CN107798877B - 一种基于高速公路收费数据对交通量进行预测的方法及*** - Google Patents

一种基于高速公路收费数据对交通量进行预测的方法及*** Download PDF

Info

Publication number
CN107798877B
CN107798877B CN201711176723.7A CN201711176723A CN107798877B CN 107798877 B CN107798877 B CN 107798877B CN 201711176723 A CN201711176723 A CN 201711176723A CN 107798877 B CN107798877 B CN 107798877B
Authority
CN
China
Prior art keywords
data
time
traffic demand
time sequence
expressway
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
Application number
CN201711176723.7A
Other languages
English (en)
Other versions
CN107798877A (zh
Inventor
郜义浩
曹正风
陈日强
李少丁
陈兆志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yunxingyu Traffic Science & Technology Co ltd
Original Assignee
Beijing Yunxingyu Traffic Science & Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Yunxingyu Traffic Science & Technology Co ltd filed Critical Beijing Yunxingyu Traffic Science & Technology Co ltd
Priority to CN201711176723.7A priority Critical patent/CN107798877B/zh
Publication of CN107798877A publication Critical patent/CN107798877A/zh
Application granted granted Critical
Publication of CN107798877B publication Critical patent/CN107798877B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Traffic Control Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)

Abstract

本发明公开了一种基于高速公路收费数据对高速公路出入口之间的交通量进行预测的方法，包括：按照时间颗粒度阈值对预设时间段内的高速公路的联网收费数据进行集计处理，获取集计后的联网收费数据；将所述集计后的联网收费数据按照一定的索引规则转换成至少一个OD交通需求矩阵；利用所述至少一个OD交通需求矩阵生成OD交通需求时间序列，采用自回归积分滑动平均模型ARIMA，对未来时间段的OD交通需求量进行预测。本发明能够帮助管理者及时掌握交通需求的发展势态，对交通需求激增等情况进行提前预警，并对高速公路容量是否过载进行预判，为高速公路日常业务高效开展、政策措施合理制定、建设项目资金投放、等奠定数据基础，提供决策参考资料。

Description

一种基于高速公路收费数据对交通量进行预测的方法及***
技术领域
本发明涉及高速公路联网收费数据分析技术领域，并且更具体地，涉及一种基于高速公路收费数据对交通量进行预测的方法及***。
背景技术
近年来我国高速公路的建设得到蓬勃发展，它对促进地区经济发展起到了十分重要的作用。随着高速公路的利用率越来越高，相应的高速公路交通拥挤、交通安全和环境污染等问题也逐渐表现出来，成为高速公路运行中存在的亟待解决的问题。
与此同时，在高速公路的运营中，产生了大量的联网收费数据，此数据存储了所有进出高速公路车辆的详细信息，包括进入时间地点、离开时间地点、车型车牌号等信息。尽管该数据能提供的信息很全面，但是其在日常运营、管理中并没有发挥出应有的作用。如何利用新兴的数据处理和数据挖掘技术，让“沉睡的数据”转化成为高速公路增强信息服务、避免事故、优化管理的重要媒介，成为智能交通领域的一个重要问题。
发明内容
本发明提供了一种基于高速公路收费数据对交通量进行预测的方法及***，以解决如何对高速公路的OD交通量进行预测的问题。
为了解决上述问题，根据本发明的一个方面，提供了一种基于高速公路收费数据对交通量进行预测的方法，所述方法包括：
按照时间颗粒度阈值对预设时间段内的高速公路的联网收费数据进行集计处理，获取集计后的联网收费数据，其中所述联网收费数据包括：车辆进入高速公路的时间数据、入口代码数据、出口代码数据和方向；
将所述集计后的联网收费数据按照一定的索引规则转换成至少一个OD交通需求矩阵；
利用所述至少一个OD交通需求矩阵生成OD交通需求时间序列，采用自回归积分滑动平均模型ARIMA，对未来时间段的OD交通需求量进行预测。
优选地，其中所述按照时间颗粒度阈值对预设时间段内的高速公路的联网收费数据进行集计处理，获取集计后的联网收费数据，包括：
将所述联网收费数据中的车辆进入高速公路的时间数据由字段格式转换为float类型，获取第一数据；
按照时间颗粒度阈值对所述第一数据中的车辆进入高速公路的时间数据进行精度截断处理，获取第二数据；
将所述第二数据中的车辆进入高速公路的时间数据转换为字段格式，获取第三数据；
按照预设周期阈值分别为所述第三数据的车辆进入高速公路的时间数据添加一个时间戳作为车辆进入高速公路的时间数据的索引，并将添加索引后的第三数据进行转换，获取集计后的联网收费数据。
优选地，其中
利用cast函数将联网收费数据中的车辆进入高速公路的时间数据由字段格式转换为float类型，获取第一数据；
利用cast函数将所述第二数据中的时间数据转换为字段格式，获取第三数据，并利用COUNT函数及group by语句将所述第三数据转换为符合时间颗粒度要求并且基于数据库入口代码和出口代码分组的集计后的联网收费数据。
优选地，其中所述将所述集计后的联网收费数据按照一定的索引规则转换成至少一个OD交通需求矩阵，包括：
按照车辆行驶方向对高速公路入口和出口进行编号，并按照所述编号组成OD对，建立OD交通需求矩阵内每个OD对与数据库内入口代码和出口代码之间的索引映射关系；
根据所述索引映射关系，提取集计后的联网收费数据放入所述OD交通需求矩阵的相应位置，形成预设周期阈值内的至少一个OD交通需求矩阵，其中，所述每个OD交通需求矩阵的行数与OD对的编号对应，每个OD交通需求矩阵的列数与车辆进入高速公路的时间数据的时间戳相对应。
优选地，其中所述利用所述至少一个OD交通需求矩阵生成OD交通需求时间序列，采用自回归积分滑动平均模型ARIMA，对未来时间段的OD交通量进行预测，包括：
将所述至少一个OD交通需求矩阵数据转换成各OD对的历史交通需求时间序列数据；
分别对每个OD对的历史交通需求时间序列数据进行去趋势线处理，获取平稳时间序列；
建立测试模型，并计算信息准则AIC值，选取AIC值最小的模型作为预测模型；
利用自回归积分滑动平均模型ARIMA进行还原差分处理，对未来时间段的OD交通量进行预测。
优选地，其中
采用armax函数建立测试模型，并用aic函数计算信息准则AIC值，选取AIC值最小的模型作为预测模型；
使用predict函数套用自回归积分滑动平均模型ARIMA进行还原差分处理，对未来时间段的OD交通量进行预测。
优选地，其中所述分别对每个OD交通需求的时间序列进行去趋势线处理，获取平稳时间序列，包括：
分别对每个OD交通需求的时间序列进行去趋势线处理并对去趋势线处理后的时间序列是否为平稳时间序列进行判断，
若去趋势线处理后的时间序列不是平稳时间序列，则对所述去趋势线处理后的时间序列进行差分处理，并对差分处理后的时间序列是否为平稳时间序列进行判断，若差分处理后的时间序列不是平稳时间序列，则继续进行差分处理，直至差分后的时间序列为平稳时间序列或差分次数达到预设差分次数阈值，获取平稳时间序列；反之，去趋势线处理后的时间序列即为平稳时间序列。
优选地，其中
利用detrend函数分别对每个OD交通需求的时间序列进行去趋势线处理；
利用adftest函数对去趋势线处理后的时间序列是否为平稳时间序列进行判断；
利用diff函数对去趋势线处理后的时间序列进行差分处理。
根据本发明的另一个方面，提供了一种基于高速公路收费数据对交通量进行预测的***，所述***包括：
集计后的联网收费数据获取单元，用于按照时间颗粒度阈值对预设时间段内的高速公路的联网收费数据进行集计处理，获取集计后的联网收费数据，其中所述联网收费数据包括：车辆进入高速公路的时间数据、入口代码数据、出口代码数据和方向；
OD交通需求矩阵确定单元，用于将所述集计后的联网收费数据按照一定的索引规则转换成至少一个OD交通需求矩阵；
交通需求预测单元，用于利用所述至少一个OD交通需求矩阵生成OD交通需求时间序列，采用自回归积分滑动平均模型ARIMA，对未来时间段的OD交通需求量进行预测。
优选地，其中所述集计后的联网收费数据获取单元，按照时间颗粒度阈值对预设时间段内的高速公路的联网收费数据进行集计处理，获取集计后的联网收费数据，包括：
将所述联网收费数据中的车辆进入高速公路的时间数据由字段格式转换为float类型，获取第一数据；
按照时间颗粒度阈值对所述第一数据中的车辆进入高速公路的时间数据进行精度截断处理，获取第二数据；
将所述第二数据中的车辆进入高速公路的时间数据转换为字段格式，获取第三数据；
按照预设周期阈值分别为所述第三数据的车辆进入高速公路的时间数据添加一个时间戳作为车辆进入高速公路的时间数据的索引，并将添加索引后的第三数据进行转换，获取集计后的联网收费数据。
优选地，其中
利用cast函数将联网收费数据中的车辆进入高速公路的时间数据由字段格式转换为float类型，获取第一数据；
利用cast函数将所述第二数据中的时间数据转换为字段格式，获取第三数据，并利用COUNT函数及group by语句将所述第三数据转换为符合时间颗粒度要求并且基于数据库入口代码和出口代码分组的集计后的联网收费数据。
优选地，其中所述OD交通需求矩阵确定单元，将所述集计后的联网收费数据按照一定的索引规则转换成至少一个OD交通需求矩阵，包括：
按照车辆行驶方向对高速公路入口和出口进行编号，并按照所述编号组成OD对，建立OD交通需求矩阵内每个OD对与数据库内入口代码和出口代码之间的索引映射关系；
根据所述索引映射关系，提取集计后的联网收费数据放入所述OD交通需求矩阵的相应位置，形成预设周期阈值内的至少一个OD交通需求矩阵，其中，所述每个OD交通需求矩阵的行数与OD对的编号对应，每个OD交通需求矩阵的列数与车辆进入高速公路的时间数据的时间戳相对应。
优选地，其中所述交通需求预测单元，利用所述至少一个OD交通需求矩阵生成OD交通需求时间序列，采用自回归积分滑动平均模型ARIMA，对未来时间段的OD交通量进行预测，包括：
将所述至少一个OD交通需求矩阵数据转换成各OD对的历史交通需求时间序列数据；
分别对每个OD的历史交通需求时间序列数据进行去趋势线处理，获取平稳时间序列；
建立测试模型，并计算信息准则AIC值，选取AIC值最小的模型作为预测模型；
利用自回归积分滑动平均模型ARIMA进行还原差分处理，对未来时间段的OD交通量进行预测。
优选地，其中
采用armax函数建立测试模型，并用aic函数计算信息准则AIC值，选取AIC值最小的模型作为预测模型；
使用predict函数套用自回归积分滑动平均模型ARIMA进行还原差分处理，对未来时间段的OD交通量进行预测。
优选地，其中所述分别对每个OD交通需求的时间序列进行去趋势线处理，获取平稳时间序列，包括：
分别对每个OD交通需求的时间序列进行去趋势线处理并对去趋势线处理后的时间序列是否为平稳时间序列进行判断，
若去趋势线处理后的时间序列不是平稳时间序列，则对所述去趋势线处理后的时间序列进行差分处理，并对差分处理后的时间序列是否为平稳时间序列进行判断，若差分处理后的时间序列不是平稳时间序列，则继续进行差分处理，直至差分后的时间序列为平稳时间序列或差分次数达到预设差分次数阈值，获取平稳时间序列；反之，去趋势线处理后的时间序列即为平稳时间序列。
优选地，其中
利用detrend函数分别对每个OD交通需求的时间序列进行去趋势线处理；
利用adftest函数对去趋势线处理后的时间序列是否为平稳时间序列进行判断；
利用diff函数对去趋势线处理后的时间序列进行差分处理。
本发明提供的基于高速公路收费数据对交通量进行预测的方法及***，在高速公路联网收费数据中提取出OD交通需求矩阵，并对未来OD交通需求进行预测，帮助管理者及时掌握交通需求的发展势态，对交通需求激增等情况进行提前预警，并对高速公路容量是否过载进行预判，为高速公路日常业务高效开展、政策措施合理制定、建设项目资金投放、社会经济效益增长等奠定数据基础，提供决策参考资料。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的基于高速公路收费数据对交通量进行预测的方法100的流程图；
图2为根据本发明实施方式的获取集计后的联网收费数据的方法200的流程图；
图3为根据本发明实施方式的获取OD交通需求矩阵图的方法300的流程图；
图4为根据本发明实施方式的对未来时间段的OD交通需求量进行预测的方法400的流程图；
图5为根据本发明实施方式的以天为单位预测时，OD交通需求矩阵转换成时间序列的示意图；
图6为根据本发明实施方式的以时间颗粒度为单位预测时，OD交通需求矩阵转换成时间序列的示意图；以及
图7为根据本发明实施方式的基于高速公路收费数据对交通量进行预测的***700的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的基于高速公路收费数据对交通量进行预测的方法100的流程图。如图1所示，本发明实施方式的基于高速公路收费数据对交通量进行预测的方法100按照时间颗粒度阈值对预设时间段内的高速公路的联网收费数据进行集计处理，获取集计后的联网收费数据；将所述集计后的联网收费数据按照一定的索引规则转换成至少一个OD交通需求矩阵；利用所述至少一个OD交通需求矩阵生成OD交通需求时间序列，采用自回归积分滑动平均模型ARIMA，对未来时间段的OD交通需求量进行预测，帮助管理者及时掌握交通需求的发展势态，对交通需求激增等情况进行提前预警，并对高速公路容量是否过载进行预判，为高速公路日常业务高效开展、政策措施合理制定、建设项目资金投放、社会经济效益增长等奠定数据基础，提供决策参考资料。在本发明的实施方式中，在步骤101按照时间颗粒度阈值对预设时间段内的高速公路的联网收费数据进行集计处理，获取集计后的联网收费数据，其中所述联网收费数据包括：车辆进入高速公路的时间数据、入口代码数据、出口代码数据和方向。
图2为根据本发明实施方式的获取集计后的联网收费数据的方法200的流程图。如图2所示，所述按照时间颗粒度阈值对预设时间段内的高速公路的联网收费数据进行集计处理，获取集计后的联网收费数据从步骤1011处开始，在步骤1011将所述联网收费数据中的车辆进入高速公路的时间数据由字段格式转换为float类型，获取第一数据。
优选地，在步骤1012按照时间颗粒度阈值对所述第一数据中的车辆进入高速公路的时间数据进行精度截断处理，获取第二数据。
优选地，在步骤1013将所述第二数据中的车辆进入高速公路的时间数据转换为字段格式，获取第三数据。
优选地，在步骤1014按照预设周期阈值分别为所述第三数据的车辆进入高速公路的时间数据添加一个时间戳作为车辆进入高速公路的时间数据的索引，并将添加索引后的第三数据进行转换，获取集计后的联网收费数据。
优选地，其中
利用cast函数将联网收费数据中的车辆进入高速公路的时间数据由字段格式转换为float类型，获取第一数据；
利用cast函数将所述第二数据中的时间数据转换为字段格式，获取第三数据，并利用COUNT函数及group by语句将所述第三数据转换为符合时间颗粒度要求并且基于数据库入口代码和出口代码分组的集计后的联网收费数据。
优选地，在步骤102将所述集计后的联网收费数据按照一定的索引规则转换成至少一个OD交通需求矩阵。
图3为根据本发明实施方式的获取OD交通需求矩阵图的方法300的流程图。如图3所示，所述获取OD交通需求矩阵图的方法300从步骤301处开始，在步骤1021按照车辆行驶方向对高速公路入口和出口进行编号，并按照所述编号组成OD对，建立OD交通需求矩阵内每个OD对与数据库内入口代码和出口代码之间的索引映射关系。
优选地，在步骤1022根据所述索引映射关系，提取集计后的联网收费数据放入所述OD交通需求矩阵的相应位置，形成预设周期阈值内的至少一个OD交通需求矩阵，其中，所述每个OD交通需求矩阵的行数与OD对的编号对应，每个OD交通需求矩阵的列数与车辆进入高速公路的时间数据的时间戳相对应。
优选地，在步骤103利用所述至少一个OD交通需求矩阵生成OD交通需求时间序列，采用自回归积分滑动平均模型ARIMA，对未来时间段的OD交通需求量进行预测。
图4为根据本发明实施方式的对未来时间段的OD交通需求量进行预测的方法400的流程图。如图4所示，所述利用所述至少一个OD交通需求矩阵生成OD交通需求时间序列，采用自回归积分滑动平均模型ARIMA，对未来时间段的OD交通量进行预测从步骤1031处开始，在步骤1031将所述至少一个OD交通需求矩阵数据转换成各OD对的历史交通需求时间序列数据。
在步骤1032分别对每个OD对的历史交通需求时间序列数据进行去趋势线处理，获取平稳时间序列。
在步骤1033建立测试模型，并计算信息准则AIC值，选取AIC值最小的模型作为预测模型。
在步骤1034利用自回归积分滑动平均模型ARIMA进行还原差分处理，对未来时间段的OD交通量进行预测。
优选地，其中
采用armax函数建立测试模型，并用aic函数计算信息准则AIC值，选取AIC值最小的模型作为预测模型；
使用predict函数套用自回归积分滑动平均模型ARIMA进行还原差分处理，对未来时间段的OD交通量进行预测。
优选地，其中所述分别对每个OD交通需求的时间序列进行去趋势线处理，获取平稳时间序列，包括：
分别对每个OD交通需求的时间序列进行去趋势线处理并对去趋势线处理后的时间序列是否为平稳时间序列进行判断，
若去趋势线处理后的时间序列不是平稳时间序列，则对所述去趋势线处理后的时间序列进行差分处理，并对差分处理后的时间序列是否为平稳时间序列进行判断，若差分处理后的时间序列不是平稳时间序列，则继续进行差分处理，直至差分后的时间序列为平稳时间序列或差分次数达到预设差分次数阈值，获取平稳时间序列；反之，去趋势线处理后的时间序列即为平稳时间序列。
优选地，其中
利用detrend函数分别对每个OD交通需求的时间序列进行去趋势线处理；
利用adftest函数对去趋势线处理后的时间序列是否为平稳时间序列进行判断；
利用diff函数对去趋势线处理后的时间序列进行差分处理。
以下具体举例说明本发明的实施方式
在本发明的实施方式中，基于高速公路收费数据对交通量进行预测的方法首先，按照车辆进入高速时间、入口ID和出口ID，按照时间颗粒度需求，将联网收费数据统计成时间颗粒度阈值为每10秒、每5分钟、每小时或其他时间间隔的集计数据。具体包含如下步骤：
Step1：利用cast函数将联网收费数据的进入高速时间的字段格式由datetime转换成float，转换后，其个位代表从1900年1月1日起到该日是第几天。
Step2：为了方便集计，需按照时间颗粒度对转换后的进入时间tent进行精度截断处理：
t＝[tent×24×60×60÷tdur]×tdur÷60÷60÷24，
其中，[]表示对其内数字进行四舍五入取整，t为精度截断后的进入时间，tdur为转化成以秒为单位的时间颗粒度；tent为精度阶段前的进入时间。
Step3：利用cast函数将精度截断后的进入时间字段格式由float转换回datetime，得到精度为ddur的时间。
Step4：为每天的时间序列添加一个时间戳tag，作为时间的索引：
Figure BDA0001478373010000111
其中，
Figure BDA0001478373010000112
表示对其内数字进行向下取整。
Step5：利用count函数以及包含GROUP BY子句的SELECT语句将联网收费数据按照不同的进出口ID、方向以及截断后的进入时间转换成时间颗粒度为ddur的集计数据。
其次，将集计后的联网收费数据按照一定的索引规则转换成OD交通需求矩阵，以便进行后续的OD交通需求预测或者历史交通流仿真等其他应用。OD交通需求矩阵生成具体包含如下步骤：
Step1：将进出口匝道按照其在高速公路上连接的位置，从上游至下游依次编号，并将之与其在联网收费数据库中的ID一一对应。再将能组成OD对的进出口按照上步编号成对列出，并从1开始编号，该编号记为K。至此建立好了OD交通需求矩阵的行与高速公路进出口ID之间的索引映射关系。
Step2：根据此索引关系，利用MATLAB构建语句读取SQLServer数据库，将集计后的联网收费数据提取并放入矩阵的相应位置，形成各日全天的OD交通需求矩阵，矩阵的行数R与OD对的编号对应，列数C与该日的时间戳对应。
最后，采用自回归移动平均模型，即ARIMA(p,d,q)，利用历史OD交通需求的时间序列预测出未来某一时间点或时间段的OD交通需求量。具体包含如下步骤：
Step1：将OD交通需求矩阵转换成历史需求的时间序列，分为两种模式。第一种是以天为单位来预测。图5为根据本发明实施方式的以天为单位预测时，OD交通需求矩阵转换成时间序列的示意图。如图5所示，将整个矩阵视为一个时间步长，利用一定数量的历史OD交通需求矩阵数据以相同行、相同列按时间递增顺序组成R×C个时间序列，转换后的单个OD对交通需求的时间序列，间隔为1天，长度为N。该模式适用于对全天的OD交通需求进行预测，进行短时交通流预测时效果有所降低。第二种是以时间颗粒度为单位进行预测。图6为根据本发明实施方式的以时间颗粒度为单位预测时，OD交通需求矩阵转换成时间序列的示意图。
如图6所示，以单个时间颗粒度为一个时间步长，将一个或多个历史OD交通需求矩阵数据以相同行，按照时间递增顺序组成R个时间序列，转换后的单个OD对交通需求的时间序列，间隔为单个时间颗粒度，长度为N*C。该模式适用于短时交通流预测，对全天交通流进行预测时效果不佳。
Step 2：利用MATLAB的detrend函数将某对OD交通需求的时间序列数据进行去趋势线处理，并通过adftest函数判别是否为平稳时间序列，若不是，使用diff函数对时间序列进行差分，并进行判别是否平稳，直到成为平稳序列或达到预设的差分次数上限为止。记下差分次数d。
Step 3：自回归对应偏相关系数PACF和移动平均对应自相关系数ACF，给定其各自的滞后长度上限P和Q，通过armax函数建立不同滞后长度的模型，并使用aic函数计算AIC值，选取AIC值最小的模型作为预测模型，并记下自回归的阶数p和移动平均的阶数q。
Step 4：使用predict函数套用ARIMA(p,d,q)模型对OD交通需求数据进行1步或多步预测并进行还原差分处理，即可得到未来某一时间点或时间段的OD交通需求数据。分别将各时间序列的p、d、q保存，以便在一段时间内再次进行预测时跳过模型识别与定阶步骤，直接套用ARIMA模型进行预测，节省时间。
图7为根据本发明实施方式的基于高速公路收费数据对交通量进行预测的***700的结构示意图。如图7所示，本发明实施方式的基于高速公路收费数据对交通量进行预测的***700包括：集计后的联网收费数据获取单元701、OD交通需求矩阵确定单元702和交通需求预测单元703。优选地，在所述集计后的联网收费数据获取单元701，按照时间颗粒度阈值对预设时间段内的高速公路的联网收费数据进行集计处理，获取集计后的联网收费数据，其中所述联网收费数据包括：车辆进入高速公路的时间数据、入口代码数据、出口代码数据和方向。
优选地，其中所述集计后的联网收费数据获取单元701，按照时间颗粒度阈值对预设时间段内的高速公路的联网收费数据进行集计处理，获取集计后的联网收费数据，包括：
将所述联网收费数据中的车辆进入高速公路的时间数据由字段格式转换为float类型，获取第一数据；
按照时间颗粒度阈值对所述第一数据中的车辆进入高速公路的时间数据进行精度截断处理，获取第二数据；
将所述第二数据中的车辆进入高速公路的时间数据转换为字段格式，获取第三数据；
按照预设周期阈值分别为所述第三数据的车辆进入高速公路的时间数据添加一个时间戳作为车辆进入高速公路的时间数据的索引，并将添加索引后的第三数据进行转换，获取集计后的联网收费数据。
优选地，其中
利用cast函数将联网收费数据中的车辆进入高速公路的时间数据由字段格式转换为float类型，获取第一数据；
利用cast函数将所述第二数据中的时间数据转换为字段格式，获取第三数据，并利用COUNT函数及group by语句将所述第三数据转换为符合时间颗粒度要求并且基于数据库入口代码和出口代码分组的集计后的联网收费数据。
优选地，在所述OD交通需求矩阵确定单元702，将所述集计后的联网收费数据按照一定的索引规则转换成至少一个OD交通需求矩阵。
优选地，其中所述OD交通需求矩阵确定单元702，将所述集计后的联网收费数据按照一定的索引规则转换成至少一个OD交通需求矩阵，包括：
按照车辆行驶方向对高速公路入口和出口进行编号，并按照所述编号组成OD对，建立OD交通需求矩阵内每个OD对与数据库内入口代码和出口代码之间的索引映射关系；
根据所述索引映射关系，提取集计后的联网收费数据放入所述OD交通需求矩阵的相应位置，形成预设周期阈值内的至少一个OD交通需求矩阵，其中，所述每个OD交通需求矩阵的行数与OD对的编号对应，每个OD交通需求矩阵的列数与车辆进入高速公路的时间数据的时间戳相对应。
优选地，在所述交通需求预测单元703，利用所述至少一个OD交通需求矩阵生成OD交通需求时间序列，采用自回归积分滑动平均模型ARIMA，对未来时间段的OD交通需求量进行预测。
优选地，其中所述交通需求预测单元703，利用所述至少一个OD交通需求矩阵生成OD交通需求时间序列，采用自回归积分滑动平均模型ARIMA，对未来时间段的OD交通量进行预测，包括：
将所述至少一个OD交通需求矩阵数据转换成各OD对的历史交通需求时间序列数据；
分别对每个OD的历史交通需求时间序列数据进行去趋势线处理，获取平稳时间序列；
建立测试模型，并计算信息准则AIC值，选取AIC值最小的模型作为预测模型；
利用自回归积分滑动平均模型ARIMA进行还原差分处理，对未来时间段的OD交通量进行预测。
优选地，其中
采用armax函数建立测试模型，并用aic函数计算信息准则AIC值，选取AIC值最小的模型作为预测模型；
使用predict函数套用自回归积分滑动平均模型ARIMA进行还原差分处理，对未来时间段的OD交通量进行预测。
优选地，其中所述分别对每个OD交通需求的时间序列进行去趋势线处理，获取平稳时间序列，包括：
分别对每个OD交通需求的时间序列进行去趋势线处理并对去趋势线处理后的时间序列是否为平稳时间序列进行判断，
若去趋势线处理后的时间序列不是平稳时间序列，则对所述去趋势线处理后的时间序列进行差分处理，并对差分处理后的时间序列是否为平稳时间序列进行判断，若差分处理后的时间序列不是平稳时间序列，则继续进行差分处理，直至差分后的时间序列为平稳时间序列或差分次数达到预设差分次数阈值，获取平稳时间序列；反之，去趋势线处理后的时间序列即为平稳时间序列。
优选地，其中
利用detrend函数分别对每个OD交通需求的时间序列进行去趋势线处理；
利用adftest函数对去趋势线处理后的时间序列是否为平稳时间序列进行判断；
利用diff函数对去趋势线处理后的时间序列进行差分处理。
本发明的实施例的基于高速公路收费数据对交通量进行预测的***700与本发明的另一个实施例的基于高速公路收费数据对交通量进行预测的方法100相对应，在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。

Claims (14)

1.一种基于高速公路收费数据对交通量进行预测的方法，其特征在于，所述方法包括：
按照时间颗粒度阈值对预设时间段内的高速公路的联网收费数据进行集计处理，获取集计后的联网收费数据，其中所述联网收费数据包括：车辆进入高速公路的时间数据、入口代码数据、出口代码数据和方向；
将所述集计后的联网收费数据按照一定的索引规则转换成至少一个OD交通需求矩阵；
利用所述至少一个OD交通需求矩阵生成OD交通需求时间序列，采用自回归积分滑动平均模型ARIMA，对未来时间段的OD交通需求量进行预测；
其中，所述将所述集计后的联网收费数据按照一定的索引规则转换成至少一个OD交通需求矩阵，包括：
按照车辆行驶方向对高速公路入口和出口进行编号，并按照所述编号组成OD对，建立OD交通需求矩阵内每个OD对与数据库内入口代码和出口代码之间的索引映射关系；
根据所述索引映射关系，提取集计后的联网收费数据放入所述OD交通需求矩阵的相应位置，形成预设周期阈值内的至少一个OD交通需求矩阵，其中，所述每个OD交通需求矩阵的行数与OD对的编号对应，每个OD交通需求矩阵的列数与车辆进入高速公路的时间数据的时间戳相对应。
2.根据权利要求1所述的方法，其特征在于，所述按照时间颗粒度阈值对预设时间段内的高速公路的联网收费数据进行集计处理，获取集计后的联网收费数据，包括：
将所述联网收费数据中的车辆进入高速公路的时间数据由字段格式转换为float类型，获取第一数据；
按照时间颗粒度阈值对所述第一数据中的车辆进入高速公路的时间数据进行精度截断处理，获取第二数据；
将所述第二数据中的车辆进入高速公路的时间数据转换为字段格式，获取第三数据；
按照预设周期阈值分别为所述第三数据的车辆进入高速公路的时间数据添加一个时间戳作为车辆进入高速公路的时间数据的索引，并将添加索引后的第三数据进行转换，获取集计后的联网收费数据。
3.根据权利要求2所述的方法，其特征在于，
利用cast函数将联网收费数据中的车辆进入高速公路的时间数据由字段格式转换为float类型，获取第一数据；
利用cast函数将所述第二数据中的时间数据转换为字段格式，获取第三数据，并利用COUNT函数及group by语句将所述第三数据转换为符合时间颗粒度要求并且基于数据库入口代码和出口代码分组的集计后的联网收费数据。
4.根据权利要求1所述的方法，其特征在于，所述利用所述至少一个OD交通需求矩阵生成OD交通需求时间序列，采用自回归积分滑动平均模型ARIMA，对未来时间段的OD交通量进行预测，包括：
将所述至少一个OD交通需求矩阵数据转换成各OD对的历史交通需求时间序列数据；
分别对每个OD对的历史交通需求时间序列数据进行去趋势线处理，获取平稳时间序列；
建立测试模型，并计算信息准则AIC值，选取AIC值最小的模型作为预测模型；
利用自回归积分滑动平均模型ARIMA进行还原差分处理，对未来时间段的OD交通量进行预测。
5.根据权利要求4所述的方法，其特征在于，
采用armax函数建立测试模型，并用aic函数计算信息准则AIC值，选取AIC值最小的模型作为预测模型；
使用predict函数套用自回归积分滑动平均模型ARIMA进行还原差分处理，对未来时间段的OD交通量进行预测。
6.根据权利要求4所述的方法，其特征在于，所述分别对每个OD交通需求的时间序列进行去趋势线处理，获取平稳时间序列，包括：
分别对每个OD交通需求的时间序列进行去趋势线处理并对去趋势线处理后的时间序列是否为平稳时间序列进行判断，
若去趋势线处理后的时间序列不是平稳时间序列，则对所述去趋势线处理后的时间序列进行差分处理，并对差分处理后的时间序列是否为平稳时间序列进行判断，若差分处理后的时间序列不是平稳时间序列，则继续进行差分处理，直至差分后的时间序列为平稳时间序列或差分次数达到预设差分次数阈值，获取平稳时间序列；反之，去趋势线处理后的时间序列即为平稳时间序列。
7.根据权利要求6所述的方法，其特征在于，
利用detrend函数分别对每个OD交通需求的时间序列进行去趋势线处理；
利用adftest函数对去趋势线处理后的时间序列是否为平稳时间序列进行判断；
利用diff函数对去趋势线处理后的时间序列进行差分处理。
8.一种基于高速公路收费数据对交通量进行预测的***，其特征在于，所述***包括：
集计后的联网收费数据获取单元，用于按照时间颗粒度阈值对预设时间段内的高速公路的联网收费数据进行集计处理，获取集计后的联网收费数据，其中所述联网收费数据包括：车辆进入高速公路的时间数据、入口代码数据、出口代码数据和方向；
OD交通需求矩阵确定单元，用于将所述集计后的联网收费数据按照一定的索引规则转换成至少一个OD交通需求矩阵；
交通需求预测单元，用于利用所述至少一个OD交通需求矩阵生成OD交通需求时间序列，采用自回归积分滑动平均模型ARIMA，对未来时间段的OD交通需求量进行预测；
其中，所述OD交通需求矩阵确定单元，将所述集计后的联网收费数据按照一定的索引规则转换成至少一个OD交通需求矩阵，包括：
按照车辆行驶方向对高速公路入口和出口进行编号，并按照所述编号组成OD对，建立OD交通需求矩阵内每个OD对与数据库内入口代码和出口代码之间的索引映射关系；
根据所述索引映射关系，提取集计后的联网收费数据放入所述OD交通需求矩阵的相应位置，形成预设周期阈值内的至少一个OD交通需求矩阵，其中，所述每个OD交通需求矩阵的行数与OD对的编号对应，每个OD交通需求矩阵的列数与车辆进入高速公路的时间数据的时间戳相对应。
9.根据权利要求8所述的***，其特征在于，所述集计后的联网收费数据获取单元，按照时间颗粒度阈值对预设时间段内的高速公路的联网收费数据进行集计处理，获取集计后的联网收费数据，包括：
将所述联网收费数据中的车辆进入高速公路的时间数据由字段格式转换为float类型，获取第一数据；
按照时间颗粒度阈值对所述第一数据中的车辆进入高速公路的时间数据进行精度截断处理，获取第二数据；
将所述第二数据中的车辆进入高速公路的时间数据转换为字段格式，获取第三数据；
按照预设周期阈值分别为所述第三数据的车辆进入高速公路的时间数据添加一个时间戳作为车辆进入高速公路的时间数据的索引，并将添加索引后的第三数据进行转换，获取集计后的联网收费数据。
10.根据权利要求9所述的***，其特征在于，
利用cast函数将联网收费数据中的车辆进入高速公路的时间数据由字段格式转换为float类型，获取第一数据；
利用cast函数将所述第二数据中的时间数据转换为字段格式，获取第三数据，并利用COUNT函数及group by语句将所述第三数据转换为符合时间颗粒度要求并且基于数据库入口代码和出口代码分组的集计后的联网收费数据。
11.根据权利要求8所述的***，其特征在于，所述交通需求预测单元，利用所述至少一个OD交通需求矩阵生成OD交通需求时间序列，采用自回归积分滑动平均模型ARIMA，对未来时间段的OD交通量进行预测，包括：
将所述至少一个OD交通需求矩阵数据转换成各OD对的历史交通需求时间序列数据；
分别对每个OD的历史交通需求时间序列数据进行去趋势线处理，获取平稳时间序列；
建立测试模型，并计算信息准则AIC值，选取AIC值最小的模型作为预测模型；
利用自回归积分滑动平均模型ARIMA进行还原差分处理，对未来时间段的OD交通量进行预测。
12.根据权利要求11所述的***，其特征在于，
采用armax函数建立测试模型，并用aic函数计算信息准则AIC值，选取AIC值最小的模型作为预测模型；
使用predict函数套用自回归积分滑动平均模型ARIMA进行还原差分处理，对未来时间段的OD交通量进行预测。
13.根据权利要求11所述的***，其特征在于，所述分别对每个OD交通需求的时间序列进行去趋势线处理，获取平稳时间序列，包括：
分别对每个OD交通需求的时间序列进行去趋势线处理并对去趋势线处理后的时间序列是否为平稳时间序列进行判断，
若去趋势线处理后的时间序列不是平稳时间序列，则对所述去趋势线处理后的时间序列进行差分处理，并对差分处理后的时间序列是否为平稳时间序列进行判断，若差分处理后的时间序列不是平稳时间序列，则继续进行差分处理，直至差分后的时间序列为平稳时间序列或差分次数达到预设差分次数阈值，获取平稳时间序列；反之，去趋势线处理后的时间序列即为平稳时间序列。
14.根据权利要求13所述的***，其特征在于，
利用detrend函数分别对每个OD交通需求的时间序列进行去趋势线处理；
利用adftest函数对去趋势线处理后的时间序列是否为平稳时间序列进行判断；
利用diff函数对去趋势线处理后的时间序列进行差分处理。
CN201711176723.7A 2017-11-22 2017-11-22 一种基于高速公路收费数据对交通量进行预测的方法及*** Active CN107798877B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711176723.7A CN107798877B (zh) 2017-11-22 2017-11-22 一种基于高速公路收费数据对交通量进行预测的方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711176723.7A CN107798877B (zh) 2017-11-22 2017-11-22 一种基于高速公路收费数据对交通量进行预测的方法及***

Publications (2)

Publication Number Publication Date
CN107798877A CN107798877A (zh) 2018-03-13
CN107798877B true CN107798877B (zh) 2020-10-02

Family

ID=61536373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711176723.7A Active CN107798877B (zh) 2017-11-22 2017-11-22 一种基于高速公路收费数据对交通量进行预测的方法及***

Country Status (1)

Country Link
CN (1) CN107798877B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108615360B (zh) * 2018-05-08 2022-02-11 东南大学 基于神经网络的交通需求逐日演变预测方法
CN108805623B (zh) * 2018-06-11 2021-08-24 浙江工业大学 一种快销产品供给预测方法
CN112102613A (zh) * 2020-08-12 2020-12-18 东南大学 一种高速公路客货运输量预测方法及***
CN113537555B (zh) * 2021-06-03 2023-04-11 太原理工大学 一种考虑扰动的交通子区模型预测滑模边界控制方法
CN113593243B (zh) * 2021-09-28 2021-12-07 中铁第五勘察设计院集团有限公司 收费公路运营期收费车型交通量的预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4038970B2 (ja) * 2000-08-01 2008-01-30 住友電気工業株式会社 リンク発生交通量算出方法及びｏｄ交通量の推定方法並びに装置
CN102097004A (zh) * 2011-01-31 2011-06-15 上海美慧软件有限公司 一种基于手机定位数据的出行od矩阵获取方法
CN103854472A (zh) * 2012-12-05 2014-06-11 深圳先进技术研究院 出租车云智能调度方法及***
CN104183119A (zh) * 2014-08-19 2014-12-03 中山大学 基于路段od反推的实时交通流分布预测***

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8949394B1 (en) * 2003-07-10 2015-02-03 Sprint Communications Company L.P. Forecasting link utilization between points of presence in an IP network
CN103903452B (zh) * 2014-03-11 2015-10-07 东南大学 交通流短时预测方法
CN104183134B (zh) * 2014-08-27 2016-02-10 重庆大学 基于智能分车型的高速公路短时交通流量预测方法
CN106327864A (zh) * 2015-07-10 2017-01-11 北京大学 一种基于高速公路联网收费数据的交通流估计方法
CN105761492B (zh) * 2016-05-04 2018-07-13 北京大学 一种基于网络流的大范围高速路网动态配流方法
CN107123267A (zh) * 2017-06-29 2017-09-01 中国路桥工程有限责任公司 一种高速公路交通量预测***及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4038970B2 (ja) * 2000-08-01 2008-01-30 住友電気工業株式会社 リンク発生交通量算出方法及びｏｄ交通量の推定方法並びに装置
CN102097004A (zh) * 2011-01-31 2011-06-15 上海美慧软件有限公司 一种基于手机定位数据的出行od矩阵获取方法
CN103854472A (zh) * 2012-12-05 2014-06-11 深圳先进技术研究院 出租车云智能调度方法及***
CN104183119A (zh) * 2014-08-19 2014-12-03 中山大学 基于路段od反推的实时交通流分布预测***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于OLAM的高速公路交通量多维预测研究;钱超等;《交通运输***工程与信息》;20130415;第13卷(第2期);全文 *

Also Published As

Publication number Publication date
CN107798877A (zh) 2018-03-13

Similar Documents

Publication Publication Date Title
CN107798877B (zh) 一种基于高速公路收费数据对交通量进行预测的方法及***
CN108346292B (zh) 基于卡口数据的城市快速路实时交通指数计算方法
CN107798876B (zh) 基于事件的道路交通异常拥堵判断方法
CN103150900B (zh) 一种基于视频的交通拥堵事件自动检测方法
CN103886756B (zh) 基于obu的高速公路路网运行状态检测方法
CN101488284A (zh) 道路交通状况即时预测的智能管理***
CN102346964A (zh) 道路交通网络区域拥堵实时预测与智能管理***
CN103632212A (zh) 一种时变用户均衡动态网络演化客流预测***和方法
CN103903433A (zh) 一种道路交通状态的实时动态判别方法及装置
CN106507315A (zh) 一种基于网络社交媒体数据的城市交通事故预测方法和***
CN108648445B (zh) 基于交通大数据的动态交通态势预测方法
CN110751828A (zh) 一种路段拥堵测量方法、装置、计算机设备及存储介质
CN101540099A (zh) 道路交通状态判断方法及***
CN106203662A (zh) 一种基于etc***实现高速公路通行预约的方法
CN110414715B (zh) 一种基于社团检测的客流量预警方法
CN101465059A (zh) 城市道路交通安全态势鉴判预警***
CN113808401A (zh) 交通拥堵预测方法、装置、设备及存储介质
CN106887141A (zh) 基于排队论的连续交通节点拥塞程度预测模型、***及方法
CN113643539A (zh) 一种基于大数据的智慧交通管控***
CN111915920A (zh) 一种基于云计算的智慧城市公共交通***建设协调管理***
Gore et al. Congestion index and reliability-based freeway level of service
CN114997709A (zh) 一种道路废水回收利用调节***
CN112686417B (zh) 一种地铁大客流预测方法、***及电子设备
Yao et al. Period division-based Markov models for short-term traffic flow prediction
CN117173899B (zh) 一种智慧城市交通出行品质评价方法

Legal Events

Date Code Title Description
PB01 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