CN105139656A - 一种道路状态预测方法及装置 - Google Patents
一种道路状态预测方法及装置 Download PDFInfo
- Publication number
- CN105139656A CN105139656A CN201510629427.2A CN201510629427A CN105139656A CN 105139656 A CN105139656 A CN 105139656A CN 201510629427 A CN201510629427 A CN 201510629427A CN 105139656 A CN105139656 A CN 105139656A
- Authority
- CN
- China
- Prior art keywords
- road
- predicted
- state
- value
- time
- 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.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种道路状态预测方法及装置。该方法包括:根据待预测道路确定关联道路状态阵,所述关联道路状态阵的矩阵值为与所述待预测道路满足设定距离关系的道路,在设定历史时刻内的状态值;根据所述待预测道路在待预测时刻下的待预测状态与关联道路状态阵之间的概率关系,计算所述待预测状态。本发明实施提供的技术方案,通过根据待预测道路在待预测时刻下的待预测状态,与待预测道路的关联道路状态阵之间的概率关系预测待预测道路的状态,提升了道路预测的准确率。
Description
技术领域
本发明实施例属于数据处理技术领域,涉及一种道路状态预测方法及装置。
背景技术
准确、及时的交通流信息对智能交通***的成功应用至关重要。它可以帮助道路使用者做出更好的出行决策,缓解交通拥堵,减少碳排放,并提高交通运行效率。如今,交通数据日益丰富,我们已经进入了交通大数据时代。有效利用交通大数据进行更加准确及时的交通流量预测,可以帮助管理者做出更好的交通管控方案,为交通出行者的出行决策提供有力支持。
现有交通流计算主要是对当前路况情况进行计算,目的在于能够较为准确的反应当前路况状态。现有交通流预测方法主要利用历史时间框架的周期性等路况重复性来进行未来时期路况的预测。
现有的交通流预测方法仅简单的认为路况是时间的重复,认为路况具有时间周期性,过于简单,在稍复杂的情况下很难准确预测路况,不能很好的解决实际复杂的路况预测问题,即,目前对于未来路况的预测尚没有较好的解决方法。
发明内容
本发明实施例的目的是提出一种道路状态预测方法及装置,以提高道路状态预测的准确度。
一方面,本发明实施例提供了一种道路状态预测方法,包括:
根据待预测道路确定关联道路状态阵,所述关联道路状态阵的矩阵值为与所述待预测道路满足设定距离关系的道路,在设定历史时刻内的状态值,所述关联道路状态阵为:Sm,n,其中,每个矩阵点的矩阵值ri,j为与待预测道路距离为i的道路,在当前时间之前j个时刻的状态值;
根据所述待预测道路在待预测时刻下的待预测状态与关联道路状态阵之间的概率关系,计算所述待预测状态。
另一方面,本发明实施例提供了一种道路状态预测装置,包括:
关联状态阵单元,用于根据待预测道路确定关联道路状态阵,所述关联道路状态阵的矩阵值为与所述待预测道路满足设定距离关系的道路,在设定历史时刻内的状态值,所述关联道路状态阵为:Sm,n,其中,每个矩阵点的矩阵值ri,j为与待预测道路距离为i的道路,在当前时间之前j个时刻的状态值;
状态预测单元,用于根据所述待预测道路在待预测时刻下的待预测状态与关联道路状态阵之间的概率关系,计算所述待预测状态。
本发明实施例提供的道路状态预测方法及装置,通过根据所述待预测道路在待预测时刻下的待预测状态与关联道路状态阵之间的概率关系,计算待预测道路的待预测状态,由于结合了时间和空间的因素进行预测,因此提高了道路状态预测的准确度。
附图说明
图1a为本发明实施例一提供的一种道路状态预测方法的流程示意图;
图1b为本发明实施例一提供的一种道路状态预测;
图1c为本发明实施例一提供的一种道路状态预测;
图2为本发明实施例二提供的一种道路状态预测方法的流程示意图;
图3a为本发明实施例三提供的一种道路状态预测方法的流程示意图;
图3b为本发明实施例三提供的道路示意图;
图4为本发明实施例四提供的一种道路状态预测方法的流程示意图;
图5为本发明实施例五提供的一种道路状态预测装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1a为本发明实施例一提供的一种道路状态预测方法的流程示意图。本实施例可适用于用户想要预测交通流或通过时间等道路状态的情况。该方法可由道路状态预测装置执行。参见图1a,本实施例提供的道路状态预测方法具体包括如下:
S11、根据待预测道路确定关联道路状态阵,所述关联道路状态阵的矩阵值为与所述待预测道路满足设定距离关系的道路,在设定历史时刻内的状态值。
示例性的,所述关联道路状态阵可以为:Sm,n,其中,每个矩阵点的矩阵值ri,j为与待预测道路距离为i的道路,在当前时间之前j个时刻的状态值。m为根据预测需要设定的与待预测道路之间的最远距离,n为根据预测需要设定的与待预测时刻之间的最早时刻,i小于或等于m,j小于或等于n。
在交通网络中,道路相互连接。结合图1b和图1c,带箭头的线表示道路及道路方向,圆圈表示道路之间的连接点,其中道路为逻辑概念,一条逻辑道路可以包含一条或多条物理道路。交通网络满足连接点流量守恒关系,即连接点不产生交通流量,流入连接点的交通流量等于流出连接点的交通流量,用fin表示连接点的流入流量,fout表示连接点的流出流量,那么如下等式成立:
fin=fout
每条道路的交通流量情况和该道路的关联道路的交通流量情况相关,在这些连接道路中,有流向该道路交通流量,也有从该道路流出的交通流量,其中,关联道路可以是与该道路有共同连接点的道路。本实施例利用交通流量守恒和道路连接关系来预测未来的道路状态。
结合图1b和图1c,通过一跳连接的两条道路之间的距离为2,通过两跳连接的两条道路之间的距离为3,以此类推,用跳数计算道路之间的距离。时刻的单位可以是设定值,例如1分钟、10分钟等。道路状态值可以采用拥堵、缓慢、通畅等离散值表示,也可以用平均行进速度值表示。
S12、根据所述待预测道路在待预测时刻下的待预测状态与关联道路状态阵之间的概率关系,计算所述待预测状态。
示例性的,根据所述待预测道路在待预测时刻下的待预测状态与关联道路状态阵之间的概率关系,计算所述待预测状态具体可以包括:
1)基于所述概率关系按照如下公式计算待预测状态值的期望值,作为所述待预测状态值:
在状态值连续时,按照上述公式通过积分得到待预测状态值的期望值,在状态值离散时按照离散点求和得到待预测状态值的期望值。
2)根据所述概率关系,按照如下公式选取最大概率值所对应的状态值,作为待预测状态值:
其中,P(Rk/Sm,n)为待预测状态Rk与关联道路状态阵Sm,n之间的概率关系,为待预测状态值。每个待预测时刻道路与每个状态阵具有一个概率关系,概率表达为曲线或离散的数据点,横轴为待预测时刻道路的状态值,纵轴为概率值;概率关系可通过历史数据的统计来确定。
示例性的,待预测状态值可以为待预测交通流量值或待预测通过时间值,即,通过待预测道路的关联状态阵的交通流量值能预测待预测道路的交通流量值,通过待预测道路的关联状态阵的通过时间值能预测待预测道路的通过时间值。
本实施例提供的道路状态预测方法,通过根据待预测道路确定关联道路状态阵,并根据所述待预测道路在待预测时刻下的待预测状态与关联道路状态阵之间的概率关系,计算待预测道路的状态值,由于概率关系综合考虑了时间和空间两个维度,相比于现有的道路预测方法只考虑时间周期性提高了道路状态预测的准确度。
实施例二
本实施例在上述实施例的基础上提供了一种新的道路状态预测方法。图2为本发明实施例二提供的一种道路状态预测方法的流程示意图。参见图2,本实施例提供的道路状态预测方法具体包括如下:
S21、根据待预测道路确定关联道路状态阵,所述关联道路状态阵的矩阵值为与所述待预测道路满足设定距离关系的道路,在设定历史时刻内的状态值。
在空间结构上,道路之间的状态影响关系随距离的变化而不同,按照距离由近及远的顺序,距离一条道路l的距离小于等于m的道路的集合表示为Lm,
Lm={li},distance(l,li)≤m
在时间结构上,道路li当前时刻的交通流状态为li,0,距离当前时刻j时刻前的交通流状态为li,j。在时间和空间两个维度上,距离小于等于距离阀值m,时间不大于时间阀值n的道路的交通流状态的集合为Sm,n,称为交通流时空状态矩阵,简称状态阵,
Sm,n={li,j},distance(l,li)≤mandj≤n
在距离阀值m和时间阀值n不同时关联道路矩阵Sm,n不同,即,一个待预测道路对应至少两个关联道路矩阵,和分别表示至少两个状态阵中的任意一个状态阵。
S22、根据所述待预测道路在待预测时刻下的待预测状态与关联道路状态阵之间的概率关系,确定关联道路的待预测状态值,并将确定的待预测状态值,作为关联道路状态阵的预测状态值。
具体的,根据待预测道路在待预测时刻下的待预测状态Rk与关联道路状态阵之间的概率关系确定关联道路状态阵的预测状态值,根据待预测道路在待预测时刻下的待预测状态Rk与关联道路状态阵之间的概率关系确定关联道路状态阵的预测状态值,即,确定每个关联道路状态阵的预测状态值。
S23、根据所述待预测道路的至少两个关联道路状态阵,从中确定矩阵距离满足设定要求的关联道路状态阵。
示例性的,所述待预测道路的至少两个关联道路状态阵可以为:与所述待预测道路的不同时刻满足设定道路距离m、设定历史时刻n的至少两个关联道路状态阵。
示例性的,状态阵之间的距离采用如下公式计算:
和分别表示至少两个状态阵中的任意一个状态阵,
Im,n=(wi,j),i∈[0,m],j∈[0,∈n],wi,j表示道路i在距当前j时刻前的交通流状态对未来交通流状态的影响权重。
示例性的,待预测状态值为待预测交通流量值,影响矩阵中权重值根据道路的道路等级、道路方向、道路形状、和/或道路位置来确定。一条道路的未来的流量情况和它自身的流量有关,也与和它有关系的其它道路的流量情况有关,受影响的程度与距离相关,距离越近的影响越大,距离远的影响相对较小,这种道路空间结构上的关系也决定了交通流空间上的关系,这种流量上的空间关系可以用来做道路的流量预测。道路的交通流量不仅受道路和交通流空间关系的影响,还与路网流量状况的时间变化相关,相隔时间越近的交通流状态之间的关系越紧密,相隔时间远的交通流状态之间的关系相对较弱。这种交通流状态在时间的相关关系也可以用来做道路的流量预测。
S24、获取确定的关联道路状态阵所对应的预测状态值。
获取矩阵距离满足设定要求的每个关联道路状态阵的预测交通流量值。
S25、根据确定的关联道路状态阵的预测状态值,确定所述待预测道路的待预测状态值。
具体的,可以采用KNN(k-NearestNeighbor,邻近)算法确定所述待预测道路的待预测交通流量值,KNN算法的思路是选取最近的K个状态阵所对应的数量最多的交通流状态,作为待预测道路的预测交通流量值。具体的,将S24中确定的各预测交通流量值中出现次数最多的预测交通流量作为待预测道路的预测交通流量。
另外,还提供了一种改进的方式确定待预测道路的待预测状态值:在选取了K相邻的状态阵后,以线性加权的方式计算预测的交通流状态值,加权系数所构成的向量称为状态合成向量。
在本实施例中,影响矩阵和状态合成向量可以采用机器学习的方法获得,这里不局限采用何种机器学习方法。并且,空间相关的阶数m和时间相关的阶数n可以根据实际需要进行选择,阶数越大预测越准确,但复杂度增加,需要在这准确度和复杂度间进行权衡。
本实施例提供的道路状态预测方法,通过从至少两个关联道路状态阵中选择矩阵距离满足设定要求的关联道路状态阵,并确定选择的各关联道路状态阵的预测状态值,随后依据确定的各预测状态值确定待预测道路的预测状态值,提高了道路状态预测的准确度。
实施例三
本实施例在上述实施例的基础上提供了一种新的道路状态预测方法,在本实施例中待预测状态值为待预测通过时间。图3a为本发明实施例三提供的一种道路状态预测方法的流程示意图。参见图3a,本实施例提供的道路状态预测方法具体包括如下:
S31、根据待预测道路确定关联道路状态阵,所述关联道路状态阵的矩阵值为与所述待预测道路满足设定距离关系的道路,在设定历史时刻内的通过时间值。
S32、根据所述待预测道路在待预测时刻下的待预测通过时间与关联道路状态阵之间的概率关系,计算所述待预测通过时间。
示例性的,对于目标道路的通过时间预测可以包括:将所述目标道路按照连接点进行分段;分段预测每段道路的通过时间,以前一段道路通过时间的终点作为下一段道路的起始时间进行预测,得到最终到达的时间点。对于目标道路的通过时间预测具体也可以包括:以所述目标道路作为待预测道路,进行整段预测。
示例性的,在预测通过时间之前,还可以包括:根据与道路起点的远近来选取待预测道路的关联道路状态阵的m,n值,其中,距离起点越近的m,n值越小,距离起点越远的m,n值越大。
具体的,路径通过时间估计可以有两种方式,分段估计和整体估计。如图3b所示,上半部分为分段估计,下半部分为整体估计。分段估计方法可以对目标道路的整个路径进行分段,对不同的段估计其通过时间,使用这种方法时,以起始时刻为零,每段所要估计的时刻为前面所有分段通过时间的和,各段的参数可以各自选择。使用整体估计时,对目标道路的整个路径的通过时间进行整体估计。时空维度的选择依赖于预测时刻的远近,路径远端的通行时间所需维度比路径近端的大,整体参数的大小由近端到远端呈放射状,具体参数选用可以采用线性放射状或非线性放射状。
本实施例提供的道路状态预测方法,通过根据待预测道路确定关联道路状态阵,并根据所述待预测道路在待预测时刻下的待预测状态与关联道路状态阵之间的概率关系,计算待预测道路的通过时间值,由于概率关系综合考虑了时间和空间两个维度,相比于现有的道路预测方法只考虑时间周期性提高了道路状态预测的准确度。
实施例四
本实施例在上述实施例三的基础上提供了一种新的道路状态预测方法。图4为本发明实施例四提供的一种道路状态预测方法的流程示意图。参见图4,本实施例提供的道路状态预测方法具体包括如下:
S41、根据待预测道路确定关联道路状态阵,所述关联道路状态阵的矩阵值为与所述待预测道路满足设定距离关系的道路,在设定历史时刻内的通过时间值。
在空间结构上,道路之间的状态影响关系随距离的变化而不同,按照距离由近及远的顺序,距离一条道路l的距离小于等于m的道路的集合表示为Lm,
Lm={li},distance(l,li)≤m
在时间结构上,道路li当前时刻的交通流状态为li,0,距离当前时刻j时刻前的交通流状态为li,j。在时间和空间两个维度上,距离小于等于距离阀值m,时间不大于时间阀值n的道路的交通流状态的集合为Sm,n,称为交通流时空状态矩阵,简称状态阵,
Sm,n={li,j},distance(l,li)≤mandj≤n
一条待预测道路对应至少两个关联道路矩阵,和分别表示至少两个状态阵中的任意一个状态阵。
在一定的m和n下,道路未来第k个时刻的该道路的通过时间Rk与空间和时间距离在m和n范围内的交通流状态关系可以用概率表示为P(Rk/Sm,n),称之为通过时间概率。
S42、根据所述待预测道路在待预测时刻下的待预测通过时间与关联道路状态阵之间的概率关系,确定关联道路的待预测通过时间值,并将确定的待预测通过时间值,作为关联道路状态阵的预测通过时间值。
示例性的,根据所述待预测道路在待预测时刻下的待预测通过时间与关联道路状态阵之间的概率关系,计算所述待预测通过时间具体可以包括:
1)基于所述概率关系按照如下公式计算待预测通过时间值的期望值,作为所述待预测通过时间值:
2)根据所述概率关系,按照如下公式选取最大概率值所对应的通过时间值,作为待预测通过时间值:
其中,P(Rk/Sm,n)为待预测状态Rk与关联道路状态阵Sm,n之间的概率关系,为待预测状态值。
S43、根据所述待预测道路的至少两个关联道路状态阵,从中确定矩阵距离满足设定要求的关联道路状态阵。
示例性的,所述待预测道路的至少两个关联道路状态阵可以为:与所述待预测道路的不同时刻满足设定道路距离m、设定历史时刻n的至少两个关联道路状态阵。
示例性的,状态阵之间的距离采用如下公式计算:
和分别表示至少两个状态阵中的任意一个状态阵,
Im,n=(wi,j),i∈[0,m],j∈[0,∈n],wi,j表示道路i在距当前j时刻前的交通流状态对未来交通流状态的影响权重。
S44、获取确定的关联道路状态阵所对应的预测通过时间值。
S45、根据确定的关联道路状态阵的预测通过时间值,确定所述待预测道路的待预测通过时间值。
S46、根据个人驾驶修正系数对得到的待预测通过时间进行修正。
道路到达时间等于起始时间加上路径通过时间,预测出道路通过时间即能够预测道路的到达时间。在得到集合路径通过时间后,可以根据个人修正系数对集合通过时间进行修正,进而得到个体路径通过时间或到达时间,对个人修正系数的获得方法不进行限定。
这种到达时间估计方法是基于时空约束关系的,可以根据不同的场合,对复杂度和准确度的不同需求,采用灵活的实施方式:
1)简单的应用。可以构建典型的道路连接形状的模型,比如线性连接关系模型,丁字形连接模型,十字形连接模型,环形连接模型,等其它实际道路的连接模型。这些模型独立于道路的位置,在道路通过时间估计时,选用道路对应的连接模型即可。
2)稍复杂的应用。除了道路连接形状外,将道路等级,道路方向等因素考虑进去,构建连接形状、道路类型等综合因素的时空约束模型。这种实施方式也独立于道路的位置,在道路通过时间估计时,选用道路对应的连接模型即可。
3)道路位置相关的全面实施方式。对每条道路构建时空约束模型,建立道路相关的模型库,实施面向道路的个性化模型。这种实施方式能够准确反应不同位置道路的细节性差异,达到准确估计的效果。本实施例提出的到达时间估计方法可以应用到导航、路况感知、拼车等到达时间相关的各种应用。
本实施例提供的技术方案,首先对到达时间的集合值进行估计,得到路径的集合到达时间估计,然后根据个体的修正系数进行调整,得到个体的到达时间估计。路径的集合到达时间和个体到达时间在应用上是独立的。该方法综合考虑了在交通网络中,道路相互连接,车辆在道路上的行驶情况既与个人的驾驶习惯之间的关系,也考虑了行驶情况与道路的交通状况之间的关系,提高了道路通过时间预测的准确度。
实施例五
图5为本发明实施例五提供的一种多账户体系的互通装置的结构示意图。本实施例可适用于用户想要预测交通流或通过时间等道路状态的情况。参见图5,该道路状态预测装置的具体结构如下:
关联状态阵单元51,用于根据待预测道路确定关联道路状态阵,所述关联道路状态阵的矩阵值为与所述待预测道路满足设定距离关系的道路,在设定历史时刻内的状态值;
状态预测单元52,用于根据所述待预测道路在待预测时刻下的待预测状态与关联道路状态阵之间的概率关系,计算所述待预测状态。
示例性的,所述关联道路状态阵为:
Sm,n,其中,每个矩阵点的矩阵值ri,j为与待预测道路距离为i的道路,在当前时间之前j个时刻的状态值。
示例性的,所述状态预测单元52具体用于:
基于所述概率关系按照如下公式计算待预测状态值的期望值,作为所述待预测状态值:
或者,根据所述概率关系,按照如下公式选取最大概率值所对应的状态值,作为待预测状态值:
其中,P(Rk/Sm,n)为待预测状态Rk与关联道路状态阵Sm,n之间的概率关系,为待预测状态值。
示例性的,所述状态预测单元52包括:
预测状态值子单元,用于将确定的待预测状态值,作为关联道路状态阵的预测状态值;
关联状态帧子单元,用于根据所述待预测道路的至少两个关联道路状态阵,从中确定矩阵距离满足设定要求的关联道路状态阵;
关联状态值子单元,用于获取确定的关联道路状态阵所对应的预测状态值;
状态预测子单元,用于根据确定的关联道路状态阵的预测状态值,确定所述待预测道路的待预测状态值。
示例性的,所述待预测道路的至少两个关联道路状态阵为:
与所述待预测道路的不同时刻满足设定道路距离m、设定历史时刻n的至少两个关联道路状态阵。
示例性的,状态阵之间的距离采用如下公式计算:
和分别表示至少两个状态阵中的任意一个状态阵,
Im,n=(wi,j),i∈[0,m],j∈[0,∈n],wi,j表示道路i在距当前j时刻前的交通流状态对未来交通流状态的影响权重。
示例性的,影响矩阵中权重值根据道路的道路等级、道路方向、道路形状、和/或道路位置来确定。
示例性的,待预测状态值为待预测交通流量值或待预测通过时间值。
示例性的,当待预测状态值为待预测通过时间时,所述状态预测单元对于目标道路的通过时间预测具体用于:
将所述目标道路按照连接点进行分段;
分段预测每段道路的通过时间,以前一段道路通过时间的终点作为下一段道路的起始时间进行预测,得到最终到达的时间点。
示例性的,当待预测状态值为待预测通过时间时,所述状态预测单元对于目标道路的通过时间预测具体用于:
以所述目标道路作为待预测道路,进行整段预测。
示例性的,该装置还包括:
参数选取单元,用于在预测通过时间之前,根据与道路起点的远近来选取待预测道路的关联道路状态阵的m,n值,其中,距离起点越近的m,n值越小,距离起点越远的m,n值越大。
示例性的,根据个人驾驶修正系数对得到的待预测通过时间进行修正。
上述道路状态预测装置可执行本发明任意实施例所提供的道路状态预测方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的道路状态预测方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (22)
1.一种道路状态预测方法,其特征在于,包括:
根据待预测道路确定关联道路状态阵,所述关联道路状态阵的矩阵值为与所述待预测道路满足设定距离关系的道路,在设定历史时刻内的状态值,所述关联道路状态阵为:Sm,n,其中,每个矩阵点的矩阵值ri,j为与待预测道路距离为i的道路,在当前时间之前j个时刻的状态值;
根据所述待预测道路在待预测时刻下的待预测状态与关联道路状态阵之间的概率关系,计算所述待预测状态。
2.根据权利要求1所述的方法,其特征在于,根据所述待预测道路在待预测时刻下的待预测状态与关联道路状态阵之间的概率关系,计算所述待预测时刻道路的状态,包括:
基于所述概率关系按照如下公式计算待预测状态值的期望值,作为所述待预测状态值:
或者,根据所述概率关系,按照如下公式选取最大概率值所对应的状态值,作为待预测状态值:
其中,P(Rk/m,n)为待预测状态Rk与关联道路状态阵Sm,n之间的概率关系,为待预测状态值。
3.根据权利要求2所述的方法,其特征在于,根据所述待预测道路在待预测时刻下的待预测状态与关联道路状态阵之间的概率关系,计算所述待预测状态,包括:
将确定的待预测状态值,作为关联道路状态阵的预测状态值;
根据所述待预测道路的至少两个关联道路状态阵,从中确定矩阵距离满足设定要求的关联道路状态阵;
获取确定的关联道路状态阵所对应的预测状态值;
根据确定的关联道路状态阵的预测状态值,确定所述待预测道路的待预测状态值。
4.根据权利要求3所述的方法,其特征在于,所述待预测道路的至少两个关联道路状态阵为:
与所述待预测道路的不同时刻满足设定道路距离m、设定历史时刻n的至少两个关联道路状态阵。
5.根据权利要求3所述的方法,其特征在于,状态阵之间的距离采用如下公式计算:
和分别表示至少两个状态阵中的任意一个状态阵,
Im,n=(wi,j),i∈[0,m],j∈[0,∈n],wi,j表示道路i在距当前j时刻前的交通流状态对未来交通流状态的影响权重。
6.根据权利要求5所述的方法,其特征在于,影响矩阵中权重值根据道路的道路等级、道路方向、道路形状、和/或道路位置来确定。
7.根据权利要求1所述的方法,其特征在于,待预测状态值为待预测交通流量值或待预测通过时间值。
8.根据权利要求7所述的方法,其特征在于,当待预测状态值为待预测通过时间时,对于目标道路的通过时间预测包括:
将所述目标道路按照连接点进行分段;
分段预测每段道路的通过时间,以前一段道路通过时间的终点作为下一段道路的起始时间进行预测,得到最终到达的时间点。
9.根据权利要求7所述的方法,其特征在于,当待预测状态值为待预测通过时间时,对于目标道路的通过时间预测具体包括:
以所述目标道路作为待预测道路,进行整段预测。
10.根据权利要求8或9所述的方法,其特征在于,在预测通过时间之前,还包括:
根据与道路起点的远近来选取待预测道路的关联道路状态阵的m,n值,其中,距离起点越近的m,n值越小,距离起点越远的m,n值越大。
11.根据权利要求7所述的方法,其特征在于,根据个人驾驶修正系数对得到的待预测通过时间进行修正。
12.一种道路状态预测装置,其特征在于,包括:
关联状态阵单元,用于根据待预测道路确定关联道路状态阵,所述关联道路状态阵的矩阵值为与所述待预测道路满足设定距离关系的道路,在设定历史时刻内的状态值,所述关联道路状态阵为:Sm,n,其中,每个矩阵点的矩阵值ri,j为与待预测道路距离为i的道路,在当前时间之前j个时刻的状态值;
状态预测单元,用于根据所述待预测道路在待预测时刻下的待预测状态与关联道路状态阵之间的概率关系,计算所述待预测状态。
13.根据权利要求12所述的装置,其特征在于,所述状态预测单元具体用于:
基于所述概率关系按照如下公式计算待预测状态值的期望值,作为所述待预测状态值:
或者,根据所述概率关系,按照如下公式选取最大概率值所对应的状态值,作为待预测状态值:
其中,P(Rk/Sm,n)为待预测状态Rk与关联道路状态阵Sm,n之间的概率关系,为待预测状态值。
14.根据权利要求13所述的装置,其特征在于,所述状态预测单元包括:
预测状态值子单元,用于将确定的待预测状态值,作为关联道路状态阵的预测状态值;
关联状态帧子单元,用于根据所述待预测道路的至少两个关联道路状态阵,从中确定矩阵距离满足设定要求的关联道路状态阵;
关联状态值子单元,用于获取确定的关联道路状态阵所对应的预测状态值;
状态预测子单元,用于根据确定的关联道路状态阵的预测状态值,确定所述待预测道路的待预测状态值。
15.根据权利要求14所述的装置,其特征在于,所述待预测道路的至少两个关联道路状态阵为:
与所述待预测道路的不同时刻满足设定道路距离m、设定历史时刻n的至少两个关联道路状态阵。
16.根据权利要求14所述的装置,其特征在于,状态阵之间的距离采用如下公式计算:
和分别表示至少两个状态阵中的任意一个状态阵,
Im,n=(wi,j),i∈[0,m],j∈[0,∈n],wi,j表示道路i在距当前j时刻前的交通流状态对未来交通流状态的影响权重。
17.根据权利要求16所述的装置,其特征在于,影响矩阵中权重值根据道路的道路等级、道路方向、道路形状、和/或道路位置来确定。
18.根据权利要求12所述的装置,其特征在于,待预测状态值为待预测交通流量值或待预测通过时间值。
19.根据权利要求18所述的装置,其特征在于,当待预测状态值为待预测通过时间时,所述状态预测单元对于目标道路的通过时间预测具体用于:
将所述目标道路按照连接点进行分段;
分段预测每段道路的通过时间,以前一段道路通过时间的终点作为下一段道路的起始时间进行预测,得到最终到达的时间点。
20.根据权利要求18所述的装置,其特征在于,当待预测状态值为待预测通过时间时,所述状态预测单元对于目标道路的通过时间预测具体用于:
以所述目标道路作为待预测道路,进行整段预测。
21.根据权利要求19或20所述的装置,其特征在于,还包括:
参数选取单元,用于在预测通过时间之前,根据与道路起点的远近来选取待预测道路的关联道路状态阵的m,n值,其中,距离起点越近的m,n值越小,距离起点越远的m,n值越大。
22.根据权利要求18所述的装置,其特征在于,根据个人驾驶修正系数对得到的待预测通过时间进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510629427.2A CN105139656B (zh) | 2015-09-28 | 2015-09-28 | 一种道路状态预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510629427.2A CN105139656B (zh) | 2015-09-28 | 2015-09-28 | 一种道路状态预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105139656A true CN105139656A (zh) | 2015-12-09 |
CN105139656B CN105139656B (zh) | 2017-09-29 |
Family
ID=54724983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510629427.2A Active CN105139656B (zh) | 2015-09-28 | 2015-09-28 | 一种道路状态预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139656B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548625A (zh) * | 2016-12-07 | 2017-03-29 | 山东易构软件技术股份有限公司 | 一种城市道路交通状况组合预测方法 |
CN108986453A (zh) * | 2018-06-15 | 2018-12-11 | 华南师范大学 | 一种基于情境信息的交通状况预测方法、***及装置 |
CN109300309A (zh) * | 2018-10-29 | 2019-02-01 | 讯飞智元信息科技有限公司 | 路况预测方法及装置 |
CN109448381A (zh) * | 2018-12-19 | 2019-03-08 | 安徽江淮汽车集团股份有限公司 | 一种基于车联网大数据的交通路况预测方法 |
CN110751828A (zh) * | 2019-09-10 | 2020-02-04 | 平安国际智慧城市科技股份有限公司 | 一种路段拥堵测量方法、装置、计算机设备及存储介质 |
CN111091231A (zh) * | 2019-11-25 | 2020-05-01 | 珠海格力电器股份有限公司 | 预测模型训练方法、时间预测方法、训练装置及终端 |
CN111653088A (zh) * | 2020-04-21 | 2020-09-11 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和*** |
WO2020191701A1 (zh) * | 2019-03-28 | 2020-10-01 | 北京百度网讯科技有限公司 | 一种路况预测方法、装置、设备和计算机存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1069405A2 (en) * | 1999-07-14 | 2001-01-17 | Kabushiki Kaisha Equos Research | Navigation method and system |
DE10057796A1 (de) * | 2000-11-22 | 2002-05-23 | Daimler Chrysler Ag | Verfahren zur fahrzeugindividuellen Verkehrszustandsprognose |
CN101123038A (zh) * | 2007-07-11 | 2008-02-13 | 山东省计算中心 | 一种路口关联路段动态路况采集方法 |
CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和*** |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN104408915A (zh) * | 2014-11-05 | 2015-03-11 | 青岛海信网络科技股份有限公司 | 一种交通状态参数的估计方法和*** |
CN104809879A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 基于动态贝叶斯网络的高速公路路段交通状态估计方法 |
CN104933858A (zh) * | 2015-05-14 | 2015-09-23 | 浙江工业大学 | 一种基于空间交通特性Kernel-KNN匹配的道路交通状态获取方法 |
-
2015
- 2015-09-28 CN CN201510629427.2A patent/CN105139656B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1069405A2 (en) * | 1999-07-14 | 2001-01-17 | Kabushiki Kaisha Equos Research | Navigation method and system |
DE10057796A1 (de) * | 2000-11-22 | 2002-05-23 | Daimler Chrysler Ag | Verfahren zur fahrzeugindividuellen Verkehrszustandsprognose |
CN101123038A (zh) * | 2007-07-11 | 2008-02-13 | 山东省计算中心 | 一种路口关联路段动态路况采集方法 |
CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和*** |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN104408915A (zh) * | 2014-11-05 | 2015-03-11 | 青岛海信网络科技股份有限公司 | 一种交通状态参数的估计方法和*** |
CN104809879A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 基于动态贝叶斯网络的高速公路路段交通状态估计方法 |
CN104933858A (zh) * | 2015-05-14 | 2015-09-23 | 浙江工业大学 | 一种基于空间交通特性Kernel-KNN匹配的道路交通状态获取方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548625A (zh) * | 2016-12-07 | 2017-03-29 | 山东易构软件技术股份有限公司 | 一种城市道路交通状况组合预测方法 |
CN106548625B (zh) * | 2016-12-07 | 2019-02-26 | 山东易构软件技术股份有限公司 | 一种城市道路交通状况组合预测方法 |
CN108986453A (zh) * | 2018-06-15 | 2018-12-11 | 华南师范大学 | 一种基于情境信息的交通状况预测方法、***及装置 |
CN109300309A (zh) * | 2018-10-29 | 2019-02-01 | 讯飞智元信息科技有限公司 | 路况预测方法及装置 |
CN109448381A (zh) * | 2018-12-19 | 2019-03-08 | 安徽江淮汽车集团股份有限公司 | 一种基于车联网大数据的交通路况预测方法 |
WO2020191701A1 (zh) * | 2019-03-28 | 2020-10-01 | 北京百度网讯科技有限公司 | 一种路况预测方法、装置、设备和计算机存储介质 |
US11823574B2 (en) | 2019-03-28 | 2023-11-21 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for prediction road condition, device and computer storage medium |
CN110751828A (zh) * | 2019-09-10 | 2020-02-04 | 平安国际智慧城市科技股份有限公司 | 一种路段拥堵测量方法、装置、计算机设备及存储介质 |
CN111091231A (zh) * | 2019-11-25 | 2020-05-01 | 珠海格力电器股份有限公司 | 预测模型训练方法、时间预测方法、训练装置及终端 |
CN111091231B (zh) * | 2019-11-25 | 2022-04-15 | 珠海格力电器股份有限公司 | 预测模型训练方法、时间预测方法、训练装置及终端 |
CN111653088A (zh) * | 2020-04-21 | 2020-09-11 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN105139656B (zh) | 2017-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139656A (zh) | 一种道路状态预测方法及装置 | |
Jin et al. | A group-based traffic signal control with adaptive learning ability | |
CN102110365B (zh) | 基于时空关系的路况预测方法和*** | |
CN106207290B (zh) | 一种基于多源数据的电动汽车充电辅助决策优化方法 | |
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 | |
CN103077615B (zh) | 一种优化信号交叉口排队长度的在线学习方法 | |
WO2019061933A1 (zh) | 交通信号泛弦控制方法及其*** | |
CN109272157A (zh) | 一种基于门控神经网络的高速公路交通流参数预测方法及*** | |
CN102521989B (zh) | 一种动态数据驱动的高速公路出口流量预测方法 | |
CN105513350A (zh) | 基于时空特性的分时段多参数短时交通流预测方法 | |
CN110570672B (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
Osorio et al. | A surrogate model for traffic optimization of congested networks: an analytic queueing network approach | |
CN109584552A (zh) | 一种基于网络向量自回归模型的公交到站时间预测方法 | |
CN110174893A (zh) | 一种无人驾驶控制方法、***及车辆 | |
CN101866143A (zh) | 基于时空特征聚合的道路交通服务水平预测预报方法 | |
CN107730893A (zh) | 一种基于乘客出行多维特征的共享巴士站点客流预测方法 | |
CN113516277A (zh) | 一种基于路网动态定价的网联智能交通路径规划方法 | |
CN110428614A (zh) | 一种基于非负张量分解的交通拥堵热度时空预测方法 | |
JP3509906B2 (ja) | 道路交通信号制御適正化装置、およびそれを用いた道路交通流管制システム | |
Zheng et al. | A novel approach to coordinating green wave system with adaptation evolutionary strategy | |
CN103745602A (zh) | 一种基于滑窗平均的交通流量预测方法 | |
CN105303838A (zh) | 确定道路流量的方法和装置 | |
Zhang et al. | Calibration-free Traffic Signal Control Method Using Machine Learning Approaches | |
CN111524358B (zh) | 一种区域辐射***通流量预测方法 | |
CN115115082B (zh) | 一种基于联邦学习的长距离高速公路交通流量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |