CN112365705A - 确定道路交通量的方法 - Google Patents
确定道路交通量的方法 Download PDFInfo
- Publication number
- CN112365705A CN112365705A CN202010876092.5A CN202010876092A CN112365705A CN 112365705 A CN112365705 A CN 112365705A CN 202010876092 A CN202010876092 A CN 202010876092A CN 112365705 A CN112365705 A CN 112365705A
- Authority
- CN
- China
- Prior art keywords
- neural network
- output
- wavelet
- wavelet neural
- traffic
- 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.)
- Granted
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供的一种确定道路交通量的方法,包括以下步骤:S1.采集目标道路的历史交通信息;S2.将历史交通信息构成学***均车速信息计算目标道路在预测时段的交通流量;通过上述方法,能够对目标道路的历史数据准确预测出当前时段的交通量信息,从而为交通管控和交通诱导提供准确的数据支持,而且,能够有效确保数据的准确性,能够满足时间跨度和监控范围广的需求。
Description
技术领域
本发明涉及交通领域,尤其涉及一种确定道路交通量的方法。
背景技术
现有技术中,对于道路交通量的获取主要有以下两种方式:一种采用人工统计的方式,其主要针对于短时、阶段性和非连续性的交通量数据获取,但是对于时间跨度较大的交通量的采集,这种方式则无法实现,而且其准确性低。另一种是通过在道路设置传感器、摄像机等设备进行采集,其通过这些数据设备直接或者间接获取交通量数据,但是这种方式存在成本高昂且准确性低,而且也是无法满足时间跨度大、监控范围广的需求。
因此,为了解决上述技术问题,亟需提出一种新的技术手段加以解决。
发明内容
有鉴于此,本发明的目的是提供一种确定道路交通量的方法,能够对目标道路的历史数据准确预测出当前时段的交通量信息,从而为交通管控和交通诱导提供准确的数据支持,而且,能够有效确保数据的准确性,能够满足时间跨度和监控范围广的需求。
本发明提供的一种确定道路交通量的方法,包括以下步骤:
包括以下步骤:
S1.采集目标道路的历史交通信息;
S2.将历史交通信息构成学习数据集,并将学习数据集划分为多个学习数据子集;
S3.将数据子集输入到小波神经网络中对小波神经网络进行训练,并得到预测时段的交通信息;
S4.根据小波神经网络输出的预测时段的交通信息以及预测时段实时采集的平均车速信息计算目标道路在预测时段的交通流量。
进一步,步骤S2具体包括:
将学习数据集按照x个时间间隔进行划分,形成多个学习数据子集S。
进一步,步骤S3中具体包括:
S31.构建小波神经网络,包括输入层、隐藏层以及输出层;
其中,隐藏层节点的输出公式为:
h(i)=cos[1.75·h(j)]e-h(j)/2;
其中,h(j)为隐藏层第j个节点输出值;p为隐藏层节点数;ωij为输入层和隐藏层的连接权值;bj为小波基函数y的平移因子;aj为小波基函数y的伸缩因子;y为小波基函数;
输出层的输出公式为:
其中,ωik为隐藏层到输出层连接权值;h(i)为隐藏层第i个节点输出值;m为输出层节点数;
S32.初始化小波函数的伸缩因子ak、平移因子bk以及网络连接权重ωij、ωjk,并设置网络学习速率η;
S33.将学习数据自己S分为两组,包括用于训练小波神经网络的训练样本和用于对小波神经网络的输出精度进行测试的测试样本;
S34.将训练样本输入到小波神经网络中,并计算网络的期望输出,并且计算网络的实际输出与期望输出的误差w;
S35.根据误差w修正小波神经网络的参数,使得期望输出与实际输出一致;
S36.判断是否达到迭代次数,如是,则结束,如否,则返回步骤S33。
进一步,步骤S35中,根据如下方法进行小波神经网络的参数修正:
误差w根据如下公式计算:
其中,yn(k)为期望输出,y(k)为神经网络实际输出;
小波神经网络的权值以及小波基函数系数根据如下公式进行修正:
其中:
其中,为第i次误差更新中小波基函数的平移因子;为第i次误差更新中小波基函数的平移因子;为第i次误差更新中输入层和隐含层的权值;为第i+1次误差更新中小波基函数的平移因子;为第i+1次误差更新中小波基函数的平移因子;为第i+1次误差更新中输入层和隐含层的权值,η为学习速率。
进一步,步骤S4中,根据如下方法确定交通量Q:
本发明的有益效果:通过本发明,能够对目标道路的历史数据准确预测出当前时段的交通量信息,从而为交通管控和交通诱导提供准确的数据支持,而且,能够有效确保数据的准确性,能够满足时间跨度和监控范围广的需求。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的流程图。
图2为小波神经网络示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步详细说明:
本发明提供的一种确定道路交通量的方法,包括以下步骤:
包括以下步骤:
S1.采集目标道路的历史交通信息;
S2.将历史交通信息构成学习数据集,并将学习数据集划分为多个学习数据子集;
S3.将数据子集输入到小波神经网络中对小波神经网络进行训练,并得到预测时段的交通信息;
S4.根据小波神经网络输出的预测时段的交通信息以及预测时段实时采集的平均车速信息计算目标道路在预测时段的交通流量;通过上述方法,能够对目标道路的历史数据准确预测出当前时段的交通量信息,从而为交通管控和交通诱导提供准确的数据支持,而且,能够有效确保数据的准确性,能够满足时间跨度和监控范围广的需求。
步骤S2具体包括:
将学习数据集按照x个时间间隔进行划分,形成多个学习数据子集S,通过上述方法,利于后续做出准确的计算。
本实施例中,步骤S3中具体包括:
S31.构建小波神经网络,包括输入层、隐藏层以及输出层;
其中,隐藏层节点的输出公式为:
h(i)=cos[1.75·h(j)]e-h(j)/2;
其中,h(j)为隐藏层第j个节点输出值;p为隐藏层节点数;ωij为输入层和隐藏层的连接权值;bj为小波基函数y的平移因子;aj为小波基函数y的伸缩因子;y为小波基函数;
输出层的输出公式为:
其中,ωik为隐藏层到输出层连接权值;h(i)为隐藏层第i个节点输出值;m为输出层节点数;
S32.初始化小波函数的伸缩因子ak、平移因子bk以及网络连接权重ωij、ωjk,并设置网络学习速率η;
S33.将学习数据自己S分为两组,包括用于训练小波神经网络的训练样本和用于对小波神经网络的输出精度进行测试的测试样本;
S34.将训练样本输入到小波神经网络中,并计算网络的期望输出,并且计算网络的实际输出与期望输出的误差w;
S35.根据误差w修正小波神经网络的参数,使得期望输出与实际输出一致;
S36.判断是否达到迭代次数,如是,则结束,如否,则返回步骤S33;也就是说,当达到迭代次数后,小波神经网络输出的交通信息就为预测的当前时段的交通信息,包括小波神经网络输出的车辆制动平均反应时间、小波神经网络输出的车辆制动平均反应间隔、小波神经网络输出的平均车长。
本实施例中,步骤S35中,根据如下方法进行小波神经网络的参数修正:
误差w根据如下公式计算:
其中,yn(k)为期望输出,y(k)为神经网络实际输出;
小波神经网络的权值以及小波基函数系数根据如下公式进行修正:
其中:
其中,为第i次误差更新中小波基函数的平移因子;为第i次误差更新中小波基函数的平移因子;为第i次误差更新中输入层和隐含层的权值;为第i+1次误差更新中小波基函数的平移因子;为第i+1次误差更新中小波基函数的平移因子;为第i+1次误差更新中输入层和隐含层的权值,η为学习速率。
本实施例中,步骤S4中,根据如下方法确定交通量Q:
其中,为小波神经网络输出的当前时段预测车辆制动平均反应时间,为小波神经网络输出的当前时段预测的车辆制动平均反应间隔,为小波神经网络输出的当前时段预测的平均车长,v为当前时段的平均车速,v为当前时段实时采集的平均车速。
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,而不脱离本发明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 (6)
1.一种确定道路交通量的方法,其特征在于:包括以下步骤:
S1.采集目标道路的历史交通信息;
S2.将历史交通信息构成学习数据集,并将学习数据集划分为多个学习数据子集;
S3.将数据子集输入到小波神经网络中对小波神经网络进行训练,并得到预测时段的交通信息;
S4.根据小波神经网络输出的预测时段的交通信息以及预测时段实时采集的平均车速信息计算目标道路在预测时段的交通流量。
4.根据权利要求3所述确定道路交通量的方法,其特征在于:步骤S3中具体包括:
S31.构建小波神经网络,包括输入层、隐藏层以及输出层;
其中,隐藏层节点的输出公式为:
h(i)=cos[1.75·h(j)]e-h(j)/2;
其中,h(j)为隐藏层第j个节点输出值;p为隐藏层节点数;ωij为输入层和隐藏层的连接权值;bj为小波基函数y的平移因子;aj为小波基函数y的伸缩因子;y为小波基函数;
输出层的输出公式为:
其中,ωik为隐藏层到输出层连接权值;h(i)为隐藏层第i个节点输出值;m为输出层节点数;
S32.初始化小波函数的伸缩因子ak、平移因子bk以及网络连接权重ωij、ωjk,并设置网络学习速率η;
S33.将学习数据自己S分为两组,包括用于训练小波神经网络的训练样本和用于对小波神经网络的输出精度进行测试的测试样本;
S34.将训练样本输入到小波神经网络中,并计算网络的期望输出,并且计算网络的实际输出与期望输出的误差w;
S35.根据误差w修正小波神经网络的参数,使得期望输出与实际输出一致;
S36.判断是否达到迭代次数,如是,则结束,如否,则返回步骤S33。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010876092.5A CN112365705B (zh) | 2020-08-27 | 2020-08-27 | 确定道路交通量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010876092.5A CN112365705B (zh) | 2020-08-27 | 2020-08-27 | 确定道路交通量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112365705A true CN112365705A (zh) | 2021-02-12 |
CN112365705B CN112365705B (zh) | 2022-05-27 |
Family
ID=74516709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010876092.5A Active CN112365705B (zh) | 2020-08-27 | 2020-08-27 | 确定道路交通量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365705B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100331167B1 (ko) * | 2000-03-28 | 2002-04-01 | 장태수 | 웨이블렛을 이용한 교차로에서의 차량 대기길이 측정 방법 |
US20050273218A1 (en) * | 1995-06-07 | 2005-12-08 | Automotive Technologies International, Inc. | System for obtaining vehicular information |
CN102682345A (zh) * | 2012-01-11 | 2012-09-19 | 河南科技大学 | 基于双最优学习率快速学习神经网络的交通流预测方法 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
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 |
CN107085942A (zh) * | 2017-06-26 | 2017-08-22 | 广东工业大学 | 一种基于狼群算法的交通流预测方法、装置及*** |
CN107085941A (zh) * | 2017-06-26 | 2017-08-22 | 广东工业大学 | 一种交通流预测方法、装置及*** |
CN107095670A (zh) * | 2017-05-27 | 2017-08-29 | 西南交通大学 | 驾驶员反应时间预测方法 |
CN109067427A (zh) * | 2018-08-16 | 2018-12-21 | 北京科技大学 | 一种基于优化型小波神经网络的跳频序列预测方法 |
CN109147332A (zh) * | 2018-10-16 | 2019-01-04 | 林夏珊 | 一种研究微观交通流的时空分析法 |
CN109492792A (zh) * | 2018-09-28 | 2019-03-19 | 昆明理工大学 | 一种基于粒子群优化小波神经网络输电线路覆冰预测的方法 |
CN110007235A (zh) * | 2019-03-24 | 2019-07-12 | 天津大学青岛海洋技术研究院 | 一种电动汽车蓄电池soc在线预测方法 |
-
2020
- 2020-08-27 CN CN202010876092.5A patent/CN112365705B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050273218A1 (en) * | 1995-06-07 | 2005-12-08 | Automotive Technologies International, Inc. | System for obtaining vehicular information |
KR100331167B1 (ko) * | 2000-03-28 | 2002-04-01 | 장태수 | 웨이블렛을 이용한 교차로에서의 차량 대기길이 측정 방법 |
CN102682345A (zh) * | 2012-01-11 | 2012-09-19 | 河南科技大学 | 基于双最优学习率快速学习神经网络的交通流预测方法 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
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 |
CN107095670A (zh) * | 2017-05-27 | 2017-08-29 | 西南交通大学 | 驾驶员反应时间预测方法 |
CN107085942A (zh) * | 2017-06-26 | 2017-08-22 | 广东工业大学 | 一种基于狼群算法的交通流预测方法、装置及*** |
CN107085941A (zh) * | 2017-06-26 | 2017-08-22 | 广东工业大学 | 一种交通流预测方法、装置及*** |
CN109067427A (zh) * | 2018-08-16 | 2018-12-21 | 北京科技大学 | 一种基于优化型小波神经网络的跳频序列预测方法 |
CN109492792A (zh) * | 2018-09-28 | 2019-03-19 | 昆明理工大学 | 一种基于粒子群优化小波神经网络输电线路覆冰预测的方法 |
CN109147332A (zh) * | 2018-10-16 | 2019-01-04 | 林夏珊 | 一种研究微观交通流的时空分析法 |
CN110007235A (zh) * | 2019-03-24 | 2019-07-12 | 天津大学青岛海洋技术研究院 | 一种电动汽车蓄电池soc在线预测方法 |
Non-Patent Citations (2)
Title |
---|
赵道利等: "基于小波神经网络的短时交通流量预测", 《微型机与应用》 * |
韩直: "基于短时交通流预测的广域动态", 《交通运输***工程与信息》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112365705B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103514366B (zh) | 一种城市空气质量浓度监测缺失数据的修复方法 | |
CN107293115B (zh) | 一种用于微观仿真的交通流量预测方法 | |
CN107066682B (zh) | 用于预测道路网内道路摩擦力的设备和方法 | |
CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
CN104200687B (zh) | 一种驾驶员速度控制行为监测装置及监测方法 | |
CN112242060B (zh) | 交通流量预测方法及装置、计算机设备及可读存储介质 | |
CN107085943B (zh) | 一种道路旅行时间短期预测方法和*** | |
Nåvik et al. | Variation in predicting pantograph–catenary interaction contact forces, numerical simulations and field measurements | |
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*** | |
CN105844038B (zh) | 一种高速公路多类型交通检测器组合优化布设方法 | |
CN111951553A (zh) | 一种基于交通大数据平台与中观仿真模型的预测方法 | |
CN109615860A (zh) | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 | |
CN110533239B (zh) | 一种智慧城市空气品质高精度测量方法 | |
CN111190211B (zh) | 一种gps失效位置预测定位方法 | |
CN105824987A (zh) | 一种基于遗传算法的风场特征统计分布模型建立方法 | |
CN109034225A (zh) | 一种结合随机变量灰性和贝叶斯模型修正的不确定性参数估计方法 | |
CN108600965A (zh) | 一种基于客人位置信息的客流数据预测方法 | |
CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能*** | |
CN113744888B (zh) | 区域流行病趋势预测预警方法及*** | |
CN114492984A (zh) | 粉尘浓度的时空分布预测方法、装置、设备和存储介质 | |
CN113640712B (zh) | 一种舰船垂向感应磁场垂向分量的预测方法 | |
JP3762984B2 (ja) | Od交通量修正システム | |
CN112365705B (zh) | 确定道路交通量的方法 | |
KR102480382B1 (ko) | 인공지능 기반 풍하중 산정 시스템 | |
CN107657147B (zh) | 基于线圈数据的机动车尾气污染物排放量计算方法 |
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 |