CN111583649A - 一种rfid时空数据交通流特征参数预测方法 - Google Patents

Abstract

本发明公开了一种RFID时空数据交通流特征参数预测方法，包括以下步骤：S1：获取RFID采集目标路段的交通数据，对交通数据进行时空相关性分析；S2：获取影响目标路段交通状态的交通流特征参数和能够反映目标路段交通状态的交通流特征参数的相关性；S3：预测目标路段在交通流稳定状态和交通流不稳定状态下的交通流特征参数；S4：对两种状态下的交通流特征参数进行加权组合。本发明克服了现有的预测方法计算量大、实时性和抗干扰能力差、预测精度不高、预测效率低等问题具有可以实现准确、全面、可靠的交通流特征参数预测，为改善交通拥堵问题提供了一种新思路的优点。

Description

一种RFID时空数据交通流特征参数预测方法

技术领域

本发明涉及交通领域，具体的，涉及一种RFID时空数据交通流特征参数预测方法。

背景技术

准确、全面、可靠地掌握交通流特征参数预测信息是实现交通控制、交通诱导和提供实时交通信息的前提、基础和关键。目前，国内外对于交通参数的预测大多是通过相机传感器、环形线圈、出租车GPS、浮动车等获取的大量数据进行分析研究。然而，一方面，有些传感器在恶劣环境中不能很好的识别车辆信息；另一方面，有些传感器采集的数据大多都是抽样数据。本发明提供了一种新兴RFID电子车牌采集技术，这种技术不受天气影响，并且获取数据是全样本数据，而且具有高效、可靠的感知车辆信息的能力。

通过查阅相关论文和专利，现有的交通流特征参数预测方法大多是计算量大、实时性和抗干扰能力差、预测精度不高、预测效率低等。

发明内容

有鉴于此，本发明的目的是提供一种RFID时空数据交通流特征参数预测方法，。

本发明的目的是通过以下技术方案实现的：

一种RFID时空数据交通流特征参数预测方法，包括以下步骤：

S1：获取RFID采集目标路段的交通数据，对交通数据进行时空相关性分析；

S2：获取影响目标路段交通状态的交通流特征参数和能够反映目标路段交通状态的交通流特征参数的相关性；

S3：预测目标路段在交通流稳定状态和交通流不稳定状态下的交通流特征参数；

S4：对两种状态下的交通流特征参数进行加权组合。

进一步，所述S1具体为：

获取通过目标路段每一个车辆的RFID基站号、车辆ID号和车辆经过采集点的时间；

对获取的信息数据叠加形成时空数据矩阵；

分析每个采样时刻与该时刻的采集点数量的相关性。

进一步，所述影响目标路段交通状态的交通流特征参数包括上游标准车流量、慢行车比例、大型车比例和路口转向流量占比；

所述能够反映目标路段交通状态的交通流特征参数包括平均行程时间和下游路口标准车流量。

进一步，所述S2所述的相关性获取方法为：

y_i＝b₀+b₁x₁+b₂x₂+b₃x₃+b₄x₄

其中，

表示偏回归系数，

x₁为所述上游标准车流量，x₂为所述慢行车比例，x₃为所述大型车比例，x₄为所述路口转向流量占比；

y₁为所述平均行程时间，y₂为所述下游路口标准车流量。

进一步，所述交通流不稳定状态的交通流特征参数的预测方法为：建立紧致型小波神经网络模型，使得输入层为所述上游标准车流量、所述慢行车比例、所述大型车比例和所述路口转向流量占比，输出层为所述平均行程时间和所述下游路口标准车流量；

所述交通流稳定状态的交通流特征参数的预测方法为：建立马尔科夫模型，预测下一时刻的目标路段的所述平均行程时间和所述下游路口标准车流量。

进一步，所述S4所述的加权组合的权值的设定条件为：预测的所述平均行程时间与实际的所述平均行程时间绝对误差应小于2-4s，预测的所述标准车流量与实际的所述标准车流量绝对误差应小于1-2.5pcu。

进一步，当不满足所述设定条件时，判定r_W1与r_M1、r_W2与r_M2的关系；

当r_W1大于r_M1，r_W2大于r_M2，选择所述小波神经网络模型模型的预测值作为预测结果，否则，选择所述马尔科夫模型预测值作为预测结果。

本发明的有益效果是：

本发明克服了现有的预测方法计算量大、实时性和抗干扰能力差、预测精度不高、预测效率低等问题具有可以实现准确、全面、可靠的交通流特征参数预测，为改善交通拥堵问题提供了一种新思路的优点。

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，其中：

图1为本发明总体流程示意图；

图2紧致型小波神经网络交通参数预测模型。

具体实施方式

以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

本实施提出了一种RFID时空数据交通流特征参数预测方法，如图1所示，具体的：

首先，获取RFID采集目标路段的交通数据，对交通数据进行时空相关性分析。RFID电子车牌***是通过安装在道路上的阅读器读取装有电子标签的车辆，并把采集的信息存储在数据库处理中心，采集的车辆数据信息主要包括RFID基站号、车辆ID号、车辆经过采集点的时间等，并对数据进行预处理。根据选取的目标路段上的RFID基站，以及影响目标路段交通状态的其他路段上的RFID基站，使用MySQL软件进行编程，查询所有通过选取得RFID基站车辆ID号、通过时间、以及相同的行驶方向。

对获取的信息叠加处理形成时空数据矩阵，具体为：

式中，α_mn表示RFID采集车辆在n时刻通过第m个采集点的信息。

为了进一步说明数据之间具有很强的时空相关性，包括：时间相关性和空间相关性，获取每个采样时刻与该时刻的采集点数量的时空数据窗口，采用协方差和协方差矩阵分析两者之间的相关性，当协方差是在正值时，说明两个变量正相关，否则为负相关，计算公式如下所示：

其中，X表示采样时刻，Y表示采集点。此外，为了表示方便计算公式只列出来时空相关性，还可以表示时间上的相关性和空间上的相关性。通过分析相关性可以获得在同一时间不同采集点、不同时间相同采集点、不同时间不同采集点选取与计算的交通流特征参数。把能够影响目标路段交通状态的交通流特征参数作为建立模型的输入，能够反映目标路段交通状态的交通流特征参数作为建立模型输出的预测值。

设定预测时间窗口，本实施例的时间窗口设定为60S，每次预测的时间单位为秒。

第三，为了使选取的交通流特征参数能够充分体现在建立的组合模型上，分别采用小波神经网络模型和马尔科夫模型对目标路段的交通流特征参数进行预测，其中交通流特征参数包括能够影响目标路段交通状态的交通流特征参数和能够反映目标路段交通状态的交通流特征参数，能够影响目标路段交通状态的交通流特征参数为自变量X＝{x₁,x₂,x₃,x₄}，x₁,x₂,x₃,x₄分别代表上游标准车流量、慢行车比例、大型车比例和路口转向流量占比作为模型的输入，计算方法为：

上游标准车流量计算公式：x₁＝∑λ_m·V_m

慢行车比例计算公式：x₂＝V_slow/V_all

大型车比例计算公式：x₃＝V_big/V_all

路口转向流量占比计算公式：x₄＝V_relative/V_objective

式中，λ_m是第m种车型的折算系数，V_m是单位时间内通过上游路段上RFID电子车牌阅读器所在断面的第m种车型的数量，V_slow是单位时间内通过指定RFID电子车牌采集点断面安装有RFID电子车牌的慢行车数量，V_big是单位时间内通过指定RFID电子车牌采集点断面安装有RFID电子车牌的大型车数量，V_all是单位时间内通过指定RFID电子车牌采集点断面所有安装有RFID电子车牌的机动车的数量，V_relative表示单位时间内从某个相关路段进入到目标路段的机动车数量，V_objective表示单位时间内目标路段行驶的机动车总数量。

Y＝{y₁,y₂}为因变量，分别代表平均行程时间和下游路口标准车流量作为模型输出的预测值，两者的计算方式具体为：

平均行程时间计算公式：

下游标准车流量计算公式：y₂＝∑λ_m·V_m

式中，n表示单位时间内通过目标路段的机动车总数量，

是第k辆车经过目标路段下游路口RFID电子车牌采集点所在断面时间，

是第k辆车经过目标路段的上游路口RFID电子车牌采集点所在断面时间，λ_m是第m种车型的折算系数，V_m是单位时间内通过下游路段上RFID电子车牌阅读器所在断面的第m种车型的数量。

为了获取X和Y的相关性，建立多元回归相关分析模型，计算公式如下所示：

y_i＝b₀+b₁x₁+b₂x₂+b₃x₃+b₄x₄

其中，

表示偏回归系数，

小波神经网络模型是在交通流不稳定状态的交通流特征参数的预测方法，具体为：其理论模型为下式：

其中，ω_ij是连接输入层i和隐含层j的权值，ω_jp是连接隐含层j和输出层p的权值；ψ_a,b是小波基函数；x_w(p)是p时刻对紧致型小波神经网络的输入变量；σ表示的是传递函数。

如图2所示，其上游的标准车流量、慢行车比例、大型车比例、路口转向流量占比作为小波神经网络的输入层，目标路段平均行程时间、下游标准车流量作为输出层，其输出值作为小波神经网络模型的预测值。

马尔科夫模型为针对稳定的交通状态以及选取的交通流特征参数，对平均行程时间和下游路口标准车流量进行预测的方法。为了构造一个马尔科夫交通参数预测模型，需要知道交通参数所属的状态，根据所属的交通状态求出状态转移矩阵，使用状态转移矩阵对未来时刻的城市道路交通特征参数进行预测。具体步骤包括：

(1)确定状态转移概率，如下式所示：

式中，p(x_i(t-1))→x_j(t))表示的是当前t-1时刻状态转移到t时刻状态的概率，m_i表示的是x_i在不同时段出现的次数，m_ij表示的是状态x_i转移到状态x_j的次数。

(2)确定状态转移矩阵，如下式所示：

其中，需要满足以下条件：

(3)确定状态转移矩阵，如下式所示：

x_k＝x(t＝k)＝p×x(t＝k-1)

其中，x_k指的是k时刻的预测值，p为状态转移概率，x(t＝k-1)指的是状态边界值。

(4)确定预测方程，如下式所示：

y_k＝Hx_k+ε_k

式中，y_k表示的是k时刻的观测值，ε_k表示的是k时刻的观噪声；H表示的是观测系数，一般用单位矩阵E表示。

针对马尔科夫模型和小波神经网络模型的单一模型的预测值，将两者进行加权组合，得到下式组合模型的预测值，可表示为：

式中，

为小波神经网络模型的预测值，

为马尔科夫模型的预测值，k₁，k₂，k₃，k₄为权值，权值根据误差情况进行自适应调整，具体按照前一时刻预测误差进行修正，使预测值满足预设条件，本实施例采用的预设条件具体为：

预测的行程时间与实际的行程时间绝对误差应小于2-4s，预测的标准车流量与实际的标准车流量绝对误差应小于1-2.5pcu，如果满足设定条件，则预测值采用组合预测得到的结果，其中组合模型的预测误差可以表示为：

式中：ΔT_W-M(t)为预测的行程时间与实际的行程时间的绝对误差；

ΔQ_W-M(t)为预测的标准车流量与实际的标准车流量绝对误差。

若不满足预设条件，采用0-1组合预测模型对交通参数进一步预测。该模型是基于小波神经网络模型预测值和马尔科夫模型预测值与实际交通真实值的相关系数极大化准则来预测交通参数的，以提高交通参数的预测精度。具体公式如下：

式中，r_W1，r_M1表示的是小波神经网络模型行程时间预测值和马尔科夫模型行程时间预测值与实际交通真实值的相关系数，r_W2，r_M2表示的是小波神经网络模型下游标准车流量预测值和马尔科夫模型下游标准车流量预测值与实际交通真实值的相关系数。当r_W1大于r_M1，r_W2大于r_M2，说明小波神经网络模型的预测值与真实值之间的相关性更高，交通参数预测值与真实值更接近，此时选择小波神经网络模型的预测值作为预测结果，否则，选择马尔科夫模型预测值作为预测结果。

另t＝t+1，判断t是否小于60，若小于，则继续进行上述步骤，继续对下一时刻的交通流特征进行预测，否则结束。

为了验证上述方法的准确性，选取平均绝对误差(MeanAbsolute Error，MAE)、平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)、均方误差(Mean SquareError，MSE)、均方根误差(Root Mean Square Error，RMSE)和均方百分比误差(MeanSquare Percentage Error，MSPE)对预测结果进行分析，其值越小更能说明模型的预测精确度越高，进一步能够验证所提算法的有效性和准确性，计算公式如下：

MAE的具体公式为：

MAPE的具体公式为：

MSE的具体公式为：

RMSE的具体公式为：

MSPE的具体公式为：

式中，

表示的是预测值，

表示实际交通中获取的真实值，N表示预测值的数量。

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权利要求范围当中。

Claims (7)

1.一种RFID时空数据交通流特征参数预测方法，其特征在于：包括以下步骤：

S1：获取RFID采集目标路段的交通数据，对交通数据进行时空相关性分析；

S2：获取影响目标路段交通状态的交通流特征参数和能够反映目标路段交通状态的交通流特征参数的相关性；

S3：预测目标路段在交通流稳定状态和交通流不稳定状态下的交通流特征参数；

S4：对两种状态下的交通流特征参数进行加权组合。

2.根据权利要求1所述的一种RFID时空数据交通流特征参数预测方法，其特征在于：所述S1具体为：

获取通过目标路段每一个车辆的RFID基站号、车辆ID号和车辆经过采集点的时间；

对获取的信息数据叠加形成时空数据矩阵；

分析每个采样时刻与该时刻的采集点数量的相关性。

3.根据权利要求1所述的一种RFID时空数据交通流特征参数预测方法，其特征在于：

所述影响目标路段交通状态的交通流特征参数包括上游标准车流量、慢行车比例、大型车比例和路口转向流量占比；

所述能够反映目标路段交通状态的交通流特征参数包括平均行程时间和下游路口标准车流量。

4.根据权利要求3所述的一种RFID时空数据交通流特征参数预测方法，其特征在于：所述S2所述的相关性获取方法为：

y_i＝b₀+b₁x₁+b₂x₂+b₃x₃+b₄x₄

其中，

表示偏回归系数，

x₁为所述上游标准车流量，x₂为所述慢行车比例，x₃为所述大型车比例，x₄为所述路口转向流量占比；

y₁为所述平均行程时间，y₂为所述下游路口标准车流量。

5.根据权利要求4所述的一种RFID时空数据交通流特征参数预测方法，其特征在于：

所述交通流不稳定状态的交通流特征参数的预测方法为：建立紧致型小波神经网络模型，使得输入层为所述上游标准车流量、所述慢行车比例、所述大型车比例和所述路口转向流量占比，输出层为所述平均行程时间和所述下游路口标准车流量；

所述交通流稳定状态的交通流特征参数的预测方法为：建立马尔科夫模型，预测下一时刻的目标路段的所述平均行程时间和所述下游路口标准车流量。

6.根据权利要求5所述的一种RFID时空数据交通流特征参数预测方法，其特征在于：所述S4所述的加权组合的权值的设定条件为：预测的所述平均行程时间与实际的所述平均行程时间绝对误差应小于2-4s，预测的所述标准车流量与实际的所述标准车流量绝对误差应小于1-2.5pcu。

7.根据权利要求6所述的一种RFID时空数据交通流特征参数预测方法，其特征在于：当不满足所述设定条件时，判定r_W1与r_M1、r_W2与r_M2的关系；

当r_W1大于r_M1，r_W2大于r_M2，选择所述小波神经网络模型模型的预测值作为预测结果，否则，选择所述马尔科夫模型预测值作为预测结果。

Images