CN109255948B - 一种基于卡尔曼滤波的分车道车流比例预测方法 - Google Patents

一种基于卡尔曼滤波的分车道车流比例预测方法 Download PDF

Info

Publication number
CN109255948B
CN109255948B CN201810907470.4A CN201810907470A CN109255948B CN 109255948 B CN109255948 B CN 109255948B CN 201810907470 A CN201810907470 A CN 201810907470A CN 109255948 B CN109255948 B CN 109255948B
Authority
CN
China
Prior art keywords
lane
moment
traffic flow
time
matrix
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
CN201810907470.4A
Other languages
English (en)
Other versions
CN109255948A (zh
Inventor
李冰
成卫
陈冬妮
李黎山
尹德鹏
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.)
Qujing Public Security Bureau Traffic Police Detachment
Kunming University of Science and Technology
Original Assignee
Qujing Public Security Bureau Traffic Police Detachment
Kunming University of Science and Technology
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 Qujing Public Security Bureau Traffic Police Detachment, Kunming University of Science and Technology filed Critical Qujing Public Security Bureau Traffic Police Detachment
Priority to CN201810907470.4A priority Critical patent/CN109255948B/zh
Publication of CN109255948A publication Critical patent/CN109255948A/zh
Application granted granted Critical
Publication of CN109255948B publication Critical patent/CN109255948B/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
    • 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
    • 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

Landscapes

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

Abstract

本发明公开了一种基于卡尔曼滤波的分车道车流比例预测方法，属于交通技术领域。本发明利用卡尔曼滤波理论的递推循环性，在预测车道i的车流比例时，调用了前三个时刻的所有车道的车流比例数据，克服了以往方法中在预测车道i的车流比例时仅利用车道i前三个时刻车流比例的缺陷，充分利用了历史数据，有效提高了预测精度。本发明利用R语言编程以最小二乘法获取状态向量估计的初始值，便于滤波过程快速收敛，弥补了以往方法中给定初始参数的不足，预测结果可靠性更强。本发明的基于卡尔曼滤波的分车道车流比例预测方法，过程简单，便于计算，操作性更强。

Description

一种基于卡尔曼滤波的分车道车流比例预测方法
技术领域
本发明涉及一种基于卡尔曼滤波的分车道车流比例预测方法，属于交通技术领域。
背景技术
随着城市经济的不断发展和小汽车数量的急剧增加，智能化的交通管理和路网动态优化控制少不了对交叉口各车道车流比例的实时监控与预测，基于卡尔曼滤波的分车道车流比例预测方法根据道路交通历史数据能够有效预测各车道的车流比例，从而为交通控制提供有力支撑，以提高通行效率、缓解交通拥堵、实现交通优化控制策略。现有基于卡尔曼滤波的交通流预测方法中，在预测车道i的车流量时仅考虑车道i的历史数据，而未充分调用其他车道的历史数据，这样往往无法有效提高车流比例预测精度。
发明内容
为了克服传统交通流比例预测的历史数据调用不足以及卡尔曼滤波预测时采用给定状态向量估计的初始值的缺陷，本发明提供了一种基于卡尔曼滤波的分车道车流比例预测方法。
本发明的技术方案是：一种基于卡尔曼滤波的分车道车流比例预测方法，所述方法具体步骤如下：
步骤1：提取历史交通流数据，建立基于卡尔曼滤波的分车道车流比例预测表达式；
步骤2：对基于卡尔曼滤波的分车道车流比例预测表达式进行状态方程变换并得到基于卡尔曼滤波的分车道车流比例预测模型；
步骤3：参数初始化设置；
步骤4：计算车道i在n-2时刻对于n-1时刻的状态向量预测估计值
Figure BDA0001760956680000011
的误差相关矩阵
Figure BDA0001760956680000012
Figure BDA0001760956680000013
步骤5：计算车道i在第n-1时刻卡尔曼增益矩阵
Figure BDA0001760956680000014
Figure BDA0001760956680000021
步骤6：计算车道i在第n-1时刻的观测误差
Figure BDA0001760956680000022
Figure BDA0001760956680000023
步骤7：计算车道i在n-1时刻状态向量最优估计值
Figure BDA0001760956680000024
Figure BDA0001760956680000025
步骤8：计算车道i在n-1时刻状态向量最优估计值
Figure BDA0001760956680000026
的误差相关矩阵
Figure BDA0001760956680000027
Figure BDA0001760956680000028
步骤9：计算车道i在n-1时刻对于n时刻的状态向量预测估计值
Figure BDA0001760956680000029
Figure BDA00017609566800000210
步骤10：在步骤2的基础上，当
Figure BDA00017609566800000211
确定后，得到车道i基于n-1时刻数据对于n时刻车流比例的预测值：
Figure BDA00017609566800000212
步骤11：令n＝n+1，返回步骤4，对车流比例进行滚动预测；
式中，各参数含义分别是：
Figure BDA00017609566800000213
为
Figure BDA00017609566800000214
的误差相关矩阵，
Figure BDA00017609566800000215
为车道i在n-2时刻对于n-1时刻的状态向量预测估计值；
Figure BDA00017609566800000216
是车道i第n-1时刻的观测矩阵；
Figure BDA00017609566800000217
为
Figure BDA00017609566800000218
的相关矩阵，
Figure BDA00017609566800000219
是第n-1时刻车道i观测噪声，为零均值的白色噪声；
Figure BDA00017609566800000220
是车道i在第n-1时刻的所测车流比例；
Figure BDA00017609566800000221
为车道i在n-2时刻对于n-1时刻的状态向量预测估计值；
Figure BDA00017609566800000222
为车道i从第n-2时刻到第n-1时刻的状态转移矩阵；
Figure BDA00017609566800000223
为车道i在n-2时刻状态向量最优估计值；
Figure BDA00017609566800000224
为
Figure BDA00017609566800000225
的误差相关矩阵；
Figure BDA00017609566800000226
为
Figure BDA00017609566800000227
的相关矩阵，
Figure BDA00017609566800000228
是车道i第n-2时刻的过程噪声，为零均值的白色噪声；I为单位矩阵；
Figure BDA00017609566800000229
为车道i从第n-1时刻到第n时刻的状态转移矩阵。
所述步骤1中基于卡尔曼滤波的分车道车流比例预测表达式建立为：
根据收集到的分车道历史流量数据，预测车道i第n时刻的车流比例：
Figure BDA0001760956680000031
其中，
Figure BDA0001760956680000032
是车道i基于n-1时刻数据对于n时刻的车流比例预测参数向量，i＝1,2,…,M，M为进口道车道数；
Figure BDA0001760956680000033
和
Figure BDA0001760956680000034
分别是车道l在第n-1时刻、第n-2时刻、n-3时刻的所测车流比例，l＝1,2,…,M；
Figure BDA0001760956680000035
和
Figure BDA0001760956680000036
分别是车道l在第n-1时刻、第n-2时刻、第n-3时刻的相关参数；
Figure BDA0001760956680000037
是第n-1时刻车道i观测噪声，为零均值的白色噪声，
Figure BDA0001760956680000038
的相关矩阵为
Figure BDA0001760956680000039
所述步骤2包括两步骤：
第一步：对所测车流比例与相关参数进行整合变换之后，可得：
Figure BDA00017609566800000310
Figure BDA00017609566800000311
第二步，将
Figure BDA00017609566800000312
与卡尔曼滤波理论进行比对，得到基于卡尔曼滤波的分车道车流比例预测模型如下：
Figure BDA00017609566800000313
Figure BDA00017609566800000314
其中，
Figure BDA00017609566800000315
是车道i第n-1时刻的状态向量；
Figure BDA00017609566800000316
是车道i第n-1时刻的观测矩阵；
Figure BDA00017609566800000317
为车道i从第n-2时刻到第n-1时刻的状态转移矩阵；
Figure BDA00017609566800000318
是车道i第n-2时刻的过程噪声，为零均值的白色噪声，
Figure BDA00017609566800000319
的相关矩阵为
Figure BDA00017609566800000320
所述步骤3包括：
将基于卡尔曼滤波的分车道车流比例预测模型的状态转移矩阵初始值，即0时刻到1时刻的状态转移矩阵
Figure BDA00017609566800000321
设置为单位矩阵I，并且将后面时刻状态转移矩阵均设置为单位矩阵I，维数为3M×3M，其中3表示前3时刻；过程噪声相关矩阵的初始值
Figure BDA00017609566800000322
和观测噪声相关矩阵的初始值
Figure BDA00017609566800000323
状态向量预测估计的初始值，即0时刻对于1时刻的状态向量预测估计值
Figure BDA0001760956680000041
为[0]，其初始误差相关矩阵
Figure BDA0001760956680000042
为零矩阵；状态向量估计的初始值，即0时刻状态向量最优估计值
Figure BDA0001760956680000043
采用最小二乘法拟合0时刻所有车道所测车流比例与0时刻前三个时刻所有车道所测车流比例之间的线性关系得到，其初始误差相关矩阵
Figure BDA0001760956680000044
为零矩阵。
本发明的有益效果是：
1、本发明利用卡尔曼滤波理论的递推循环性，在预测车道i的车流比例时，调用了前三个时刻的所有车道的车流比例数据，克服了以往方法中在预测车道i的车流比例时仅利用车道i前三个时刻车流比例的缺陷，充分利用了历史数据，有效提高了预测精度。
2、本发明利用R语言编程以最小二乘法获取状态向量估计的初始值，便于滤波过程快速收敛，弥补了以往方法中给定初始参数的不足，预测结果可靠性更强。
3、本发明的基于卡尔曼滤波的分车道车流比例预测方法，过程简单，便于计算，操作性更强。
附图说明
图1是本发明的方法流程示意图；
图2是试验区域的车道布置与数据采集点位(反向卡口、电子警察)示意图；
图3是车道1(左转车道)车流比例预测值与观测值结果比较；
图4是车道2(直行车道)车流比例预测值与观测值结果比较；
图5是车道3(直右车道)车流比例预测值与观测值结果比较。
具体实施方式
下面结合附图和实施例，对本发明作进一步说明，但本发明的内容并不限于所述范围。
实施例1：如图1-图5所示，一种基于卡尔曼滤波的分车道车流比例预测方法，所述方法具体步骤如下：
步骤1：提取历史交通流数据，建立基于卡尔曼滤波的分车道车流比例预测表达式；
步骤2：对基于卡尔曼滤波的分车道车流比例预测表达式进行状态方程变换并得到基于卡尔曼滤波的分车道车流比例预测模型；
步骤3：参数初始化设置；
步骤4：计算车道i在n-2时刻对于n-1时刻的状态向量预测估计值
Figure BDA0001760956680000051
的误差相关矩阵
Figure BDA0001760956680000052
Figure BDA0001760956680000053
步骤5：计算车道i在第n-1时刻卡尔曼增益矩阵
Figure BDA0001760956680000054
Figure BDA0001760956680000055
步骤6：计算车道i在第n-1时刻的观测误差
Figure BDA0001760956680000056
Figure BDA0001760956680000057
步骤7：计算车道i在n-1时刻状态向量最优估计值
Figure BDA0001760956680000058
Figure BDA0001760956680000059
步骤8：计算车道i在n-1时刻状态向量最优估计值
Figure BDA00017609566800000510
的误差相关矩阵
Figure BDA00017609566800000511
Figure BDA00017609566800000512
步骤9：计算车道i在n-1时刻对于n时刻的状态向量预测估计值
Figure BDA00017609566800000513
Figure BDA00017609566800000514
步骤10：在步骤2的基础上，当
Figure BDA00017609566800000515
确定后，得到车道i基于n-1时刻数据对于n时刻车流比例的预测值：
Figure BDA00017609566800000516
步骤11：令n＝n+1，返回步骤4，对车流比例进行滚动预测；
式中，各参数含义分别是：
Figure BDA00017609566800000517
为
Figure BDA00017609566800000518
的误差相关矩阵，
Figure BDA00017609566800000519
为车道i在n-2时刻对于n-1时刻的状态向量预测估计值；
Figure BDA00017609566800000520
是车道i第n-1时刻的观测矩阵；
Figure BDA00017609566800000521
为
Figure BDA00017609566800000522
的相关矩阵，
Figure BDA00017609566800000523
是第n-1时刻车道i观测噪声，为零均值的白色噪声；
Figure BDA00017609566800000524
是车道i在第n-1时刻的所测车流比例；
Figure BDA00017609566800000525
为车道i在n-2时刻对于n-1时刻的状态向量预测估计值；
Figure BDA00017609566800000526
为车道i从第n-2时刻到第n-1时刻的状态转移矩阵；
Figure BDA0001760956680000061
为车道i在n-2时刻状态向量最优估计值；
Figure BDA0001760956680000062
为
Figure BDA0001760956680000063
的误差相关矩阵；
Figure BDA0001760956680000064
为
Figure BDA0001760956680000065
的相关矩阵，
Figure BDA0001760956680000066
是车道i第n-2时刻的过程噪声，为零均值的白色噪声；I为单位矩阵；
Figure BDA0001760956680000067
为车道i从第n-1时刻到第n时刻的状态转移矩阵；n大于等于2。
进一步地，可以设置所述步骤1中基于卡尔曼滤波的分车道车流比例预测表达式建立为：
根据收集到的分车道历史流量数据，预测车道i第n时刻的车流比例，考虑到第n时刻的车流比例与它前三时刻的车流比例密切相关，可得基于卡尔曼滤波的分车道车流比例预测表达式为，即：
Figure BDA0001760956680000068
其中，
Figure BDA0001760956680000069
是车道i基于n-1时刻数据对于n时刻的车流比例预测参数向量，它与前三个时刻所有车道的车流比例相关，i＝1,2,…,M，M为进口道车道数；
Figure BDA00017609566800000610
Figure BDA00017609566800000611
和
Figure BDA00017609566800000612
分别是车道l在第n-1时刻、第n-2时刻、n-3时刻的所测车流比例，l＝1,2,…,M；
Figure BDA00017609566800000613
和
Figure BDA00017609566800000614
分别是车道l在第n-1时刻、第n-2时刻、第n-3时刻的相关参数；
Figure BDA00017609566800000615
是第n-1时刻车道i观测噪声，可假设为零均值的白色噪声，
Figure BDA00017609566800000616
的相关矩阵为
Figure BDA00017609566800000617
进一步地，可以设置所述步骤2包括两步骤：
第一步：为便于卡尔曼预测模型的建立，对所测车流比例与相关参数进行整合变换之后，可得：
Figure BDA00017609566800000618
Figure BDA00017609566800000619
第二步，将
Figure BDA00017609566800000620
与卡尔曼滤波理论进行比对，得到基于卡尔曼滤波的分车道车流比例预测模型如下：
Figure BDA00017609566800000621
Figure BDA00017609566800000622
其中，
Figure BDA0001760956680000071
是车道i第n-1时刻的状态向量；
Figure BDA0001760956680000072
是车道i第n-1时刻的观测矩阵；
Figure BDA0001760956680000073
为车道i从第n-2时刻到第n-1时刻的状态转移矩阵；
Figure BDA0001760956680000074
是车道i第n-2时刻的过程噪声，假定为零均值的白色噪声，
Figure BDA0001760956680000075
的相关矩阵为
Figure BDA0001760956680000076
进一步地，可以设置所述步骤3包括：
将基于卡尔曼滤波的分车道车流比例预测模型的状态转移矩阵初始值，即0时刻到1时刻的状态转移矩阵
Figure BDA0001760956680000077
设置为单位矩阵I，并且将后面时刻状态转移矩阵均设置为单位矩阵I，维数为3M×3M，其中3表示前3时刻；过程噪声相关矩阵的初始值
Figure BDA0001760956680000078
和观测噪声相关矩阵的初始值
Figure BDA0001760956680000079
利用MATLAB仿真软件中的随机函数和协方差函数cov(randn(3M,3M))求解，即
Figure BDA00017609566800000710
由于观测数据为一维时间序列，所以
Figure BDA00017609566800000711
状态向量预测估计的初始值，即0时刻对于1时刻的状态向量预测估计值
Figure BDA00017609566800000712
为[0],其初始误差相关矩阵
Figure BDA00017609566800000713
为零矩阵；状态向量估计的初始值，即0时刻状态向量最优估计值
Figure BDA00017609566800000714
采用R语言编程拟合0时刻所有车道所测车流比例与0时刻前三个时刻所有车道所测车流比例之间的线性关系(用最小二乘法拟合)得到，其初始误差相关矩阵
Figure BDA00017609566800000715
为零矩阵。
在实施例中，选取云南省曲靖市麒麟区麒麟南路与文昌街交叉口北进口的实地调查数据对预测方法进行验证。图2麒麟南路与文昌街交叉口北进口的车道布置与数据采集点位示意图，数据时刻为2017年10月31日下午15:30至18:00的数据。
验证结果通过计算车流比例的平均绝对误差(MAE)、平均百分比(MAPE)和均方根误差(RMSE)，结果如表1所示，MAE、MAPE、RMSE计算公式分别如下：
Figure BDA00017609566800000716
Figure BDA00017609566800000717
Figure BDA00017609566800000718
其中，m为预测周期数，本例中共计28个周期。
表1麒麟南路与文昌街北进口各车道车流比例的MAE，MAPE和RMSE
Figure BDA0001760956680000081
结果表明，使用所有车道预测(本方法)的车流比例的MAE、MAPE、RMSE均小于仅使用当前车道(以往卡尔曼滤波预测方法)的误差；MAE(所有车道)的平均值为2.35，RMSE(所有车道)的平均值为3.15，表明车流预测误差均未超过3辆车，此外，MAPE(所有车道)的平均值为10.33，整体结果表明与其他模型相比，该方法具有较好的预测精度；此外，通过与一次指数平滑法、二次指数平滑法、三阶移动平均法传统的预测方法比较可知，在卡尔曼预测时仅使用当前车道历史数据的预测误差(MAE、MAPE、RMSE)均大于采用一次指数平滑法、二次指数平滑法与三阶移动平均法预测精度，而卡尔曼预测时使用所有车道历史数据的预测精度是上述所有方法中精度最高的，这说明本方法中调用所有车道的历史车流比例对于卡尔曼滤波车流比例预测至关重要；车道1、车道2、车道3的车流比例观测值与预测值对比图分别如图3、图4、图5所示。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (3)

1.一种基于卡尔曼滤波的分车道车流比例预测方法，其特征在于：所述方法具体步骤如下：
步骤1：提取历史交通流数据，建立基于卡尔曼滤波的分车道车流比例预测表达式；
步骤2：对基于卡尔曼滤波的分车道车流比例预测表达式进行状态方程变换并得到基于卡尔曼滤波的分车道车流比例预测模型；
步骤3：参数初始化设置；
步骤4：计算车道i在n-2时刻对于n-1时刻的状态向量预测估计值
Figure FDA0002847929870000011
的误差相关矩阵
Figure FDA0002847929870000012
Figure FDA0002847929870000013
步骤5：计算车道i在第n-1时刻卡尔曼增益矩阵
Figure FDA0002847929870000014
Figure FDA0002847929870000015
步骤6：计算车道i在第n-1时刻的观测误差
Figure FDA0002847929870000016
Figure FDA0002847929870000017
步骤7：计算车道i在n-1时刻状态向量最优估计值
Figure FDA0002847929870000018
Figure FDA0002847929870000019
步骤8：计算车道i在n-1时刻状态向量最优估计值
Figure FDA00028479298700000110
的误差相关矩阵
Figure FDA00028479298700000111
Figure FDA00028479298700000112
步骤9：计算车道i在n-1时刻对于n时刻的状态向量预测估计值
Figure FDA00028479298700000113
Figure FDA00028479298700000114
步骤10：在步骤2的基础上，当
Figure FDA00028479298700000115
确定后，得到车道i基于n-1时刻数据对于n时刻车流比例的预测值：
Figure FDA0002847929870000021
步骤11：令n＝n+1，返回步骤4，对车流比例进行滚动预测；
式中，各参数含义分别是：
Figure FDA0002847929870000022
为
Figure FDA0002847929870000023
的误差相关矩阵，
Figure FDA0002847929870000024
为车道i在n-2时刻对于n-1时刻的状态向量预测估计值；
Figure FDA0002847929870000025
是车道i第n-1时刻的观测矩阵；
Figure FDA0002847929870000026
为
Figure FDA0002847929870000027
的相关矩阵，
Figure FDA0002847929870000028
是第n-1时刻车道i观测噪声，为零均值的白色噪声；
Figure FDA0002847929870000029
是车道i在第n-1时刻的所测车流比例；
Figure FDA00028479298700000210
为车道i在n-2时刻对于n-1时刻的状态向量预测估计值；
Figure FDA00028479298700000211
为车道i从第n-2时刻到第n-1时刻的状态转移矩阵；
Figure FDA00028479298700000212
为车道i在n-2时刻状态向量最优估计值；
Figure FDA00028479298700000213
为
Figure FDA00028479298700000214
的误差相关矩阵；
Figure FDA00028479298700000215
为
Figure FDA00028479298700000216
的相关矩阵，
Figure FDA00028479298700000217
是车道i第n-2时刻的过程噪声，为零均值的白色噪声；I为单位矩阵；
Figure FDA00028479298700000218
为车道i从第n-1时刻到第n时刻的状态转移矩阵；
所述步骤1中基于卡尔曼滤波的分车道车流比例预测表达式建立为：
根据收集到的分车道历史流量数据，预测车道i第n时刻的车流比例：
Figure FDA00028479298700000219
其中，
Figure FDA00028479298700000220
是车道i基于n-1时刻数据对于n时刻的车流比例预测参数向量，i＝1,2,…,M，M为进口道车道数；
Figure FDA00028479298700000221
和
Figure FDA00028479298700000222
分别是车道l在第n-1时刻、第n-2时刻、n-3时刻的所测车流比例，l＝1,2,…,M；
Figure FDA00028479298700000223
和
Figure FDA00028479298700000224
分别是车道l在第n-1时刻、第n-2时刻、第n-3时刻的相关参数；
Figure FDA00028479298700000225
是第n-1时刻车道i观测噪声，为零均值的白色噪声，
Figure FDA00028479298700000226
的相关矩阵为
Figure FDA00028479298700000228
2.根据权利要求1所述的基于卡尔曼滤波的分车道车流比例预测方法，其特征在于：所述步骤2包括两步骤：
第一步：对所测车流比例与相关参数进行整合变换之后，可得：
Figure FDA00028479298700000229
Figure FDA00028479298700000230
第二步，将
Figure FDA00028479298700000231
与卡尔曼滤波理论进行比对，得到基于卡尔曼滤波的分车道车流比例预测模型如下：
Figure FDA0002847929870000031
Figure FDA0002847929870000032
其中，
Figure FDA0002847929870000033
是车道i第n-1时刻的状态向量；
Figure FDA0002847929870000034
是车道i第n-1时刻的观测矩阵；
Figure FDA0002847929870000035
为车道i从第n-2时刻到第n-1时刻的状态转移矩阵；
Figure FDA0002847929870000036
是车道i第n-2时刻的过程噪声，为零均值的白色噪声，
Figure FDA0002847929870000037
的相关矩阵为
Figure FDA0002847929870000038
3.根据权利要求1所述的基于卡尔曼滤波的分车道车流比例预测方法，其特征在于：所述步骤3包括：
将基于卡尔曼滤波的分车道车流比例预测模型的状态转移矩阵初始值，即0时刻到1时刻的状态转移矩阵
Figure FDA0002847929870000039
设置为单位矩阵I，并且将后面时刻状态转移矩阵均设置为单位矩阵I，维数为3M×3M，其中3表示前3时刻；过程噪声相关矩阵的初始值
Figure FDA00028479298700000310
和观测噪声相关矩阵的初始值
Figure FDA00028479298700000311
状态向量预测估计的初始值，即0时刻对于1时刻的状态向量预测估计值
Figure FDA00028479298700000312
其初始误差相关矩阵
Figure FDA00028479298700000313
为零矩阵；状态向量估计的初始值，即0时刻状态向量最优估计值
Figure FDA00028479298700000314
采用最小二乘法拟合0时刻所有车道所测车流比例与0时刻前三个时刻所有车道所测车流比例之间的线性关系得到，其初始误差相关矩阵
Figure FDA00028479298700000315
为零矩阵。
CN201810907470.4A 2018-08-10 2018-08-10 一种基于卡尔曼滤波的分车道车流比例预测方法 Active CN109255948B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810907470.4A CN109255948B (zh) 2018-08-10 2018-08-10 一种基于卡尔曼滤波的分车道车流比例预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810907470.4A CN109255948B (zh) 2018-08-10 2018-08-10 一种基于卡尔曼滤波的分车道车流比例预测方法

Publications (2)

Publication Number Publication Date
CN109255948A CN109255948A (zh) 2019-01-22
CN109255948B true CN109255948B (zh) 2021-04-09

Family

ID=65048831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810907470.4A Active CN109255948B (zh) 2018-08-10 2018-08-10 一种基于卡尔曼滤波的分车道车流比例预测方法

Country Status (1)

Country Link
CN (1) CN109255948B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111341098B (zh) * 2020-02-18 2021-07-27 北京中旖新能源有限公司 拥堵状态预测的方法及装置
CN111882858B (zh) * 2020-06-01 2022-05-20 重庆大学 一种基于多源数据的高速公路异常事件排队长度预测方法
CN111951553B (zh) * 2020-08-17 2022-11-11 上海电科智能***股份有限公司 一种基于交通大数据平台与中观仿真模型的预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034350B (zh) * 2009-09-30 2012-07-25 北京四通智能交通***集成有限公司 交通流数据短时预测方法及***
CN102620943B (zh) * 2011-01-30 2015-06-03 国际商业机器公司 在车轮检测中调整卡尔曼滤波器的参数的方法及装置
GB201201415D0 (en) * 2012-01-27 2012-03-14 Siemens Plc Method for traffic state estimation and signal control
CN105788289A (zh) * 2014-12-17 2016-07-20 上海宝康电子控制工程有限公司 基于计算机软件***实现交通路况评估分析的方法和***
CN105844927A (zh) * 2016-04-06 2016-08-10 深圳榕亨实业集团有限公司 新型感知与控制的道路交叉口群信号控制***及控制方法
CN107103292A (zh) * 2017-04-12 2017-08-29 湖南源信光电科技股份有限公司 一种基于运动车辆跟踪的车流量统计方法

Also Published As

Publication number Publication date
CN109255948A (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
CN109255948B (zh) 一种基于卡尔曼滤波的分车道车流比例预测方法
CN110909485B (zh) 一种基于bp神经网络的swmm模型参数自率定方法
CN106503840A (zh) 停车场可用车位预测方法及***
CN105740991A (zh) 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及***
CN107480812B (zh) 一种城市小流域初期雨水污染负荷预测方法
CN105260607A (zh) 一种串并联耦合的多模型水文预报方法
CN106652441A (zh) 一种基于时空数据的城市道路交通状态预测方法
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
CN102034354A (zh) 基于固定检测器的城市道路交通事故影响范围确定方法
CN108399741A (zh) 一种基于实时车辆轨迹数据的交叉口流量估计方法
CN105512741A (zh) 一种公交客流组合预测方法
CN106295888A (zh) 一种基于实测数据的公共建筑物配建停车泊位共享时间窗口确定方法
CN113435630B (zh) 一种产流模式自适应的流域水文预报方法及***
CN110543978A (zh) 基于小波神经网络的交通流数据预测方法和装置
CN106154259A (zh) 一种随机集理论下的多传感器自适应管控方法
CN103745602B (zh) 一种基于滑窗平均的交通流量预测方法
CN112201037A (zh) 一种基于抽样轨迹数据的交叉口到达率估计方法
CN114613135A (zh) 考虑建筑场所影响的城市路网交通流预测方法及***
CN103994005A (zh) 一种电控单体泵柴油机模型的燃油经济性标定方法
CN111524358B (zh) 一种区域辐射***通流量预测方法
CN104573216A (zh) 一种天线性能的优化方法及装置
Wu et al. An automatic calibration framework based on the InfoWorks ICM model: the effect of multiple objectives during multiple water pollutant modeling
CN115907177A (zh) 城市碳排放预测方法及***
CN106021861B (zh) 一种群智感知***的激励方法
CN109408972B (zh) 基于Delft3D模型的计算机程序化计算水环境容量的方法

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