CN106652441A - 一种基于时空数据的城市道路交通状态预测方法 - Google Patents

Abstract

本发明公开了一种基于时空数据的城市道路交通状态预测方法，所述方法包括：采用大量历史交通数据计算时空关联模型的参数；采用无向图的形式抽象城市路网；采用历史数据计算无向图的权重；构建时间域关联模型；构建时空关联模型；采用实时交通数据基于时空域模型进行路段交通状态预测。采用本发明可以提供准确性更高的城市道路交通状态预测方法。

Description

一种基于时空数据的城市道路交通状态预测方法

技术领域

本发明涉及一种基于时空数据的城市道路交通状态预测方法，属于智能交通***研究领域。

背景技术

智能交通***已经成功应用于交通管理、出行诱导、信号控制、安全驾驶等多个领域。交通状态实时估计和交通状态实时预测是智能交通***中重要的两种技术。交通状态实时估计通常是采用部署在路面传感器发送的实时数据，估计道路的交通状态。交通状态预测指的是采用实时估计的交通数据，以及通过分析历史数据获得的规律，预测未来时段交通状态的技术。

交通状态预测相关的研究工作包括：历史平均法是最为常用的一种交通状态预测方法，它采用历史数据的均值为当前交通状态的估计值；北京交通大学的姚智胜、邵春福在中国公路学报上发表的《基于状态空间模型的道路交通状态多点时间序列预测》论文中提出了基于状态空间模型的道路交通状态多点时间序列预测方法。首先，利用道路交通状态的多点时间序列数据建立多维自回归模型，转化状态空间模型形式，接着利用EM算法得到多点道路交通状态的状态空间模型；最后，利用某城市快速路上相邻6个交通检测器采集的多点时间序列数据验证模型的有效性。山东省计算中心的孙占全、刘威、朱效民在《大规模交通流预测方法研究》论文中提出了一种基于分层抽样与k均值聚类相结合的抽样方法，并与基于序贯最小优化方法的支持向量机结合，进行大规模交通流预测。北京交通大学城市复杂交通***理论与技术***的张心哲、关伟在《基于多参数状态时间序列的交通状态预测方法》论文中提出了将属于每个状态的多维空间数据转换为一维时间序列的方法，对于此状态时间序列采用BP神经网络进行了下1个时段的交通状态预测，并且算法简单，具有较强的预测实时性。

上述方法往往只考虑交通状态在时间域(同一路段不同时段)上的相互关系，很少考虑不同空间域(同一时段不同路段)上的相互关系。而交通状态在一定程度上既受时间域的影响，又受不同空间域的影响，只有当二者结合运用，才能获得准确度更高的交通状态预测。本专利就是综合考虑了时间和空间上不同信息对预测的作用，有利于提高交通状态预测的准确率。

在公开号为CN102087787A的《短时交通状态预测装置及预测方法》专利中，提出通过从历史交通状态数据分割出若干交通状态数据，精确地表征各个交通状态数据的交通状态特性，并通过采用模糊平均预测的方法，降低交通状态非平稳变化对预测结果的影响，从而实现大规模地应用。在公开号为CN103413443A的《基于隐马尔科夫模型的短时交通流状态预测方法》专利中，首先将采集到的数据构成隐马尔科夫模型的隐状态和观察状态集合，然后，利用Viterbi算法求得最优的隐状态序列，则最优隐状态序列的最后的状态即为预测状态。以上两个专利所说明的方法均只考虑了时间域对交通状态预测的影响，而本专利综合考虑了时间和空间上不同信息对预测的作用，更有效地提高了交通状态预测的准确性。

时空数据指的是大规模空间范围和时间范围内采集到的数据。对于交通应用领域，指的是一个特点路网的大量时段内的数据。

无向图是边没有方向的图，包括点、边以及两者之间关系的集合，是数据结构的一种重要形式。

最小二乘法是一种数学优化技术，可用于参数估计以及曲线拟合。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间的误差的平方和为最小。

交通拥堵指数又称交通运行指数(Traffic Performance Index(TPI))，是反映道路网畅通或拥堵的概念性数值，简称交通指数，可用于表示道路交通状态。交通指数取值范围为0至10，每2个数一等级，分别对应“畅通”、“基本畅通”、“轻度拥堵”、“中度拥堵”、“严重拥堵”五个级别，数值越高，表明交通拥堵状况越严重。

发明内容

本发明提供了一种基于时空数据的城市道路交通状态预测方法，通过建模整个路网大规模时间范围内的交通数据，获得交通状态在时间域和空间域上的相互关系，来进行道路交通状态预测，提高预测的准确性。

为实现上述目的，本发明分为时空关联模型参数计算和交通状态预测两个部分，主要技术方案包括：

步骤1：采用大量历史交通数据计算时空关联模型的参数。交通数据采用部署的交通传感器采集，本方案中交通传感器可采用浮动车GPS、微波、卡口和线圈等。通过对大量历史交通数据的计算，建立同一路段在不同时段之间，以及同一时段不同路段之间在交通状态上的相互关系。具体包括：

步骤1.1：采用无向图的形式抽象城市路网。根据路段之间的邻接关系，路网中所有路段可被表示成无向图形式G＝(V，E，W)，其中，V为顶点集合，路网中第i条路段抽象成顶点v_i(v_i∈V)；E为边集合，边e_i，j表示v_i和v_j两条路段直接相连，存在邻接关系；W为权重集合，权重w_i，j表示v_i对v_j的交通状态的影响程度。这样就建立了路网中相邻路段之间的相互关系，也就是空间关系。

步骤1.2：采用历史数据计算无向图的权重。计算不同路段同一时刻的相互关系用于表示权重w_i，j，计算公式如下：

其中，w_i，j表示v_i对v_j的交通状态的影响程度，s_i，t表示节点v_i在时段t的交通状态，N表示采集的所有历史数据包含的时段总数目。时段指的是估计道路交通状态的时间周期，例如5分钟、15分钟。

步骤1.3：构建时间域关联模型。考虑前序时段交通状态对当前的影响。同一路段不同时段交通状态相互关系，表示如下：

其中，s_i，t表示节点v_i在时段t的交通状态，P表示总的时段数，为节点v_i第p个时段的交通状态对当前交通状态的影响系数。当采集到同一个路段的大量历史数据，可以采用最小二乘法计算

步骤1.4：构建时空关联模型。同时考虑路段在时间域和空间域上存在的关联关系。同一路段不同时间交通状态的相互关系，表示如下：

其中，s_i，t表示节点v_i在时段t的交通状态，M表示选中的当前道路相关的道路数目，w_i，j表示v_i对v_j的交通状态的影响程度，α和β分别为时间和空间的比重，P表示总的时段数，为节点v_i第p个时段的交通状态对当前交通状态的影响系数。

步骤2：采用实时交通数据基于时空域模型进行路段交通状态预测。

步骤2.1：时空模型参数估计。相关道路是和当前路段具有一定相关性的路段，也就是w_i，j较大。从图G中顶点v_i出发，首先访问v_i的各个未曾访问过的邻接点，若w_i，j＞W，v_j被选择为相关道路，W为直接相邻道路相关性的平均值；然后分别从这些邻接点出发依次访问它们的未曾访问过的邻接点，若w_i，k＝w_i，j*w_j，k＞0.5^c*W，其中c为访问的层次，直接相邻为第0层；直至所有节点都被访问到。完成相关道路选择后，根据公式(3)，利用历史数据，采用最小二乘法计算α和β。

步骤2.2：交通状态预测。当空间域上相关道路已经完成选择，并且确定了时间域和空间域的比重，可以采用公式(3)预测道路的交通状态。相关道路选择和时间空间比重设置都是采用历史数据计算。当交通状态预测时，需要采用当前时段获取的道路交通状态。

附图说明

图1为本发明的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图及实施例，对本发明进一步详细说明。

以杭州市区北山路-保俶路-曙光路的路段及其附近的道路在2015.05.01的交通拥堵指数作为交通状态为例。

步骤101，采用无向图的形式抽象城市路网。根据路段之间的邻接关系，路网中所有路段可被表示成无向图形式G＝(V，E，W)，其中，V为顶点集合，路网中第i条路段抽象成顶点v_i(v_i∈V)；E为边集合，边e_i，j表示v_i和v_j两条路段直接相连，存在邻接关系；W为权重集合，权重w_i，j表示v_i对v_j的交通状态的影响程度。这样就建立了路网中相邻路段之间的相互关系，也就是空间关系。

需要说明的是，这里的路段指的是交通网络上相邻两个交叉口之间的交通线路。

步骤102，设当前路段为节点v₀，与之相邻的道路节点分别为v₁、v₂、v₃、v₄、v₅、v₆，它们与当前路段节点的相关性分别为w_0，1、w_0，2、w_0，3、w_0，4、w_0，5、w_0，6，通过公式(1)，得到如下表：

w0，1	w0，2	w0，3	w0，4	w0，5	w0，6
						0.3	0.2	0.05	0.1	0.18	0.08

步骤103，由步骤102可得直接相邻道路相关性的平均值W为0.152，若w_i，j＞W，v_j被选择为相关道路，反之则为不相关道路。本实施例将对与这些相关道路直接相邻的道路进行其与当前路段的相关性计算，通过公式(1)，得到如下表：

w0，7w	0，8	w0，9	w0，10	w0，11	w0，12	w0，13	w0，14	w0，15
									0.16	0.12	0.03	0.14	0.05	0.01	0.1	0.2	0.11

对以上的相关性，再次进行w_i，j与W的比较，得出相关道路，对与这些相关道路直接相邻的道路再次进行其与当前路段的相关性计算，通过公式(1)，得到如下表：

w0，16	w0，17	w0，18	w0，19	w0，20	w0，21
						0.12	0.09	0.06	0.01	0.02	0.1

至此，再也没有一条相关道路，此步骤无需再往下进行。

将以上所得的相关道路进行整合，得到如下表：

w0，1	w0，2	w0，5	w0，7	w0，14
					0.3	0.2	0.18	0.16	0.2

根据路面传感器采集到的当前时段，相关道路的拥堵指数如下：

	v1	v2	v5	v7	v14
						拥堵指数	4	6	3	5	4

利用以上两个表格的数据，根据公式(3)可得：

步骤104，构建时间域关联模型，根据路面传感器采集到的当前路段的交通拥堵指数，得到如下表：

si，1	si，2	si，3	si，4
				3	5	4	5

当前路段其五个时段的历史交通拥堵指数对当前路段的影响程度如下表：

利用以上两个表格的数据，根据公式(2)计算，可得：

步骤105，构建时空关联模型。经过数据分析，可得α为40％，β为60％，根据步骤103及步骤104，根据公式(3)，可预测出当前路段的交通拥堵指数，具体如下：

除上述单步实验外，我们进行了性能对比分析。实验中，采集了杭州市中心地带同一区域50条路段的140天数据，先计算交通拥堵指数，作为正确值；然后选出其中10条用于性能估计。我们比较了历史平均法和本专利的方法。若预测结果和实际结果相同，表示预测正确，否则预测错误。实验结果为，历史平均法的准确率为79.2％，本专利方法为88.3％。这说明本发明的基于时空数据的城市道路交通状态预测方法是一种准确度更高的交通状态预测方法。

Claims (4)

1.一种基于时空数据的城市道路交通状态预测方法，其特征在于，该方法的步骤包括：

采用大量历史交通数据计算时空关联模型的参数；

(1)采用无向图的形式抽象城市路网；

(2)采用历史数据计算无向图的权重；

(3)构建时间域关联模型；

(4)构建时空关联模型；

(5)采用实时交通数据基于时空域模型进行路段交通状态预测。

2.根据权利要求1所述，采用历史数据计算无向图的权重方法，其特征在于：采用历史数据计算无向图的权重，计算不同路段同一时刻的相互关系用于表示权重。

3.根据权利要求1所述，构建时空关联模型方法，其特征在于：同时考虑路段在时间域和空间域上存在的关联关系，同一路段不同时间交通状态的相互关系表示如下：

$s_{i,t}=\mathrm{\α}\underset{j=1}{\overset{M}{\Σ}}{w}_{i,j}{s}_{j,t}+\mathrm{\β}{\Σ}_{p=1}^p{\∂}_p{s}_{i,t-p}$

其中，s_i，t表示节点v_i在时段t的交通状态，M表示选中的当前道路相关的道路数目，w_i，j表示v_i对v_j的交通状态的影响程度，α和β分别为时间和空间的比重，P表示总的时段数，为节点v_i第p个时段的交通状态对当前交通状态的影响系数。

4.根据权利要求1所述，采用实时交通数据基于时空域模型进行路段交通状态预测方法，其特征在于：从图G中顶点v_i出发，首先访问v_i的各个未曾访问过的邻接点，若w_i，j＞W，v_j被选择为相关道路，W为直接相邻道路相关性的平均值，w_i，j表示v_i对v_j的交通状态的影响程度，然后分别从这些邻接点出发依次访问它们的未曾访问过的邻接点，若w_i，k＝w_i，j*w_j，k＞0.5^c*W，其中c为访问的层次，直接相邻为第0层，直至所有节点都被访问到。