CN113688687A - 一种基于电警数据的交通拥堵状态快速识别预测方法 - Google Patents

Abstract

本发明公开了一种基于电警数据的交通拥堵状态快速识别预测方法，基于电警数据获取用于识别和预测的基本数据，避免受限于图片数据和浮动车数据；并且基于LSTM模型进行平均行程速度的预测，避免直接利用LSTM模型进行拥堵状态预测时容易因样本数据中是否拥堵的样本分布不均匀影响预测准确性的问题，可得到准确率较高的预测输出；并且基于平均行程速度和自由流速度的比值对拥堵状态进行判断，降低直接基于平均行程速度进行判断时的因数据值浮动过大造成的误判，从而得到响应速度快、实时性强、准确率高的识别与预测结果。

Description

一种基于电警数据的交通拥堵状态快速识别预测方法

技术领域

本申请属于交通预测技术领域，具体涉及一种基于电警数据的交通拥堵状态快速识别预测方法。

背景技术

随着经济的发展和城市化水平的推进，我国的机动车保有量逐年增加，随之而来的交通拥堵问题也给人们的出行带来诸多不便。为了在发生拥堵时能够及时进行交通管控，以提高路网运行效率、减少人们出行成本，因此交通拥堵状况的快速识别与预测具有重要意义。

现有的交通拥堵识别方法主要有基于图像识别的算法(例如申请号为CN2019102123085的专利公开了一种基于图像处理的交通拥堵判断方法)和基于浮动车数据的算法(例如申请号为CN2014100953892的专利公开了一种基于浮动车数据的城市路网动态交通拥挤预测方法)。其中基于图像识别的算法通过建立深度学习模型对交通拥堵视频图像数据进行不断学习训练，最后达到识别拥堵的效果；基于浮动车数据的算法通过对路段上浮动车的交通参数进行计算分析，以判断路段的交通运行状况。

但是现有的基于图像识别的算法需要大量的图片数据和复杂的模型训练，且难以对未来的交通拥堵状态进行预测；基于浮动车数据的算法只适用于有浮动车数据的路段，在没有浮动车数据的路段，该方法失效。

发明内容

本申请的目的在于提供一种基于电警数据的交通拥堵状态快速识别预测方法，基于电警数据实现对交通拥堵状态的快速、准确识别与预测。

为实现上述目的，本申请所采取的技术方案为：

一种基于电警数据的交通拥堵状态快速识别预测方法，所述基于电警数据的交通拥堵状态快速识别预测方法，包括：

步骤1、取待识别预测路段，记待识别预测路段的长度为L；

步骤2、令当前时刻为T，根据电警数据获取T-T1时刻至T时刻时间段内驶出待识别预测路段的终点的过车数据集记为N_end，并获取T-T2时刻至T时刻时间段内驶入待识别预测路段的起点的过车数据集记为N_start；

步骤3、根据车牌号对过车数据集N_end和N_start中的车辆进行关联匹配，记录成功关联匹配的车辆的数量为n，并计算每一辆关联匹配后的车辆通过待识别预测路段的起点和终点的时间差记为t；

步骤4、计算待识别预测路段在当前T-T1时刻至T时刻时间段内的平均行程速度和平均行程时间，记为实时平均行程速度

和平均行程时间

步骤5、基于数量n、实时平均行程速度

平均行程时间

过车数据集N_end，利用已训练的LSTM模型预测未来指定时间段内的预测平均行程速度

步骤6、取待识别预测路段的自由流速度v_free，分别计算实时平均行程速度

与自由流速度v_free的比值，以及预测平均行程速度

与自由流速度v_free的比值，根据比值判断待识别预测路段实时和未来指定时间段内的拥堵状态，所述拥堵状态包括畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵。

以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。

作为优选，所述T1时刻和T2时刻满足以下关系：

T2＝2*T_congestion+T1

式中，T_congestion为待识别预测路段在严重拥堵状态下的平均行程时间。

作为优选，所述过车数据集中的每条数据包含的字段如下：电警编号、时间戳、路段编号、车牌号、车辆类型、天气数据；

所述基于数量n、实时平均行程速度

平均行程时间

过车数据集N_end和N_start，利用已训练的LSTM模型预测未来指定时间段内的预测平均行程速度

包括：

根据过车数据集N_end中的天气数据确定当前天气，根据当前时刻为T确定时间信息，将所述基于数量n、实时平均行程速度

平均行程时间

当前天气和时间信息输入已训练的LSTM模型预测未来指定时间段内的预测平均行程速度

作为优选，所述待识别预测路段的自由流速度v_free的确定方式如下：

根据预设的历史计算时间段获取历史计算时间段内每个T1时间段对应的平均行程速度；

对所获取的历史计算时间段内的多个平均行程速度由大到小排序，并截取排序后的前x个平均行程速度；

计算所截取的前x个平均行程速度的平均值记为v_avg，则待识别预测路段的自由流速度v_free为：

v_free＝Min(v_avg,v_limit)

式中，v_limit为待识别预测路段的最大限速。

作为优选，所述根据比值判断待识别预测路段实时和未来指定时间段内的拥堵状态，包括：

若比值σ满足0.7＜σ，则判断拥堵状态为畅通；

若比值σ满足0.7≥σ＞0.5，则判断拥堵状态为基本畅通；

若比值σ满足0.5≥σ＞0.4，则判断拥堵状态为轻度拥堵；

若比值σ满足0.4≥σ＞0.3，则判断拥堵状态为中度拥堵；

若比值σ满足0.3≥σ，则判断拥堵状态为严重拥堵。

本申请提供的基于电警数据的交通拥堵状态快速识别预测方法，基于电警数据获取用于识别和预测的基本数据，避免受限于图片数据和浮动车数据；并且基于LSTM模型进行平均行程速度的预测，避免直接利用LSTM模型进行拥堵状态预测时容易因样本数据中是否拥堵的样本分布不均匀影响预测准确性的问题，可得到准确率较高的预测输出；并且基于平均行程速度和自由流速度的比值对拥堵状态进行判断，降低直接基于平均行程速度进行判断时的因数据值浮动过大造成的误判，从而得到响应速度快、实时性强、准确率高的识别与预测结果。

附图说明

图1为本申请的基于电警数据的交通拥堵状态快速识别预测方法的流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。

其中一个实施例中，提供一种基于电警数据的交通拥堵状态快速识别预测方法。由于目前电警设备已遍布交通道路，且实时获取并记录电警设备，因此本实施例基于电警数据进行交通拥堵状态的识别和预测，不仅具有较大的使用覆盖范围，且避免受限于图片数据和浮动车数据。

根据实际路况以及驾车所需，本实施例将交通拥堵状态划分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵五类，即本实施例以这五类拥堵状态为识别与预测目标进行展开。

容易理解的是，本实施例中的交通拥堵状态分类仅为所提供的一种优选方式，在其他实施例中可以基于本申请的分类方式进行适应变换。

如图1所示，本实施例基于电警数据的交通拥堵状态快速识别预测方法，包括以下步骤：

步骤1、取待识别预测路段，记待识别预测路段的长度为L。

本实施例中以一个路段，即待识别预测路段为例进行方案描述，在实际使用时可同时将该方案应用至多个路段，以实现对多路段的交通拥堵状态的识别与预测。为了适应本方案对多路段的识别与预测，优选对每一路段记录路段编号为road_code，并且设置路段起、终点编号分别为start_access、end_access。

容易理解的是，这里的路段起、终点理解为指定的该路段的某两个点的位置作为起点和终点，这两个点为交通路段的交叉口，优选为位置相邻的两个交叉口。考虑到某些路段的交叉口可能存在未启用或其他影响流量的情况，本实施例中不限制为两个点为位置相邻的两个交叉口。

本实施例中提及的长度L为该路段起、终点之间的路段长度。

步骤2、令当前时刻为T，根据电警数据获取T-T1时刻至T时刻时间段内驶出待识别预测路段的终点的过车数据集记为N_end，并获取T-T2时刻至T时刻时间段内驶入待识别预测路段的起点的过车数据集记为N_start。

其中T1为进行交通拥堵状况识别和预测的时间尺度，可取5min、10min等一小时以内的任意时间尺度；T2为进行车辆匹配的时间尺度，为保证在过车数据集N_end中出现的车辆都能在过车数据集N_start中找到，本实施例根据待识别预测路段发生严重拥堵时的行程时间T_congestion确定T2，即本实施例中T1时刻和T2时刻满足以下关系：

T2＝2*T_congestion+T1

其中，T_congestion可以是待识别预测路段在过去某一次严重拥堵状态下的平均行程时间，也可以是最新一次严重拥堵状态下的平均行程时间，根据实际情况进行选择即可。

并且本实施例的过车数据集包含符合条件的车辆的相关数据，通常包含多条相关数据，且每条数据包含的字段如下：电警编号、时间戳(包含年月日时分)、路段编号、车牌号、车辆类型(如轿车、货车、客车等)、天气数据(如阴天、雨天、晴天等)。

步骤3、根据车牌号对过车数据集N_end和N_start中的车辆进行关联匹配，记录成功关联匹配的车辆的数量为n，并计算每一辆关联匹配后的车辆通过待识别预测路段的起点和终点的时间差记为t，即每辆车的路段行程时间，根据过车数据集中记录的时间戳计算所得。

为了找到过车数据集N_end和N_start中的同一辆车，本实施例以车牌号为依据进行车辆的关联匹配。在步骤2中为了尽可能多的保证在过车数据集N_end中出现的车辆能在过车数据集N_start中找到而对T2进行了设定，但在实际应用中由于路段的起终点之间不可避免存在小区、园区等出入口，因此在过车数据集N_end中出现的车辆可能不会出现在过车数据集N_start中找到，在过车数据集N_start中出现的车辆也可能不会出现在过车数据集N_end中找到。因此本实施例以成功关联匹配的车辆的数量为准。

步骤4、计算待识别预测路段在当前T-T1时刻至T时刻时间段内的平均行程速度和平均行程时间，记为实时平均行程速度

和平均行程时间

其中，根据下式计算路段的平均行程速度

式中，i为成功关联匹配中的第i辆车，t_i为第i辆车的路段行程时间。

步骤5、基于数量n、实时平均行程速度

平均行程时间

过车数据集N_end，利用已训练的LSTM模型预测未来指定时间段内的预测平均行程速度

在实际操作中根据步骤2～步骤4可记录该路段在每一天内每个T1时间尺度中的特征指标。其中本实施例的特征指标包括样本流量，即成功关联匹配的车辆的数量、平均行程速度(在针对当前进行预测时取实时平均行程速度)、平均行程时间、时间信息和当前天气。其中当前天气根据过车数据集N_end中的天气数据确定，时间信息根据当前时刻为T确定，且为了提高模型预测准确度，本实施例中的时间信息包括星期(是否周末)、小时(24小时制)、分钟(分钟按照时间尺度T1进行记录，例如T1为5min，则将一个小时的分钟按照5min进行划分，标号为0(表示第0～5min)、5(表示第5～10min)、10(表示第10～15min)、15(表示第15～20min)...55(表示第55～60min))。

若记录的数据存在数据缺失的时刻，则可通过历史同一时刻的均值进行填充；若历史均值不存在，则可根据该时刻前后k个时刻的值进行线性插值，最终得到该路段连续时刻下的完整数据集。

在进行LSTM模型的训练时，先确定合适的参数(例如预测的步长)，再取该路段历史数据集进行训练，本实施例中以数据集中的样本流量、平均行程速度、星期、小时和天气作为特征变量，以后一步长中的平均行程速度作为因变量进行模型训练。本实施例在LSTM模型后连接一个全连接层，在LSTM模型训练中得到特征变量输入LSTM模型(LSTM层)时的各自对应的权重v，以及确定LSTM模型输入的值输入全连接层时各自对应的权重w的最优值。容易理解的是，特征变量可根据实际所需进行变更，或者根据例如方差选择特征法等现有方法进行确定。

本实施例中预测的未来指定时间段根据步长和时间尺度T1进行确定，例如若步长为12，时间尺度T1为5min，则预测未来一小时内每5分钟的平均行程速度，即输出12个速度值，且每个速度值带有对应的时间标签。

步骤6、取待识别预测路段的自由流速度v_free，分别计算实时平均行程速度

与自由流速度v_free的比值，以及预测平均行程速度

与自由流速度v_free的比值，根据比值判断待识别预测路段实时和未来指定时间段内的拥堵状态。

为了提高本实施例中交通拥堵状态识别与预测的准确性，本实施例中设置待识别预测路段的自由流速度v_free的确定方式如下：

根据预设的历史计算时间段获取历史计算时间段内每个T1时间段对应的平均行程速度；通常历史计算时间段设置为以当前时刻为基准的前一个月，避免短时间下数据的不确定性，且自由流速度的更新时间可以是一天一次，也可以是按照实际需求进行设定。

对所获取的历史计算时间段内的多个平均行程速度由大到小排序，并截取排序后的前x个(例如前1/9个)平均行程速度。

计算所截取的前x个平均行程速度的平均值记为v_avg，则待识别预测路段的自由流速度v_free为：

v_free＝Min(v_avg,v_limit)

式中，v_limit为待识别预测路段的最大限速。

本实施例中自由流速度并非取定值进行计算，而是设置为与历史数据相关联，以此定期更新自由流速度，保证交通拥堵判断不断适应新的交通情况。基于此本实施例提供一种根据比值判断待识别预测路段的拥堵状态的方法为：

若比值σ满足0.7＜σ，则判断拥堵状态为畅通；

若比值σ满足0.7≥σ＞0.5，则判断拥堵状态为基本畅通；

若比值σ满足0.5≥σ＞0.4，则判断拥堵状态为轻度拥堵；

若比值σ满足0.4≥σ＞0.3，则判断拥堵状态为中度拥堵；

若比值σ满足0.3≥σ，则判断拥堵状态为严重拥堵。

本实施例提供的交通拥堵状态的识别与预测方法简单易懂，响应速度快，模型实时性强、准确率高；且具有普适性，适用于多种数据类型与数据格式，只需将不同数据的计算结果转化为满足本实施例要求的字段即可；能够快速识别当前时刻交通拥堵状态，同时对未来的交通拥堵状态进行预测。

本申请的识别与预测方法经过试验、模拟和实际环境测试，运行正常，证明可行；路段级拥堵识别平均准确率达到85％以上，未来一周的拥堵预测准确率在70％左右，满足应用要求。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种基于电警数据的交通拥堵状态快速识别预测方法，其特征在于，所述基于电警数据的交通拥堵状态快速识别预测方法，包括：

步骤1、取待识别预测路段，记待识别预测路段的长度为L；

步骤2、令当前时刻为T，根据电警数据获取T-T1时刻至T时刻时间段内驶出待识别预测路段的终点的过车数据集记为N_end，并获取T-T2时刻至T时刻时间段内驶入待识别预测路段的起点的过车数据集记为N_start；

步骤3、根据车牌号对过车数据集N_end和N_start中的车辆进行关联匹配，记录成功关联匹配的车辆的数量为n，并计算每一辆关联匹配后的车辆通过待识别预测路段的起点和终点的时间差记为t；

步骤4、计算待识别预测路段在当前T-T1时刻至T时刻时间段内的平均行程速度和平均行程时间，记为实时平均行程速度

和平均行程时间

步骤5、基于数量n、实时平均行程速度

平均行程时间

过车数据集N_end，利用已训练的LSTM模型预测未来指定时间段内的预测平均行程速度

步骤6、取待识别预测路段的自由流速度v_free，分别计算实时平均行程速度

与自由流速度v_free的比值，以及预测平均行程速度

与自由流速度v_free的比值，根据比值判断待识别预测路段实时和未来指定时间段内的拥堵状态，所述拥堵状态包括畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵。

2.如权利要求1所述的基于电警数据的交通拥堵状态快速识别预测方法，其特征在于，所述T1时刻和T2时刻满足以下关系：

T2＝2*T_congestion+T1

式中，T_congestion为待识别预测路段在严重拥堵状态下的平均行程时间。

3.如权利要求1所述的基于电警数据的交通拥堵状态快速识别预测方法，其特征在于，所述过车数据集中的每条数据包含的字段如下：电警编号、时间戳、路段编号、车牌号、车辆类型、天气数据；

所述基于数量n、实时平均行程速度

平均行程时间

过车数据集N_end和N_start，利用已训练的LSTM模型预测未来指定时间段内的预测平均行程速度

包括：

根据过车数据集N_end中的天气数据确定当前天气，根据当前时刻为T确定时间信息，将所述基于数量n、实时平均行程速度

平均行程时间

当前天气和时间信息输入已训练的LSTM模型预测未来指定时间段内的预测平均行程速度

4.如权利要求1所述的基于电警数据的交通拥堵状态快速识别预测方法，其特征在于，所述待识别预测路段的自由流速度v_free的确定方式如下：

根据预设的历史计算时间段获取历史计算时间段内每个T1时间段对应的平均行程速度；

对所获取的历史计算时间段内的多个平均行程速度由大到小排序，并截取排序后的前x个平均行程速度；

计算所截取的前x个平均行程速度的平均值记为v_avg，则待识别预测路段的自由流速度v_free为：

v_free＝Min(v_avg,v_limit)

式中，v_limit为待识别预测路段的最大限速。

5.如权利要求1所述的基于电警数据的交通拥堵状态快速识别预测方法，其特征在于，所述根据比值判断待识别预测路段实时和未来指定时间段内的拥堵状态，包括：

若比值σ满足0.7＜σ，则判断拥堵状态为畅通；

若比值σ满足0.7≥σ＞0.5，则判断拥堵状态为基本畅通；

若比值σ满足0.5≥σ＞0.4，则判断拥堵状态为轻度拥堵；

若比值σ满足0.4≥σ＞0.3，则判断拥堵状态为中度拥堵；

若比值σ满足0.3≥σ，则判断拥堵状态为严重拥堵。

Images