CN114999154A - 一种基于图卷积网络的道路服务水平预测方法 - Google Patents
一种基于图卷积网络的道路服务水平预测方法 Download PDFInfo
- Publication number
- CN114999154A CN114999154A CN202210589674.4A CN202210589674A CN114999154A CN 114999154 A CN114999154 A CN 114999154A CN 202210589674 A CN202210589674 A CN 202210589674A CN 114999154 A CN114999154 A CN 114999154A
- Authority
- CN
- China
- Prior art keywords
- road
- traffic
- traffic flow
- section
- flow
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 22
- 239000000523 sample Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012067 mathematical method Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000012887 quadratic function Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于图卷积网络的道路服务水平预测方法,包括以下步骤:1)交通流数据的获取与处理,将设备采集到数据进行异常值剔除以及缺省值的补足;2)路网的建立,从路段之间的相关性以及路段之间的相似性两方面建立路网拓扑图;3)通过最小二乘法对流量、密度数据拟合,得到道路最大通行流量值;4)交通流预测,将历史流量、速度数据输入神经网络模型,得到预测的流量、速度数据;5)道路服务水平预测,根据上一步预测的数据,计算得到预测时刻的道路密度和饱和率,结合密度和饱和率,通过映射函数得到道路服务水平的得分。本发明结合人工智能方法,对道路未来的交通状况进行预测,极大地提高现有道路服务水平。
Description
技术领域
本发明涉及智能交通、人工智能应用领域,具体涉及基于图卷积网络的道路服务水平预测方法。
背景技术
高速公路作为最基本的交通基础设施,是连接其他交通方式、全面发挥交通网络的整体效率的重要支柱,在综合的交通***中发挥着不可替代的作用。当前,我国道路建设发展迅速,但存在明显的不足如道路质量不高、道路建设滞后等,导致道路整体服务水平不高,通行效率低下。
交通流预测是智能交通***的关键问题之一,是对路网交通状况(如速度、流量、密度等)进行分析,挖掘交通模式,预测路网未来交通状况的过程。交通流量预测可以使各种智能应用成为可能。例如,它可以帮助私人司机进行路线规划和出发时间调度,帮助交通管理者提高交通效率和安全。
道路服务水平是指交通流中驾驶员和乘客所感受到的服务质量的量度,即道路在某种交通条件下所提供的运行服务的质量水平。对道路服务水平进行合理的预测,有助于了解未来道路服务质量,同时为改善路况和提高交通管理水平提供科学的依据。
在这种情况下,通过引入神经网络,可以对道路未来的交通状况进行预测,极大地提高现有道路服务水平。
发明内容
针对现有的道路服务水平预测方案不能充分利用交通流数据且不能及时有效表示未来发生的交通状况,本发明利用交通流信息,基于神经网络,依据道路饱和率和密度,设计一种道路服务水平预测方法,为道路管理者准确把握道路交通实际状况,制定合理的交通政策措施提供依据。
本发明解决其技术问题所采用的技术方案是:
一种基于图卷积网络的道路服务水平预测方法,包括以下步骤:
1)获取交通数据
通过道路上的监控、探头等设备获取各个路段对应时刻的车道流量、行车速度以及道路的地理位置,设定阈值将交通流数据中的异常值剔除,缺省值使用Cubic插值方法补全;
2)路网的建立
路网拓扑图的构建是关键步骤,如果生成的图不能很好地编码道路之间的相关性,将不利于模型学习,甚至可能降低预测性能。从路网拓扑结构、交通模式相关性两个方面构建了路网拓扑图道路用该路段上获取交通流信息的设备表示。路网拓扑结构考虑道路之间的相关性,如果路段之间是互通的,则这两条路段之间是相关的,相关程度由两个路段之间的跳数决定(跳数是指一个道路节点到另外一个道路节点经过的节点数);交通模式相关性是考虑道路历史交通状况之间的相似度,取不同道路相同长度的历史交通流序列,使用余弦相似性得到两个序列间的相似度;
3)获得道路最大通行流量
根据步骤1)所获得历史的车道流量、行车速度信息,根据流量、速度和密度之间的关系计算得到车道密度。用最小二乘法拟合得到流量-密度曲线,通过得到的曲线参数经过数学方法计算曲线的最大值,即对应道路最大通行流量;
4)交通流预测
给定一个交通状况(车速和车流量数据)样本It,It可视为R×H矩阵,其中R为道路数量,H为历史交通状况信号数量;使用窗口大小为h,步长为d的滑动窗口来处理It,然后,我们将得到一个J段序列(即),每个都是一个R×h矩阵;
将得到的交通流序列、路网有向图的邻接矩阵、历史交通模式的邻接矩阵输入至图卷积网络(GCN)中捕捉路网的空间依赖性;再将GCN的输出输入至长短期记忆(LSTM)捕获道路交通数据的时间上的动态变化。最后经过全连接层得到预测的交通流信息(车速和车流量数据);
5)道路服务水平预测
根据步骤4)预测得到的车道速度及流量数据,计算得到对应车道的密度。再通过步骤3)得到的最大通行流量计算得到饱和率。根据高速公路基本路段服务水平分级表,将得到的密度和饱和率经过映射函数得到道路服务水平的得分。
本发明的有益效果为:结合人工智能方法,对道路未来的交通状况进行预测,极大地提高现有道路服务水平。
附图说明
图1显示了本发明实施方案的流程示意图;
图2显示了本发明的预测模型图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种基于图卷积网络的道路服务水平预测方法,包括以下步骤:
1)获取交通数据
通过道路上的监控、探头等设备获取各个路段对应时刻的车道流量、行车速度以及道路的地理坐标,设定阈值将交通流数据中的异常值剔除,缺省值使用Cubic插值方法补全,公式如下:
v=((v3-v2)-(v0-v1))t3+(2(v0-v1)-(v3-v2))t2+(v2-v0)t+v1(1)
其中,v是缺省值,代表某一时刻道路设备获取到的交通流数据,v1、v2、v3、v4代表4个连续时刻的数据,t取值为[0,1],将会产生一段连接v1和v2的曲线;
2)路网的建立
路网拓扑图的构建是关键步骤,如果生成的图不能很好地编码道路之间的相关性,将不利于模型学习,甚至可能降低预测性能,从路网拓扑结构(考虑道路之间的相关性)、交通模式相关性(考虑道路历史交通状况之间的相似度)两个方面构建了路网拓扑图。道路用该路段上获取交通流信息的设备表示;
根据路段之间的跳数构建路网有向图Gd=(V,E,Wd),节点Vi表示路段,边eij表示路段Vi和路段Vj之间的相关性,边eij的权重Wij表示路段Vi和路段Vj之间的相关性的强弱,由Wij组成拓扑图邻接矩阵Wd。Wij定义为:
若无法从路段Vi到路段Vj,则Wij=0,
根据路段之间的历史交通状况构建路网交通模式图Gh=(V,E,Wh),节点Vi表示路段,边eij表示路段Vi和路段Vj之间的历史交通状况之间的相似度,边eij的权重Wij表示路段Vi和路段Vj之间的相似度的大小,由Wij组成拓扑图邻接矩阵Wh。取两个节点的交通流序列,Pi=(x1,x2,...,xn)、Pj=(y1,y2,...,yn),Wij定义为:
3)获得道路最大通行流量
根据步骤1)所获得多天的车道流量Q(辆/h)、行车速度信息V(Km/h),计算车道密度K(辆/Km)的公式如下:
Q=K·V (4)
由格林希尔治根据交通流的统计规律分析速度与密度之间的关系:
其中,Vf为理论最高速度即自由流速度;Kj为阻塞密度;V为车流密度为K时的车流速度;
由(4)和(5)式联合得到:
由式(6)可得流量和密度是二次函数关系,用最小二乘法拟合得到Q-K曲线,通过得到的曲线参数经过数学方法计算曲线的最大值,即对应道路最大通行流量Qmax;
4)交通流预测
给定一个交通状况(车速和车流量数据)样本It,It可视为R×H矩阵,其中R为道路数量,H为历史交通状况信号数量,使用窗口大小为h,步长为d的滑动窗口来处理It,然后,我们将得到一个J段序列(即),每个都是一个R×h矩阵;
将得到的交通流序列、路网有向图的邻接矩阵、历史交通模式的邻接矩阵输入至图卷积网络(GCN)中捕捉路网的空间依赖性,公式入下:
其中X为邻接矩阵,形式如下:
H(0)是输入GCN的交通流数据,ReLU为激活函数;
再将两个不同GCN的输出融合后输入至长短期记忆LSTM捕获道路交通数据的时间上的动态变化,最后经过全连接层得到预测的交通流信息(车速和车流量数据),模型结构见附图2;
5)道路服务水平预测
根据步骤4)预测得到的车道速度Vpredict及流量Qpredict,由公式(4)计算得到对应车道的密度K,再通过步骤3)得到的最大通行流量计算得到饱和率S:
根据高速公路基本路段服务水平分级表,将得到的密度和饱和率经过映射函数f(·)得到道路服务水平的得分:
y道路服务水平得分=f(S,K)。
表1为高速公路基本路段服务水平分级表。
表1
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (1)
1.一种基于图卷积网络的道路服务水平预测方法,其特征在于,所述方法包括以下步骤:
1)交通数据的获取与处理
通过道路上的监控、探头设备获取各个路段对应时刻的车道流量、行车速度以及道路的地理坐标,设定阈值将交通流数据中的异常值剔除,缺省值使用Cubic插值方法补全,公式如下:
v=((v3-v2)-(v0-v1))t3+(2(v0-v1)-(v3-v2))t2+(v2-v0)t+v1 (1)
其中,v是缺省值,代表某一时刻道路设备获取到的交通流数据,v1、v2、v3、v4代表4个连续时刻的数据,t取值为[0,1],将会产生一段连接v1和v2的曲线;
2)路网的建立
根据路段之间的跳数构建路网有向图Gd=(V,E,Wd),节点Vi表示路段,边eij表示路段Vi和路段Vj之间的相关性,边eij的权重Wij表示路段Vi和路段Vj之间的相关性的强弱,由Wij组成拓扑图邻接矩阵Wd,Wij定义为:
若无法从路段Vi到路段Vj,则Wij=0;
根据路段之间的历史交通状况构建路网交通模式图Gh=(V,E,Wh),节点Vi表示路段,边eij表示路段Vi和路段Vj之间的历史交通状况之间的相似度,边eij的权重Wij表示路段Vi和路段Vj之间的相似度的大小,由Wij组成拓扑图邻接矩阵Wh,取两个节点的交通流序列,Pi=(x1,x2,...,xn)、Pj=(y1,y2,...,yn),Wij定义为:
3)获得道路最大通行流量
根据步骤1)所获得多天的车道流量Q、行车速度信息V,计算车道密度K的公式如下:
Q=K·V (4)
由格林希尔治根据交通流的统计规律分析速度与密度之间的关系:
其中,Vf为理论最高速度即自由流速度;Kj为阻塞密度;V为车流密度为K时的车流速度;
由(4)和(5)式联合得到:
由式(6)得流量和密度是二次函数关系,用最小二乘法拟合得到Q-K曲线,通过得到的曲线参数经过数学方法计算曲线的最大值,即对应道路最大通行流量Qmax;
4)交通流预测
将得到的交通流序列、路网有向图的邻接矩阵、历史交通模式的邻接矩阵输入至图卷积网络GCN中捕捉路网的空间依赖性,公式入下:
其中X为邻接矩阵,形式如下:
H(0)是输入GCN的交通流数据,ReLU为激活函数;
再将两个不同GCN的输出融合后输入至长短期记忆LSTM捕获道路交通数据的时间上的动态变化,最后经过全连接层得到预测的交通流信息;
5)道路服务水平预测
根据步骤4)预测得到的车道速度Vpredict及流量Qpredict,由公式(4)计算得到对应车道的密度K,再通过步骤3)得到的最大通行流量计算得到饱和率S:
根据高速公路基本路段服务水平分级表,将得到的密度和饱和率经过映射函数f(·)得到道路服务水平的得:
y道路服务水平得分=f(S,K)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210589674.4A CN114999154B (zh) | 2022-05-26 | 2022-05-26 | 一种基于图卷积网络的道路服务水平预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210589674.4A CN114999154B (zh) | 2022-05-26 | 2022-05-26 | 一种基于图卷积网络的道路服务水平预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114999154A true CN114999154A (zh) | 2022-09-02 |
CN114999154B CN114999154B (zh) | 2024-02-02 |
Family
ID=83028433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210589674.4A Active CN114999154B (zh) | 2022-05-26 | 2022-05-26 | 一种基于图卷积网络的道路服务水平预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114999154B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359662A (zh) * | 2022-10-18 | 2022-11-18 | 智道网联科技(北京)有限公司 | 车道拥堵预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN113053115A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于多尺度图卷积网络模型的交通预测方法 |
CN113112819A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于改进lstm的图卷积交通速度预测方法 |
WO2021212866A1 (zh) * | 2020-04-21 | 2021-10-28 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和*** |
-
2022
- 2022-05-26 CN CN202210589674.4A patent/CN114999154B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
WO2021212866A1 (zh) * | 2020-04-21 | 2021-10-28 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和*** |
CN113053115A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于多尺度图卷积网络模型的交通预测方法 |
CN113112819A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于改进lstm的图卷积交通速度预测方法 |
Non-Patent Citations (4)
Title |
---|
RONGZHOU HUANG , ET AL: "LSGCN: Long Short-Term Traffic Prediction with Graph Convolutional Networks", PROCEEDINGS OF THE TWENTY-NINTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE (IJCAI-20) * |
ZHIZHU WU ET AL.: "Traffic prediction based on GCN-LSTM model", JOURNAL OF PHYSICS: CONFERENCE SERIES * |
朱凯利;朱海龙;刘靖宇;石晔琼;王欢;: "基于图卷积神经网络的交通流量预测", 智能计算机与应用, no. 06 * |
陈喜群等: "基于图卷积网络的路网短时交通流预测研究", 交通运输***工程与信息, vol. 20, no. 4 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359662A (zh) * | 2022-10-18 | 2022-11-18 | 智道网联科技(北京)有限公司 | 车道拥堵预测方法及装置 |
CN115359662B (zh) * | 2022-10-18 | 2023-01-10 | 智道网联科技(北京)有限公司 | 车道拥堵预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114999154B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
CN109754605B (zh) | 一种基于注意力时态图卷积网络的交通预测方法 | |
CN110415516B (zh) | 基于图卷积神经网络的城市交通流预测方法及介质 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN111160753B (zh) | 一种基于知识图谱的路网节点重要性评估的方法 | |
CN102346964A (zh) | 道路交通网络区域拥堵实时预测与智能管理*** | |
CN108062860B (zh) | 基于拥塞传播分析的道路瓶颈识别方法及其*** | |
CN114495507B (zh) | 融合时空注意力神经网络和交通模型的交通流预测方法 | |
CN112489426A (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
CN116824861B (zh) | 基于城市大脑平台多维数据的共享单车调度方法和*** | |
CN114757389A (zh) | 一种基于联邦学习的城市交通流量时空预测方法 | |
CN114999154A (zh) | 一种基于图卷积网络的道路服务水平预测方法 | |
KR20230057558A (ko) | 딥러닝을 이용한 단기 교통 흐름 예측 방법 및 그 장치 | |
CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
CN114331206A (zh) | 点位选址方法、装置、电子设备及可读存储介质 | |
CN117251722A (zh) | 一种基于大数据的智慧交通管理*** | |
Liu et al. | Envisioning Shared Autonomous Vehicles (SAVs) for 374 Small and Medium-Sized Urban Areas in the United States: The Roles of Road Network and Travel Demand | |
Wang et al. | Genetic algorithms–based network optimization system with multiple objectives | |
Yadlowsky et al. | Link density inference from cellular infrastructure | |
CN115131961B (zh) | 智能交通感知方法及装置 | |
CN117576918B (zh) | 一种基于多源数据的城市道路流量全域预测方法 | |
Han | Framework for real-time traffic management with case studies | |
CN113935555B (zh) | 一种基于路网结构的状况自适应交通预测方法及其*** | |
CN117456738B (zh) | 一种基于etc门架数据的高速公路交通量预测方法 | |
Patelli et al. | Traffic modelling and prediction via symbolic regression on road sensor data |
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 |