CN105632193A - 一种基于时空关联性的数据缺失路段速度计算方法 - Google Patents

Abstract

一种基于时空关联性的数据缺失路段速度计算方法，首先，基于时空关联性，建立目标路段速度与已部署传感器的相邻路段速度、车流密度之间的关系模型；其次，检测目标路段和相邻路段的相关数据；最后，利用最小二乘法，计算模型中的参数情况，确定最终模型。本发明通过路段交通流之间的时空关联性，再结合路段阻塞与流量损耗情况，利用能采集数据的路段的车流速度和车流量计算数据缺失路段的车流速度，结果更加准确。基于时空关联性计算的数据缺失路段速度，可用于交通状态评估、交通信息服务和道路规划。

Description

一种基于时空关联性的数据缺失路段速度计算方法

技术领域

本发明属于智能交通***领域，尤其涉及一种基于时空关联性的数据缺失路段速度计算方法。

背景技术

交通拥堵问题已经给社会经济发展带来严重的影响，而现在的交通状态评估主要依赖传感器检测到的数据，如SCATS线圈、遥感微波检测器。这些数据中隐含的交通规律对有关部门在交通控制、路网规划等方面具有较大的参考价值。然而，由于种种原因(如没有部署、施工损坏、线路故障、处理错误等)，这些数据中存在缺失现象，从而对交通数据分析和交通状态评估的准确性造成了不利影响。因此，需要寻找最合理的方式去计算缺失数据。基于路段上车流的时空关联性，利用已经部署传感器、能采集数据的路段速度计算出数据缺失路段的速度值，不仅能提高交通数据的完整性和交通状态评估的准确性，而且有利于更有效地进行交通信息服务、更合理地进行道路规划建设。

时空关联性分析是在时空数据挖掘理论基础上，研究空间对象随时间的变化规律，分析数据的时空变化趋势或预测未来的时空状态。基于时空关联性计算数据缺失路段速度的方法，是智能交通***一项新的应用。

通过调研发现，数据缺失相关的研究工作包括：H.F.DurrantWhyte等撰写的《Multisensordatafusion》，使用贝叶斯融合框架下的概率分布表示传感数据，能够较有效地处理数据的不确定性，但对其它的不完备特性处理能力较弱，而本专利主要针对数据的不完备特性进行处理；GlennShafer等撰写的《AMathematicalTheoryofEvidence》，基于不同传感数据的概率分配值，采用Dempsters整合规则实现数据融合，能够有效处理数据的不确定性和二义性，但对高度冲突数据的处理效果较差，而本专利适用全面处理数据不完备性，与之不同；刘春等撰写的《浮动车数据缺失道路的速度推估模型与实现》，利用海量的路况历史数据库，提出基于路段空间关系的道路速度多元线性回归推估模型，并推出了按周天分类的模型系数，但只适用于空间上具有关联关系的数据推断。

交通流量-速度模型表示交通流中流量与速度的关系：Q＝K*V，式中，Q表示交通流量，V表示车流速度，K表示车流密度。

发明内容

为了克服已有数据缺失路段速度计算方式的处理能力较差、准确性较低的不足，本发明通过路段交通流之间的时空关联性，利用能采集数据的路段的车流速度和车流量计算数据缺失路段的车流速度，提高对数据不完备特性的处理能力和处理结果的准确性。

为了达到上述目的，本发明提供的技术方案如下：

一种基于时空关联性的数据缺失路段速度计算方法，包括如下步骤：

步骤101：基于时空关联性，建立目标路段速度与已部署传感器的相邻路段速度、车流密度之间的关系模型：

$v_i=\begin{array}{c}\[{\mathrm{\γ}}_1{v}_{{\mathrm{fO}}_1}(1-d_{O_1})+...+{\mathrm{\γ}}_n{v}_{{\mathrm{fO}}_n}\left(1-d_{O_n}\right)\]\\ -\[{\mathrm{\γ}}_{n+1}{v}_{{\mathrm{fI}}_1}(1-d_{I_1})+...+{\mathrm{\γ}}_{n+m}{v}_{{\mathrm{fI}}_m}\left(1-d_{\mathrm{Im}}\right)\]\end{array}$

式中：γ₁…γ_n+m为参数；m、n分别表示上、下游路段的数量；分别表示上、下游路段的自由流速度，可直接取相应路段的限速；d表示归一化密度，为车流密度与阻塞密度的比值，其中a为时间周期个数，表示通过对应路段所用时间与时间周期的比值，再向上取整；表示在d个时间周期之前上游路段的车流密度，表示在b个时间周期后下游路段的车流密度，k_i,t表示在一个时间周期△t内目标路段的车流密度，其中△t为一个时间周期，N为△t内的车流量，V为△t内的平均速度，N和V皆可由微波传感器直接测量；

步骤B：检测目标路段和相邻路段的相关数据

设定一个时间周期△t，手动检测每个时间周期内目标路段i的速度v_i，传感器检测其他与目标路段直接相连路段的速度、车流量与路段长度，上游路段速度用表示，车流量用表示，路段长度用表示，下游路段速度用表示，车流量用表示，路段长度用表示；

步骤C：利用最小二乘法计算参数

设定参数γ₁…γ_n+m通过最小二乘法来计算，首先，利用检测出的多组车流量-速度(N，V)，基于计算出每个时间周期的车流密度；其次，基于计算出所有相邻路段每个时间周期的归一化密度；然后，基于计算每条相邻路段该取的时间周期个数；最后利用最小二乘法计算模型中的参数情况，确定最终模型来计算目标路段的速度。

本发明的有益效果为：该方法可以基于时空关联性，再结合路段阻塞与流量损耗情况，通过传感器检测出的已知路段的速度和车流量，计算出数据缺失路段的速度，从而使结果更加准确。基于时空关联性计算的数据缺失路段速度，可用于交通状态评估、交通信息服务和道路规划。

附图说明

图1是于时空关联性的数据缺失路段速度计算方法的流程图；

图2是本发明的各路段关系图。

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，对本发明进行详细说明。

参照图1和图2，一种基于时空关联性的数据缺失路段速度计算方法，包括如下步骤：

步骤101：基于时空关联性，建立目标路段速度与已部署传感器的相邻路段速度、车流密度之间的关系模型

首先，基于时空关联性，再结合路段阻塞与流量损耗情况，建立目标路段速度与已部署传感器的相邻路段速度、车流密度之间的关系模型：

$v_i=\frac{\begin{array}{c}\[{\mathrm{\α}}_1{k}_{O_1,t+a}{v}_{{\mathrm{fO}}_1}\left(1-d_{O_1}\right)+\mathrm{...}+{\mathrm{\α}}_n{k}_{O_n,t+b}{v}_{{\mathrm{fO}}_n}\left(1-d_{O_n}\right)\]\\ -\[{\mathrm{\α}}_{n+1}{k}_{I_1,t-c}{v}_{{\mathrm{fI}}_1}\left(1-d_{I_1}\right)+\mathrm{...}+{\mathrm{\α}}_{n+m}{k}_{I_m,t-d}{v}_{{\mathrm{fI}}_m}\left(1-d_{I_m}\right)\]\end{array}}{k_{i,t}}$

式中：a₁、a_n为参数；a、b、c、d为时间周期个数，例如意为通过对应路段所用时间与时间周期的比值，再向上取整；m、n分别表示上、下游路段的数量，表示在d个时间周期之前上游路段的车流密度，表示在b个时间周期后下游路段的车流密度，k_i,t表示在一个时间周期△t内目标路段的车流密度；分别表示上、下游路段的自由流速度，可直接取相应路段的限速；d表示归一化密度，为车流密度与阻塞密度的比值。

然后，根据相邻路段车流密度的关联性，关系模型可转化为：

$v_i=\begin{array}{c}\[{\mathrm{\α}}_1{\mathrm{\β}}_1{v}_{{\mathrm{fO}}_1}\left(1-d_{O_1}\right)+\mathrm{...}+{\mathrm{\α}}_n{\mathrm{\β}}_n{v}_{{\mathrm{fO}}_n}\left(1-d_{O_n}\right)\]\\ -\[{\mathrm{\α}}_{n+1}{\mathrm{\β}}_{n+1}{v}_{{\mathrm{fI}}_1}\left(1-d_{I_1}\right)+\mathrm{...}+{\mathrm{\α}}_{n+m}{\mathrm{\β}}_{n+m}{v}_{{\mathrm{fI}}_m}\left(1-d_{I_m}\right)\]\end{array}$

最后，综合上述两式，得到下列关系模型：

$v_i=\begin{array}{c}\[{\mathrm{\γ}}_1{v}_{{\mathrm{fO}}_1}\left(1-d_{O_1}\right)+\mathrm{...}+{\mathrm{\γ}}_n{v}_{{\mathrm{fO}}_n}\left(1-d_{O_n}\right)\]\\ -\[{\mathrm{\γ}}_{n+1}{v}_{{\mathrm{fI}}_1}\left(1-d_{I_1}\right)+\mathrm{...}+{\mathrm{\γ}}_{n+m}{v}_{{\mathrm{fI}}_m}\left(1-d_{I_m}\right)\]\end{array}$

式中：γ₁…γ_n+m为参数；m、n分别表示上、下游路段的数量；分别表示上、下游路段的自由流速度，可直接取相应路段的限速；d表示归一化密度，为车流密度与阻塞密度的比值，例如(其中a为时间周期个数，意为通过对应路段所用时间与时间周期的比值，再向上取整)；表示在d个时间周期之前上游路段的车流密度，表示在b个时间周期后下游路段的车流密度，k_et表示在一个时间周期△t内目标路段的车流密度，(其中△t为一个时间周期，N为△t内的车流量，V为△t内的平均速度，N和V皆可由微波传感器直接测量)。

步骤102：检测目标路段和相邻路段的相关数据

选取2013年7月7日0点到24点这一时段，设定时间周期△t为5分钟，手动检测每个时间周期内目标路段i的速度v_e，传感器检测其他与目标路段直接相连路段的速度、车流量与路段长度，上游路段速度用表示，车流量用表示，路段长度用表示，下游路段速度用表示，车流量用表示，路段长度用表示。

本实施例中选取的数据缺失路段为杭州文二路(教工路-保俶北路方向)i，则相邻的上游路段为文二路(学院路-教工路方向)I₁、教工路(文一路-文二路方向)I₂、教工路(文三路-文二路方向)I₃，下游路段为文二路(保俶北路-莫干山路方向)O₁、保俶北路(文二路-文一路方向)O₂、保俶北路(文二路-文三路方向)O₃，如图2所示，为杭州文二路(教工路-保俶北路方向)i及其相邻路段的关系图。

步骤103：利用最小二乘法计算参数

首先，利用检测出的多组车流量-速度(N，V)，基于计算出每个时间周期的车流密度；其次，基于计算出所有相邻路段每个时间周期的归一化密度；然后，基于计算每条相邻路段该取的时间周期个数；最后利用最小二乘法计算模型中的参数情况。

经过计算，本实施例的R²为0.985，关系模型为

$v_i=\begin{array}{c}\[0.255v_{{\mathrm{fO}}_1}\left(1-d_{O_1}\right)+0.074v_{{\mathrm{fO}}_2}\left(1-d_{O_2}\right)+0.062v_{{\mathrm{fO}}_3}\left(1-d_{O3}\right)\]\\ -\[-0.337v_{{\mathrm{fI}}_1}\left(1-d_{I_1}\right)+0.115v_{{\mathrm{fI}}_2}\left(1-d_{I_2}\right)-0.295v_{{\mathrm{fI}}_3}\left(1-d_{I_3}\right)\]\end{array}$

因此，只需通过传感器检测出所有相邻路段的车流速度和车流量，再利用最后确定的关系模型即可计算目标路段i的车流速度。

此外，选取其他时间和其他路段的数据进行100次的测试，结果表明利用该模型计算缺失路段速度的平均准确率为95.2％。

Claims (1)

1.一种基于时空关联性的数据缺失路段速度计算方法，其特征在于：包括如下步骤：

步骤101：基于时空关联性，建立目标路段速度与已部署传感器的相邻路段速度、车流密度之间的关系模型：

$v_i=\begin{array}{c}\[{\mathrm{\γ}}_1{v}_{{\mathrm{fO}}_1}(1-d_{O_1})+...+{\mathrm{\γ}}_n{v}_{{\mathrm{fO}}_n}\left(1-d_{O_n}\right)\]\\ -\[{\mathrm{\γ}}_{n+1}{v}_{{\mathrm{fI}}_1}(1-d_{I_1})+...+{\mathrm{\γ}}_{n+m}{v}_{{\mathrm{fI}}_m}\left(1-d_{I_m}\right)\]\end{array}$

式中：γ₁…γ_n+m为参数；m、n分别表示上、下游路段的数量；分别表示上、下游路段的自由流速度，可直接取相应路段的限速；d表示归一化密度，为车流密度与阻塞密度的比值，其中a为时间周期个数，表示通过对应路段所用时间与时间周期的比值，再向上取整；表示在d个时间周期之前上游路段的车流密度，表示在b个时间周期后下游路段的车流密度，k_i，t表示在一个时间周期Δt内目标路段的车流密度，其中Δt为一个时间周期，N为Δt内的车流量，V为Δt内的平均速度，N和V皆可由微波传感器直接测量；

步骤102：检测目标路段和相邻路段的相关数据

设定一个时间周期Δt，手动检测每个时间周期内目标路段i的速度v_i，传感器检测其他与目标路段直接相连路段的速度、车流量与路段长度，上游路段速度用表示，车流量用表示，路段长度用表示，下游路段速度用表示，车流量用表示，路段长度用表示；

步骤103：利用最小二乘法计算参数

设定参数γ₁…γ_n+m通过最小二乘法来计算，首先，利用检测出的多组车流量-速度(N，V)，基于计算出每个时间周期的车流密度；其次，基于计算出所有相邻路段每个时间周期的归一化密度；然后，基于计算每条相邻路段该取的时间周期个数；最后利用最小二乘法计算模型中的参数情况，确定最终模型来计算目标路段的速度。