CN112102610A - 一种交通流量预测方法 - Google Patents
一种交通流量预测方法 Download PDFInfo
- Publication number
- CN112102610A CN112102610A CN202010733669.7A CN202010733669A CN112102610A CN 112102610 A CN112102610 A CN 112102610A CN 202010733669 A CN202010733669 A CN 202010733669A CN 112102610 A CN112102610 A CN 112102610A
- Authority
- CN
- China
- Prior art keywords
- flow
- point
- traffic
- acquisition
- points
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000009916 joint effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通流量预测方法,包括以下步骤:S1、获取交通流量的数据集;S2、对数据集中不同的流量采集点,计算任意两流量采集点间的相关系数,并生成相关系数矩阵;S3、根据相关系数获得与流量采集点相关的参考点点集;S4、以背景信息为依据,分别获取流量采集点和参考点点集的历史平均预测值;S5、获取流量采集点的参考采集点权重;S6、将参考点点集及流量采集点的历史平均预测值和流量采集点的参考采集点权重进行加权求和,获得流量采集点的交通流量预测值。本发明将流量采集点的相关的其他节点的流量信息进行关联,并与交通流量的历史平均值方法相结合,预测精度相对较高,且不需大量消耗计算资源,提高了计算速度。
Description
技术领域
本发明涉及道路交通监测领域,尤其涉及一种交通流量预测方法。
背景技术
交通流量预测有多种方法,传统方法包括历史平均值算法,整合移动平均自回归模型(ARIMA)算法等。最近由于机器学习的崛起,存在着利用长短时记忆机制(LSTM)和其变体扩散卷积循环神经网络(DCRNN)等新型算法。对于传统算法,大多只考虑交通流量采集点本身的流量信息作为参考给出预测,对于新型的机器学习算法,由于其需要大量的计算资源和计算时间,且一般机器学习算法预测长度较短,如1小时,不能满***通预测对于快速长时高效的要求。
发明内容
本发明目的是解决现有技术中预测精度不高,数据处理速度较慢的问题,提出一种交通流量预测方法。
本发明提出的一种交通流量预测方法,包括以下步骤:S1、获取交通流量的数据集;S2、对数据集中不同的流量采集点p,计算任意两个流量采集点之间的相关系数,并生成相关系数矩阵S3、根据相关系数获得与流量采集点p相关的参考点点集RP;S4、以背景信息为依据,分别获取流量采集点p和参考点点集RP的历史平均预测值;S5、获取流量采集点p的参考采集点权重S6、将参考点点集RP的历史平均预测值、流量采集点p的历史平均预测值和流量采集点的参考采集点权重进行加权求和,获得流量采集点p的交通流量预测值vp。
优选地,所述交通流量预测方法还包括步骤S7、对数据集中的各流量采集点进行验证以剔除流量采集点中的噪声点。
根据各流量采集点的历史流量平均值计算各流量采集点之间的Pearson相关系数;
优选地,所述背景信息包括以下因素之一:所述背景信息为节假日/工作日因素作用下的时间段;所述背景信息为节假日/工作日以及天气信息因素共同作用下的时间段。
优选地,所述参考点点集RP为与流量采集点p的相关系数大于8的相关流量采集点,且参考点点集RP中相关流量采集点的个数小于等于10。
优选地,步骤S6中获得流量采集点p的交通流量预测值的方法包括:根据背景信息,获取扩展点集的交通流量并取其平均值作为其历史平均预测值将参考采集点权重与扩展点集的历史平均预测值的转置矩阵做积,获取流量采集点p的交通流量预测值
优选地,步骤S7中剔除噪声点的方法包括:将流量采集点p的交通流量预测值vp以及其历史平均预测值均与实际交通流量值相比较,通过平均绝对误差MAE判断流量采集点p是否为噪声点;若流量采集点p的交通流量预测值vp的平均绝对误差MAE较小,则标记该流量采集点为区域划分背景预测点;否则,将该流量采集点认为噪声点。
优选地,对数据集中的各流量采集点进行验证时,所选取的时间维长度与流量采集点p进行交通流量预测所选取的时间维长度不同。
优选地,所述时间维长度为N个以5分钟为一个时间区段的时长,验证时所选取的时间维长度小于进行交通流量预测时所选取的时间维长度。
本发明的有益效果包括:在预测流量采集点的流量时,通过关联流量采集点周围相关节点的流量信息并结合交通流量的历史平均值方法,本发明的交通流量预测方法相较于只考虑流量采集点本身流量信息的现有预测方法,其预测精度相对较高,且不需要大量消耗计算资源,计算速度显著提高。
附图说明
图1是本发明一种交通流量预测方法的流程图。
具体实施方式
下面结合具体实施方式并对照附图对本发明做进一步详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
参照以下附图,将描述非限制性和非排他性的实施例,其中相同的附图标记表示相同的部件,除非另外特别说明。
本实施例提出一种交通流量预测方法,包括以下步骤:
S1、获取交通流量的数据集。
数据集中包括了数个月的交通流量状况,本实施例选取的时间段为2019年2月1日至2019年4月30日,数据采集点为101个,以每5分钟为一个时间区段t,在该时间段采集点累计通过的车流量,将各个采集点的流量记录并汇总生成数据集。对于该数据集,在一些实施例中,选取的时间段中的时间区段t的个数为L(也即为时间维长度),即L=12*24*(28+31+30)=25632,可以将数据集根据时长分为训练集、验证集和测试集,如训练集的时间维长度为L*0.7,验证集的时间维长度为L*0.1,测试集的时间维长度为L*0.2,在此不做限定;不同的时间维长度为N个以5分钟为一个时间区段的不同时长,N=0,1···n。
用来表示在第i个时间段第p个数据采集点的流量信息,i=0,1,···Ltrain,流量采集点p的历史流量信息为数据集上全部的时间区段t的流量信息,根据该流量信息获取其历史流量平均值其中,Ltrain为时间维长度,可取Ltrain=L*0.7。
根据各流量采集点的历史流量平均值计算各流量采集点之间的Pearson相关系数。
S3、根据相关系数获得与流量采集点p相关的参考点点集RP。
其中,参考点点集RP为与流量采集点p的相关系数大于8的相关流量采集点,且参考点点集RP中相关流量采集点的个数小于等于10。
S4、以背景信息为依据,分别获取流量采集点p和参考点点集RP的历史平均预测值。
其中,背景信息包括以下因素之一:(a)背景信息为节假日/工作日因素作用下的时间段;(b)背景信息为节假日/工作日以及天气信息因素共同作用下的时间段。具体地如:对于(a),以周为单位,一个时间区段为5分钟,每日共存在288个时间区段,计作I=[00:00-00:05,00:05-00:10,...,23:55-0:00],每周7天计作DI=[周一,周二,···,周日],对于某一周天s∈DI,对于某时间区段t∈I,将数据集中所有在s周天t时间段的交通流量拿出来求其平均值,形成流量采集点p的历史平均预测值作为对于所有s周天t时间区段的历史平均预测值。对于(b),具体与上述(a)类似,存在三个筛选条件:第一个是时间区段I=[00:00-00:05,00:05-00:10,...,23:55-0:00],第二个是工作日性质Dw=[工作日,节假日],第三个是当天的天气信息,天气分为四个种类W=[暴雨,中小雨,阴天,晴天],某周天s∈Dw,某时间区段t∈I,某种天气状况w∈W,将数据集中所有在s天t时间段w天气状况的交通流量拿出来取其平均,形成流量采集点p的历史平均预测值作为对于所有s天t时间段w天气状况的历史平均预测值。在实际实验中,背景信息因素为b时,预测结果更为准确。以上述求取平均值的方法,获取参考点点集RP的历史平均预测值vR。
对于每个流量采集点,取与其相关系数大于0.8且个数不超过10个的其他流量采集点作为参考采集点,可得到一系列点集,形成流量采集点的参考点点集RP={q1,q2···qk}。由流量采集点p和参考点点集Rp构造扩展点集通过相关系数矩阵获取流量采集点p与扩展点集的相关系数对相关系数进行归一化处理获得参考采集点权重
上述交通流量预测方法,将相关系数矩阵与流量采集点的流量历史平均值相融合,并根据不同的背景信息,采取不同时期的历史平均值的复合作为历史平均预测值。由于融合了与流量采集点相关的其他节点的流量信息,所以预测精度相较传统算法有所提高。而且由于采用平均值计算所以并不大量消耗计算资源,计算速度相较于机器学习算法有明显优势。
在本实施例中,为了提高预测准确度,交通流量预测方法还包括步骤S7、对数据集中的各流量采集点进行验证以剔除流量采集点中的噪声点。
由数据集生成时间维度上的验证集;将流量采集点p的交通流量预测值vp以及其历史平均预测值均与实际交通流量值相比较,通过平均绝对误差MAE判断流量采集点p是否为噪声点;若流量采集点p的交通流量预测值vp的平均绝对误差MAE较小,则标记该流量采集点为区域划分背景预测点;否则,将该流量采集点认为噪声点。通过上述验证,可以去除掉在进行区域划分时划分进去的噪声点。
其中,对数据集中的各流量采集点进行验证时,所选取的时间维长度与流量采集点p进行交通流量预测所选取的时间维长度不同;验证时所选取的时间维长度小于进行交通流量预测时所选取的时间维长度。
本实施例的一次实际实验数据如下:
某10个采集点采用新方法的预测效果提升值
采集点id | 平均绝对误差降低 |
57444 | -6.99% |
57443 | -6.42% |
47262 | -6.26% |
55902 | -5.13% |
47261 | -4.89% |
42642 | -3.82% |
55871 | -3.59% |
55874 | -2.94% |
57292 | -2.86% |
55872 | -2.76% |
在本实施例中,采用交通流量预测方法与采用历史平均预测法获得的预测结果相比,预测精度相对于传统方法提高2%~13%,且不消耗计算资源;更能反应路口的区域特征和在不同背景下的流量特征;一般机器学习算法预测长度为1小时,本发明提供的预测方法的预测时长可达数天至数月。有利于交通道路规划及根据不同地区流量预期值,交通管理部门可合理规划交通管理人员的上岗时间和上岗位置。
本领域技术人员将认识到,对以上描述做出众多变通是可能的,所以实施例和附图仅是用来描述一个或多个特定实施方式。
尽管已经描述和叙述了被看作本发明的示范实施例,本领域技术人员将会明白,可以对其做出各种改变和替换,而不会脱离本发明的精神。另外,可以做出许多修改以将特定情况适配到本发明的教义,而不会脱离在此描述的本发明中心概念。所以,本发明不受限于在此披露的特定实施例,但本发明可能还包括属于本发明范围的所有实施例及其等同物。
Claims (10)
2.如权利要求1所述的交通流量预测方法,其特征在于,所述交通流量预测方法还包括步骤S7、对数据集中的各流量采集点进行验证以剔除流量采集点中的噪声点。
4.如权利要求1所述的交通流量预测方法,其特征在于,所述背景信息包括以下因素之一:所述背景信息为节假日/工作日因素作用下的时间段;所述背景信息为节假日/工作日以及天气信息因素共同作用下的时间段。
5.如权利要求1所述的交通流量预测方法,其特征在于,所述参考点点集Rp为与流量采集点p的相关系数大于8的相关流量采集点,且参考点点集Rp中相关流量采集点的个数小于等于10。
8.如权利要求2所述的交通流量预测方法,其特征在于,步骤S7中剔除噪声点的方法包括:
将流量采集点p的交通流量预测值vp以及其历史平均预测值均与实际交通流量值相比较,通过平均绝对误差MAE判断流量采集点p是否为噪声点。
9.如权利要求2所述的交通流量预测方法,其特征在于,对数据集中的各流量采集点进行验证时,所选取的时间维长度与流量采集点p进行交通流量预测所选取的时间维长度不同。
10.如权利要求9所述的交通流量预测方法,其特征在于,所述时间维长度为N个以5分钟为一个时间区段的时长,验证时所选取的时间维长度小于进行交通流量预测时所选取的时间维长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010733669.7A CN112102610A (zh) | 2020-07-27 | 2020-07-27 | 一种交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010733669.7A CN112102610A (zh) | 2020-07-27 | 2020-07-27 | 一种交通流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112102610A true CN112102610A (zh) | 2020-12-18 |
Family
ID=73749526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010733669.7A Pending CN112102610A (zh) | 2020-07-27 | 2020-07-27 | 一种交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102610A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298359A (zh) * | 2021-12-27 | 2022-04-08 | 中国民航信息网络股份有限公司 | 航班订座数量的预测方法及装置、存储介质及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700255A (zh) * | 2013-12-30 | 2014-04-02 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
CN106971547A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 一种考虑时空相关性的短时交通流预测方法 |
CN108629979A (zh) * | 2018-06-12 | 2018-10-09 | 浙江工业大学 | 一种基于历史和周边路口数据的拥堵预测算法 |
CN109544926A (zh) * | 2018-12-06 | 2019-03-29 | 中国公路工程咨询集团有限公司 | 一种基于路口相关性的交通流量修复方法 |
CN110517481A (zh) * | 2019-07-26 | 2019-11-29 | 厦门卫星定位应用股份有限公司 | 车流量预测方法、介质、设备及装置 |
CN110517479A (zh) * | 2018-05-22 | 2019-11-29 | 杭州海康威视***技术有限公司 | 一种城市道路交通预测方法、装置及电子设备 |
US20200082712A1 (en) * | 2017-05-15 | 2020-03-12 | Quantumgate Inc. | System of traffic forecasting |
CN111080029A (zh) * | 2019-12-26 | 2020-04-28 | 山东大学 | 基于多路段时空相关的城市交通路段速度预测方法及*** |
-
2020
- 2020-07-27 CN CN202010733669.7A patent/CN112102610A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700255A (zh) * | 2013-12-30 | 2014-04-02 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
US20200082712A1 (en) * | 2017-05-15 | 2020-03-12 | Quantumgate Inc. | System of traffic forecasting |
CN106971547A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 一种考虑时空相关性的短时交通流预测方法 |
CN110517479A (zh) * | 2018-05-22 | 2019-11-29 | 杭州海康威视***技术有限公司 | 一种城市道路交通预测方法、装置及电子设备 |
CN108629979A (zh) * | 2018-06-12 | 2018-10-09 | 浙江工业大学 | 一种基于历史和周边路口数据的拥堵预测算法 |
CN109544926A (zh) * | 2018-12-06 | 2019-03-29 | 中国公路工程咨询集团有限公司 | 一种基于路口相关性的交通流量修复方法 |
CN110517481A (zh) * | 2019-07-26 | 2019-11-29 | 厦门卫星定位应用股份有限公司 | 车流量预测方法、介质、设备及装置 |
CN111080029A (zh) * | 2019-12-26 | 2020-04-28 | 山东大学 | 基于多路段时空相关的城市交通路段速度预测方法及*** |
Non-Patent Citations (1)
Title |
---|
李岩: "《过饱和状态下交叉口***通运行分析与信号控制》", 30 March 2012 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298359A (zh) * | 2021-12-27 | 2022-04-08 | 中国民航信息网络股份有限公司 | 航班订座数量的预测方法及装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555561B (zh) | 一种中长期径流集合预报方法 | |
Alberth | Forecasting technology costs via the experience curve—myth or magic? | |
El-Fouly et al. | One day ahead prediction of wind speed using annual trends | |
US20240054321A1 (en) | Traffic prediction | |
Liao et al. | Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique | |
CN114037138A (zh) | 基于双层分解和深度学习的地铁短时进站客流预测***及实施方法 | |
Gupta et al. | Very short term wind power prediction using hybrid univariate ARIMA-GARCH model | |
CN114580762A (zh) | 一种基于XGBoost的水文预报误差校正方法 | |
CN115271253A (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
Hatalis et al. | A novel smoothed loss and penalty function for noncrossing composite quantile estimation via deep neural networks | |
CN112102610A (zh) | 一种交通流量预测方法 | |
Chen et al. | Short-term traffic states forecasting considering spatial–temporal impact on an urban expressway | |
CN101957941A (zh) | 基于时间趋势的融合显著性和敏感性来识别凸现问题的方法 | |
Rasaizadi et al. | Short‐Term Prediction of Traffic State for a Rural Road Applying Ensemble Learning Process | |
Abrishami et al. | Using real-world store data for foot traffic forecasting | |
Fışkın et al. | Forecasting domestic shipping demand of cement: comparison of SARIMAX, ANN and hybrid SARIMAX-ANN | |
Chang et al. | Traffic-flow forecasting using a 3-stage model | |
CN108134687B (zh) | 一种基于马尔可夫链的灰色模型局域网峰值流量预测方法 | |
Jeon et al. | Reconciliation of probabilistic forecasts with an application to wind power | |
Hanapi et al. | Developed a hybrid sliding window and GARCH model for forecasting of crude palm oil prices in Malaysia | |
Lee et al. | Bike-sharing demand prediction based on artificial intelligence algorithm using weather data | |
Deng et al. | Real-time freeway traffic state estimation based on cluster analysis and multiclass support vector machine | |
CN113852069A (zh) | 一种含源荷不确定性的地区电网经济调度优化方法及*** | |
Arandia et al. | The effect of temporal resolution on the accuracy of forecasting models for total system demand | |
CN102404173B (zh) | Web服务吞吐率预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201218 |