CN108564793A - 一种基于rfid电子车牌数据的行程时间预测方法 - Google Patents

Abstract

本发明公开了一种基于RFID电子车牌数据的行程时间预测方法，包括：步骤1.通过RFID电子车牌历史数据计算路段r在时间段p的路段行程时间的估计值T_rp，以及计算位于路段r两端的RFID采集点A、B在各历史时间段通过的车流量数据v_A(p)和v_B(p)；步骤2.构造特征向量，通过步骤1中计算得到路段r在间段p的行程时间估计值T_rp以及车流量数据v_A(p)和v_B(p)，进行特征向量的构造；步骤3.根据步骤2计算得到路段r在时间段p的特征向量x_rp，然后计算特征向量x_rp与路段r的所有历史特征向量之间的距离；步骤4.对路段r在时间段p的特征向量x_rp在历史数据集中K个最近邻的特征向量所对应的值进行加权估计得到路段r在时间段p的路段行程时间预测值T_P(p)。

Description

一种基于RFID电子车牌数据的行程时间预测方法

技术领域

本发明涉及城市路段行程时间预测领域，具体涉及一种基于RFID电子车牌数据的行程时间预测方法。

背景技术

RFID技术即射频识别(Radio Frequency Identification)技术，其工作原理通过利用无线射频方式进行非接触式双向通信的识别技术，以实现自我识别的功能。RFID技术具有高保密性、读写距离远、可识别如汽车等高速运动的物体、非接触式双向通信等优点，并且能在恶劣的环境下工作。通过将RFID技术与通信技术、互联网技术等相结合，目前大范围应用于物联网、智能交通和商品的防伪等领域。

随着经济社会的逐步发展，各大中城市的汽车保有量近年开始急剧攀升,随之带来的环境污染、交通事故，尤其是交通拥堵问题也日趋严重。近年来解决城市交通问题的手段主要包括限制车辆保有量的增长和大力发展公共交通设施，但这些手段都不是解决城市交通问题的根本之道。通过发展智能交通***才是解决城市道路交通拥堵、环境污染等问题的有效方法之一，而城市道路行程时间短时预测作为智能交通***中的一个重要研究领域，能够实现交通诱导，有效缓解城市道路的交通拥堵问题。

传统获取路段行程时间的方法主要包括基于环形线圈检测器和GPS浮动车数据，但环形线圈检测器大多布设在上游反向延长线位置，或者是路段下游停车线附近，与通常用于行程时间研究的路段大不相同；交通领域研究中GPS浮动车数据的使用相当广泛，但也存在GPS浮动车主要是集中在出租车和公共汽车，大量的私家车不能作为GPS浮动车，因此浮动车的样本量一定程度上影响了获取行程时间的精度。但RFID电子车牌数据由于RFID采集点广泛部署在城市的主要交通道路，因此能够代表城市的交通通行情况；同时RFID电子车牌数据包括了道路上所有车辆的通行数据，弥补了GPS浮动车样本量不足的缺点。因此利用RFID电子车牌数据能够较好用于行程时间预测等相关研究。

发明内容

鉴于此，本发胆提出一种基于RFID数据的城市路段行程时间预测方法，该方法用于于城市路段的行程时间预测。

本发明的目的是通过以下技术方案来实现的：本发明提供一种基于RFID电子车牌数据的行程时间预测方法，该方法包括以下步骤：

步骤1.通过RFID电子车牌历史数据计算路段r在时间段p的路段行程时间的估计值T_rp，以及计算位于路段r两端的RFID采集点A、B在各历史时间段通过的车流量数据v_A(p)和v_B(p)；

步骤2.构造特征向量，通过步骤1中计算得到路段r在间段p的行程时间估计值T_rp以及车流量数据v_A(p)和v_B(p)，进行特征向量的构造；

步骤3.根据步骤2计算得到路段r在时间段p的特征向量x_rp，然后计算特征向量x_rp与路段r的所有历史特征向量之间的距离；

步骤4.对路段r在时间段p的特征向量x_rp在历史数据集中K个最近邻的特征向量所对应的值进行加权估计得到路段r在时间段p的路段行程时间预测值T_P(p)。

优选地，在所述步骤1中，将路段r在一段时间p内所有通过车辆的平均行程时间作为路段r在时间段p内的路段行程时间的估计值T_rp。

优选地，通过交叉验证的方式确定步骤4中所述的K的值。

优选地，所述的路段r在时间段p内的路段行程时间的估计值T_rp的计算方法为：

其中，L为时间段p内通过的路段r的车辆数目，T_x表示车辆x通过路段r的行程时间。

优选地，在所述步骤3中，所述的特征向量x_rp具体为：

[t_p-1,t_p-2,t_p-3,t_p-4,v_A(p-1),v_B(p-1),...,v_A(p-4),v_B(p-4),t_p]

其中，t_p-1,t_p-2,t_p-3,t_p-4分别表示时间段p的前四个时间段的行程时间，t_p表示路段r在时间段p的路段行程时间，v_A(p-1),v_B(p-1),...,v_A(p-4),v_B(p-4)分别表示表示时间段p的前四个时间段通过采集点A、B的累计车流量。

优选地，所述步骤3具体包括以下子步骤：

步骤31.将特征向量x_rp中的值归一化到区间0～1；

步骤32.计算特征向量x_rp与路段r的所有历史特征向量之间的距离，并将得到的距离值按升序进行排序，得到特征向量x_rp与路段r的所有历史特征向量之间距离的一个序列：{d₁,d₂,...,d_n}；

d_ab表示特征向量x_a与特征向量x_b之间的距离。

优选地，在所述步骤4中，所述的路段r在时间段p的路段行程时间预测值T_P(p)通过以下方法获得：

T_P(p)为路段行程时间预测值，T_H(u)为K个邻近历史特征向量中特征向量x_u(u＝1,2,...,K)所对应的路段行程时间值,ω(x_P(p),x_H(u))表示用于加权估计的函数：

x_P(p)为路段r在时间段p对应的特征向量，x_H(u)表示K个最邻近的历史特征向量中的一个，d(x_P(P),x_H(u))表示x_P(p)与向量x_H(u)之间的距离。

优选地，所述的K值通过以下方法获得：

S1.将路段r的历史数据集随机平均分为M份，得到数据集D₁,D₂,...,D_M，将数据集D_i(i＝1,2,...,M)作为测试数据集，其他的M-1份数据集作为历史数据集；

S2.计算测试数据集D_i的平均绝对误差百分比；

N_p为测试数据集中D_i中的样本量，A_r为测试数据集D_i中第r条记录的真实值，A_p是当K取值K₀的预测值；

S3.当K取K₀时，分别计算M个数据集对应的平均绝对误差百分比，并求M个值的均值

其中为测试数据集D_i的平均绝对误差百分比。

S4.当值取最小值时，其对应的K₀的值即为最优的K值。

由于采用了上述技术方案，本发明具有如下的优点：

1、本发明中没有复杂的参数估计；2、运行效率高，适合用来进行城市路段行程时间的实时预测；3、由于RFID电子车数据包含了大量私家车的数据，具有样本量大的特点。

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为预测方法的整体流程图。

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。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。

参见图1，本发明提供一种基于RFID数据的城市路段行程时间预测方法，包括以下步骤：

步骤一：利用RFID电子车牌数据计算选定路段r的路段行程时间的估计值T_rp。本实施例使用路段r在一段时间p内所有通过车辆的平均行程时间作为路段r在时间段p内的路段行程时间的估计值T_rp。

具体地，设定A、B是道路上的两个相邻、采集方向相同的RFID采集点，RFID采集点A、B之间的道路标记为路段r。在观测数据的一段时间间隔内，车辆标识为i＝1,2...,N的车辆分别在时间为s₁＜s₂＜...的时间通过上游采集点A，车辆标识为j＝1,2...,M的车辆分别在时间为t₁＜t₂＜...的时间通过下游采集点B。由于每辆车都有唯一的电子标签可被RFID采集设备识别，所以当第i辆车通过上游RFID采集点A时，采集点会记录到车辆i的电子标签X_i及车辆通过的时间s_j；同理，当第j辆车通过下游RFID采集点B时，采集点会记录到车辆j的电子标签Y_i及通过时间t_j。因此得到两个由观测数据组成的数组:

{(s_i,X_i),i＝1,2,...,N} (式1)

{(t_j,Y_j),j＝1,2,...,M} (式2)

在式1和式2中，存在的X_i＝Y_j，则表明同一辆车x在一段时间p内通过了RFID采集点A和采集点B，用t_j-s_i减去的值即可得到车辆x通过路段r的行程时间T_x。对于在式1和式2中所有存在的X_i＝Y_j，执行上述操作即可得到时间段p内所有通过了路段r的行程时间，如式3所示：

{T_x＝t_j-s_i|X_i＝Y_j} (式3)

设在式3中得到的车辆通过路段r的行程时间序列长度为L，即在时间段p内通过了路段r的车辆数目为L，因此得到了L个行程时间值的序列：

{T_x,x＝1,...,L} (式4)

对在式4中的L个值，求L个值的均值即可得到路段r在时间段p内的行程时间估计值T_rp。

其中，L为时间段p内通过的路段r的车辆数目，T_x表示车辆x通过路段r的行程时间。

根据路段r的历史RFID电子车牌数据，将一天的早上06：00到凌晨00：00共18个小时内，按每十分钟作为一个时间段，即06：00至06：10作为一个时间段，06：10至06：20作为一个时间段，以此类推将一天共划分为128个时间段，如果路段r有n天的历史数据，那么共有n*128个历史数据的时间段需要计算路段行程时间。根据上述计算路段行程时间的方法和时间段的划分，对路段r的历史各时段的路段行程时间进行计算，并将计算结果进行存储。

同时计算各历史时间段内通过路段r两端的RFID采集点A、B的车流量。将在时间段p内通过RFID采集点A的车辆数目记作为v_A(p)，通过RFID采集点B的车辆数目记为v_B(p)，然后对路段r历史数据的各时间段计算v_A(p)和v_B(p)并存储。

步骤2.构造特征向量，通过步骤1中计算得到路段r在间段p的行程时间估计值T_rp以及车流量数据v_A(p)和v_B(p)，进行特征向量的构造。

特征向量的组成与路段行程时间需要有一定的相关性，同时能体现同一路段在不同时间的差异性。由于交通流的特征，行程时间在时间序列中具有一定自相关性，所以选择当前时间段p的前四个时间段的行程时间(t_p-1,t_p-2,t_p-3,t_p-4)作为p时段的特征向量的一部分。

同时一段时间内通过RFID采集器的车流量也反应了当前的道路的通行情况，与当前道路的行程时间有极大相关性。对于路段r两端的两个采集点A、B，假设时间段p内通过采集点A、B的累计车流量分别为v_A(p)和v_B(p)，则将时间段p的前四个时间段的通过RFID采集点的A、B的车流量数据作为p时段特征向量的一部分，车流数据如下所示：

[v_A(p-1),v_B(p-1),v_A(p-2),v_B(p-2),v_A(p-3),v_B(p-3),v_A(p-4),v_B(p-4)] (式6)

于是可以得到路段r在时间段p的特征向量的表达式：

[t_p-1,t_p-2,t_p-3,t_p-4,v_A(p-1),v_B(p-1),...,v_A(p-4),v_B(p-4)] (式7)

而路段r在时间段p的路段行程时间t_p，为式7中特征向量对应的路段行程时间，为方便计算，将t_p与式7中的特征向量共同存储，得到表达式：

[t_p-1,t_p-2,t_p-3,t_p-4,v_A(p-1),v_B(p-1),...,v_A(p-4),v_B(p-4),t_p] (式8)

根据步骤1中的计算结果，按式7构造路段r的各历史时间段的特征向量，并按照表达式8的形式对计算结果进行存储。

步骤3.根据步骤2计算得到路段r在时间段p的特征向量x_rp，然后计算特征向量x_rp与路段r的所有历史特征向量之间的距离。

对于表达式6的特征向量，由于包括行程时间和车流量两个不同维度的数据，因此采用归一化的欧几里德距离公式，首先将特征向量中的值归一化到区间0～1。对于两个特征向量x_a和x_b，则在对特征向量归一化后利用式7进行特征向量间的距离计算。

对于要预测路段r在时间段p的行程时间，首先根据步骤2计算得到路段r在时间段p的特征向量x_rp，然后将特征向量x_rp与路段r的所有历史特征向量之间按式9计算特征向量距离，并将得到的距离值按升序进行排序，得到特征向量x_rp与路段r的所有历史特征向量之间距离的一个序列：

{d₁,d₂,...,d_n} (式10)

步骤4.应用局部估计方法求得预测值。在应用局部估计方法之前，在式10中选取前K个距离值对应的特征向量应用局部估计方法，即是路段r在时间段p的特征向量x_rp在历史数据集中K个最近邻的特征向量。然后对这K个最近邻的特征向量所对应的值进行加权估计即得到路段r在时间段p的路段行程时间预测值T_P(p)。具体的局部估计方法如下：

在式11中T_P(p)为待要预测的路段行程时间值，T_H(u)为K个邻近历史特征向量中特征向量x_u(u＝1,2,...,K)所对应的路段行程时间值,ω(x_P(p),x_H(u))为用于加权估计的函数：

式12,x_P(p)为路段r在时间段p对应的特征向量，x_H(u)表示K个最邻近的历史特征向量中的一个，d(x_P(P),x_H(u))表示x_P(p)和向量x_H(u)之间的距离。对K个最邻近的历史特征向量应用式11和式12中的局部估计方法即可得到路段r在时间段p的路段行程时间预测值T_P(p)。

在步骤4中，通过交叉验证的方式确定K值。该步骤又可以分为如下几个部分：

1、选取K的最小值和最大值分别为K_min和K_max。

2、将路段r的历史数据集以天为单位随机平均分为M份，得到数据集集合D₁,D₂,...,D_M，然后依次将数据集D_i(i＝1,2,...,M)作为测试数据集，其他的M-1份数据集作为历史数据集。

3、取K＝K₀，K₀在最小值K_min和最大值K_max之间，计算测试数据集D_i的平均绝对误差百分比。

在式13中，N_p为测试数据集中D_i中的样本量，A_r为测试数据集D_i中第r条记录的真实值，A_p是当K取值K₀的时候，测试数据集D_i中应用预测方法得到的预测值。

4、当K取K₀时，分别按式13计算M个数据集对应的平均绝对误差百分比，并对这M个值求均值：

5、当值取最小值时，其对应的K₀的值即为最优的K值。

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 (8)

1.一种基于RFID电子车牌数据的行程时间预测方法，其特征在于，该方法包括以下步骤：

步骤1.通过RFID电子车牌历史数据计算路段r在时间段p的路段行程时间的估计值T_rp，以及计算位于路段r两端的RFID采集点A、B在各历史时间段通过的车流量数据v_A(p)和v_B(p)；

步骤2.构造特征向量，通过步骤1中计算得到路段r在间段p的行程时间估计值T_rp以及车流量数据v_A(p)和v_B(p)，进行特征向量的构造；

步骤3.根据步骤2计算得到路段r在时间段p的特征向量x_rp，然后计算特征向量x_rp与路段r的所有历史特征向量之间的距离；

步骤4.对路段r在时间段p的特征向量x_rp在历史数据集中K个最近邻的特征向量所对应的值进行加权估计得到路段r在时间段p的路段行程时间预测值T_P(p)。

2.根据权利要求1所述的一种基于RFID电子车牌数据的行程时间预测方法，其特征在于，在所述步骤1中，将路段r在一段时间p内所有通过车辆的平均行程时间作为路段r在时间段p内的路段行程时间的估计值T_rp。

3.根据权利要求1所述的一种基于RFID电子车牌数据的行程时间预测方法，其特征在于，通过交叉验证的方式确定步骤4中所述的K的值。

4.根据权利要求1或2所述的一种基于RFID电子车牌数据的行程时间预测方法，其特征在于，所述的路段r在时间段p内的路段行程时间的估计值T_rp的计算方法为：

其中，L为时间段p内通过的路段r的车辆数目，T_x表示车辆x通过路段r的行程时间。

5.根据权利要求1所述的一种基于RFID电子车牌数据的行程时间预测方法，其特征在于，在所述步骤3中，所述的特征向量x_rp具体为：

[t_p-1,t_p-2,t_p-3,t_p-4,v_A(p-1),v_B(p-1),...,v_A(p-4),v_B(p-4),t_p]

其中，t_p-1,t_p-2,t_p-3,t_p-4分别表示时间段p的前四个时间段的行程时间，t_p表示路段r在时间段p的路段行程时间，v_A(p-1),v_B(p-1),...,v_A(p-4),v_B(p-4)分别表示表示时间段p的前四个时间段通过采集点A、B的累计车流量。

6.根据权利要求1所述的一种基于RFID电子车牌数据的行程时间预测方法，其特征在于，所述步骤3具体包括以下子步骤：

步骤31.将特征向量x_rp中的值归一化到区间0～1；

步骤32.计算特征向量x_rp与路段r的所有历史特征向量之间的距离，并将得到的距离值按升序进行排序，得到特征向量x_rp与路段r的所有历史特征向量之间距离的一个序列：{d₁,d₂,...,d_n}；d_ab表示特征向量x_a与特征向量x_b之间的距离。

7.根据权利要求1所述的一种基于RFID电子车牌数据的行程时间预测方法，其特征在于，在所述步骤4中，所述的路段r在时间段p的路段行程时间预测值T_P(p)通过以下方法获得：

T_P(p)为路段行程时间预测值，T_H(u)为K个邻近历史特征向量中特征向量x_u(u＝1,2,...,K)所对应的路段行程时间值,ω(x_P(p),x_H(u))表示用于加权估计的函数：

x_P(p)为路段r在时间段p对应的特征向量，x_H(u)表示K个最邻近的历史特征向量中的一个，d(x_P(P),x_H(u))表示x_P(p)与向量x_H(u)之间的距离。

8.根据权利要求7所述的一种基于RFID电子车牌数据的行程时间预测方法，其特征在于，所述的K值通过以下方法获得：

S1.将路段r的历史数据集随机平均分为M份，得到数据集D₁,D₂,...,D_M，将数据集D_i(i＝1,2,...,M)作为测试数据集，其他的M-1份数据集作为历史数据集；

S2.计算测试数据集D_i的平均绝对误差百分比；

N_p为测试数据集中D_i中的样本量，A_r为测试数据集D_i中第r条记录的真实值，A_p是当K取值K₀的预测值；

S3.当K取K₀时，分别计算M个数据集对应的平均绝对误差百分比，并求M个值的均值

其中为测试数据集D_i的平均绝对误差百分比。

S4.当值取最小值时，其对应的K₀的值即为最优的K值。