CN103870890B - 高速公路网交通流量分布的预测方法 - Google Patents

高速公路网交通流量分布的预测方法 Download PDF

Info

Publication number
CN103870890B
CN103870890B CN201410102970.2A CN201410102970A CN103870890B CN 103870890 B CN103870890 B CN 103870890B CN 201410102970 A CN201410102970 A CN 201410102970A CN 103870890 B CN103870890 B CN 103870890B
Authority
CN
China
Prior art keywords
flow distribution
matrix
distribution matrix
time scale
present situation
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.)
Active
Application number
CN201410102970.2A
Other languages
English (en)
Other versions
CN103870890A (zh
Inventor
王俊峰
史汉发
盛鹏
谢强
周颖杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN201410102970.2A priority Critical patent/CN103870890B/zh
Publication of CN103870890A publication Critical patent/CN103870890A/zh
Application granted granted Critical
Publication of CN103870890B publication Critical patent/CN103870890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种高速公路网交通流量分布的预测方法，假设已经预测了高速公路网在某一时间标度下各入口站的未来产生量和各出口站的未来吸引量，通过站点的历史流量分布来计算现状流量分布和现状效用系数，之后计算预测流量分布，得到预测结果。本发明的有益效果在于：（1）对高速公路流量分布预测具有较高的预测准确率；（2）算法收敛速度快；（3）采用滑动窗口技术，能够充分利用历史流量数据，从而准确、有效的修正分布预测模型中的参数，提高预测的准确度；（4）具有较好的普遍适用性，不局限于某一特定高速路段。

Description

高速公路网交通流量分布的预测方法
技术领域
本发明涉及交通流量预测技术领域，特别是一种高速公路网交通流量分布的预测方法。
背景技术
交通分布预测是利用现状交通产生量与吸引量来推求未来的交通产生量与吸引量的分布情况，它是公路建设项目可行性研究的核心内容之一，是进行交通状态评价，综合分析建设项目的必要性和可行性的基础和前提。工程中在用“四阶段法”进行交通规划时常用的交通分布预测法有增长系数法、重力模型法、介入机会模型法、***平衡模型法等。然而，传统的方法在进行交通分布预测时收敛速度较慢，预测精度较差，很难应用在实际工程中，且未充分利用站点的历史流量数据信息。
随着互联网技术的普及和完善，人们将先进的信息技术、通讯技术、传感技术、控制技术以及计算机技术等有效地集成运用于高速公路监控体系，极大提高了监控、收费、管理、服务效率。在各种技术在高速公路有效运用下，各高速公路站点采集到大量、多样的数据，如每个车辆进入高速公路站点信息、路径信息、出高速公路站点信息、客货分类信息，载重信息以及车辆收费信息等，通过这些信息便可以得到各高速站点不同时间标度的流量；通过各站点信息的汇聚，高速公路运营中心便可得到路网中每条高速不同时间标度下各种交通流量、运营状况等信息。因此，在大数据时代，高速公路各个站点具备了分析“大数据”的能力。通过对高速公路运营中心大数据的分析处理，充分利用大数据，建立高速公路交通流量分布预测模型，对高速公路流量进行分布预测具有积极意义。
发明内容
本发明的目的是提供一种高速公路网交通流量分布的预测方法，以解决在已经采集到大量历史流量分布数据和预测了高速公路网中各站点的未来产生量(即从该站点进入的车流量)和未来吸引量(即从该站点出去的车流量)的情况下，如何预测未来流量分布的问题。
实现本发明目的的技术方案如下：一种高速公路网交通流量分布的预测方法，所述高速公路网包括m个入口站和n个出口站，包括
步骤1：选择一个时间标度；
步骤2：根据所选择的时间标度，按照车辆出站时间统计从入口站i到出口站j的车流量qij，建立流量分布矩阵OD＝(qij)，其中i＝1,2,...,m，j＝1,2,...,n；
步骤3：依照步骤2的方法建立k个时间上连续的流量分布矩阵，得到流量分布矩阵的时间序列OD1,OD2,...,ODk；其中，OD1为距预测的流量分布最近的那个流量分布矩阵，OD2为距预测的流量分布次近的那个流量分布矩阵，依此类推；
步骤4：计算流量分布矩阵的时间序列中每个流量分布矩阵对应的效用系数矩阵weightOD＝(pij)，得到效用系数矩阵的时间序列weightOD1,weightOD2,...,weightODk；其中，pij为所述高速公路网中车辆从入口站i到出口站j的概率；
步骤5：计算现状流量分布矩阵和现状效用系数矩阵其中，w为根据不同时间标度确定的调整系数，w≤k；
步骤6：根据现状流量分布矩阵OD0计算每一个入口站的现状产生量和每一个出口站的现状吸引量其中，q0 ij为现状流量分布矩阵OD0的元素；
步骤7：根据预测的相同时间标度下的每一个入口站的未来产生量Oi和每一个出口站的未来吸引量Dj，计算每一个入口站的初始产生变化率和每一个出口站的初始吸引变化率
步骤8：令r＝0；r为迭代算子；
步骤9：计算流量分布变化函数
步骤10：计算预测流量分布矩阵
步骤11：判断是否满足且其中s为趋近系数；如是，则ODr+1为交通流量分布的预测结果，否则继续；
步骤12：根据预测流量分布矩阵ODr+1计算每一个入口站的产生量和产生变化率以及每一个出口站的吸引量和吸引变化率其中，为预测流量分布矩阵ODr+1中的元素。
步骤13：将r+1代换为r，返回到步骤9重新计算。
上述技术方案中，所述时间标度为小时、天或月；根据不同时间标度确定的调整系数w的取值为：当时间标度为小时，w＝12；当时间标度为天，w＝7；当时间标度为月，w＝1。
进一步地，所述趋近系数s＝0.03。
本发明的有益效果在于：(1)对高速公路流量分布预测具有较高的预测准确率；(2)算法收敛速度快；(3)采用滑动窗口技术，能够充分利用历史流量数据，从而准确、有效的修正分布预测模型中的参数，提高预测的准确度；(4)具有较好的普遍适用性，不局限于某一特定高速路段。
具体实施方式
本发明的基本思想是：假设已经预测了高速公路网在某一时间标度下各入口站的未来产生量和各出口站的未来吸引量，通过站点的历史流量分布来计算现状流量分布和现状效用系数，之后计算预测流量分布，得到预测结果。
假设某高速公路网有m个入口站和n个出口站，
步骤1：首先选择一个时间标度，即以小时、天或月为周期来进行统计和预测。
步骤2：在所选定的时间标度下，按照车辆出站时间统计从入口站i到出口站j的车流量qij，建立流量分布矩阵OD＝(qij)，其中i＝1,2,...,m，j＝1,2,...,n。例如，选择的时间标度为天，则根据车辆出站时间，统计一天时间内从入口站i到出口站j的车流量qij，建立这一天的流量分布矩阵OD＝(qij)。如表1所示。
表1：流量分布矩阵OD
步骤3：依照步骤2的方法建立k个时间上连续的流量分布矩阵，得到流量分布矩阵的时间序列OD1,OD2,...,ODk；其中，OD1为距预测的流量分布最近的那个流量分布矩阵，OD2为距预测的流量分布次近的那个流量分布矩阵，依此类推。例如，需要预测3月10日这一天的交通流量分布情况，则可以通过步骤2分别得到3月9日、3月8日、3月7日等每一天的流量分布矩阵。将这些流量分布矩阵构成流量分布矩阵的时间序列，其中3月9日的流量分布矩阵为OD1，3月8日的流量分布矩阵为OD2，3月7日的流量分布矩阵为OD3等。如果需要预测3月11日这一天的交通流量分布情况，则流量分布矩阵的时间序列中3月10日的流量分布矩阵为OD1、3月9日为OD2、3月8日为OD3。可以看出，流量分布矩阵的时间序列随着时间推移而变化。
步骤4：计算流量分布矩阵的时间序列中每个流量分布矩阵对应的效用系数矩阵weightOD＝(pij)，得到效用系数矩阵的时间序列weightOD1,weightOD2,...,weightODk；其中，pij为所述高速公路网中车辆从入口站i到出口站j的概率。效用系数矩阵如表2所示。
表2：效用系数矩阵
步骤5：计算现状流量分布矩阵和现状效用系数矩阵本步骤中，ODt的取值为步骤3中构建的流量分布矩阵的时间序列，而流量分布矩阵的时间序列随着时间推移在变化，因此现状流量分布矩阵始终由最新的统计数据而得来。同理，现状效用系数矩阵的值也由最新的统计数据得到。通过这种滑动窗口的方式，能够充分利用历史流量数据，从而准确、有效的修正分布预测模型中的参数，提高预测的准确度。w为根据不同时间标度确定的调整系数，w≤k。为保证预测的准确度，一般调整系数w的取值为：当时间标度为小时，w＝12；当时间标度为天，w＝7；当时间标度为月，w＝1。也就是说，如果时间标度为小时，则流量分布矩阵的时间序列中至少应有预测前12个小时的流量分布矩阵；如果时间标度为天，则流量分布矩阵的时间序列中至少应有预测前7天的流量分布矩阵；如果时间标度为月，则流量分布矩阵的时间序列中至少应有预测前1个月的流量分布矩阵。
步骤6：根据现状流量分布矩阵OD0计算每一个入口站的现状产生量和每一个出口站的现状吸引量其中，q0 ij为现状流量分布矩阵OD0的元素；如表3所示。
表3：现状流量分布矩阵和现状产生量、现状吸引量
步骤7：根据预测的相同时间标度下的每一个入口站的未来产生量Oi和每一个出口站的未来吸引量Dj，计算每一个入口站的初始产生变化率和每一个出口站的初始吸引变化率如前述，已经预测了高速公路网在某一时间标度下各入口站的未来产生量和各出口站的未来吸引量，才能预测交通流量分布。例如，预测3月10日的流量分布，事先预测的3月10日每一个入口站的产生量即为未来产生量，3月10日每一个出口站的吸引量即为未来吸引量。
步骤8：令r＝0；r为迭代算子。
步骤9：计算流量分布变化函数例如，当r＝0时，初始的流量分布变化函数为
步骤10：计算预测流量分布矩阵例如，当r＝0时，第一次计算得到的预测流量分布矩阵为
步骤11：判断是否满足且其中s为趋近系数；如是，则ODr+1为交通流量分布的预测结果，否则继续；趋近系数一般取值为0.03。例如，当r＝0时，如果即满足且则第一次预测的流量分布矩阵OD1就是预测的结果。如果不满足判断条件，则继续下一步。
步骤12：根据预测流量分布矩阵ODr+1计算每一个入口站的产生量和产生变化率以及每一个出口站的吸引量和吸引变化率其中，为预测流量分布矩阵ODr+1中的元素。
步骤13：将r+1代换为r，返回到步骤9重新计算。

Claims (3)

1.一种高速公路网交通流量分布的预测方法，所述高速公路网包括m个入口站和n个出口站，其特征在于，包括
步骤1：选择一个时间标度；
步骤2：根据所选择的时间标度，按照车辆出站时间统计从入口站i到出口站j的车流量qij，建立流量分布矩阵OD＝(qij)，其中i＝1,2,...,m，j＝1,2,...,n；
步骤3：依照步骤2的方法建立k个时间上连续的流量分布矩阵，得到流量分布矩阵的时间序列OD1,OD2,...,ODk；其中，OD1为距预测的流量分布最近的那个流量分布矩阵，OD2为距预测的流量分布次近的那个流量分布矩阵，依此类推；
步骤4：计算流量分布矩阵的时间序列中每个流量分布矩阵对应的效用系数矩阵weightOD＝(pij)，得到效用系数矩阵的时间序列weightOD1,weightOD2,...,weightODk；其中，pij为所述高速公路网中车辆从入口站i到出口站j的概率；
步骤5：计算现状流量分布矩阵和现状效用系数矩阵其中，w为根据不同时间标度确定的调整系数，w≤k；
步骤6：根据现状流量分布矩阵OD0计算每一个入口站的现状产生量和每一个出口站的现状吸引量其中，q0 ij为现状流量分布矩阵OD0的元素值；
步骤7：根据预测的相同时间标度下的每一个入口站的未来产生量Oi和每一个出口站的未来吸引量Dj，计算每一个入口站的初始产生变化率和每一个出口站的初始吸引变化率
步骤8：令r＝0；r为迭代算子；
步骤9：计算流量分布变化函数
步骤10：计算预测流量分布矩阵
步骤11：判断是否满足且其中s为趋近系数；如是，则ODr+1为交通流量分布的预测结果，否则继续；
步骤12：根据预测流量分布矩阵ODr+1计算每一个入口站的产生量和产生变化率以及每一个出口站的吸引量和吸引变化率其中，为预测流量分布矩阵ODr+1中的元素；
步骤13：将r+1代换为r，返回到步骤9重新计算。
2.如权利要求1所述的高速公路网交通流量分布的预测方法，其特征在于，所述时间标度为小时、天或月；根据不同时间标度确定的调整系数w的取值为：当时间标度为小时，w＝12；当时间标度为天，w＝7；当时间标度为月，w＝1。
3.如权利要求1或2任意一种所述的高速公路网交通流量分布的预测方法，其特征在于，所述趋近系数s＝0.03。
CN201410102970.2A 2014-03-19 2014-03-19 高速公路网交通流量分布的预测方法 Active CN103870890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410102970.2A CN103870890B (zh) 2014-03-19 2014-03-19 高速公路网交通流量分布的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410102970.2A CN103870890B (zh) 2014-03-19 2014-03-19 高速公路网交通流量分布的预测方法

Publications (2)

Publication Number Publication Date
CN103870890A CN103870890A (zh) 2014-06-18
CN103870890B true CN103870890B (zh) 2016-08-24

Family

ID=50909403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410102970.2A Active CN103870890B (zh) 2014-03-19 2014-03-19 高速公路网交通流量分布的预测方法

Country Status (1)

Country Link
CN (1) CN103870890B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106327864A (zh) * 2015-07-10 2017-01-11 北京大学 一种基于高速公路联网收费数据的交通流估计方法
CN106156890B (zh) * 2016-07-07 2018-06-29 北京交通大学 一种城市轨道交通通道内客流检测和预测方法及其***
CN108269411B (zh) * 2016-12-31 2020-12-25 南京理工大学 一种高速公路etc车流量预测方法
CN108877225B (zh) * 2018-08-24 2021-09-28 交通运输部规划研究院 交通流量指数确定方法及装置
CN109087516A (zh) * 2018-09-04 2018-12-25 四川大学 一种道路车流量检测***
CN109461307B (zh) * 2018-11-16 2021-09-24 中电科新型智慧城市研究院有限公司 一种预估路段平均车辆流量和od需求的方法
US11663914B2 (en) 2020-10-07 2023-05-30 International Business Machines Corporation Geohash-based traffic management

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007164262A (ja) * 2005-12-09 2007-06-28 Toyota Central Res & Dev Lab Inc 交通状況予測装置、方法及びプログラム、経路探索システム並びに交通状況提供システム
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
CN101777260A (zh) * 2010-01-22 2010-07-14 天津市市政工程设计研究院 预约集港模式下的港区交通流预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007164262A (ja) * 2005-12-09 2007-06-28 Toyota Central Res & Dev Lab Inc 交通状況予測装置、方法及びプログラム、経路探索システム並びに交通状況提供システム
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
CN101777260A (zh) * 2010-01-22 2010-07-14 天津市市政工程设计研究院 预约集港模式下的港区交通流预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
马氏链在高速公路交通量分布预测中的应用;张慧颖;《商场现代化》;20050930(第443期);全文 *
高速公路网流量预测与分析;杨雪;《中国优秀硕士学位论文集》;20060630;全文 *

Also Published As

Publication number Publication date
CN103870890A (zh) 2014-06-18

Similar Documents

Publication Publication Date Title
CN103870890B (zh) 高速公路网交通流量分布的预测方法
Liu et al. A two-stage method of quantitative flood risk analysis for reservoir real-time operation using ensemble-based hydrologic forecasts
CN104183119B (zh) 基于路段od反推的实时交通流分布预测方法
Cheu et al. Genetic algorithm‐simulation methodology for pavement maintenance scheduling
CN104574209B (zh) 一种城网配变重过载中期预警模型的建模方法
CN106600959B (zh) 一种交通拥堵指数的预测方法
CN104064023A (zh) 一种基于时空关联的动态交通流预测方法
CN105046953A (zh) 一种短时交通流组合预测方法
CN109376935A (zh) 一种基于神经网络的公交客流分时段组合预测方法
CN104809532A (zh) 一种光伏***发电量的预测方法
CN105427194A (zh) 一种基于随机森林回归的售电量预测方法及装置
KR20140021179A (ko) 일사량 예측 방법 및 장치
CN106980874B (zh) 一种面向配网大数据的多时态维度数据融合方法
CN105913658A (zh) 一种交通流推测od位置及od矩阵的方法
CN104751253B (zh) 基于ｂ－样条基底展开曲线聚类的配电网潮流预测方法
CN116629413B (zh) 基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法
Guo et al. Max-flow rate priority algorithm for evacuation route planning
Żochowska Dynamic approach to the origin-destination matrix estimation in dense street networks
Tsekeris et al. Real-time dynamic origin-destination matrix adjustment with simulated and actual link flows in urban networks
Floyer et al. Looking to the 20’s: computer-assisted avalanche forecasting in Canada
CN111008730B (zh) 基于城市空间结构的人群聚集度预测模型构建方法及装置
CN104916134B (zh) 一种基于多因子回归的区域公路主通道交通需求预测方法
CN105373847B (zh) 基于cfs预报的水电站水库预泄决策方法
CN106779241B (zh) 一种轨道交通短期客流预测方法
CN106652443B (zh) 纵横相似的高速公路短时交通量预测方法

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