CN108564789B - 基于收费站数据的高速公路匝道上下行方向流量估计方法 - Google Patents

Abstract

本发明公开了一种基于收费站数据的高速公路匝道上下行方向流量估计方法，步骤1.建立分车型流量时间序列；步骤2.建立上行方向入口匝道流量时间序列；步骤3.建立训练集作为最小二乘支持向量机回归的训练数据；步骤4.选择适当的参数和核函数,根据最小二乘支持向量机回归的算法求解SVR的最优化问题；步骤5.构造决策函数；步骤6.将收费站入口实时的中小型车流量和拖挂车流量式，代入决策函数中，即得到上行方向入口匝道实时的流量估计结果。本发明能够根据收费站车流量数据在时间阈的相似性以及上、下行方向车流比例的规律性对进口匝道上、下行方向车流量进行实时估计。

Description

基于收费站数据的高速公路匝道上下行方向流量估计方法

技术领域

本发明涉及交通信息技术领域，具体涉及一种高速公路匝道上下行方向流量的实时估计方法。

背景技术

随着国民经济实力的持续增强，交通运输业也在快速发展，特别是高速公路，自上世纪九十年代以来，在我国得到了迅猛的发展，截止于2017年3月，我国高速公路通车总里程已超过12.5万公里，是世界上高速公路通车总里程最多的国家。然而，随着汽车持有量的持续增加，以及各地区经济互动的愈加频繁，行驶于高速公路上的车辆越来越多，导致高速公路上的交通拥堵越来越严重，交通事故也频频发生。

高速公路交通拥堵日趋加剧和交通事故频发的根本原因主要有两方面，一方面是高速公路交通管理部门缺乏对路网交通状态变化趋势的整体把握，因而无法进行有效的交通管控和疏导；另一方面在于出行者不清楚实时路况的变化，盲目驾驶从而导致交通拥堵的发生。而准确把握交通状态和实时路况变化趋势的关键在于对交通流量变化趋势的有效预测，因此要实现对高速公路的有效管理，减少交通拥堵和交通事故的发生，其重点在于对高速公路交通流量的准确预测。

由于高速公路自身的特点，路段上的车流量受到进出匝道车流量的影响。因此，要对高速公路路段车流量进行准确预测，需要考虑匝道进出口车流量对路段车流量的影响。但由于高速公路车检器布设有限，很多匝道进出口都没有布设车检器，导致匝道进出口车流量获取困难，严重影响了高速公路路段流量的预测精度。

发明内容

有鉴于此，为了解决上述问题，本发明提供一种基于收费站数据的高速公路匝道上下行方向流量估计方法，能够根据收费站车流量数据在时间阈的相似性以及上、下行方向车流比例的规律性对进口匝道上、下行方向车流量进行实时估计。

为实现上述目的及其他目的，本发明提供基于收费站数据的高速公路匝道上下行方向流量估计方法，该方法包括以下步骤：

步骤1.统计检测周期t内进入收费站的中小型车的车流量q₁(t)和拖挂车的车流量q₂(t)，并建立分车型流量时间序列X，

步骤2.统计检测周期t内上行方向入口匝道车流量q_s(t)，建立上行方向入口匝道流量时间序列Y，Y＝[q_s(t),q_s(t-1),...,q_s(t-n)]^T；分车型流量时间序列X和上行方向入口匝道流量时间序列Y作为样本据；

步骤3.利用分车型流量时间序列X和上行方向入口匝道流量时间序列Y，建立训练集{(x₁,y₁),...(x_i,y_i)}∈(X×Y)^l作为最小二乘支持向量机回归的训练数据，l为训练集中输入输出数据对的个数，

x_i为预测因子，

y_i为预测对象，y_i＝Y_t＝[q_s(t)]，p为回溯系数，i＝1,2,...,l；

步骤4.选择适当的参数和核函数,根据最小二乘支持向量机回归的算法求解SVR的最优化问题；

步骤5.构造决策函数；

步骤6.将收费站入口实时的中小型车流量和拖挂车流量式，代入决策函数中，即得到上行方向入口匝道实时的流量估计结果。

优选地，在所述步骤S3中，所述回溯系数p通过以下方法获得：

S31.将样本数据中的一部分作为训练数据，另一部分作为检验数据；

S32.用训练数据来训练支持向量机，并用训练好的支持向量机回归模型估计检验数据的值；

S33.计算检验数据的估计值与检验数据的真实值之间均方差的大小，选择均方差最小时对应的回溯系数的值作为支持向量机回归模型的回溯系数p。

优选的，在所述步骤S4中，最优化问题为：

其中：

为

为核空间映射函数，

为权矢量，e_i∈R为误差变量，b为偏差量，J为损失函数，γ为可调常数，x_i为输入数据，y_i为输出数据，w^T表示w的转置。

优选的，在所述步骤S4中，通过引入拉格朗日函数求解最优化问题，所述的拉格朗日函数为：

其中，a_i∈R为拉格朗日乘子。

优选的，所述核函数为径向基函数。

优选的，所述决策函数为：

其中k(x_i,x)就是核函数。

由于采用了上述技术方案，本发明具有如下的优点：

1、在进行匝道流量估计时考虑了不同车型因素的影响，将分车型的流量数据作为输入，更加符合匝道流量的分配规律，能够取得更好的估计效果。

2、能够基于收费站数据对匝道进口上下行方向车流量进行有效的估计，获得实时的进口匝道流量信息。

3、由于获得了实时的匝道流量信息，将这一信息用于路段流量预测，能获得更好的预测效果。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1基于SVR的分车型匝道流量估计模型结构图；

图2本发明的流程示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅图1至图2。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

于收费站数据估计每个匝道车流量的关键问题在于如何判断车行方向。对于出收费站的车辆，可以跟据其进入的收费站在当前收费站的上游还是下游来判断其车行方向。而对于进收费站的车辆，只能通过对历史的收费站数据进行深入的分析，挖掘其内在规律，进而根据历史车辆上下行分配比例规律来对实时的上下行进口匝道流量进行估计。

通过对收费站历史数据的分析发现：1)进出收费站的车流量存在时间阈上的相似性，每一天与前一天的交通流量变化呈现出弱相似性，每一周同一天的交通流量变化呈现出强相似性；2)上、下行方向车流比例存在规律性；3)上、下行方向的拖挂车和中小型车流量的比例相差很大，因此在对不同方向的入口匝道流量进行预测时，需要考虑车型因素的影响。

本发明的目的在于提供一种基于收费站数据的高速公路进口匝道上、下行方向流量实时估计方法，能够根据收费站车流量数据在时间阈的相似性以及上、下行方向车流比例的规律性对进口匝道上、下行方向车流量进行实时估计。

参见图2，本实施例提供一种基于收费站数据的高速公路匝道上下行方向流量估计方法，该方法包括以下步骤：

步骤1.建立收费站入口分车型流量时间序列。根据历史的收费站入口流水数据，分别统计检测周期t内进入收费站的中小型车的车流量q₁(t)和拖挂车的车流量q₂(t)，并建立分车型流量时间序列X：

步骤2.建立收费站上行方向入口匝道流量时间序列。根据历史的收费站出口流水数据，统计检测周期t内上行方向入口匝道车流量q_s(t)，建立上行方向入口匝道流量时间序列Y：

Y＝[q_s(t),q_s(t-1),…,q_s(t-n)]^T

分车型流量时间序列X和上行方向入口匝道流量时间序列Y作为样本据。

步骤3.通过对已知数据分析选取回溯系数p，利用分车型流量时间序列X和上行方向入口匝道流量时间序列Y，建立训练集{(x₁,y₁),…，(x₁,y₁)}∈(X×Y)^l(l为训练集中输入输出数据对的个数)，作为最小二乘支持向量机回归的训练数据。

其中，预测因子为：

预测对象为：

y_i＝Y_t＝[q_s(t)]

其中，i＝1,2,3,…,l。

其中，回溯系数p的选择有以下步骤：

1)将样本数据中的一部分作为训练数据，另一部分作为检验数据。

2)用训练数据和预设的参数组合来训练支持向量机，并用训练好的支持向量机回归模型估计检验数据的值。

3)计算估计值与检验数据的真实值之间均方差的大小，选择均方差最小时对应的回溯系数的值作为模型的回溯系数p。

步骤4.通过对己知数据分析，选择适当的参数和核函数，根据最小二乘支持向量机回归的算法，构造并求解下列问题：

其中：

为

为核空间映射函数，

为权矢量，e_i∈R为误差变量，b为偏差量，J为损失函数，γ为可调常数，x_i为输入数据，y_i为输出数据，w^T表示w的转置。

可构造拉格朗日函数：

其中，a_i∈R为拉格朗日乘子，分别求e_i，a_i，w，b的偏导，再消去w，e_i可得如下方程：

其中，E_n为n阶单位矩阵，1_n＝[1；…；1]，a＝[a₁；...；a_n]，y＝[y₁；...；y_n]，i,j＝1,...,n。

根据前述方程可解出a_i和b。

其中，核函数和参数的选取方式如下：

1)Gauss径向基函数(RBF)是支持向量机使用最多的核函数，其适用范围最广，因此，选择径向基函数(RBF)作为核函数。RBF需要选择两个参数，支持向量机目标函数中的γ以及核函数中的σ²。

2)将样本数据中的一部分作为训练数据，另一部分作为检验数据。

3)用训练数据和预设的参数组合来训练支持向量机，并用训练好的支持向量机回归模型估计检验数据的值。

4)然后计算估计值与检验数据的真实值之间均方差的大小，选择均方差最小时γ和σ²的值作为模型的参数。

步骤5.构造决策函数

即为问题的回归估计，其中k(x_i,x)就是核函数部分。

步骤6.将收费站入口实时的中小型车流量和拖挂车流量构造成上述训练集中输入变量的形式，代入决策函数中，即可得到上行方向入口匝道实时的流量估计结果。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (6)

1.基于收费站数据的高速公路匝道上下行方向流量估计方法，其特征在于，该方法包括以下步骤：

步骤1.统计检测周期t内进入收费站的中小型车的车流量q₁(t)和拖挂车的车流量q₂(t)，并建立分车型流量时间序列X，

步骤2.统计检测周期t内上行方向入口匝道车流量q_s(t)，建立上行方向入口匝道流量时间序列Y，Y＝[q_s(t),q_s(t-1),...,q_s(t-n)]^T；分车型流量时间序列X和上行方向入口匝道流量时间序列Y作为样本据；

步骤3.利用分车型流量时间序列X和上行方向入口匝道流量时间序列Y，建立训练集{(x₁,y₁),...(x_i,y_i)}∈(X×Y)^l作为最小二乘支持向量机回归的训练数据，l为训练集中输入输出数据对的个数，

x_i为预测因子，

y_i为预测对象，y_i＝Y_t＝[q_s(t)]，p为回溯系数，i＝1,2,...,l；

步骤4.选择适当的参数和核函数,根据最小二乘支持向量机回归的算法求解SVR的最优化问题；

步骤5.构造决策函数；

步骤6.将收费站入口实时的中小型车流量和拖挂车流量式，代入决策函数中，即得到上行方向入口匝道实时的流量估计结果。

2.根据权要求1所述的基于收费站数据的高速公路匝道上下行方向流量估计方法，其特征在于，在所述步骤3中，所述回溯系数p通过以下方法获得：

S31.将样本数据中的一部分作为训练数据，另一部分作为检验数据；

S32.用训练数据来训练支持向量机，并用训练好的支持向量机回归模型估计检验数据的值；

S33.计算检验数据的估计值与检验数据的真实值之间均方差的大小，选择均方差最小时对应的回溯系数的值作为支持向量机回归模型的回溯系数p。

3.根据权要求2所述的基于收费站数据的高速公路匝道上下行方向流量估计方法，其特征在于，在所述步骤4中，最优化问题为：

其中：

为

为核空间映射函数，

为权矢量，e_i∈R为误差变量，b为偏差量，J为损失函数，γ为可调常数，x_i为输入数据，y_i为输出数据，w^T表示w的转置。

4.根据权利要求3所述的基于收费站数据的高速公路匝道上下行方向流量估计方法，其特征在于，在所述步骤4中，通过引入拉格朗日函数求解最优化问题，所述的拉格朗日函数为：

其中，a_i∈R为拉格朗日乘子。

5.根据权利要求4所述的基于收费站数据的高速公路匝道上下行方向流量估计方法，其特征在于，所述核函数为径向基函数。

6.根据权利要求5所述的基于收费站数据的高速公路匝道上下行方向流量估计方法，其特征在于，所述决策函数为：

其中k(x_i,x)就是核函数。

Images