车流量、平均车速、占有率和交通密度等道路交通参数，从而实现对道路交通流量的预测。其采用的数据采集装置为在不同外界环境下选择最合适的检测频率提供了更大的灵活性，同时采用了小波分析结合最小二乘法对异常数据进行处理，剔除采集数据的噪声，提高了采集数据的可靠性；用变步长算法对传统的BP神经网络进行改进，用改进的BP神经网络建立交通流量预测模型，以交通流量采集装置采集的流量数据为样本，以预测断面自身的历史数据为BP神经网络的输入，预测断面的下一个时段的流量为输出来训练网络，将训练好的网络作为交通流量预测模型，对道路交叉路口的流量进行预测，具有更高的预测准确性。

附图说明

图1为道路交通流量采集装置及数据处理与预测方法原理框图；

图2为车辆检测模块原理框图；

图3为交通流量采集模块原理框图；

图4小波分解示意图；

图5小波重构示意图；

图6基于BP神经网络的交通流量预测模型。

具体实施方式

下面结合附图对本发明专利的技术方案作进一步详细说明。

图1为道路交通流量采集装置及数据处理与预测方法原理框图。感应线圈由电缆线绕制而成，尺寸为2m×1.5m米。感应线圈通过接线端连接到车辆检测模块上，构成LC振荡回路，检测车辆通过或存在状况，输出车辆状态信号。交通流量采集模块主要功能是执行数据处理、存储以及上传信息给上位机。交通流量采集模块要求处理多路感应线圈车辆检测模块上传过来的数据，因此通过RS485串口实现与车辆检测模块的多机通信。数据处理及预测在上位机(PC机)上进行，上位机可通过RJ45网络接口读取SD卡中的交通流量，在上位机数据处理方面，使用小波分析结合最小二乘法对流量采集装置采集的数据进行数据预处理处理，剔除采集数据的噪声，提高了采集数据的可靠性，然后用改进的BP神经网络建立交通流量预测模型，以交通流量采集装置采集的流量数据为样本，对道路交叉路口的流量进行预测。

图2为车辆检测模块原理框图。车辆检测模块对频率采集的实时性要求很高，所以选择了基于ARM CORTEX M3内核的32位微处理器STM32F103CB，其工作频率为72MHz，内核效率高达72MIPS，强大的计算能力可以对数据进行快速处理，同时具有性价比高、稳定性好、可靠性强等优点，达到了对频率采集的要求。各车道振荡电路经微处理器逐个扫描后使能产生振荡信号，振荡信号再由整形电路整形成方波信号后，送入STM32F103CB微处理器的TIM2输入捕获引脚；利用STM32F103CB微处理器的定时计数器TIM2的输入捕获功能，对上述方波信号进行频率捕获，通过频率的变化来判断有无车辆通过当前车道；灵敏度选择开关用于检测灵敏度的设置。STM32F103CB微处理器的UART1接口经RS485模块转换成标准的RS485信号后，可将频率信号和车辆状态数据发送到上位机(交通流量采集模块)进行处理。

图3为交通流量采集模块原理框图。交通流量采集模块需要对多车道的车辆信息进行采集、处理，所以需要交通信息采集模块中的微处理器拥有更佳的数据处理能力。AT91SAM7X256是一种基于32位ARM RISC的微处理器，内部集成有64K字节的SRAM、256K字节的高速Flash和接口电路，可以很好的为嵌入式控制领域提供实时、高效、性价比高的应用方案，完全满足***设计需要。交通流量采集模块通过RS485串行通信接口将车辆检测模块传输过来的车辆状态信号经过软件处理后得到交通流量信息，并将这些交通信息按时间段存储在SD卡中。SD卡与AT91SAM7X256采用SPI总线连接方式；RTC实时时钟模块提供检测车流量所需的实时时间；RJ45网络通讯模块用于PC机的现场数据管理；预留的RS232串行口可用于与其他***通信。

图4为小波分解示意图，原始信号通过与小波分解高通滤波器进行卷积之后，按2抽取，可得到分解后的一层高频分量；通过与小波分解低通滤波器进行卷积后，按2抽取，可得到分解后的一层低频分量；再将分解得到的一层低频分量继续分解，可得到二层高频分量和二层低频分量。分解过程中的分解高通滤波器Hd和分解低通滤波器Ld分别为：

Hd＝{-0.230378，0.714847，-0.630881，-0.027984，0.187035，0.030841，-0.032883，-0.010597}；

Ld＝{-0.010597，0.032883，0.030841，-0.187035，-0.027984，0.630881，0.714847，0.230378}；

图5为小波重构示意图。重构是分解的逆过程，将分解得到的二层低频分量按2***0值，与小波重构高通滤波器进行卷积；将分解得到的二层高频分量按2***0值，与小波重构高通滤波器进行卷积，再对它们求和，可得到小波分解的一层低频分量，继续重构可得到原始流量序列的重构序列。在对交通流量数据中的异常数据进行处理时，将每层分解得到的高频分量置0，按重构方法将二层低频分量重构至最原始那一级作为后续异常数据处理的参考序列。

重构高通滤波器Hr和重构低通滤波器Lr分别为：

Hr＝{-0.010597，-0.032883，0.030841，0.187035，-0.027984，-0.630881，0.714847，-0.230378}；

Lr＝{0.230378，0.714847，0.630881，-0.027984，-0.187035，0.030841，0.032883，-0.010597}；

图6为基于BP神经网络的交通流量预测模型。以预测断面的5个历史流量数据为模型的输入，以下一个时段的流量值为模型的输出，模型中的隐藏层定为输入层1.5倍(取整数值)。

预测步骤如下：

①初始化权值和阈值：为输入层到隐藏层的权值{w_ij}、隐藏层到输出层权值{v_ij}、隐藏层节点阈值{b_i}和输出层节点阈值{c_i}赋初值，这些值的取值范围一般在0～1或者-1～1之间；选定传输函数f(·)(一般为Sigmoid函数)；确定学习次数Times和学习误差Error的预定值；

②从本次学习中，选取一组尚未学习的样本提供给网络。设共有m组样本，输入层节点数为n，隐藏层节点数为p，输出层节点数为q，输入向量Xk＝(x1，x2，…，xn)，k＝1，2，…，m，对应的隐藏层输出为Hk＝(h1，h2，…，hp)，期望输出为Tk＝(t1，t2，…，tq)，实际输出为Yk＝(y1，y2，…，yn)；

③前向传输，通过给定样本的输入，计算隐藏层输出{hj}和输出层输出{yj}；

$h_j=f(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i-b_j),j=\mathrm{1,2},...p---\left(6\right)$

$y_j=f(\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{v}_{\mathrm{ij}}{h}_i-c_j),j=\mathrm{1,2},...,q---\left(7\right)$

④误差计算，比较期望输出与实际输出，计算输出层的误差{d_j}和隐藏层误差{e_j}；

d_j＝(t_j-y_j)y_j(1-y_j)，j＝1，2，...q    (8)

$e_j=\left[\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{d}_i{v}_{\mathrm{ji}}\right]h_j(1-h_j),j=\mathrm{1,2},...p---\left(9\right)$

⑤修正权值、阈值，结合第4步计算出的误差，调整输入层到隐藏层权值{w_ij}，隐藏层到输出层权值{v_ij}和隐藏层阈值{b_i}，输出层阈值{c_i}；

w_ij(N+1)＝w_ij(N)+βe_jx_i，0＜β＜1(10)

v_ij(N+1)＝v_ij(N)+αd_jh_i，0＜α＜1(11)

b_i(N+1)＝b_i(N)+βd_i                   (12)

c_i(N+1)＝c_i(N)+αd_i                    (13)

式(6)～式(13)中：

w_ij表示输入层到隐藏层的权值，i＝1，2，…，n(输入层节点数)；j＝1，2，…，p(隐藏层节点数)；

w_ij(N)表示第N次迭代时输入层到隐藏层的权值，i＝1，2，…，n(输入层节点数)；j＝1，2，…，p(隐藏层节点数)；

v_ij表示隐藏层到输出层权值，i＝1，2，…，p(隐藏层节点数)；j＝1，2，…，q(输出层节点数)；

v_ij(N)表示第N次迭代时隐藏层到输出层权值，i＝1，2，…，p(隐藏层节点数)；j＝1，2，…，p(输出层节点数)；

b_i表示隐藏层节点阈值，i＝1，2，…，p(隐藏层节点数)；

b_i(N)表示第N次迭代时隐藏层节点阈值i＝1，2，…，p(隐藏层节点数)；

c_i表示输出层节点阈值i＝1，2，…，q(输出层节点数)；

c_i(N)表示第N次迭代时输出层节点阈值i＝1，2，…，q(输出层节点数)；

x_i表示输入层元素，i＝1，2，…，n(输入层节点数)；

h_i表示隐藏层元素的值，i＝1，2，…，p(隐藏层节点数)；

y_i表示输出层元素的值，i＝1，2，…，q(输出层节点数)；

t_i表示理想输出值，i＝1，2，…，q(输出层节点数)；

e_j表示隐藏层误差，i＝1，2，…，p(隐藏层节点数)；

d_j表示输出层的误差，i＝1，2，…，q(输出层节点数)；

⑥判断是否学习完全部m组样本，若是则转到下一步，否则转到②；

⑦判断误差是否小于预定误差Error或学习次数是否到达学习次数Times，若是则学习完毕，否则学习次数加1，转到②。

当网络训练好之后，以训练好的网络对交通流量进行预测，预测时以预测断面自身的5个历史流量数据为输入，以网络的响应为预测后的结果。

Claims (6)

1.一种道路交通流量采集与预测方法，包含交通流量采集和交通流量数据预处理与预测两部分，其特征在于：

(1)交通流量采集：

将道路交通流量采集装置中的环形感应线圈通过馈线与车辆检测模块的输入端相连，车辆检测模块的输出通过RS-485串口与交通流量采集模块的输入相连，并得到道路交通流量数据；交通流量采集模块的输出通过RJ-45网络接口与上位机(PC机)相连，将采集到的交通流量提供给上位机进行数据预处理及交通流量的预测。

(2)交通流量数据预处理与预测：在上位机中，预处理模块采用小波分析结合最小二乘法实现对采集数据中的异常数据进行剔除；预测模块采用改进的BP神经网络算法实现对交通流量的预测：

a)交通流量数据预处理：首先将采集到的交通流量数据进行二层DB4小波分解，把分解后的二层低频分量进行完全重构，以此重构序列为依据，作为异常数据剔除的基准线：然后将原始交通流量序列与基准线即重构序列求得绝对差值序列，再结合最小二乘法找出绝对差值序列中出现异常的位置定为原始交通流量序列的异常点，使用原始数据中的前后平均值加以修复；

b)交通流量预测：采用变步长算法弥补传统BP神经网络的缺陷，对传统的BP神经网络进行改进，在改进的BP神经网络中，以预测断面自身的历史数据为BP神经网络的输入，预测断面的下一个时段的流量为输出来训练网络，将训练好的网络作为交通流量预测模型。

2.根据权利要求1所述的道路交通流量采集与预测方法，其特征在于：所述车辆检测模块依据实际路口的车道数通过馈线连接相应个数的环形感应线圈。

3.根据权利要求1所述的道路交通流量采集与预测方法，其特征在于：交通流量采集模块依据实际路口的车道数通过RS-485串口连接相应个数的车辆检测模块。

4.根据权利要求1所述的道路交通流量采集与预测方法，其特征在于：道路交通流量采集装置可将采集到的交通流量数据按规定周期存储在大容量SD卡中，为后期的交通流量数据处理、预测提供方便。

5.根据权利要求1所述的交通流量数据预处理方法，其特征在于所述交通流量数据预处理的具体方法是：

将采集的交通流量数据作为一个序列S，用DB4小波进行分析，对其进行二层小波分解；将分解后的二层低频分量a₂进行完全重构；以重构序列S_rec为依据，用原始序列与其求得一个绝对差值序列d：

d(i)＝S(i)-S_rec(i)，i＝1，2，…，N    (1)

再使用最小二乘法找出这个差值序列中的异常数据位置，先求出差值序列的标准差σ：

$\mathrm{\σ}=\sqrt{\left\{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{[d\left(i\right)-\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}d\left(j\right)]}^2\right\}/(N-1)},i,j=\mathrm{1,2},...,N----\left(2\right)$

式中，N表示序列中数据的总个数。

最后，以式(3)来判定数据中的异常数据：

|d(i)|_max≤3σ，i＝1，2，…，N    (3)

将该序列出现异常的位置定为原始数据数据出现异常数据的位置。

6.根据权利要求1所述的交通流量数据预处理方法，其特征在于所述交通流量预测的具体方法是：

以步长η算法来弥补传统BP神经网络的缺陷，在训练过程中，当网络误差e增大，减小步长以减小误差，误差膨胀系数α取值为0.8。

η(n)＝α×η(n-1)(4)

式中，η(n)表示第n次迭代时的步长。

当网络误差减小时，增大步长以加快收敛速度，误差收缩系数β取值为1.25。

η(n)＝β×η(n-1)(5)

以预测断面的5个历史数据为BP神经网络的输入，预测断面下一个时段的流量值为网络的输出，对网络进行训练；网络训练好后，以预测前的5个历史数据为输入，以网络响应值作为流量预测值。

Images