一种基于物联网的高速路车流预测方法
技术领域
本发明涉及交通预测领域,更具体地,涉及一种基于物联网的高速路车流预测方法。
背景技术
随着城市交通的高速发展,对交通流量的预测对交通管理和公共安全至关重要。但目前城市,特别是特大城市中,交通拥堵已经成为各城市出行的一道难题,如果能够预先知道道路的交通状态 就可以采取预防措施。流量预测已越来越多的应用于人们的日常生活。例如,在智慧城市场景中,可以通过对特定区域的人口流量的预测、对特定区域的车流流量的预测等,运用信息和通信技术手段合理规划城市各项机能的运作,进而为城市中的人创造更美好的生活,促进城市的和谐、可持续成长。
但是,现有的流量预测方案普遍存在预测精度低、无法以标准化的预测逻辑灵活适用于不同类型的流量预测需求。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷(不足),提供一种具有高预测准确率的基于物联网的高速路车流预测方法。
为解决上述技术问题,本发明的技术方案如下:
一种基于物联网的高速路车流预测方法,包括:
定义高速路距离最近的两个入口之间的路段为单位高速路;
预先按照每个单位高速路中的最低限速计算该单位高速路的通过时间;
获取各个单位高速路第一个入口每个时段的在线车辆历史数据;
接收车辆的车流预测请求,所述车流预测请求包括车辆的实时位置以及需要预测的单位高速路W1车流;
根据车辆的实时位置判断该车辆所在的单位高速路W2;
实时获取当前时刻T1该车辆所在的单位高速路第一入口的实时车流数据A;
根据该实时车流数据A、在线车辆历史数据和单位高速路的通过时间预测单位高速路W1在线车流数据。
上述方案中,所计算的单位高速路的通过时间存储在表格中。
上述方案中,获取各个单位高速路第一个入口每个时段的在线车辆历史数据的具体步骤包括:
选择一个日常历史周,将该日常历史周每天划分成若干个时段;
获取该日常历史周每天每个时段的在线车流历史数据;
将该在线车流历史数据除此每个时段的时间跨度得到日常历史周每个时段的平均在线车流历史数据。
上述方案中,获取各个单位高速路第一个入口每个时段的在线车辆历史数据的具体步骤还包括:
根据国家法定节假日前后浮动一定的日期,形成假日周期;
将该假日周期每天划分成若干个时段;
获取某一历史年度中该假日周期每天每个时段的在线车流历史数据;
将该在线车流历史数据除此每个时段的时间跨度得到假日周期每个时段的平均在线车流历史数据。
上述方案中,所述方法还包括将该平均在线车流历史数据与对应的单位高速路、时段存储在表格中。
上述方案中,根据该实时车流数据A、在线车辆历史数据和单位高速路的通过时间预测单位高速路W1在线车流数据的具体步骤包括:
计算从W2到W1所需要经过的单位高速路,根据所经过的单位高速路的通过时间计算从W2到W1所需要的时间T2;
根据T2和T1预测该车辆到达W1的时刻T3;
查询T1和T3所在的时段所对应的平均在线车流历史数据,记为L1和L3
利用公式A* L3/ L1预测得到该车辆到达单位高速路W1时的在线车流数据。
上述方案中,所述方法还包括拥堵程度预判模型,将交通拥堵程度划分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵;每个交通拥堵程度对应每个单位高速路设置在线车流阈值;将预测到的该车辆到达单位高速路W1时的在线车流数据与对应的在线车流阈值进行比较,从而预测该车辆到达单位高速路W1时的交通拥堵程度。
与现有技术相比,本发明技术方案的有益效果是:
本发明对高速路进行划分形成一段段的单位高速路,分别对各个单位高速路的正常通行时间和在线车辆历史数据进行计算和获取,然后根据车辆所在高速路的实时车流数据,根据历史数据、实时车流数据和正常的通行时间来预测车辆即将到达的单位高速路在车辆按照正常时间到达时的在线车流数据,历史数据、实时车流数据和正常通行时间相结合来进行预测,预测准确率高。
附图说明
图1为本发明一种基于物联网的高速路车流预测方法的流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
在本发明的描述中,需要理解的是,此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或隐含所指示的技术特征的数量。由此,限定的“第一”、“第二”的特征可以明示或隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以是通过中间媒介间接连接,可以说两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明的具体含义。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,为本发明一种基于物联网的高速路车流预测方法,所述方法通过一个远程服务器和安装在车辆上的车流预测请求模块实现。通过远程服务器和各个车辆上的车流预测请求模块构成物联网。所述方法的具体步骤包括:
首先,定义高速路上距离最近的两个入口之间的路段为单位高速路;此方式是将高速路划分成一段段,从而实现对每段高速路的车流量预测,预测准确率高。
S101.预先按照每个单位高速路中的最低限速计算该单位高速路的通过时间;所计算的单位高速路的通过时间存储在表格中,该通过时间存储时和单位高速路一对一进行存储,以便后续通过单位高速路查询对应的通过时间。
S102.预先获取各个单位高速路第一个入口每个时段的在线车辆历史数据;具体步骤包括:
选择一个日常历史周,将该日常历史周每天划分成若干个时段;该日常历史周的选择可以每个月或者每个季度重新选择一次并重新执行下面步骤以更新在线车辆历史数据。每天时段的划分可以以一个小时为单位进行划分,也可以根据交通高峰、平峰和夜间时段选择适合的划分方式。
获取该日常历史周每天每个时段的在线车流历史数据;
将该在线车流历史数据除此每个时段的时间跨度得到日常历史周每个时段的平均在线车流历史数据。时间跨度指的是一个时段内所包含的时间长度,比如以一个小时为单位划分得到的时段,则一个小时的跨度是60分钟,可以将60分钟作为时间跨度来计算平均在线车流历史数据。
此外,考虑到高速路平日和节假日的车流数据区别很大,本发明的方法还通过特别获取国家法定节假日的在线车流历史数据来作为预测的基础数据,具体的:
根据国家法定节假日前后浮动一定的日期,形成假日周期;如根据国家规定2018年元旦的放假时间是2017.12.30-2018.1.1,则可以选择2017.12.29-2018.1.2形成元旦假日周期。
将该假日周期每天划分成若干个时段;同样的,每天时段的划分可以以一个小时为单位进行划分,也可以根据交通高峰、平峰和夜间时段选择适合的划分方式。
获取某一历史年度中该假日周期每天每个时段的在线车流历史数据;具体实现过程中,获取上一年度的历史数据最为准确,因此,具体操作时假日周期的历史数据可以一年更新一次。
将该在线车流历史数据除此每个时段的时间跨度得到假日周期每个时段的平均在线车流历史数据。
将步骤S102中得到的该平均在线车流历史数据与对应的单位高速路、时段存储在表格中。
具体应用时:
S103.接收车辆的车流预测请求,所述车流预测请求包括车辆的实时位置以及需要预测的单位高速路W1车流;车辆的实时位置可以通过车辆自带的GPS获取。
S104.根据车辆的实时位置判断该车辆所在的单位高速路W2;
S105.实时获取当前时刻T1该车辆所在的单位高速路第一入口的实时车流数据A;
S106.根据该实时车流数据A、在线车辆历史数据和单位高速路的通过时间预测单位高速路W1在线车流数据。具体步骤为:
计算从W2到W1所需要经过的单位高速路,根据所经过的单位高速路的通过时间计算从W2到W1所需要的时间T2;
根据T2和T1预测该车辆到达W1的时刻T3;
查询T1和T3所在的时段所对应的平均在线车流历史数据,记为L1和L3
利用公式A* L3/ L1预测得到该车辆到达单位高速路W1时的在线车流数据。
在该预测方式中,通过实时获取数据的时刻来预测该车辆到达W1的时间,通过系数比L3/ L1来得到该车辆当前所在的单位高速路和预测要到达的单位高速路的在线车流历史数据的系数比,从而基于所获取到的A来预测得到单位高速路W1在线车流数据。此方式预测准确率高,可以实现在线车流的实时预测。
S107.所述方法还包括拥堵程度预判模型,将交通拥堵程度划分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵;每个交通拥堵程度对应每个单位高速路设置在线车流阈值;将预测到的该车辆到达单位高速路W1时的在线车流数据与对应的在线车流阈值进行比较,从而预测该车辆到达单位高速路W1时的交通拥堵程度。通过拥堵程度预判模型来对所预测的在线车流数据进行拥堵程度判断,为用户带来直观的拥堵判断,提升用户体验度。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。