CN104408915B - 一种交通状态参数的估计方法和*** - Google Patents
一种交通状态参数的估计方法和*** Download PDFInfo
- Publication number
- CN104408915B CN104408915B CN201410617762.6A CN201410617762A CN104408915B CN 104408915 B CN104408915 B CN 104408915B CN 201410617762 A CN201410617762 A CN 201410617762A CN 104408915 B CN104408915 B CN 104408915B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- traffic data
- sample
- current
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012937 correction Methods 0.000 claims abstract description 37
- 230000004927 fusion Effects 0.000 claims description 20
- 230000000295 complement effect Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通状态参数的估计方法和***。其中的方法包括:实时获取交通数据样本;如果当前时间段内所采集的当前交通数据样本的数量大于预设的交通采集最小样本量,则根据预设的训练模型对当前交通数据样本进行数据拟合,基于误差比判别准则通过修正矩阵对拟合后的数据进行修正,并根据修正后的数据获取交通状态参数的估计值;否则,为当前交通数据样本、上一时间段的交通数据样本和历史量化数据分别设置相应的权重系数;并根据当前交通数据样本、上一时间段的交通数据样本、历史量化数据以及各自的权重系数,计算得到交通状态参数的估计值。通过使用本发明所提供的方法和***,可以有效地提高交通状态参数估计的准确性和可靠性。
Description
技术领域
本发明涉及交通技术领域,特别涉及一种交通状态参数的估计方法和***。
背景技术
目前,随着我国交通现代化进程快速推进,城市交通拥堵现象日趋严重,严重影响了居民出行的方便以及经济发展。为了有效地解决城市交通拥堵现状,交通管理部门有必要对交通实时运行状态进行监测,对发现的拥堵路段进行有效、及时地疏导与调度。
获取城市道路的实时交通动态状态信息是解决城市拥堵问题的重要基础,目前交通动态信息采集方式主要包括:定点交通信息采集和移动交通信息采集。定点交通信息采集方式主要使用地磁、微波、视频、卡口等检测设备。以微波监测器为例,它是一种用雷达监测微波传输交通数据的探测器,通过发射连续频率调制微波在检测地面上,当车辆经过投射区时,微波监测器会接收一个微波信号,通过计算接收频率和时间的变化参数得出车辆的速度和长度。该采集方式主要用于定点检测城市道路重点路段的交通信息,但是,该采集方式存在检测范围小,安装和维修费用较高等问题。移动交通信息采集方式的主要是浮动车数据采集,利用装载定位设备的浮动车在行驶过程中实时记录其运行参数,将位置信息在空间和时间上关联起来,得到目标路段的车辆行驶状态并预测交通路况。但是,在该采集方式中,GPS***信号会存在“城市峡谷效应”,导致GPS***不能获得相应时段市区车辆的行驶状态;此外,GPS***的反射对GPS定位精度也有着显著影响。
有关交通状态参数(例如,车速)估计方法已有很多。例如,基于速度加权算法,主要有以下估计方法:一是基于简单多数据源数据融合方法,该方法利用多种异构数据源和各数据源权重系数进行车速融合。二是基于数据融合算法,该方法中主要包括神经网络融合模型、卡尔曼滤波、D-S证据推理和模糊逻辑等算法。其中,第一种方法需要根据具体交通环境确定各种数据源的权重系数,而且需要考虑类似时间特征(例如,高峰、平峰、夜间等)和目标道路(例如,高速公路、快速路、地面道路等)等因素的权重系数;第二种方法主要利用数据融合框架和算法进行交通数据融合和预测,此方式的算法较为复杂,偏重于理论研究,实际应用较少。
在现有技术中,也提出了一些交通状态参数的估计方法。
例如,在一个中国专利申请(申请号201410084202.9,发明名称:“基于多种定位数据计算道路融合行程车速的方法”)中,提出了一种基于多种定位数据计算道路融合车程车速的方法。该方法通过对手机终端定位数据和浮动车GPS定位数据进行车速融合处理,以获取道路目标路段内的平均车程车速,进而获取城市道路的交通状态。该方法解决了单一浮动车数据源采集交通方式在城市市区主要道路部分时段和城市郊区高速公路采集不到交通状态的情况,而且有效地提高了单一GPS数据源采集交通方式在样本量较小的道路路段上交通状态质量问题。但是,该方法需要考虑时间特征(例如,高峰、平峰、夜间等)和目标道路(例如,高速公路、快速路、地面道路等)系数,虽然选取两种信号源进行融合,但上述时间特征系数和目标道路系数的值不易确定,存在不稳定的问题。
在另一个中国专利申请(申请号200910199819.4,发明名称:“基于浮动车车速置信度的交通状态参数估计方法”)中,基于对浮动车数据的分析,引入了置信度因素,着重考虑浮动车数据样本数量、车速以及交通状态在时间上的延续性,提出了一种基于置信度优化的交通状态参数(车速)的估计方法。通过置信多数车辆、快速车辆并融合上一时段及历史数据,实现了对浮动车平均速度的估计,有效减少了异常数据对计算结果的影响,使计算结果更接近真实路况,同时解决了样本量不足时交通状态参数估计问题,有效提高了交通状态参数估计的准确性和平稳性。但是,该方法在样本量较少的情况下依然参照上一时段的样本数据,融合处理以此估计该时段交通状态参数,在样本数据大于最小采样量时,未考虑异常数据对结果的影响,直接采用速度加权算法,存在一定误差;另外,该方法以不同速度档位设置速度权重系数,高车速的权重系数大小的确定不是很明确。
此外,现有技术中还提出了一种基于浮动车数据的多车车速融合算法。在该算法中,构建了一种新的基于浮动车数据的多车车速融合算法。该算法从浮动车行驶特征、多权重系数和多种路况状态等角度,综合考虑在表征实时路况时浮动车多车样本间的共性与个性差异去融合多车车速,提高了实时路况的准确性,并且可根据实际交通环境快速调整相关参数,最后通过实证分析对其准确性进行了评估验证,结果表明能有效提高动态交通信息的准确性,具有良好的实用性。但是,该算法需要根据实际的交通环境确定参数和权重系数,因此存在参数和系数估计误差的问题。
综上可知,现有技术中对交通状态参数的估计方法均存在上述的一些问题。因此,亟需提出一种新的对交通状态参数的估计方法,从而可以有效地提高交通状态参数估计的准确性和可靠性。
发明内容
有鉴于此,本发明提供一种交通状态参数的估计方法和***,从而可以有效地提高交通状态参数估计的准确性和可靠性。
本发明的技术方案具体是这样实现的:
一种交通状态参数的估计方法,该方法包括:
实时获取交通数据样本;
当当前时间段内所采集的当前交通数据样本的数量大于预设的交通采集最小样本量时,根据预设的训练模型对当前交通数据样本进行数据拟合,得到拟合后的数据;基于误差比判别准则通过修正矩阵对拟合后的数据进行修正,并根据修正后的数据获取交通状态参数的估计值;
当当前时间段内所采集的当前交通数据样本的数量小于或等于预设的交通采集最小样本量时,为当前交通数据样本、上一时间段的交通数据样本和历史量化数据分别设置相应的权重系数;并根据当前交通数据样本、上一时间段的交通数据样本、历史量化数据以及各自的权重系数,计算得到交通状态参数的估计值。
较佳的,所述交通状态参数为车速。
较佳的,所述实时获取交通数据样本包括:
实时采集原始交通数据;
根据所采集的原始交通数据和路段信息,通过地图匹配算法生成位置信息关联路段的GPS数据,并对所述GPS数据进行量化,得到量化后的速度概率数据,将所述量化后的速度概率数据作为交通数据样本。
较佳的,所采集的原始交通数据包括:
车辆编号、出租车公司、接收时间、经度、纬度、方位角、瞬时速度和运营状态。
较佳的,在根据预设的训练模型对当前交通数据样本进行数据拟合之前,该方法还进一步包括:
根据交通状态参数的历史量化数据,并利用曲线拟合算法计算得到相应训练数据方程的各个参数,获得训练数据方程,并根据该训练数据方程预先设置相应的训练模型。
较佳的,所述基于误差比判别准则通过修正矩阵对拟合后的数据进行修正,并根据修正后的数据获取交通状态参数的估计值包括:
利用所述预设的训练模型,根据历史量化数据获取当前路段当前时刻下的交通状态参数的概率历史拟合曲线;
根据所获取的交通数据样本确定交通状态参数的概率函数;
根据概率历史拟合曲线和交通状态参数的概率函数得到样本的误差比矩阵K;
根据所述误差比矩阵K得到互补矩阵I;
根据互补矩阵I得到各交通数据样本的修正矩阵Λ;
根据所述修正矩阵Λ,得到修正后的各交通数据样本的修正值Z';
根据所述各交通数据样本的修正值,通过加权平均算法计算得到交通状态参数的估计值。
较佳的,通过如下所述的公式得到误差比矩阵K:
其中,K表示为[ε1,ε2,…εn],Ψ为概率历史拟合曲线,vi(i=1,2,3,......,n)为交通状态参数,Z为交通状态参数的概率函数。
较佳的,通过如下所述的公式得到互补矩阵I:
较佳的,所述修正矩阵Λ表示为:
Λ=[w1,w2,……wn];
其中,wi为交通状态参数vi的修正因子,且
较佳的,通过如下所述的公式得到交通数据样本的修正值Z':
较佳的,所述为当前交通数据样本、上一时间段的交通数据样本和历史量化数据分别设置相应的权重系数包括:
将当前交通数据样本的权重系数设置为n/Nmin;其中,n为当前交通数据样本的数量,Nmin为预设的交通采集最小样本量;
当上一时间段的交通数据样本的数量np小于Nmin时,将上一时间段的交通数据样本的权重系数设置为np/Nmin,并将历史量化数据的权重系数设置为(1-np/Nmin);
当np大于或等于Nmin时,将上一时间段的交通数据样本的权重系数设置为1,并将历史量化数据的权重系数设置为0;
当np等于0时,将上一时间段的交通数据样本的权重系数设置为0,并将历史量化数据的权重系数设置为1。
较佳的,通过如下所述的公式来计算交通状态参数的估计值
其中,为当前交通数据样本的加权值,为上一时间段的交通数据样本的加权值,为历史量化数据的加权值;所述和均通过速度加权算法得到。
本发明还提供了一种交通状态参数的估计***,该***包括:数据采集模块、判断模块、训练数据模块、修正模块和融合模块;
其中,所述数据采集模块,用于实时获取交通数据样本,并将所获取的交通数据样本发送给所述判断模块;
所述判断模块,用于判断当前时间段内所采集的当前交通数据样本的数量是否大于预设的交通采集最小样本量;如果是,则将所述当前时间段内所采集的当前交通数据样本发送给所述训练数据模块;否则,将所述当前时间段内所采集的当前交通数据样本发送给所述融合模块;
所述训练数据模块,用于根据预设的训练模型对所接收的当前交通数据样本进行数据拟合,得到拟合后的数据并将拟合后的数据发送给所述修正模块;
所述修正模块,用于基于误差比判别准则通过修正矩阵对拟合后的数据进行修正,并根据修正后的数据获取交通状态参数的估计值并输出;
所述融合模块,用于为所接收的当前交通数据样本、上一时间段的交通数据样本和历史量化数据分别设置相应的权重系数;并根据所述当前交通数据样本、上一时间段的交通数据样本、历史量化数据以及各自的权重系数,计算得到交通状态参数的估计值并输出。
较佳的,所述数据采集模块还包括:采集单元和转换单元;
所述采集单元,用于实时采集原始交通数据,并将采集到的原始交通数据发送给所述转换单元;
所述转换单元,用于根据所接收的原始交通数据和路段信息,通过地图匹配算法生成位置信息关联路段的GPS数据,并将对所述GPS数据进行量化,得到量化后的速度概率数据,将所述量化后的速度概率数据作为交通数据样本输出。
如上可见,本发明所提供的交通状态参数的估计方法和***,由于在本发明中的交通状态参数的估计方法和***中,当当前时间段内所采集的当前交通数据样本的数量比较少,样本数据不足以反映交通状态参数的变化趋势时,可以融合当前交通数据样本、上一时间段的交通数据样本和历史量化数据,以计算得到交通状态参数的估计值,由于综合考虑了实时数据、上一时间段数据和历史量化数据,因此可以有效提高样本数据量较小情况下参数估计的准确性与可靠性;而当所采集的当前交通数据样本的数量比较多,有可能存在异常数据时,则先使用预设的训练模型对当前交通数据样本进行数据拟合,然后再基于误差比判别准则通过修正矩阵对拟合后的数据进行修正,并根据修正后的数据获取交通状态参数的估计值,由于使用修正矩阵设定权重系数的范围更广,数据量化尺度小,更能综合评估各数据对结果的影响,从而可以减小异常数据对估计值的不利影响,以有效地判断道路的交通路况信息。而且,本发明所提供的方法和***,并不依赖于时间特征(例如,高峰、平峰、夜间等)和目标道路(例如,高速公路、快速路、地面道路等)系数的设定,而是基于大量历史量化数据和误差比准则对数据进行修正,因此无需额外设置多余参数。
附图说明
图1为本发明实施例中的交通状态参数的估计方法的流程示意图;
图2为本发明实施例中的交通状态参数的估计***的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明进一步详细说明。
本实施例提供了一种交通状态参数的估计方法。
图1为本发明实施例中的交通状态参数的估计方法的流程示意图。如图1所示,本发明实施例中的交通状态参数的估计方法主要包括如下所述的步骤:
步骤11,实时获取交通数据样本。
在本发明的技术方案中,上述步骤11可以通过多种方式来实现。以下将以其中的一种实现方式为例,对本发明的技术方案进行介绍。
例如,在本发明的较佳实施例中,所述步骤11可以包括:
步骤110,实时采集原始交通数据。
较佳的,在本发明的具体实施例中,所采集的原始交通数据可以包括但不限于:车辆编号、出租车公司、接收时间、经度、纬度、方位角、瞬时速度和运营状态等数据。
步骤111,根据所采集的原始交通数据和路段信息,通过地图匹配算法生成位置信息关联路段的GPS数据,并对所述GPS数据进行量化,得到量化后的速度概率数据,将所述量化后的速度概率数据作为交通数据样本。
较佳的,在本发明的具体实施例中,所述对所述GPS数据进行量化的量化单位可为1。对所述GPS数据进行量化后,即可得到量化后的速度概率数据,从而可所述量化后的速度概率数据作为交通数据样本。
步骤12,判断当前时间段内所采集的当前交通数据样本的数量是否大于预设的交通采集最小样本量;如果是,则执行步骤13;否则,执行步骤15;
在本发明的技术方案中,可以预先设置一个交通采集最小样本量Nmin,然后,可以判断当前时间段内所采集的当前交通数据样本的数量n是否大于Nmin。其中,所述当前时间段的长度可以预先设定,在此不再赘述。
如果n>Nmin,表示所采集的交通数据样本的数据量比较大,有可能会存在异常数据。为了减少误差估计,需要对所采集的交通数据样本进行修正,以减少异常数据对估计结果的不利影响,所以执行步骤13;
如果n≤Nmin,则表示此时所采集的交通数据样本数据无法准确地反映交通状态参数(例如,车速)的变化趋势,需要将当前交通数据样本与上一时间段的交通数据样本和历史量化数据进行融合处理,以得到交通状态参数的估计值,因此执行步骤15。
另外,在本发明的较佳实施例中,所述交通采集最小样本量Nmin的大小可以预先设置。例如,可通过如下所述的方法预先设置交通采集最小样本量Nmin的大小:
从道路所采集得到的交通状态参数的抽样值,例如,车速的抽样值(v1,v2,…,vn)服从于N(μ,σ2)正态分布,其基本相关统计量为样本方差为根据概率论理论可得:
其中为自由度为的t分布,a为显著性水平,因此,根据上述公式可知:当前交通数据样本的数量因此,所述可以设:
步骤13,根据预设的训练模型对当前交通数据样本进行数据拟合,得到拟合后的数据。
较佳的,在本发明的具体实施例中,在上述步骤13之前,还可以根据历史量化数据预先设置相应的训练模型。
例如,可以基于大量的历史量化GPS数据进行数据拟合,利用曲线拟合算法形成训练数据方程。
具体来说,根据大数定理,在固定路段和时间前提下,交通状态参数(例如,车速)的数据(v1,p1,v2,p2,…,vn,pn)符合正态分布模型,其中pi为该车速vi发生的概率。
假设训练数据方程为利用曲线拟合算法(例如,最小二乘法),可求得参数μ,σ,其中μ为训练数据方程期望,σ为训练数据方程方差,其计算过程如下:
对方程两边作对数变换,得:
令:
则ln(p(v))=av2+bv+c
因此可知,根据交通状态参数(例如,车速)的历史量化数据(v1,p1,v2,p2,…,vn,pn),并利用曲线拟合算法(例如,最小二乘法)可计算得到相应训练数据方程p(v)的各个参数a,b,c,则可获得训练数据方程p(v),并根据该训练数据方程预先设置相应的训练模型。
因此,在本步骤中,可以根据上述预设的训练模型对当前交通数据样本进行数据拟合,从而得到拟合后的数据,例如,可以得到一个由拟合后的数据所形成的拟合曲线。
步骤14,基于误差比判别准则通过修正矩阵对拟合后的数据进行修正,并根据修正后的数据获取交通状态参数的估计值,结束流程。
在本发明的技术方案中,上述步骤14可以通过多种方式来实现。以下将以其中的一种实现方式为例,对本发明的技术方案进行介绍。
例如,在本发明的较佳实施例中,所述步骤14可以包括:
步骤141,利用所述预设的训练模型,根据历史量化数据获取当前路段当前时刻下的交通状态参数(例如,车速)的概率历史拟合曲线Ψ(v1,v2,......vM),其中vi为交通状态参数(例如,车速)。
步骤142,根据所获取的交通数据样本确定交通状态参数的概率函数为Z(v1,v2......vn)。
步骤143,根据概率历史拟合曲线和交通状态参数的概率函数得到样本的误差比矩阵。
例如,在本发明的较佳实施例中,可以通过如下所述的公式得到误差比矩阵K:
步骤144,根据所述误差比矩阵得到互补矩阵I。
例如,在本发明的较佳实施例中,可以通过如下所述的公式得到互补矩阵I:
步骤145,根据互补矩阵I得到各交通数据样本的修正矩阵Λ。
例如,在本发明的较佳实施例中,所述修正矩阵Λ可以表示为:Λ=[w1,w2,……wn]。
其中wi为交通状态参数(例如,车速)vi的修正因子,
步骤146,根据所述修正矩阵Λ,得到修正后的各交通数据样本的修正值Z'。
例如,在本发明的较佳实施例中,所述交通数据样本的修正值Z'可以通过如下所述公式得到:
步骤147,根据所述各交通数据样本的修正值,通过加权平均算法计算得到交通状态参数的估计值。
例如,在本发明的较佳实施例中,所述交通状态参数的估计值可以通过如下所述公式得到:
步骤15,为当前交通数据样本、上一时间段的交通数据样本和历史量化数据分别设置相应的权重系数。
在本发明的技术方案中,上述步骤15可以通过多种方式来实现。以下将以其中的一种实现方式为例,对本发明的技术方案进行介绍。
例如,在本发明的较佳实施例中,所述步骤15可以包括:
将当前交通数据样本的权重系数设置为n/Nmin;其中,n为当前交通数据样本的数量,Nmin为预设的交通采集最小样本量;
当上一时间段的交通数据样本的数量np小于Nmin时,将上一时间段的交通数据样本的权重系数设置为np/Nmin,并将历史量化数据的权重系数设置为(1-np/Nmin);
当np大于或等于Nmin时,将上一时间段的交通数据样本的权重系数设置为1,并将历史量化数据的权重系数设置为0;
当np等于0时,将上一时间段的交通数据样本的权重系数设置为0,并将历史量化数据的权重系数设置为1。
步骤16,根据当前交通数据样本、上一时间段的交通数据样本、历史量化数据以及各自的权重系数,计算得到交通状态参数的估计值。
在本发明的技术方案中,上述步骤16可以通过多种方式来实现。以下将以其中的一种实现方式为例,对本发明的技术方案进行介绍。
例如,在本发明的较佳实施例中,可以通过如下所述的公式来计算交通状态参数的估计值
其中,为当前交通数据样本的加权值,为上一时间段的交通数据样本的加权值,为历史量化数据的加权值。较佳的,所述和均可通过速度加权算法得到。
另外,在本发明的技术方案中,根据本发明提供的交通状态参数的估计方法,本发明还提供了相应的交通状态参数的估计***。
图2为本发明实施例中的交通状态参数的估计***的结构示意图。如图2所示,本发明实施例中的交通状态参数的估计***可以包括:该***包括:数据采集模块21、判断模块22、训练数据模块23、修正模块24和融合模块25;
其中,所述数据采集模块21,用于实时获取交通数据样本,并将所获取的交通数据样本发送给所述判断模块22;
所述判断模块22,用于判断当前时间段内所采集的当前交通数据样本的数量是否大于预设的交通采集最小样本量;如果是,则将所述当前时间段内所采集的当前交通数据样本发送给所述训练数据模块23;否则,将所述当前时间段内所采集的当前交通数据样本发送给所述融合模块25;
所述训练数据模块23,用于根据预设的训练模型对所接收的当前交通数据样本进行数据拟合,得到拟合后的数据并将拟合后的数据发送给所述修正模块24;
所述修正模块24,用于基于误差比判别准则通过修正矩阵对拟合后的数据进行修正,并根据修正后的数据获取交通状态参数的估计值并输出;
所述融合模块25,用于为所接收的当前交通数据样本、上一时间段的交通数据样本和历史量化数据分别设置相应的权重系数;并根据所述当前交通数据样本、上一时间段的交通数据样本、历史量化数据以及各自的权重系数,计算得到交通状态参数的估计值并输出。
较佳的,在本发明的具体实施例中,所述数据采集模块21还可以进一步包括:采集单元和转换单元;
所述采集单元,用于实时采集原始交通数据,并将采集到的原始交通数据发送给所述转换单元;
所述转换单元,用于根据所接收的原始交通数据和路段信息,通过地图匹配算法生成位置信息关联路段的GPS数据,并对所述GPS数据进行量化,得到量化后的速度概率数据,将所述量化后的速度概率数据作为交通数据样本输出。
综上可知,由于在本发明中的交通状态参数的估计方法和***中,当当前时间段内所采集的当前交通数据样本的数量比较少,样本数据不足以反映交通状态参数的变化趋势时,可以融合当前交通数据样本、上一时间段的交通数据样本和历史量化数据,以计算得到交通状态参数的估计值,由于综合考虑了实时数据、上一时间段数据和历史量化数据,因此可以有效提高样本数据量较小情况下参数估计的准确性与可靠性;而当所采集的当前交通数据样本的数量比较多,有可能存在异常数据时,则先使用预设的训练模型对当前交通数据样本进行数据拟合,然后再基于误差比判别准则通过修正矩阵对拟合后的数据进行修正,并根据修正后的数据获取交通状态参数的估计值,由于使用修正矩阵设定权重系数的范围更广,数据量化尺度小,更能综合评估各数据对结果的影响,从而可以减小异常数据对估计值的不利影响,以有效地判断道路的交通路况信息。而且,本发明所提供的方法和***,并不依赖于时间特征(例如,高峰、平峰、夜间等)和目标道路(例如,高速公路、快速路、地面道路等)系数的设定,而是基于大量历史量化数据和误差比准则对数据进行修正,无需额外设置多余参数。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (13)
1.一种交通状态参数的估计方法,其特征在于,该方法包括:
实时获取交通数据样本;
当当前时间段内所采集的当前交通数据样本的数量大于预设的交通采集最小样本量时,根据预设的训练模型对当前交通数据样本进行数据拟合,得到拟合后的数据;
基于误差比判别准则通过修正矩阵对交通数据样本进行修正,并根据修正后的数据获取交通状态参数的估计值,包括:利用所述预设的训练模型,根据历史量化数据获取当前路段当前时刻下的交通状态参数的概率历史拟合曲线;根据所获取的交通数据样本确定交通状态参数的概率函数;根据概率历史拟合曲线和交通状态参数的概率函数得到样本的误差比矩阵K;根据所述误差比矩阵K得到互补矩阵I;根据互补矩阵I得到各交通数据样本的修正矩阵Λ;根据所述修正矩阵Λ,得到修正后的各交通数据样本的修正值Ζ';根据所述各交通数据样本的修正值,通过加权平均算法计算得到交通状态参数的估计值;当当前时间段内所采集的当前交通数据样本的数量小于或等于预设的交通采集最小样本量时,为当前交通数据样本、上一时间段的交通数据样本和历史量化数据分别设置相应的权重系数;并根据当前交通数据样本、上一时间段的交通数据样本、历史量化数据以及各自的权重系数,计算得到交通状态参数的估计值。
2.根据权利要求1所述的方法,其特征在于:
所述交通状态参数为车速。
3.根据权利要求1所述的方法,其特征在于,所述实时获取交通数据样本包括:
实时采集原始交通数据;
根据所采集的原始交通数据和路段信息,通过地图匹配算法生成位置信息关联路段的GPS数据,并对所述GPS数据进行量化,得到量化后的速度概率数据,将所述量化后的速度概率数据作为交通数据样本。
4.根据权利要求3所述的方法,其特征在于,所采集的原始交通数据包括:
车辆编号、出租车公司、接收时间、经度、纬度、方位角、瞬时速度和运营状态。
5.根据权利要求1所述的方法,其特征在于,在根据预设的训练模型对当前交通数据样本进行数据拟合之前,该方法还进一步包括:
根据交通状态参数的历史量化数据,并利用曲线拟合算法计算得到相应训练数据方程的各个参数,获得训练数据方程,并根据该训练数据方程预先设置相应的训练模型。
6.根据权利要求5所述的方法,其特征在于,通过如下所述的公式得到误差比矩阵K:
其中,K表示为[ε1,ε2,…,εi,…εn];Ψ为概率历史拟合曲线;vi,i=1,2,3,……,n,为交通状态参数;Z为交通状态参数的概率函数。
7.根据权利要求6所述的方法,其特征在于,通过如下所述的公式得到互补矩阵I:
8.根据权利要求7所述的方法,其特征在于,所述修正矩阵Λ表示为:
Λ=[w1,w2,……wn];
其中,wi为交通状态参数vi的修正因子,且
9.根据权利要求8所述的方法,其特征在于,通过如下所述的公式得到交通数据样本的修正值Ζ':
10.根据权利要求1所述的方法,其特征在于,所述为当前交通数据样本、上一时间段的交通数据样本和历史量化数据分别设置相应的权重系数包括:
将当前交通数据样本的权重系数设置为n/Nmin;其中,n为当前交通数据样本的数量,Nmin为预设的交通采集最小样本量;
当上一时间段的交通数据样本的数量np小于Nmin时,将上一时间段的交通数据样本的权重系数设置为np/Nmin,并将历史量化数据的权重系数设置为(1-np/Nmin);
当np大于或等于Nmin时,将上一时间段的交通数据样本的权重系数设置为1,并将历史量化数据的权重系数设置为0;
当np等于0时,将上一时间段的交通数据样本的权重系数设置为0,并将历史量化数据的权重系数设置为1。
11.根据权利要求10所述的方法,其特征在于,通过如下所述的公式来计算交通状态参数的估计值
其中,为当前交通数据样本的加权值,为上一时间段的交通数据样本的加权值,为历史量化数据的加权值;所述和均通过速度加权算法得到。
12.一种交通状态参数的估计***,其特征在于,该***包括:数据采集模块、判断模块、训练数据模块、修正模块和融合模块;
其中,所述数据采集模块,用于实时获取交通数据样本,并将所获取的交通数据样本发送给所述判断模块;
所述判断模块,用于判断当前时间段内所采集的当前交通数据样本的数量是否大于预设的交通采集最小样本量;如果是,则将所述当前时间段内所采集的当前交通数据样本发送给所述训练数据模块;否则,将所述当前时间段内所采集的当前交通数据样本发送给所述融合模块;
所述训练数据模块,用于根据预设的训练模型对所接收的当前交通数据样本进行数据拟合,得到拟合后的数据并将拟合后的数据发送给所述修正模块;
所述修正模块,用于基于误差比判别准则通过修正矩阵对交通数据样本进行修正,并根据修正后的数据获取交通状态参数的估计值并输出,包括:利用所述预设的训练模型,根据历史量化数据获取当前路段当前时刻下的交通状态参数的概率历史拟合曲线;根据所获取的交通数据样本确定交通状态参数的概率函数;根据概率历史拟合曲线和交通状态参数的概率函数得到样本的误差比矩阵K;根据所述误差比矩阵K得到互补矩阵I;根据互补矩阵I得到各交通数据样本的修正矩阵Λ;根据所述修正矩阵Λ,得到修正后的各交通数据样本的修正值Ζ';根据所述各交通数据样本的修正值,通过加权平均算法计算得到交通状态参数的估计值;
所述融合模块,用于为所接收的当前交通数据样本、上一时间段的交通数据样本和历史量化数据分别设置相应的权重系数;并根据所述当前交通数据样本、上一时间段的交通数据样本、历史量化数据以及各自的权重系数,计算得到交通状态参数的估计值并输出。
13.根据权利要求12所述的***,其特征在于,所述数据采集模块还包括:采集单元和转换单元;
所述采集单元,用于实时采集原始交通数据,并将采集到的原始交通数据发送给所述转换单元;
所述转换单元,用于根据所接收的原始交通数据和路段信息,通过地图匹配算法生成位置信息关联路段的GPS数据,并对所述GPS数据进行量化,得到量化后的速度概率数据,将所述量化后的速度概率数据作为交通数据样本输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410617762.6A CN104408915B (zh) | 2014-11-05 | 2014-11-05 | 一种交通状态参数的估计方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410617762.6A CN104408915B (zh) | 2014-11-05 | 2014-11-05 | 一种交通状态参数的估计方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104408915A CN104408915A (zh) | 2015-03-11 |
CN104408915B true CN104408915B (zh) | 2017-03-15 |
Family
ID=52646541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410617762.6A Active CN104408915B (zh) | 2014-11-05 | 2014-11-05 | 一种交通状态参数的估计方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408915B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809877B (zh) * | 2015-05-14 | 2017-09-08 | 重庆大学 | 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法 |
CN105139656B (zh) * | 2015-09-28 | 2017-09-29 | 百度在线网络技术(北京)有限公司 | 一种道路状态预测方法及装置 |
CN107798864A (zh) * | 2016-09-06 | 2018-03-13 | 高德信息技术有限公司 | 一种道路通行速度的计算方法和装置 |
CN106526339A (zh) * | 2016-11-07 | 2017-03-22 | 中国电力科学研究院 | 一种基于无线电干扰值样本数据确定最小采样本量的方法及*** |
JP6874540B2 (ja) | 2017-06-02 | 2021-05-19 | トヨタ自動車株式会社 | 車両の制御方法、情報処理装置、及び車両制御システム |
CN109270927B (zh) * | 2017-07-17 | 2022-03-11 | 阿里巴巴(中国)有限公司 | 道路数据的生成方法及装置 |
CN110108486B (zh) * | 2018-01-31 | 2022-07-05 | 阿里巴巴集团控股有限公司 | 轴承故障预测方法、设备及*** |
CN111723831B (zh) * | 2019-03-20 | 2023-11-14 | 北京嘀嘀无限科技发展有限公司 | 一种数据融合方法及装置 |
CN111754772A (zh) * | 2020-06-28 | 2020-10-09 | 蘑菇车联信息科技有限公司 | 交通路况确定方法及电子设备 |
CN114580792B (zh) * | 2022-04-28 | 2022-08-30 | 深圳丰尚智慧农牧科技有限公司 | 膨化机工作状态识别方法、装置、计算机设备、存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7610145B2 (en) * | 2003-07-25 | 2009-10-27 | Triangle Software Llc | System and method for determining recommended departure time |
GB2423154A (en) * | 2005-02-02 | 2006-08-16 | E Lead Electronic Co Ltd | Method for detecting vehicle speed |
CN101533094B (zh) * | 2009-04-23 | 2011-05-04 | 民航数据通信有限责任公司 | 基于tis-b的估计位置误差的计算方法和*** |
CN102610092A (zh) * | 2012-03-23 | 2012-07-25 | 天津大学 | 基于rbf神经网络城市道路速度预测方法 |
CN103794061B (zh) * | 2014-03-10 | 2016-06-22 | 上海云砥信息科技有限公司 | 基于多种定位数据计算道路融合行程车速的方法 |
-
2014
- 2014-11-05 CN CN201410617762.6A patent/CN104408915B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104408915A (zh) | 2015-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408915B (zh) | 一种交通状态参数的估计方法和*** | |
CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
CN107610464B (zh) | 一种基于高斯混合时间序列模型的轨迹预测方法 | |
WO2018122803A1 (zh) | 一种智能化道路交通异常检测方法 | |
CN106205114B (zh) | 一种基于数据融合的高速公路路况信息实时获取方法 | |
CN103646561B (zh) | 基于道路异常区域评估的路径选择方法及*** | |
CN107346460B (zh) | 基于智能网联***下前车运行信息的未来工况预测方法 | |
US7617041B2 (en) | Traffic jam prediction device and method | |
CN116935654B (zh) | 一种基于数据分配值的智慧城市数据分析方法及*** | |
CN103903430B (zh) | 一种采用多源同构数据的行程时间动态融合预测方法 | |
CN109275121B (zh) | 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法 | |
CN109147390B (zh) | 一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法 | |
CN109190811B (zh) | 一种基于自适应扩展卡尔曼滤波的车辆速度跟踪方法 | |
Raiyn et al. | Real-time road traffic anomaly detection | |
Yang et al. | Queue estimation in a connected vehicle environment: A convex approach | |
CN104899135A (zh) | 软件缺陷预测方法和*** | |
CN105096642B (zh) | 考虑gps数据延迟影响的实时公交到站时间预测方法 | |
Hao et al. | Modal activity-based stochastic model for estimating vehicle trajectories from sparse mobile sensor data | |
WO2012024976A1 (zh) | 一种交通信息处理方法及装置 | |
CN110738855A (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
CN111915881B (zh) | 一种基于变分自动编码器的小样本交通流量预测方法 | |
CN109118786B (zh) | 一种基于量化自适应卡尔曼滤波的车辆速度预测方法 | |
EP4081835B1 (en) | Methods, apparatuses, systems and computer program products for estimating road surface temperature | |
CN113066285A (zh) | 一种路况信息确定方法、装置、电子设备及存储介质 | |
Houbraken et al. | Examining the potential of floating car data for dynamic traffic management |
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 |