CN106530721A - 一种基于转移矩阵的交叉口各流向流量值动态预测方法 - Google Patents
一种基于转移矩阵的交叉口各流向流量值动态预测方法 Download PDFInfo
- Publication number
- CN106530721A CN106530721A CN201611238843.0A CN201611238843A CN106530721A CN 106530721 A CN106530721 A CN 106530721A CN 201611238843 A CN201611238843 A CN 201611238843A CN 106530721 A CN106530721 A CN 106530721A
- Authority
- CN
- China
- Prior art keywords
- flow
- prediction
- state
- matrix
- ratio
- 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
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于转移矩阵的交叉口各流向流量值动态预测方法。本发明包括以下步骤:1)通过进口道地磁数据和路段微波数据分别获取实时流向比例和路段流量,2)确定初始概率向量和状态转移矩阵,3)融合加权移动平均法标定初始概率预测向量和状态转移预测矩阵,4)交叉口流向比例预测,5)交叉口各流向流量值预测。本发明利用交通数据并结合加权移动平均法、状态转移矩阵等数学方法,对交叉口各流向流量值进行科学合理的动态预测,提高了预测的科学性和实用性。
Description
技术领域
本发明涉及交通管控领域,具体涉及一种基于转移矩阵的交叉口各流向流量值动态预测方法。
背景技术
在大数据时代,高效的利用多源数据信息对交通运行状况做出实时预判尤为重要。利用现有的交通数据对交通运行进行科学预测,进而制定合理的管控方案,是缓解城市交通拥堵的一项有效措施。
近年来,随着机动车保有量的不断增长,我国各个城市对智能交通管控设施的投入也不断加大,海量的交通数据呈爆发式的增长。虽然现在可以利用有效数据对路段流量进行预测,但仍旧缺失一种在交叉口处预测各个流向流量值的方法,使得关键节点处的数据价值并未有效的发挥出来。
对交叉口的各流向流量值进行预测,实质上是利用前期时段交叉口进口道的地磁数据和路段微波数据,使用加权移动平均法、状态转移矩阵等数学方法,对交叉口内下一时段的左转、直行、右转的交通量进行预测。如图2所示,由进口道处的地磁数据获取实时的左转、直行、右转交通量,并进一步处理得到实时的流向比例,由路段上的微波检测器检测实时的路段流量,利用加权移动平均法、状态转移矩阵等数学方法建立基于时间序列的实时预测模型,将历史数据输入该模型即可得到下一时段的各流向流量值。
发明内容
本发明的目的在于提供了一种基于转移矩阵的交叉口各流向流量值动态预测方法,利用地磁、微波数据,结合加权移动平均法、状态转移矩阵等数学方法,对交叉口内下一时段的左转、直行、右转的交通量进行预测,提高了对交叉口各流向流量值预测的科学性和实用性。
本发明采用的技术方案是:
本发明包括以下步骤:
A)根据地磁和微波数据分别获取实时流向比例和路段流量
a)由进口道地磁数据获取实时流向比例
这里包括六个参数:左转流量L(tn),直行流量S(tn),右转流量R(tn),左转流向比例kL(tn),直行流向比例kS(tn),右转流向比例kR(tn);
b)由路段微波数据获取实时路段流量
这里包括如下三个参数:地磁到路段微波检测器的距离L,车辆驶过这段L距离所用的平均时间t0,路段微波在(tn-t0)时段检测到的交通量Q(tn-t0)。
B)确定初始概率向量和状态转移矩阵
a)确定初始概率向量
这里包括如下几个参数:tn时段初始概率向量N(tn),左转流向比例kL(tn),直行流向比例kS(tn),右转流向比例kR(tn);
b)确定状态转移矩阵
这里的计算参数包括:左转状态L,直行状态S,右转状态R,在tn到tn+1时段,状态i向状态j的转移概率pij(tn),状态i向状态j的转移值kij(tn),状态i向所有状态(L,S,R)的转移值ki.(tn),状态转移矩阵An。
C)融合加权移动平均法标定初始概率预测向量和状态转移预测矩阵
为达到利用历史数据进行动态预测的目的,结合加权移动平均法,以三个连续的初始概率向量为一组数据来标定下一时段的初始概率预测向量,以三个连续的状态转移矩阵为一组数据来标定下一时段的状态转移预测矩阵,步骤包括:
a)融合加权移动平均法标定初始概率预测向量
这里的计算参数包括:tn时段的初始概率预测向量N′(tn),三个权重系数α、β、γ;
b)融合加权移动平均法标定状态转移预测矩阵
这里的计算参数包括:tn时段到tn+1时段的状态转移预测矩阵三个权重系数α、β、γ。
D)交叉口流向比例预测
这里的计算参数包括:tn时段的流向预测比例向量N*(tn),左转流向预测比例直行流向预测比例右转流向预测比例
E)交叉口各流向流量值预测
这里包括如下三个参数:左转预测流量L*(tn),直行预测流量S*(tn),右转预测流量R*(tn);
路段微波在(tn-t0)时段检测到的交通量乘以预测得到的tn时段交叉口流向比例,即可得到左转、直行、右转的流量预测值。
本发明在交叉口各流向流量值动态预测方法中,依据交叉口进口道的地磁数据、路段微波数据,并结合加权移动平均法、状态转移矩阵等数学方法,对交叉口内下一时段的左转、直行、右转的交通量进行动态预测。
本发明有益效果:
1)本发明使用交叉口地磁和上游路段微波的检测数据对交叉口进口的各流向流量进行预测,在传统流向比例预测的基础上,增加了总流量的准确度保障,提升了流量预测的精确度。
2)本发明用左转、直行、右转的流向比例构成了初始概率向量,并利用加权移动平均法,以三个连续的状态转移矩阵为一组数据来标定下一时段的状态转移预测矩阵,按照时间序列逐步递推,以此达到动态预测的目的。
3)本发明在进行交叉口流向比例预测时,用标定的初始概率预测向量乘以状态转移预测矩阵得到流向预测比例向量,流向预测比例向量中的三个分量即为所预测的交叉口左转、直行、右转的流向比例。
附图说明
图1是本发明方法流程图;
图2是本发明中地磁和微波设备的布设示意图;
图3是本发明所采用的动态标定初始概率预测向量示意图;
图4是本发明所采用的动态标定状态转移预测矩阵示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明:
如图1所示,一种基于转移矩阵的交叉口各流向流量值动态预测方法,步骤包括:通过进口道地磁数据和路段微波数据分别获取实时流向比例和路段流量、确定初始概率向量和状态转移矩阵、融合加权移动平均法标定初始概率预测向量和状态转移预测矩阵、交叉口流向比例预测、交叉口各流向流量值预测。
A)在交叉口进口道布设地磁设备,在路段上布设微波设备,通过进口道地磁数据获取实时流向比例,由路段微波数据获取实时路段流量,为交叉口各流向流量值动态预测获取所需的基础数据:
a)由进口道地磁数据获取实时流向比例
这里包括六个参数:左转流量L(tn),直行流量S(tn),右转流量R(tn),左转流向比例kL(tn),直行流向比例kS(tn),右转流向比例kR(tn);
通过交叉口进口道布设的地磁设备,检测到tn时段的左转流量L(tn)、直行流量S(tn)、右转流量R(tn),得到tn时段左转的流向比例为:
直行的流向比例为:
右转的流向比例为:
b)由路段微波数据获取实时路段流量
这里包括如下三个参数:地磁到路段微波检测器的距离L,车辆驶过这段L距离所用的平均时间t0,路段微波在(tn-t0)时段检测到的交通量Q(tn-t0);
如图2所示,地磁设备埋设在交叉口进口道处,在距离地磁设备L的上游路段布设微波检测器,车辆经过平均时间t0从微波检测器处到达地磁设备,因而在tn时段地磁设备检测到的车辆为(tn-t0)时段由路段微波设备检测到的交通量Q(tn-t0)。
B)确定初始概率向量和状态转移矩阵
a)确定初始概率向量
这里包括如下几个参数:tn时段初始概率向量N(tn),左转流向比例kL(tn),直行流向比例kS(tn),右转流向比例kR(tn);
初始概率向量由左转、直行、右转的流向比例构成,tn时段的初始概率向量为:
N(tn)=(kL(tn),kS(tn),kR(tn))
b)确定状态转移矩阵
这里的计算参数包括:左转状态L,直行状态S,右转状态R,在tn到tn+1时段,状态i向状态j的转移概率pij(tn),状态i向状态j的转移值kij(tn),状态i向所有状态(L,S,R)的转移值ki.(tn),状态转移矩阵An;
在tn到tn+1时段,状态i向状态j的转移值除以状态i向所有状态(L,S,R)的转移值得到转移概率,因状态i可以向自身转移,故ki.(tn)=ki(tn),状态i向状态j的转移概率为:
状态转移矩阵由状态转移概率构成,tn到tn+1时段的状态转移矩阵为:
C)融合加权移动平均法标定初始概率预测向量和状态转移预测矩阵
为达到利用历史数据进行动态预测的目的,结合加权移动平均法,以三个连续的初始概率向量为一组数据来标定下一时段的初始概率预测向量,以三个连续的状态转移矩阵为一组数据来标定下一时段的状态转移预测矩阵,步骤包括:
a)融合加权移动平均法标定初始概率预测向量
这里的计算参数包括:tn时段的初始概率预测向量N′(tn),三个权重系数α、β、γ;
利用加权移动平均法,以三个连续的初始概率向量为一组数据来标定下一时段的初始概率预测向量,以此达到动态预测的目的,tn时段初始概率预测向量为:
N′(tn)=αN(tn-3)+βN(tn-2)+γN(tn-1)
如图3所示,t0时段初始概率向量为N(t0),t1时段初始概率向量为N(t1),t2时段初始概率向量为N(t2),t3时段初始概率向量为N(t3),则t3时段初始概率预测向量为:
N′(t3)=αN(t0)+βN(t1)+γN(t2)
t4时段初始概率预测向量为:
N′(t4)=αN(t1)+βN(t2)+γN(t3)
按照上述方法,对初始概率预测向量逐步进行动态标定;
b)融合加权移动平均法标定状态转移预测矩阵
这里的计算参数包括:tn时段到tn+1时段的状态转移预测矩阵三个权重系数α、β、γ;
利用加权移动平均法,以三个连续的状态转移矩阵为一组数据来标定下一时段的状态转移预测矩阵,以此达到动态预测的目的,tn时段状态转移预测矩阵为:
如图4所示,t0时段状态转移矩阵为A0,t1时段状态转移矩阵为为A1,t2时段状态转移矩阵为为A2,t3时段状态转移矩阵为为A3,则t3时段状态转移预测矩阵为:
t4时段状态转移预测矩阵为:
按照上述方法,对状态转移预测矩阵逐步进行动态标定。
D)交叉口流向比例预测
这里的计算参数包括:tn时段的流向预测比例向量N*(tn),左转流向预测比例直行流向预测比例右转流向预测比例
根据已经标定的初始概率预测向量和状态转移预测矩阵求出流向预测比例向量,tn时段的流向预测比例向量为:
流向预测比例向量中的分量即为所预测的tn时段交叉口左转、直行、右转的流向比例。
E)交叉口各流向流量值预测
这里包括如下三个参数:左转预测流量L*(tn),直行预测流量S*(tn),右转预测流量R*(tn);
利用路段微波在(tn-t0)时段检测到的交通量Q(tn-t0)乘以tn时段的流向预测比例向量,即可得到tn时段交叉口各流向流量预测值为:
Q(tn-t0)*N*(tn)=(L*(tn),S*(tn),R*(tn))
上述公式中的L*(tn)、S*(tn)、R*(tn)即为tn时段交叉口左转、直行、右转的流量预测值。
应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于转移矩阵的交叉口各流向流量值动态预测方法,其特征在于:包括以下步骤:
A)根据地磁和微波数据分别获取实时流向比例和路段流量;
B)确定初始概率向量和状态转移矩阵;
C)融合加权移动平均法标定初始概率预测向量和状态转移预测矩阵;
D)交叉口流向比例预测;
E)交叉口各流向流量值预测;
所述步骤A)根据地磁和微波数据分别获取实时流向比例和路段流量,包括如下步骤:
a)由进口道地磁数据获取实时流向比例;
b)由路段微波数据获取实时路段流量;
所述步骤B)确定初始概率向量和状态转移矩阵,包括如下步骤:
a)确定初始概率向量;
b)确定状态转移矩阵;
所述步骤C)融合加权移动平均法标定初始概率预测向量和状态转移预测矩阵,包括如下步骤:
a)融合加权移动平均法标定初始概率预测向量;
b)融合加权移动平均法标定状态转移预测矩阵。
2.根据权利要求1所述的一种基于转移矩阵的交叉口各流向流量值动态预测方法,其特征在于:所述步骤C)的步骤b)中利用加权移动平均法,以三个连续的状态转移矩阵为一组数据来标定下一时段的状态转移预测矩阵,并按照时间序列逐步递推,以此达到动态预测的目的。
3.根据权利要求1所述的一种基于转移矩阵的交叉口各流向流量值动态预测方法,其特征在于:所述步骤D)中进行交叉口流向比例预测时,用标定的初始概率预测向量乘以状态转移预测矩阵得到流向预测比例向量,流向预测比例向量中的三个分量即为所预测的交叉口左转、直行、右转的流向比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611238843.0A CN106530721B (zh) | 2016-12-28 | 2016-12-28 | 一种基于转移矩阵的交叉口各流向流量值动态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611238843.0A CN106530721B (zh) | 2016-12-28 | 2016-12-28 | 一种基于转移矩阵的交叉口各流向流量值动态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106530721A true CN106530721A (zh) | 2017-03-22 |
CN106530721B CN106530721B (zh) | 2017-08-29 |
Family
ID=58338200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611238843.0A Active CN106530721B (zh) | 2016-12-28 | 2016-12-28 | 一种基于转移矩阵的交叉口各流向流量值动态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530721B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766642A (zh) * | 2019-01-15 | 2019-05-17 | 电子科技大学 | 一种自演化交通路网拓扑建模方法 |
CN109993980A (zh) * | 2019-02-21 | 2019-07-09 | 平安科技(深圳)有限公司 | 交通流量预测方法、装置、计算机设备及存储介质 |
CN110164127A (zh) * | 2019-04-04 | 2019-08-23 | 中兴飞流信息科技有限公司 | 一种车流量预测的方法、装置及服务器 |
CN110245423A (zh) * | 2019-06-14 | 2019-09-17 | 重庆大学 | 一种高速公路收费站间流量关系分析方法 |
CN110363984A (zh) * | 2019-06-25 | 2019-10-22 | 讯飞智元信息科技有限公司 | 交通流量预测方法和设备 |
CN111344757A (zh) * | 2017-09-19 | 2020-06-26 | 大陆汽车***公司 | 自适应交通控制***以及用于操作该***的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10051777A1 (de) * | 2000-10-19 | 2002-04-25 | Daimler Chrysler Ag | Verfahren zur dynamischen Verkehrszustandsprognose |
CN102629418A (zh) * | 2012-04-09 | 2012-08-08 | 浙江工业大学 | 基于模糊卡尔曼滤波的交通流参数预测方法 |
CN105046956A (zh) * | 2015-06-24 | 2015-11-11 | 银江股份有限公司 | 一种基于转向系数的交通流模拟及预测方法 |
-
2016
- 2016-12-28 CN CN201611238843.0A patent/CN106530721B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10051777A1 (de) * | 2000-10-19 | 2002-04-25 | Daimler Chrysler Ag | Verfahren zur dynamischen Verkehrszustandsprognose |
CN102629418A (zh) * | 2012-04-09 | 2012-08-08 | 浙江工业大学 | 基于模糊卡尔曼滤波的交通流参数预测方法 |
CN105046956A (zh) * | 2015-06-24 | 2015-11-11 | 银江股份有限公司 | 一种基于转向系数的交通流模拟及预测方法 |
Non-Patent Citations (1)
Title |
---|
张伟: "城市交通流数据优化感知关键技术研究", 《CNKI中国博士学位论文全文数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111344757A (zh) * | 2017-09-19 | 2020-06-26 | 大陆汽车***公司 | 自适应交通控制***以及用于操作该***的方法 |
CN109766642A (zh) * | 2019-01-15 | 2019-05-17 | 电子科技大学 | 一种自演化交通路网拓扑建模方法 |
CN109993980A (zh) * | 2019-02-21 | 2019-07-09 | 平安科技(深圳)有限公司 | 交通流量预测方法、装置、计算机设备及存储介质 |
CN110164127A (zh) * | 2019-04-04 | 2019-08-23 | 中兴飞流信息科技有限公司 | 一种车流量预测的方法、装置及服务器 |
CN110164127B (zh) * | 2019-04-04 | 2021-06-25 | 中兴飞流信息科技有限公司 | 一种车流量预测的方法、装置及服务器 |
CN110245423A (zh) * | 2019-06-14 | 2019-09-17 | 重庆大学 | 一种高速公路收费站间流量关系分析方法 |
CN110245423B (zh) * | 2019-06-14 | 2023-01-31 | 重庆大学 | 一种高速公路收费站间流量关系分析方法 |
CN110363984A (zh) * | 2019-06-25 | 2019-10-22 | 讯飞智元信息科技有限公司 | 交通流量预测方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN106530721B (zh) | 2017-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106530721B (zh) | 一种基于转移矩阵的交叉口各流向流量值动态预测方法 | |
CN109285346A (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
Chen et al. | Machine learning-based inversion of water quality parameters in typical reach of the urban river by UAV multispectral data | |
Liu et al. | Development of a VISSIM simulation model for U-turns at unsignalized intersections | |
CN104866654B (zh) | 一种一体化城市动态交通仿真平台的构建方法 | |
CN104298841B (zh) | 一种基于历史数据的洪水预报方法和*** | |
CN103208033B (zh) | 一种成网条件下城市轨道交通新线接入客流预测方法 | |
WO2019061933A1 (zh) | 交通信号泛弦控制方法及其*** | |
CN104281780B (zh) | 线性水库滞留汇流及嵌套流域(多子流域)汇流方法 | |
CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
CN101877169B (zh) | 干线多交叉***通流均衡性控制的数据融合***及方法 | |
CN108876021A (zh) | 一种中长期径流预报方法及*** | |
CN105427004A (zh) | 一种快速路网交通传感网络的优化布设方法 | |
CN104318773A (zh) | 一种基于交通拥堵时空总量的交通拥堵测定方法 | |
CN107862877A (zh) | 一种城市交通信号模糊控制方法 | |
CN106875060A (zh) | 一种基于全局自动优化算法的洪水实时校正方法 | |
CN108877219A (zh) | 一种城市交叉口禁左后交通流转移预测方法 | |
CN114970377B (zh) | 基于新安江与深度学习耦合模型的场次洪水预报方法和*** | |
CN107045785A (zh) | 一种基于灰色elm神经网络的短时交通流量预测的方法 | |
CN107578620A (zh) | 基于车道级***的道路通行能力的计算方法、***和装置 | |
CN108734958A (zh) | 一种交通速度预测方法 | |
CN108985518A (zh) | 一种基于vissim仿真的交通拥堵收费策略优化方法 | |
CN108614915A (zh) | 基于情景驱动的水文模型自由组建策略方法 | |
CN108615095A (zh) | 基于随机逐日动态分配的拥堵收费鲁棒最优费率确定方法 | |
Jiang et al. | Traffic signal light control model based on evolutionary programming algorithm optimization BP neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |