CN111192456A - 一种道路交通运行态势多时间尺度预测方法 - Google Patents
一种道路交通运行态势多时间尺度预测方法 Download PDFInfo
- Publication number
- CN111192456A CN111192456A CN202010035665.1A CN202010035665A CN111192456A CN 111192456 A CN111192456 A CN 111192456A CN 202010035665 A CN202010035665 A CN 202010035665A CN 111192456 A CN111192456 A CN 111192456A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- unit
- classified
- traffic data
- 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.)
- Withdrawn
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种道路交通运行态势多时间尺度预测方法,包括以下步骤:A、首先通过交通数据采集传感器采集多条道路的交通数据,并通过数据预处理单元进行预处理;B、将预处理后的数据通过主控单元分析后传输至筛选单元中,筛选出非正常运行状态下的交通信息;C、将筛选后的数据传输至交通数据分类单元中进行数据分类,得到正常状态下分类后的交通数据;D、之后将分类后的交通数据发送至异常分析单元中进行异常分析,并且通过深度学习算法预测未来交通数据;E、将预测的未来佳通数据通过数据传输单元传输至社交网络上供用户实时分享;本发明采用的预测方法操作简单,精度高,为相关管理部门提供快速响应信号,为居民提供出行决策依据。
Description
技术领域
本发明涉及交通运行预测技术领域,具体为一种道路交通运行态势多时间尺度预测方法。
背景技术
道路交通运行态势预测是智能交通***实施道路交通管理和控制的基础。道路交通运行态势的准确预测能够确保道路交通流安全畅通运行,帮助道路交通使用者根据未来时刻道路交通运行态势变化情况合理规划出行方案,帮助道路交通管理者对未来道路交通运行态势提前认知以便于交通控制措施的精确制定,进而减少道路交通拥挤和道路环境污染的产生,提高道路行车安全和通行效率。
针对高速公路道路交通运行态势预测的早期研究中,主要是通过对道路交通流量预测以实现对道路交通流运行态势识别。上世纪70年代,随着美国高速公路路网的构建,相关学者逐渐将交通流预测方面的研究由城市道路(路网)转向高速公路路网交通流预测,并初步形成了以交通量预测为基础的道路交通运行态势预测的理论方法。
道路交通运行态势变化规律可根据历史数据演化趋势进行时间跨度划分为短、中及长三个实践尺度。交通流在三个不等长的时间尺度内表现形式既相互关联又存在一定的差异性。中期和长期交通流运行态势预测中针对交通流参数数据进行预测,主要应用神经网络、支持向量机、指数平滑等浅层交通流预测模型,预测模型简单,平稳程度较高,但浅层预测模型能够实现对中长期交通流参数预测结果的输出值精确性较低,且存在预测效果震荡性较大,运算时间较长等问题,其应用于道路智能交通***交通参数预测模型中可靠性较低。
现有的道路交通流运行态势预测方法主要利用基本的预测模型对交通流运行交通参数数据的短时变化情况预测,预测结果精确度偏低,因此,有必要进行改进。
发明内容
本发明的目的在于提供一种道路交通运行态势多时间尺度预测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种道路交通运行态势多时间尺度预测方法,包括以下步骤:
A、首先通过交通数据采集传感器采集多条道路的交通数据,并通过数据预处理单元进行预处理;
B、将预处理后的数据通过主控单元分析后传输至筛选单元中,筛选出非正常运行状态下的交通信息,利用综合算法对筛选出的非正常运行状态下交通信息可能持续的时间进行预测,建立端到端自学习模型,并在地图上进行可视化标注;
C、将筛选后的数据传输至交通数据分类单元中进行数据分类,得到正常状态下分类后的交通数据;
D、之后将分类后的交通数据发送至异常分析单元中进行异常分析,并且通过深度学习算法预测未来交通数据;
E、将预测的未来佳通数据通过数据传输单元传输至后台终端上供用户实时分享。
优选的,所述步骤C中交通数据分类方法包括以下步骤:
a、获取交通运行数据,通过预定方法计算得到与交通运行数据对应的稀疏系数向量,稀疏系数向量是交通运行数据映射到训练得到的字典上时得到的系数向量;
b、根据从待分类交通运行数据中抽取到的至少一个特征待分类数据进行归一化处理,形成待分类交通运行数据的特征数据;利用二值化压缩码编码器处理所述待分类交通数据的特征数据,得到所述待分类交通数据的二值化压缩码;
c、对于稀疏系数向量中的每个非零变量,根据训练得到的训练矩阵确定非零变量针对每种类别标签的后验概率;
d、根据每种类别标签所对应的后验概率,计算得到每种类别标签所对应的后验概率之和,将后验概率之和最大的类别标签所指示的类别;再利用基于二值化压缩码的分类器对待分类交通运行数据的二值化压缩码进行分类处理,确定为所述交通运行数据的类别。
优选的,所述步骤A中交通数据采集传感器包括车流量传感器、车速传感器、车辆图像传感器;其中,车流量传感器用于采集多条道路上车子流量;车速传感器用于采集车辆速率;车辆图像传感器用于采集车辆图像用于识别是否出现堵车。
优选的,所述交通数据采集传感器通过数据预处理单元连接主控单元,所述主控单元分别连接筛选单元、数据分类单元、异常数据分析单元、数据分类单元,所述主控单元通过数据传输单元连接后台终端。
与现有技术相比,本发明的有益效果是:
(1)本发明采用的预测方法操作简单,精度高,可显著提升道路交通指挥和管理协调程度,为相关管理部门提供快速响应信号,为居民提供出行决策依据。
(2)本发明采用的交通数据分类方法了一般的分类方法由于需要训练复杂的分类器并且存在大量的模型文件,从而使得分类速度较慢的问题;达到了提高分类效率的效果。
附图说明
图1为本发明流程图;
图2为本发明控制原理图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,本发明提供一种技术方案:一种道路交通运行态势多时间尺度预测方法,包括以下步骤:
A、首先通过交通数据采集传感器采集多条道路的交通数据,并通过数据预处理单元进行预处理;交通数据采集传感器包括车流量传感器1、车速传感器2、车辆图像传感器3;其中,车流量传感器用于采集多条道路上车子流量;车速传感器用于采集车辆速率;车辆图像传感器用于采集车辆图像用于识别是否出现堵车;
B、将预处理后的数据通过主控单元分析后传输至筛选单元中,筛选出非正常运行状态下的交通信息,利用综合算法对筛选出的非正常运行状态下交通信息可能持续的时间进行预测,建立端到端自学习模型,并在地图上进行可视化标注;
C、将筛选后的数据传输至交通数据分类单元中进行数据分类,得到正常状态下分类后的交通数据;
D、之后将分类后的交通数据发送至异常分析单元中进行异常分析,并且通过深度学习算法预测未来交通数据;
E、将预测的未来佳通数据通过数据传输单元传输至后台终端上供用户实时分享。
交通数据采集传感器通过数据预处理单元4连接主控单元5,所述主控单元5分别连接筛选单元6、数据分类单元7、异常数据分析单元8、数据分类单元9,所述主控单元5通过数据传输单元10连接后台终端11。
本发明中,步骤C中交通数据分类方法包括以下步骤:
a、获取交通运行数据,通过预定方法计算得到与交通运行数据对应的稀疏系数向量,稀疏系数向量是交通运行数据映射到训练得到的字典上时得到的系数向量;
b、根据从待分类交通运行数据中抽取到的至少一个特征待分类数据进行归一化处理,形成待分类交通运行数据的特征数据;利用二值化压缩码编码器处理所述待分类交通数据的特征数据,得到所述待分类交通数据的二值化压缩码;
c、对于稀疏系数向量中的每个非零变量,根据训练得到的训练矩阵确定非零变量针对每种类别标签的后验概率;
d、根据每种类别标签所对应的后验概率,计算得到每种类别标签所对应的后验概率之和,将后验概率之和最大的类别标签所指示的类别;再利用基于二值化压缩码的分类器对待分类交通运行数据的二值化压缩码进行分类处理,确定为所述交通运行数据的类别。
本发明采用的交通数据分类方法了一般的分类方法由于需要训练复杂的分类器并且存在大量的模型文件,从而使得分类速度较慢的问题;达到了提高分类效率的效果。
综上所述,本发明采用的预测方法操作简单,精度高,可显著提升道路交通指挥和管理协调程度,为相关管理部门提供快速响应信号,为居民提供出行决策依据。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种道路交通运行态势多时间尺度预测方法,其特征在于:包括以下步骤:
A、首先通过交通数据采集传感器采集多条道路的交通数据,并通过数据预处理单元进行预处理;
B、将预处理后的数据通过主控单元分析后传输至筛选单元中,筛选出非正常运行状态下的交通信息,利用综合算法对筛选出的非正常运行状态下交通信息可能持续的时间进行预测,建立端到端自学习模型,并在地图上进行可视化标注;
C、将筛选后的数据传输至交通数据分类单元中进行数据分类,得到正常状态下分类后的交通数据;
D、之后将分类后的交通数据发送至异常分析单元中进行异常分析,并且通过深度学习算法预测未来交通数据;
E、将预测的未来佳通数据通过数据传输单元传输至后台终端上供用户实时分享。
2.根据权利要求1所述的一种道路交通运行态势多时间尺度预测方法,其特征在于:所述步骤C中交通数据分类方法包括以下步骤:
a、获取交通运行数据,通过预定方法计算得到与交通运行数据对应的稀疏系数向量,稀疏系数向量是交通运行数据映射到训练得到的字典上时得到的系数向量;
b、根据从待分类交通运行数据中抽取到的至少一个特征待分类数据进行归一化处理,形成待分类交通运行数据的特征数据;利用二值化压缩码编码器处理所述待分类交通数据的特征数据,得到所述待分类交通数据的二值化压缩码;
c、对于稀疏系数向量中的每个非零变量,根据训练得到的训练矩阵确定非零变量针对每种类别标签的后验概率;
d、根据每种类别标签所对应的后验概率,计算得到每种类别标签所对应的后验概率之和,将后验概率之和最大的类别标签所指示的类别;再利用基于二值化压缩码的分类器对待分类交通运行数据的二值化压缩码进行分类处理,确定为所述交通运行数据的类别。
3.根据权利要求1所述的一种道路交通运行态势多时间尺度预测方法,其特征在于:所述步骤A中交通数据采集传感器包括车流量传感器(1)、车速传感器(2)、车辆图像传感器(3);其中,车流量传感器用于采集多条道路上车子流量;车速传感器用于采集车辆速率;车辆图像传感器用于采集车辆图像用于识别是否出现堵车。
4.根据权利要求1所述的一种道路交通运行态势多时间尺度预测方法,其特征在于:所述交通数据采集传感器通过数据预处理单元(4)连接主控单元(5),所述主控单元(5)分别连接筛选单元(6)、数据分类单元(7)、异常数据分析单元(8)、数据分类单元(9),所述主控单元(5)通过数据传输单元(10)连接后台终端(11)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035665.1A CN111192456A (zh) | 2020-01-14 | 2020-01-14 | 一种道路交通运行态势多时间尺度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035665.1A CN111192456A (zh) | 2020-01-14 | 2020-01-14 | 一种道路交通运行态势多时间尺度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111192456A true CN111192456A (zh) | 2020-05-22 |
Family
ID=70708042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010035665.1A Withdrawn CN111192456A (zh) | 2020-01-14 | 2020-01-14 | 一种道路交通运行态势多时间尺度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192456A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070208497A1 (en) * | 2006-03-03 | 2007-09-06 | Inrix, Inc. | Detecting anomalous road traffic conditions |
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路***通事件自动检测*** |
CN104298729A (zh) * | 2014-09-28 | 2015-01-21 | 小米科技有限责任公司 | 数据分类方法及装置 |
CN104778837A (zh) * | 2015-04-14 | 2015-07-15 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
CN104951791A (zh) * | 2014-03-26 | 2015-09-30 | 华为技术有限公司 | 数据分类方法和装置 |
CN107392115A (zh) * | 2017-06-30 | 2017-11-24 | 中原智慧城市设计研究院有限公司 | 一种基于分层特征提取的交通标志识别方法 |
CN107742420A (zh) * | 2017-09-22 | 2018-02-27 | 北京交通大学 | 一种用于突发交通事件下道路交通流预测的方法 |
WO2018122801A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种城市道路交通异常检测方法 |
EP3358541A1 (en) * | 2017-02-01 | 2018-08-08 | Kapsch TrafficCom AG | A method of predicting a traffic behaviour in a road system |
CN110390816A (zh) * | 2019-07-18 | 2019-10-29 | 电子科技大学 | 一种基于多模型融合的状态判别方法 |
-
2020
- 2020-01-14 CN CN202010035665.1A patent/CN111192456A/zh not_active Withdrawn
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070208497A1 (en) * | 2006-03-03 | 2007-09-06 | Inrix, Inc. | Detecting anomalous road traffic conditions |
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路***通事件自动检测*** |
CN104951791A (zh) * | 2014-03-26 | 2015-09-30 | 华为技术有限公司 | 数据分类方法和装置 |
CN104298729A (zh) * | 2014-09-28 | 2015-01-21 | 小米科技有限责任公司 | 数据分类方法及装置 |
CN104778837A (zh) * | 2015-04-14 | 2015-07-15 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
WO2018122801A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种城市道路交通异常检测方法 |
EP3358541A1 (en) * | 2017-02-01 | 2018-08-08 | Kapsch TrafficCom AG | A method of predicting a traffic behaviour in a road system |
CN107392115A (zh) * | 2017-06-30 | 2017-11-24 | 中原智慧城市设计研究院有限公司 | 一种基于分层特征提取的交通标志识别方法 |
CN107742420A (zh) * | 2017-09-22 | 2018-02-27 | 北京交通大学 | 一种用于突发交通事件下道路交通流预测的方法 |
CN110390816A (zh) * | 2019-07-18 | 2019-10-29 | 电子科技大学 | 一种基于多模型融合的状态判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Image-based visibility estimation algorithm for intelligent transportation systems | |
CN116504076A (zh) | 基于etc门架数据的高速公路车流量预测方法 | |
CN109146144A (zh) | 基于改进贝叶斯网络的滑坡灾害预测方法 | |
CN110675626B (zh) | 基于多维数据的交通事故黑点预测方法、装置及介质 | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、*** | |
CN113570862B (zh) | 一种基于XGboost算法的大型交通拥堵预警方法 | |
CN112507624B (zh) | 一种城际公路出行方式识别模型构建、识别方法及装置 | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
CN116168356A (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN117133099A (zh) | 一种用于高速公路高边坡灾变的自动监测*** | |
CN117172461A (zh) | 自动驾驶公交调度***及基于客流预测的公交调度方法 | |
CN112149922A (zh) | 高速公路隧道下行线出入口区域事故严重程度预测方法 | |
CN111192456A (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及*** | |
CN115941807A (zh) | 一种园区安防***数据高效压缩方法 | |
Žunić et al. | Cluster-based analysis and time-series prediction model for reducing the number of traffic accidents | |
CN114116756A (zh) | 一种工程造价数据修正***及其方法 | |
CN116401944B (zh) | 一种基于大数据的智慧交通管理*** | |
CN116699730B (zh) | 一种基于边缘计算的道路团雾预测方法 | |
CN117270913B (zh) | 地图更新方法、装置、电子设备和存储介质 | |
CN116884225B (zh) | 评估自动驾驶车辆比例对交通效率影响的方法及装置 | |
CN117058888B (zh) | 一种交通大数据处理方法及其*** | |
Wang | Road condition perception model based on adaptive dynamic path planning algorithm and time series. | |
CN113570846B (zh) | 一种交通警情态势分析研判方法、设备及可读存储介质 | |
CN111833601B (zh) | 一种低通信开销的宏观交通规律建模方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200522 |
|
WW01 | Invention patent application withdrawn after publication |