CN113344239B - 一种基于两级谱聚类的交通拥堵状况预测方法及*** - Google Patents

一种基于两级谱聚类的交通拥堵状况预测方法及*** Download PDF

Info

Publication number
CN113344239B
CN113344239B CN202110447756.0A CN202110447756A CN113344239B CN 113344239 B CN113344239 B CN 113344239B CN 202110447756 A CN202110447756 A CN 202110447756A CN 113344239 B CN113344239 B CN 113344239B
Authority
CN
China
Prior art keywords
street
traffic flow
clustering
period
time period
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.)
Expired - Fee Related
Application number
CN202110447756.0A
Other languages
English (en)
Other versions
CN113344239A (zh
Inventor
贾伟宽
孟虎
王志芬
贾艺鸣
赵艳娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Normal University
Original Assignee
Shandong Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Normal University filed Critical Shandong Normal University
Priority to CN202110447756.0A priority Critical patent/CN113344239B/zh
Publication of CN113344239A publication Critical patent/CN113344239A/zh
Application granted granted Critical
Publication of CN113344239B publication Critical patent/CN113344239B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于两级谱聚类的交通拥堵状况预测方法及***，首先，获取城市街道的时间信息、街道信息、气象信息；然后，基于两级谱聚类对街道进行聚类，得到各时段街道所属类簇；使用梯度增强回归树模型和多相似推理模型预测下一周期的街道车流量和下一周期内各时段的街道车流量以及街道车辆迁移矩阵；最后根据预测得到的下一周期的街道车流量、下一周期内各时段的街道车流量和街道车辆迁移矩阵综合分析街道拥堵状况，并疏通车辆。

Description

一种基于两级谱聚类的交通拥堵状况预测方法及***
技术领域
本发明属于交通拥堵状况预测领域，具体涉及一种基于两级谱聚类的交通拥堵状况预测方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着经济的发展，在出行方面，方式越来越多，私家车、火车、公共交通工具等可供人们选择的出行的机动车方式在慢慢地变多，一定程度上，机动车出行方式的出现方便了人们的生活，给人们的外出节省了时间，节约了成本。但是随着街道上车辆越来越多，随之而来出现的问题就是出现交通拥堵，拥堵时间久，疏通起来就慢。解决交通堵塞问题，可以减少二氧化碳排放，保护环境。
通过交通拥堵情况的预测可以提前调整不同街道车流量，解决不同街道车流量不均的问题，保证在任何时间任何地点交通保持通畅，以此来解决交通拥堵问题，因此，如何***城市交通路口在一段时间之内车流量，预测各街道的交通拥堵情况是亟待解决的技术问题。
发明内容
本发明为了解决上述问题，提出了一种基于两级谱聚类的交通拥堵状况预测方法及***，
根据一些实施例，本发明采用如下技术方案：
一种基于两级谱聚类的交通拥堵状况预测方法，包括以下步骤：
获取城市各时段街道信息和气象信息；
根据各时段街道信息进行聚类，得到各时段街道所属类簇；
根据各时段街道所属类簇和气象信息，使用梯度增强回归树模型预测下一周期的街道车流量；
根据各时段街道所属类簇和气象信息，使用多相似推理模型预测下一周期内各街道在不同时间段的车流量；
根据预测得到的下一周期的街道车流量、下一周期内各街道在不同时间段的车流量，确定街道拥堵状况。
进一步地，所述根据各时段街道信息进行聚类的具体步骤包括：
根据各时段的街道车流量和街道车流量阈值，将各时段的街道划分为多个级别；
对于每个级别的街道使用两级谱聚类算法进行聚类，得到各时段街道所属类簇。
进一步地，所述两级谱聚类算法的具体步骤为：
(1)根据各时段街道信息统计各时段街道车辆迁移矩阵；
(2)根据街道位置，使用谱聚类将各时段街道聚类成若干类簇；
(3)根据各时段街道车辆迁移矩阵，计算类簇间的车辆迁移矩阵；
(4)根据街道位置、各时段的街道车流量和类簇间的车辆迁移矩阵重新使用谱聚类算法进行聚类，获取最新的聚类结果；
(5)重复执行(3)-(4)，直到聚类结果不再发生变化为止。
进一步地，所述梯度增强回归树模型通过对每个连续树进行构造来进行预测先前树的残差。
进一步地，所述确定街道拥堵状况具体为：
判断街道在某时间段的车流量是否超过下一周期内该街道的车流量，若超过，则街道在该时间段为非常拥堵；若未超过，街道在该时间段为一般拥堵。
进一步地，所述一种基于两级谱聚类的交通拥堵状况预测方法还包括：根据各时段街道所属类簇和气象信息，使用多相似推理模型预测下一周期内各街道在不同时间段的迁入和迁出值。
一种基于两级谱聚类的交通拥堵预测***，包括：
数据获取模块，用于获取城市各时段街道信息和气象信息；
聚类模块，用于根据各时段街道信息进行聚类，得到各时段街道所属类簇；
第一预测模块，用于根据各时段街道所属类簇和气象信息，使用梯度增强回归树模型预测下一周期的街道车流量；
第二预测模块，用于根据各时段街道所属类簇和气象信息，使用多相似推理模型预测下一周期内各街道在不同时间段的车流量；
街道拥堵状况确定模块，用于根据预测得到的下一周期的街道车流量、下一周期内各街道在不同时间段的车流量，确定街道拥堵状况。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于两级谱聚类的交通拥堵状况预测方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于两级谱聚类的交通拥堵状况预测方法。
与现有技术相比，本发明的有益效果为：
本发明首先使用两级谱聚类算法进行聚类，将个体或者对象按相似程度划分类别，使得同一类中的元素之间的相似性比其他类的元素的相似性更强，方便进行后面的学习与预测。
本发明所述的两级谱聚类算法速度快，泛化能力强，可以很好地预测并解决交通拥堵的问题。
本发明加入迁移矩阵进行聚类，考虑街道之间的流动趋势，得到的聚类结果更加准确。
本发明使用梯度增强回归树(GBRT)与多相似推理模型(MSI)，模型精度高，纠错能力强，可以很好地满足人们对交通出行的需求。
本发明根据各时段的街道车流量和街道车流量阈值，将各时段的街道划分为多个级别；对于每个级别的街道使用两级谱聚类算法进行聚类，得到各时段街道所属类簇，提高了聚类精度，优化了聚类结果。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明的流程图；
图2为交通拥堵预测模型结构图；
图3为梯度增强回归树(GBRT)结构图；
图4为多相似推理模型(MSI)结构图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
如图1和图2所示，本实施例的基于两级谱聚类的交通拥堵状况预测方法，包括以下步骤：
步骤1、获取城市若干历史周期内的各时段街道信息和气象信息；
所述街道信息包括街道位置、各时段的各街道车流量、各时段的各路口车流方向；
在本实施例中，一个周期T划分为多个时间段t，获取过去7天内的各时段的街道车流量、街道车辆迁移矩阵和气象信息，即7个周期(天)，每一天划分为4个时间段：工作日与周末的高峰时段(07：00-11：00)，白天时段(11：00-16：00)，晚高峰时段(16：00-21：00)和晚夜间时段(21：00-24：00；00：00-09：00)；
所述气象信息包括：天气W、温度K与风速Y，提取历史每一时段的天气信息；本实施例中，天气可以换分为晴天、阴天、雨天、雪天、大雾五类常见天气。
街道位置，即街道的地理信息L(包括街道起点和终点的经纬度坐标)；
街道车流量N，即历史各时段内每条街道的车流量；
各时段各个路口之间车辆的流动方向数据；
根据各时段街道信息统计各时段街道车辆迁移矩阵，具体的，根据路口车流方向统计各时段各街道车辆迁移矩阵；
根据各时段各个路口之间车辆的流动方向数据统计得到各时段各街道车辆迁移矩阵：根据各时段各个路口之间车辆的流动方向数据统计出时间时段t内的街道间迁移趋势矩阵，迁移趋势矩阵中，Ci、Cj代表街道的迁移记录，即在时间周期t时从街道Ci到街道Cj的迁移车辆的数量；各时段的街道车辆迁移矩阵为各时段内每一街道的历史迁入迁出数据，具体的，对每个街道编号，在各个街道之间车辆会相互流动，计算每一时段内每个街道中车辆向其他街道转移的数量以及其他街道中车辆向该街道转移的数量，构成街道之间的车辆迁移矩阵，即各街道车辆迁移矩阵。
例如，某天白天时段编号为1的街道的迁移矩阵，第一列为其他街道编号，第二列为编号为1的街道在该时间段内迁入其他街道的车辆数量，第二列为其他街道在该时间段内迁入编号为1的街道的车辆数量。
步骤2、根据街道位置、各时段的街道车流量、街道车辆迁移矩阵，采用两级谱聚类算法对城市街道进行聚类，将街道划分为若干类簇，得到每条街道所属类簇C以及类簇之间的车辆迁移矩阵。
在进行两级谱聚类之前，根据各时段的街道车流量通过人工设置的阈值将不同时段的街道划分为拥堵和一般两个级别，在本实施例中，当该时段该街道的车流量超过街道车流量阈值时，判定该时段该街道属于拥堵级别，否则，为一般级别。
对级别为一般的街道，根据街道地理信息L、街道车流量N、所属时段t，使用两级谱聚类算法进行聚类，将等级为一般的街道聚类成若干类，得到聚类结果C1。
对等级为拥堵的街道，根据街道地理信息L、街道车流量N、所属时段t，使用两级谱聚类算法进行聚类，将等级为拥堵的街道聚类成若干类，得到聚类结果C2。
将聚类结果C1和C2组合作为最终的聚类结果，得到各时段街道所属类簇。
所述两级谱聚类算法的具体步骤为：
(1)根据各时段街道信息统计各时段街道车辆迁移矩阵；
(2)根据街道地理信息L，使用谱聚类进行聚类，将城市中各时段不同街道的车流量聚类成若干类；
(3)根据各街道车辆迁移矩阵，计算类簇之间的车辆迁移矩阵；
(4)重新使用谱聚类算法进行聚类，根据街道地理信息L、街道车流量N、所属时段t和迁移矩阵进行聚类，获取最新的聚类结果；
(5)重复执行(3)-(4)，直到迭代次数达到最大值或者聚类结果不再发生变化为止。
步骤3、根据步骤2得出的过去7天内各时段街道所属类簇、所属于时段t和气象信息，使用梯度增强回归树(GBRT)预测模型对未来一周期T(即一天)内的各街道车流量进行预测，在本实施例中，使用梯度增强回归树(GBRT)预测模型对下一周期内的各街道车流量进行预测时，所依据的气象信息仅包括天气。
使用训练数据集训练得到梯度增强回归树预测模型，所述训练集中的每条数据包括若干个历史周期内街道的时段t、时段t时所属类簇C、天气W，以及标签(下一周期街道的车流量)。
将若干个历史周期内街道的所属时段、所属类簇、天气信息输入训练好的梯度增强回归树预测模型，预测得到下一周期内的各街道车流量S1。
本实施例中，一个周期可以划分为4个时段，例如，一天可以划分为高峰时段(07：00-11：00)，白天时段(11：00-16：00)，晚高峰时段(16：00-21：00)和晚夜间时段(21：00-24：00；00：00-09：00)
如图3所示，梯度增强回归树(GBRT)预测算法集中计算一系列简单回归树{g1(x),g2(x),...，gr(x)}，其中，通过对每个连续树进行构造，并以此进行预测先前树的残差，公式如下所示：
Figure BDA0003037499740000091
Figure BDA0003037499740000092
其中，公式中的L表示一个损失函数，
Figure BDA0003037499740000093
表示训练集，G(x)＝g1(x)+g2(x)+…+gr(x)，yt表示第t个周期实际的所有街道的车流量总和，xt表示第t个周期街道对应的特征(即若干个历史周期内街道的所属时段、所属类簇、天气信息)，G(x)表示第t个周期预测得到的所有街道的车流量总和。
预测在下一个内城市中所有机动车数量总和使用G(x)来进行表示，实际的整个城市中各街道所有机动车出行的数量总和使用y来进行表示，对于特征变量的选取，本实施例进行选择时间(一周中的其中一天，一天中的一个小时)和气象向量，并根据所得到的历史数据集(包括：时间数据集和气象特征数据集，以及实际的整个城市各街道所有出行的机动车数量的数据集y)用来训练满足整个出行机动车数量预测的GBRT预测模型。
步骤4、根据步骤2得出的过去7天各时段街道所属类簇、时间信息和气象信息，使用多相似推理模型(MSI)对下一周期(一天)内各街道在不同时间段的车流量、车流量百分比进行预测，在本实施例中，使用多相似推理模型预测下一周期内各街道在不同时间段的车流量、车流量百分比时，所依据的气象信息包括天气、温度、风速。
对于多相似推理模型，输入特征为聚类结果C、所属时段t、天气W、温度K以及风速Y，输出结果为下一周期内各街道在不同时间段的车流量、车流量百分比。
在本实施例中，车流量百分比是指某时段机动车流量占当日机动车总流量的比例。
使用多相似推理模型(MSI)进行预先确定城市各个街道机动车数量。如图4所示的多相似推理模型，假定未来下一周期内各时间段的机动车出行比例(即车流量百分比)使用P1，P2，...，PH进行表示，其比例Pt，t＝1，…，H需要重新进行预测；对于P1，P2,...，PH，它所对应的变量(包括聚类结果、时间向量和气象特征向量)标记为f1，f2，...，fH，基于此计算相似度W(f1，ft)，W(f2，ft),...，W(fH，ft)，其中，ft为Pt所对应的下一周期内第t个时间段的特征，W是评估两个变量相似性的函数。
多相似推理模型(MSI)如下：
Figure BDA0003037499740000111
多相似函数可以用下面的公式表示:
Figure BDA0003037499740000112
其中，W表示多相似函数，T表示历史数据的样本量，Et×Pt和
Figure BDA0003037499740000113
分别表示不同时间段真实和预测的车流量，L表示测量预测误差的损失函数，H表示时间。
为了更好地完成对街道上机动车流动趋势(即街道车辆迁移矩阵)的预测，这里存在着另一个重要因素，即设置迁移趋势矩阵，m×m为与它所对应的时间周期T时的街道(类)间迁移趋势矩阵，迁移趋势矩阵中，Ci、Cj代表街道(类)的迁移记录，即在时间周期T时从街道(类)Ci到街道(类)Cj的迁移比例，在街道(类)聚类转换学习时使用MSI模型进行学习，通过街道(类)间迁移趋势矩阵得到各时段各街道车辆迁移矩阵。
根据各时段街道所属类簇和气象信息，使用多相似推理模型预测下一周期内各街道在不同时间段的迁入和迁出值(街道车辆迁移矩阵)，具体的：使用多相似推理模型(MSI)，输入为聚类结果C、时间T、天气W、温度K以及风速Y，预测得到各街道在不同时间段的车辆流动方向(即迁入和迁出值，即街道车辆迁移矩阵)。
步骤5、根据得到的下一周期内的各街道车流量S1、下一周期内各街道在不同时间段的车流量S2，就可以知道整个城市交通流量以及拥堵情况，结合街道车辆迁移矩阵，分析交通拥堵情况，制定解决交通堵塞问题的方案。
判断街道在某时间段的车流量是否超过下一周期内该街道的车流量，若超过，则街道在该时间段为非常拥堵；若未超过，街道在该时间段为一般拥堵。
在确定街道拥堵状况的基础上，可以根据街道拥堵状况以及街道车辆迁移矩阵(下一周期内各街道在不同时间段的迁入和迁出值)，疏通车辆，解决堵塞问题。
实施例2
本实施例提供一种基于两级谱聚类的交通拥堵预测***，包括：
数据获取模块，用于获取城市各时段街道信息和气象信息；
聚类模块，用于根据各时段街道信息进行聚类，得到各时段街道所属类簇；
第一预测模块，用于根据各时段街道所属类簇和气象信息，使用梯度增强回归树模型预测下一周期的街道车流量；
第二预测模块，用于根据各时段街道所属类簇和气象信息，使用多相似推理模型预测下一周期内各街道在不同时间段的车流量；
街道拥堵状况确定模块，用于根据预测得到的下一周期的街道车流量、下一周期内各街道在不同时间段的车流量，确定街道拥堵状况。
第三预测模块，用于根据各时段街道所属类簇和气象信息，使用多相似推理模型预测下一周期内各街道在不同时间段的迁入和迁出值。
车辆疏通模块，用于根据街道拥堵状况以及街道车辆迁移矩阵(下一周期内各街道在不同时间段的迁入和迁出值)，疏通车辆，解决堵塞问题。
实施例3
本实施例提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于两级谱聚类的交通拥堵状况预测方法。
实施例4
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于两级谱聚类的交通拥堵状况预测方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.一种基于两级谱聚类的交通拥堵状况预测方法，其特征是：包括以下步骤：
获取城市各时段街道信息和气象信息；一个周期划分为多个时间段；
根据各时段街道信息进行聚类，得到各时段街道所属类簇；
根据各时段街道所属类簇和气象信息，使用梯度增强回归树模型预测下一周期的街道车流量；具体的，将若干个历史周期内街道的所属时段、所属类簇、天气信息输入训练好的梯度增强回归树预测模型，预测得到下一周期内的各街道车流量；
根据各时段街道所属类簇和气象信息，使用多相似推理模型预测下一周期内各街道在不同时间段的车流量；具体为：对于多相似推理模型，输入特征为聚类结果、所属时段、天气、温度以及风速，输出结果为下一周期内各街道在不同时间段的车流量；
根据各时段街道所属类簇和气象信息，使用多相似推理模型预测下一周期内各街道在不同时间段的迁入和迁出值；具体为：使用多相似推理模型，输入为聚类结果、时间、天气、温度以及风速，预测得到各街道在不同时间段的迁入和迁出值；
根据预测得到的下一周期的街道车流量、下一周期内各街道在不同时间段的车流量，确定街道拥堵状况；具体为：判断街道在某时间段的车流量是否超过下一周期内该街道的车流量，若超过，则街道在该时间段为非常拥堵；若未超过，街道在该时间段为一般拥堵；
在确定街道拥堵状况的基础上，根据街道拥堵状况以及下一周期内各街道在不同时间段的迁入和迁出值，疏通车辆。
2.如权利要求1所述的一种基于两级谱聚类的交通拥堵状况预测方法，其特征是：所述根据各时段街道信息进行聚类的具体步骤包括：
根据各时段的街道车流量和街道车流量阈值，将各时段的街道划分为多个级别；
对于每个级别的街道使用两级谱聚类算法进行聚类，得到各时段街道所属类簇。
3.如权利要求2所述的一种基于两级谱聚类的交通拥堵状况预测方法，其特征是：所述两级谱聚类算法的具体步骤为：
(1)根据各时段街道信息统计各时段街道车辆迁移矩阵；
(2)根据街道位置，使用谱聚类将各时段街道聚类成若干类簇；
(3)根据各时段街道车辆迁移矩阵，计算类簇间的车辆迁移矩阵；
(4)根据街道位置、各时段的街道车流量和类簇间的车辆迁移矩阵重新使用谱聚类算法进行聚类，获取最新的聚类结果；
(5)重复执行(3)-(4)，直到聚类结果不再发生变化为止。
4.如权利要求1所述的一种基于两级谱聚类的交通拥堵状况预测方法，其特征是：所述梯度增强回归树模型通过对每个连续树进行构造来进行预测先前树的残差。
5.一种基于两级谱聚类的交通拥堵预测***，其特征是：包括：
数据获取模块，用于获取城市各时段街道信息和气象信息；一个周期划分为多个时间段；
聚类模块，用于根据各时段街道信息进行聚类，得到各时段街道所属类簇；
第一预测模块，用于根据各时段街道所属类簇和气象信息，使用梯度增强回归树模型预测下一周期的街道车流量；具体的，将若干个历史周期内街道的所属时段、所属类簇、天气信息输入训练好的梯度增强回归树预测模型，预测得到下一周期内的各街道车流量；
第二预测模块，用于根据各时段街道所属类簇和气象信息，使用多相似推理模型预测下一周期内各街道在不同时间段的车流量；具体为：对于多相似推理模型，输入特征为聚类结果、所属时段、天气、温度以及风速，输出结果为下一周期内各街道在不同时间段的车流量；
第三预测模块，根据各时段街道所属类簇和气象信息，使用多相似推理模型预测下一周期内各街道在不同时间段的迁入和迁出值；具体为：使用多相似推理模型，输入为聚类结果、时间、天气、温度以及风速，预测得到各街道在不同时间段的迁入和迁出值；
街道拥堵状况确定模块，用于根据预测得到的下一周期的街道车流量、下一周期内各街道在不同时间段的车流量，确定街道拥堵状况；具体为：判断街道在某时间段的车流量是否超过下一周期内该街道的车流量，若超过，则街道在该时间段为非常拥堵；若未超过，街道在该时间段为一般拥堵；
在确定街道拥堵状况的基础上，根据街道拥堵状况以及下一周期内各街道在不同时间段的迁入和迁出值，疏通车辆。
6.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-4中任一项所述的一种基于两级谱聚类的交通拥堵状况预测方法。
7.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-4中任一项所述的一种基于两级谱聚类的交通拥堵状况预测方法。
CN202110447756.0A 2021-04-25 2021-04-25 一种基于两级谱聚类的交通拥堵状况预测方法及*** Expired - Fee Related CN113344239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110447756.0A CN113344239B (zh) 2021-04-25 2021-04-25 一种基于两级谱聚类的交通拥堵状况预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110447756.0A CN113344239B (zh) 2021-04-25 2021-04-25 一种基于两级谱聚类的交通拥堵状况预测方法及***

Publications (2)

Publication Number Publication Date
CN113344239A CN113344239A (zh) 2021-09-03
CN113344239B true CN113344239B (zh) 2022-11-29

Family

ID=77468522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110447756.0A Expired - Fee Related CN113344239B (zh) 2021-04-25 2021-04-25 一种基于两级谱聚类的交通拥堵状况预测方法及***

Country Status (1)

Country Link
CN (1) CN113344239B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217593A (zh) * 2014-08-27 2014-12-17 北京航空航天大学 一种面向手机移动速度的路况信息实时获取方法
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
CN107045788A (zh) * 2017-06-28 2017-08-15 北京数行健科技有限公司 交通路况预测方法及装置
CN108960476A (zh) * 2018-03-30 2018-12-07 山东师范大学 基于ap-ti聚类的共享单车流量预测方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100570664C (zh) * 2008-01-11 2009-12-16 孟小峰 一种基于聚类来监控交通拥堵状况的***及其方法
CN103456192B (zh) * 2013-09-01 2015-07-15 中国民航大学 一种基于轨迹谱聚类的终端区盛行交通流识别方法
CN110738856B (zh) * 2019-11-12 2020-09-22 中南大学 一种基于移动聚类的城市交通拥堵精细识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217593A (zh) * 2014-08-27 2014-12-17 北京航空航天大学 一种面向手机移动速度的路况信息实时获取方法
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
CN107045788A (zh) * 2017-06-28 2017-08-15 北京数行健科技有限公司 交通路况预测方法及装置
CN108960476A (zh) * 2018-03-30 2018-12-07 山东师范大学 基于ap-ti聚类的共享单车流量预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
共享单车***站点失衡调整及流量预测方法研究;高萌;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20200215;第C034-567页 *

Also Published As

Publication number Publication date
CN113344239A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN109670277B (zh) 一种基于多模态数据融合与多模型集成的旅行时间预测方法
CN109658695B (zh) 一种多因素的短时交通流预测方法
CN107610464B (zh) 一种基于高斯混合时间序列模型的轨迹预测方法
CN112132264A (zh) 基于时空残差感知网络的区域尾气排放预测方法及***
CN110942211A (zh) 一种基于深度神经网络的预估达到时间预测方法及装置
US20240054321A1 (en) Traffic prediction
CN114450557B (zh) 路线偏差量化及基于此的车辆路线学习
CN107195177A (zh) 基于分布式内存计算框架对城市交通路况的预测方法
Lee et al. Long short-term memory recurrent neural network for urban traffic prediction: A case study of seoul
CN111368879A (zh) 一种基于深半监督神经网络的轨迹数据挖掘方法
CN112738209A (zh) 基于大数据和人工智能的数据分析方法及云计算服务器
CN112633602A (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
KR20230057558A (ko) 딥러닝을 이용한 단기 교통 흐름 예측 방법 및 그 장치
Yang et al. Feature selection in conditional random fields for map matching of GPS trajectories
CN114662376A (zh) 用于学习特定于情境的驾驶模式的分布式学习
CN113159403A (zh) 路口行人轨迹预测的方法及装置
Xing et al. A short-term traffic flow prediction method based on kernel extreme learning machine
CN113962460B (zh) 基于时空对比自监督的城市细粒度流量预测方法及***
CN113888867B (zh) 一种基于lstm位置预测的车位推荐方法及***
CN113344239B (zh) 一种基于两级谱聚类的交通拥堵状况预测方法及***
CN112710316A (zh) 专注于构造和本地化技术领域的动态地图生成
CN116753973A (zh) 一种路径预测方法、***、设备及介质
CN114724414B (zh) 城市空中交通分担率的确定方法、装置、电子设备及介质
CN114023074A (zh) 基于多信号源的交通拥堵预测方法、设备及介质
Kang et al. Bayesian path inference using sparse GPS samples with spatio-temporal constraints

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20221129

CF01 Termination of patent right due to non-payment of annual fee