CN115240431A - 高速公路收费站交通流量实时在线仿真***及仿真方法 - Google Patents

高速公路收费站交通流量实时在线仿真***及仿真方法 Download PDF

Info

Publication number
CN115240431A
CN115240431A CN202211144311.6A CN202211144311A CN115240431A CN 115240431 A CN115240431 A CN 115240431A CN 202211144311 A CN202211144311 A CN 202211144311A CN 115240431 A CN115240431 A CN 115240431A
Authority
CN
China
Prior art keywords
time
toll station
data
module
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
Application number
CN202211144311.6A
Other languages
English (en)
Other versions
CN115240431B (zh
Inventor
刘恒
黄笑犬
丘建栋
林涛
吕国林
赵顺
唐易
邓远冬
丁雪晴
雷焕宇
刘星
庄蔚群
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.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center Co Ltd
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 Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202211144311.6A priority Critical patent/CN115240431B/zh
Publication of CN115240431A publication Critical patent/CN115240431A/zh
Application granted granted Critical
Publication of CN115240431B publication Critical patent/CN115240431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0125—Traffic data processing
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
    • G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
    • G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
    • 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
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

高速公路收费站交通流量实时在线仿真***及仿真方法，属于交通管控技术领域。为解决现有技术不能够对收费站分车道流量预测评估和实时分析的问题。本发明包括数据采集模块、数据传输模块、数据存储模块、实时分析评估模块、交通仿真模块、车道管理模块、终端模块；数据采集模块连接数据传输模块，数据传输模块连接数据存储模块，数据存储模块连接实时分析评估模块，实时分析评估模块连接交通仿真模块，交通仿真模块连接车道管理模块，车道管理模块连接终端模块。本发明对收费站分车道分车型进行了车流预测，对收费站交通运行状况进行预测和仿真推演，为未来短时收费通道资源合理使用和站前广场主动交通管控提供科学决策支撑。

Description

高速公路收费站交通流量实时在线仿真***及仿真方法
技术领域
本发明属于交通管控技术领域，具体涉及一种高速公路收费站交通流量实时在线仿真***及仿真方法。
背景技术
随着高速公路基础设施建设行业的发展和进步，高速公路逐渐成为出行者的重要出行途径，但是随着机动车保有量的快速增长，交通出行需求日益增加，高速收费站严重拥堵，高速收费站的服务和运营管理面临巨大压力，尤其是上下班高峰时段及重大节假日高峰期，高速收费站前拥堵状况问题突出，不但影响了高速公路网的通行效率和服务质量，同时也增加了交通事故发生的风险，极大影响了出行者的出行体验，增加了出行时间成本。目前亟需解决的问题是根据高速收费数据及时获取高速收费站运营期间的交通运行状况，从运行数据中获取相应的交通运行参数并对未来时段收费站分车道流量进行预测及收费车道的运营管理，进而对通行车辆进行收费诱导管理，改善高速收费站的交通拥堵，提升高速通行的效率。
随着高速公路ETC门架***的建设与发展积累了大量的实时运营数据，极大的促进了交通运行状况分析与评估技术的发展。但是现有的技术多为高速短时交通流量预测，基于ETC门架***的收费站分车道分车型的交通流量预测和交通仿真评估研究较少，现有技术不能体现收费站不同收费通道的服务水平并进行实时交通拥堵运行状况预警，仍然无法对收费站收费车道的运营管理提供直接的决策支持依据，无法有效预防高速公路高峰期出行收费站拥堵问题，不能行之有效地依据收费站未来时段预测车流进行实时运行状况研判和收费车辆诱导管理，仍然难以满足当前收费站针对拥堵状况收费的运营管理需求。因此，如何发挥现有交通数据资源的优势，缓解高峰时段收费站严重拥堵现象，提高高速收费站的通行效率和服务管理水平，是一个急需解决的技术难题。
发明内容
本发明为解决现有技术不能够有效利用高速收费运营数据进行收费站分车道流量预测评估和实时分析的问题，提出一种高速公路收费站交通流量实时在线仿真***及仿真方法。
为实现上述目的，本发明通过以下技术方案实现：
一种高速公路收费站交通流量实时在线仿真***，包括数据采集模块、数据传输模块、数据存储模块、实时分析评估模块、交通仿真模块、车道管理模块、终端模块；
所述数据采集模块连接数据传输模块，所述数据传输模块连接数据存储模块，所述数据存储模块连接实时分析评估模块，所述实时分析评估模块连接交通仿真模块，所述交通仿真模块连接车道管理模块，所述车道管理模块连接终端模块；
所述数据采集模块用于收集高速公路路段或者匝道ETC门架实时监测车流数据以及外部气象监测数据；
所述数据传输模块用于对数据采集模块采集的数据进行传送；
所述数据存储模块用于对数据传输模块传送的数据进行存储；
所述实时分析评估模块用于对数据存储模块存储的数据通过机器学习方法进行综合分析和实时交通运行状况研判，进而预测未来时段的高速收费站交通流量；
所述实时分析评估模块包括异常信息处理模块、数据挖掘模块、交通运行评估模块、交通量预测模块；
所述交通仿真模块用于将所述实时分析评估模块预测的未来时段的高速收费站交通流量通过仿真平台完成实时在线仿真；
所述车道管理模块，用于对所述交通仿真模块在线仿真结果进行高速收费站车道交通运行指标统计，并判断是否达到阈值条件进行预警；
所述终端模块用于对实时分析评估模块预测的未来时段的高速收费站交通流量和交通仿真模块处理的在线仿真结果实时传输到高速收费站管理终端。
进一步的，所述异常信息处理模块用于标记出现异常值的数据；所述数据挖掘模块用于对实时汇总的交通运行特征数据进行数据挖掘分析；所述交通运行评估模块用于对数据挖掘模块产生的现状交通运行信息进行拥堵状况评估；所述交通量预测模块用于根据数据挖掘模块训练好的机器学习模型对未来时刻的交通流量进行预测，获得匝道收费站的分车型分收费类别分车道的车流量，生成高速收费站的第一次拥堵运行预警信息。
一种高速公路收费站交通流量实时在线仿真方法，依托于所述的一种高速公路收费站交通流量实时在线仿真***实现，包括如下步骤：
S1、实时获取ETC数据，包括高速收费站ETC出入口流水记录数据、高速收费站上游最近路段ETC门架数据，然后对实时获取的ETC数据中重复过车记录的数据按照计费车型字段进行筛选去重处理；实时获取外部天气数据信息，并进行格式化处理；
S2、选择高速收费站上游路段ETC门架为研究对象，提取高速收费站上游最近路段ETC门架数据第i时段交通运行特征数据，包括星期、小时、车型、是否ETC车辆、断面流量、上下游断面流量，对提取的交通运行特征数据进行预编码处理，得到分时段高速收费站上游路段ETC门架交通运行特征数据；
S3、将步骤S2得到的分时段高速收费站上游路段ETC门架交通运行特征数据汇总，生成历史样本数据集，并划分为样本训练集和样本测试集，采用机器学习中的集成学习方法对样本训练集进行训练学习、建立学习模型，对样本测试集进行样本测试，对未来时段的过车流量进行预测；
S4、选择高速收费站上游路段ETC门架为研究对象，提取高速收费站第i时段车辆到达量数据、高速收费站上游路段ETC门架过车流量数据，计算第i时段的高速收费站流量流转系数和时间分布系数，汇总后得到历史时段高速收费站流量流转系数、时间分布系数样本集，采用深度学习中的LSTM方法对历史时段高速收费站流量流转系数、时间分布系数样本集进行训练学习，对未来时段的流量流转系数、未来时段的时间分布系数进行预测；
S5、将步骤S3得到的未来时段的过车流量、步骤S4得到的未来时段的流量流转系数和未来时段的时间分布系数进行相乘运算，获得未来时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵，结合当前时段特征数据同样计算得到当前时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵；
S6、对步骤S5得到的当前时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵进行仿真还原，对步骤S5得到的未来时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵进行仿真推演；
S7、将步骤S6得到的未来时段高速收费站的交通仿真评估指标与现有高速收费通道的指标预警阈值比较，比较的结果发送给高速收费站管理终端。
进一步的，步骤S2采用独热编码的方式对提取的交通运行特征数据进行预编码处理，其中时段特征采用24位状态向量编码，星期采用7位状态向量编码，是否节假日采用2位状态向量编码，是否ETC采用2位状态向量编码，天气采用4位状态向量编码，其他连续型字段采用归一化方法处理为特征值，处理公式为：
Figure 505538DEST_PATH_IMAGE001
其中q a 为当前数据，q min为当前数据序列的最小值，q max为当前数据序列的最大值，q b 为归一化值。
进一步的，步骤S3的具体实现方法包括如下步骤：
S3.1、 将分时段高速收费站上游路段ETC门架交通运行特征数据汇总生成历史样本数据集S，并划分为样本训练集S1和样本测试集S2，数据划分比例为8:2；
S3.2、样本训练集S1的输入特征向量X i ={a1(i)，a2(i)，a3(i)，…，ar(i)}，输入特征向量的样本特征数r=48，X i 为高速收费站上游路段ETC门架第i时段的交通运行特征，样本训练集S1的输出特征向量Y i ={b(i+1)}，输出特征向量的维数为1，Y i 为第i+1时段高速收费站上游路段ETC门架断面流量；
S3.3、将样本训练集S1输入到极端梯度提升树算法XGBoost中建立集成学习模型，所述集成学习模型以决策树中CART回归树作为基学习器，通过根节点进行输入样本，决策树采用样本方差指标衡量叶子节点属性，划分数据集的纯度，公式如下：
Figure 964201DEST_PATH_IMAGE002
；
其中，n为样本个数，
Figure 571900DEST_PATH_IMAGE003
为节点属性划分数据集样本均值，
Figure 483224DEST_PATH_IMAGE004
为节点划分数据集的 方差；
依据每一个中间节点进行特征属性划分，落在对应叶子节点上时，即为模型预测 值，得到模型的预测值
Figure 467361DEST_PATH_IMAGE005
，预测值与真实值之间的差值为残差
Figure 46110DEST_PATH_IMAGE006
；
模型通过单个决策树学习器进行训练得到预测值与实际值的残差，通过不断迭代 提升，每次迭代生成的m棵决策树模型拟合m-1棵决策树的预测残差，当将
Figure 824710DEST_PATH_IMAGE007
输入到第m棵决 策树中进行训练时，得到第k棵决策树预测值公式为：
Figure 895434DEST_PATH_IMAGE008
其中，
Figure 542316DEST_PATH_IMAGE009
为第m颗决策树时累加的预测结果，是前m-1颗决策树累计的结果和第m 颗决策树输出的结果总和，
Figure 850938DEST_PATH_IMAGE010
为第m颗决策树输出的结果，
Figure 919214DEST_PATH_IMAGE011
为第p颗决策树输 出的结果，p为m-1中的任意一个；
集成学习模型的公式为：
Figure 680496DEST_PATH_IMAGE012
式中
Figure 865490DEST_PATH_IMAGE013
为损失函数，
Figure 294197DEST_PATH_IMAGE014
为正则化项，
Figure 539234DEST_PATH_IMAGE015
为最小化目标函数；
S3.4、将样本测试集S2输入到步骤S3.3训练好的集成学习模型中进行样本测试，通过均方误差MSE对模型参数进行测试和优化，输出测试结果，均方误差公式为：
Figure 787813DEST_PATH_IMAGE016
其中n为样本个数，
Figure 776497DEST_PATH_IMAGE017
为第g个样本的预测值，
Figure 856449DEST_PATH_IMAGE018
为第g个样本的实际值；
S3.5、将高速收费站上游路段ETC门架第i时段的交通运行特征数据作为模型的输入，第i+1时段高速收费站上游路段ETC门架的预测目标值作为模型输出，对该目标值反归一化后获得未来第i+1时段的收费站上游路段ETC门架断面流量。
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、选择高速收费站上游路段ETC门架为研究对象，提取高速收费站第i时段车 辆到达量数据、高速收费站上游路段ETC门架过车流量数据，计算第i时段的高速收费站流 量流转系数
Figure 147753DEST_PATH_IMAGE019
、时间分布系数
Figure 8261DEST_PATH_IMAGE020
，公式如下：
Figure 410424DEST_PATH_IMAGE021
其中，
Figure 672778DEST_PATH_IMAGE022
为高速收费站上游路段ETC门架第i时段的断面流量大小；
Figure 134983DEST_PATH_IMAGE023
为第i时段 高速收费站上游路段ETC门架流量进入匝道收费站第j类收费车道第l类车型的流量流转系 数；
Figure 154892DEST_PATH_IMAGE024
为高速收费站第j类收费车道第l类车型的到达流量；
Figure 750958DEST_PATH_IMAGE025
Figure 743185DEST_PATH_IMAGE026
为第i时段第k个时间片的时间分布系数，
Figure 500925DEST_PATH_IMAGE027
为第i时段第k个时间片的收费站 到达流量，n为样本个数；
S4.2、将高速收费站流量流转系数汇总构造样本数据集
Figure 211392DEST_PATH_IMAGE028
，包含30维的第i时段的 输入特征 {
Figure 79991DEST_PATH_IMAGE029
}和第i+1时段的输出特征{
Figure 926725DEST_PATH_IMAGE030
}，将样本数 据集
Figure 120946DEST_PATH_IMAGE031
划分为训练集
Figure 849867DEST_PATH_IMAGE032
和测试集
Figure 663102DEST_PATH_IMAGE033
,划分比例按照8:2进行分割；将高速收费站时间分 布系数汇总构造样本数据集
Figure 488976DEST_PATH_IMAGE034
，包含12维的第i时段的输入特征{
Figure 463885DEST_PATH_IMAGE035
}和第i+1 时段的输出特征{
Figure 7999DEST_PATH_IMAGE036
}，将样本数据集
Figure 156084DEST_PATH_IMAGE037
划分为训练集
Figure 977409DEST_PATH_IMAGE038
和测试集
Figure 513433DEST_PATH_IMAGE039
， 划分比例按照8:2进行分割；
S4.3、采用深度学习中基于编码器-解码器框架的长短期记忆网络ED-LSTM方法对 训练集
Figure 154630DEST_PATH_IMAGE040
进行训练学习，预测输出包含未来时段3类收费车道与10类车型交叉分类得到的 30个分收费车道分车型流量流转系数大小
Figure 434301DEST_PATH_IMAGE041
；
S4.4、采用深度学习中基于编码器-解码器框架的长短期记忆网络ED-LSTM方法对 训练集
Figure 110133DEST_PATH_IMAGE042
进行训练学习，预测输出包含未来时段12个时间片的流量分布系数大小
Figure 817058DEST_PATH_IMAGE043
。
进一步的，步骤S4中采用均方误差MSE和平均绝对百分比误差MAPE作为模型评价指标：
Figure 211130DEST_PATH_IMAGE044
Figure 701017DEST_PATH_IMAGE045
其中n为样本个数，
Figure 621569DEST_PATH_IMAGE046
为第g个样本的预测值，
Figure 109182DEST_PATH_IMAGE047
为第g个样本的实际值。
进一步的，步骤S5中未来时段由上游ETC门架位置出发到达高速收费站不同收费 通道分时间片的动态OD矩阵
Figure 121044DEST_PATH_IMAGE048
公式为：
Figure 617884DEST_PATH_IMAGE049
其中，
Figure 392942DEST_PATH_IMAGE050
为第i+1时段第j类收费车道第k个时间片下第l类车型的OD流量；
同样地，针对第i时段计算得到当前时段由上游ETC门架位置出发到达高速收费站 不同收费通道分时间片的动态OD矩阵
Figure 51456DEST_PATH_IMAGE051
。
进一步的，步骤S6对未来时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵进行仿真推演，输出值包括高速收费站通道的流量、平均排队长度、服务水平，依据实时收费流水记录数据计算预测时段收费站不同收费通道实际到达的流量，与预测时段的交通仿真输出值比较偏差是否满足阈值条件，若不满足则返回步骤S3-步骤S6。
进一步的，步骤S7中未来时段高速收费站的交通仿真评估指标包括高速收费站通道的流量、平均排队长度、服务水平。
进一步的，步骤S1中实时获取的数据还可以获取高速收费站MTC出入口流水记录数据。
本发明的有益效果为：
本发明所述的一种高速公路收费站交通流量实时在线仿真方法，本发明利用收费站不同收费通道（含ETC、MTC车道）的实时出入口流水数据和上游路段的ETC门架实时过车记录数据，然后根据构建的机器学习模型充分训练学习收费站上下游路段的车辆连续通行特征，包含车流周期性、车辆类型、外部环境、收费站流量流转、时间分布等特征，预测未来时段由收费站上游路段出发到达收费站的分时间片的动态OD分布特征，不局限于收费站的到达流量预测，而是进一步预测了收费站不同收费通道不同车型的车流路径选择；
本发明所述的一种高速公路收费站交通流量实时在线仿真方法，选择了机器学***均排队长度、服务水平等交通仿真评估指标，根据现行收费车道的服务水平指标阈值进行实时监测拥堵预警，为收费站运营管理人员提供收费通道资源合理开闭使用、动态收费诱导和站前广场主动型交通管控的科学决策支撑。
附图说明
图1为本发明所述的一种高速公路收费站交通流量实时在线仿真***的结构示意图；
图2为本发明所述的一种高速公路收费站交通流量实时在线仿真方法的流程图；
图3为本发明所述的所述的一种高速公路收费站交通流量实时在线仿真方法的步骤S3训练后的均方误差的迭代优化曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。
因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。
为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图1-3详细说明如下 ：
具体实施方式一：
一种高速公路收费站交通流量实时在线仿真***，包括数据采集模块1、数据传输模块2、数据存储模块3、实时分析评估模块4、交通仿真模块5、车道管理模块6、终端模块7，结构示意图如图1所示；
所述数据采集模块1连接数据传输模块2，所述数据传输模块2连接数据存储模块3，所述数据存储模块3连接实时分析评估模块4，所述实时分析评估模块4连接交通仿真模块5，所述交通仿真模块5连接车道管理模块6，所述车道管理模块6连接终端模块7；
所述数据采集模块1用于收集高速公路路段或者匝道ETC门架实时监测车流数据以及外部气象监测数据；
所述数据传输模块2用于对数据采集模块1采集的数据进行传送；
所述数据存储模块3用于对数据传输模块2传送的数据进行存储；
所述实时分析评估模块4用于对数据存储模块3存储的数据通过机器学习方法进行综合分析和实时交通运行状况研判，进而预测未来时段的高速收费站交通流量；
所述实时分析评估模块4包括异常信息处理模块4-1、数据挖掘模块4-2、交通运行评估模块4-3、交通量预测模块4-4；
所述交通仿真模块5用于将所述实时分析评估模块4预测的未来时段的高速收费站交通流量通过仿真平台完成实时在线仿真；
所述车道管理模块6，用于对所述交通仿真模块5在线仿真结果进行高速收费站车道交通运行指标统计，并判断是否达到阈值条件进行预警；
所述终端模块7用于对实时分析评估模块4预测的未来时段的高速收费站交通流量和交通仿真模块5处理的在线仿真结果实时传输到高速收费站管理终端。
进一步的，所述异常信息处理模块4-1用于标记出现异常值的数据；所述数据挖掘模块4-2用于对实时汇总的交通运行特征数据进行数据挖掘分析；所述交通运行评估模块4-3用于对数据挖掘模块产生的现状交通运行信息进行拥堵状况评估；所述交通量预测模块4-4用于根据数据挖掘模块4-2训练好的机器学习模型对未来时刻的交通流量进行预测，获得匝道收费站的分车型分收费类别分车道的车流量，生成高速收费站的第一次拥堵运行预警信息。
进一步的，所述数据采集模块1和数据传输模块2、数据存储模块3、实时分析评估模块4、交通仿真模块5通过线缆物理方式连接，所述数据传输模块2和数据存储模块3通过GSM无线传输，所述实时分析评估模块4、交通仿真模块5、收费车道管理模块6与终端模块7通过GSM、互联网方式连接进行无线传输。
进一步地，所述数据采集模块1包含ETC门架监测***，所述ETC门架监测***用于采集高速行驶车辆的过车记录信息；外部气象监测***，所述外部气象监测***用于采集外部天气数据信息。
更进一步的，所述车道管理模块6，用于根据预测时段收费站交通仿真推演结果统计ETC车道、MTC车道的预测流量大小、平均排队长度、服务水平等指标，并结合所在收费站收费车道的交通运行阈值进行第二次预警，为收费站运营管理人员提供收费通道资源合理开启和关闭使用的科学决策支持。
更进一步的，所述终端模块7，用于对实时分析和评估的收费站交通运行状况信息进行结果信息传送和展示，对收费站交通运行状况进行实时监控，并将流量预警信息通过短信或者邮件的形式发送到收费站管理人员终端。
更进一步地，所述交通仿真模块用于将交通量预测模块得到的未来时刻收费站分车型分收费类别分时间片的动态估计交通量输入到交通仿真平台中，对未来时段的收费站交通运行状况进行仿真推演可视化，同时对仿真输出结果与实时采集到仿真时刻的收费站车流量进行偏差估计，判断是否满足阈值条件，如否则返回校核机器学习模型和仿真模型参数，进一步优化迭代新一轮模型。在每个时段下，收费站车流交通仿真可持续稳定地运行下去。
具体实施方式二：
一种高速公路收费站交通流量实时在线仿真方法，依托于具体实施方式一所述的一种高速公路收费站交通流量实时在线仿真***实现，包括如下步骤：
S1、实时获取ETC数据，包括高速收费站ETC出入口流水记录数据、高速收费站上游最近路段ETC门架数据，然后对实时获取的ETC数据中重复过车记录的数据按照计费车型字段进行筛选去重处理；实时获取外部天气数据信息，并进行格式化处理；
进一步的，步骤S1实时获取某高速收费站ETC/MTC出入口流水记录数据，选择至少包含车牌号、入口时间、出口时间、计费车型、是否ETC、交易所属收费站字段信息；实时获取收费站上游最近路段ETC门架数据，选择至少包含车牌号、交易时间、计费车型、是否ETC等字段信息；实时获取外部气象数据信息，包含当天的天气信息；
S2、选择高速收费站上游路段ETC门架为研究对象，提取高速收费站上游最近路段ETC门架数据第i时段交通运行特征数据，包括星期、小时、车型、是否ETC车辆、断面流量、上下游断面流量，对提取的交通运行特征数据进行预编码处理，得到分时段高速收费站上游路段ETC门架交通运行特征数据；
进一步的，步骤S2采用独热编码的方式对提取的交通运行特征数据进行预编码处理，其中时段特征采用24位状态向量编码，星期采用7位状态向量编码，是否节假日采用2位状态向量编码，是否ETC采用2位状态向量编码，天气采用4位状态向量编码，其他连续型字段采用归一化方法处理为特征值，处理公式为：
Figure 544755DEST_PATH_IMAGE052
其中q a 为当前数据，q min为当前数据序列的最小值，q max为当前数据序列的最大值，q b 为归一化值；
表1为高速收费站上游最近路段ETC门架数据举例：
表 1 高速收费站上游最近路段ETC门架数据
Figure 314127DEST_PATH_IMAGE053
表2为分时段高速收费站上游路段ETC门架交通运行特征数据举例
表 2 分时段高速收费站上游路段ETC门架交通运行特征数据
Figure 474850DEST_PATH_IMAGE054
S3、将步骤S2得到的分时段高速收费站上游路段ETC门架交通运行特征数据汇总，生成历史样本数据集，并划分为样本训练集和样本测试集，采用机器学习中的集成学习方法对样本训练集进行训练学习、建立学习模型，对样本测试集进行样本测试，对未来时段的过车流量进行预测；
进一步的，步骤S3的具体实现方法包括如下步骤：
S3.1、将分时段高速收费站上游路段ETC门架交通运行特征数据汇总生成历史样本数据集S，并划分为样本训练集S1和样本测试集S2，数据划分比例为8:2；
进一步的，样本训练集S1举例为：
表 3 样本训练集S1
Figure 569845DEST_PATH_IMAGE055
其中w1~w7为星期数据，h1~h24为一天24小时数据，v1-v2为是否节假日数据，type1~type10为车型数据，ETC1~ETC2为是否ETC数据，onflow为第i时段当前ETC门架上游断面流量数据，t1为第i时段外部天气数据，offflow为第i时段当前ETC门架下游断面流量数据，flow为第i时段当前ETC门架断面流量数据，flow_pre为第i+1时段当前ETC门架断面的预测流量数据；
S3.2、样本训练集S1的输入特征向量X i ={a1(i)，a2(i)，a3(i)，…，ar(i)}，输入特征向量的样本特征数r=48，X i 为高速收费站上游路段ETC门架第i时段的交通运行特征，样本训练集S1的输出特征向量Y i ={b(i+1)}，输出特征向量的维数为1，Y i 为第i+1时段高速收费站上游路段ETC门架断面流量；
S3.3、将样本训练集S1输入到极端梯度提升树算法XGBoost中建立集成学习模型，所述集成学习模型以决策树中CART回归树作为基学习器，通过根节点进行输入样本，决策树采用样本方差指标衡量叶子节点属性，划分数据集的纯度，公式如下：
Figure 284860DEST_PATH_IMAGE056
；
其中，n为样本个数，
Figure 123503DEST_PATH_IMAGE057
为节点属性划分数据集样本均值，
Figure 607574DEST_PATH_IMAGE058
为节点划分数据集的 方差；
依据每一个中间节点进行特征属性划分，落在对应叶子节点上时，即为模型预测 值，得到模型的预测值
Figure 873471DEST_PATH_IMAGE059
，预测值与真实值之间的差值为残差
Figure 75782DEST_PATH_IMAGE060
；
模型通过单个决策树学习器进行训练得到预测值与实际值的残差，通过不断迭代 提升，每次迭代生成的m棵决策树模型拟合m-1棵决策树的预测残差，当将
Figure 249274DEST_PATH_IMAGE061
输入到第m棵 决策树中进行训练时，得到第k棵决策树预测值公式为：
Figure 56693DEST_PATH_IMAGE062
其中，
Figure 493491DEST_PATH_IMAGE063
为第m颗决策树时累加的预测结果，是前m-1颗决策树累计的结果和第m 颗决策树输出的结果总和，
Figure 855202DEST_PATH_IMAGE064
为第m颗决策树输出的结果，
Figure 160281DEST_PATH_IMAGE065
为第j颗决策树输 出的结果，p为m-1中的任意一个；
集成学习模型的公式为：
Figure 494311DEST_PATH_IMAGE066
式中
Figure 226643DEST_PATH_IMAGE067
为损失函数，
Figure 278913DEST_PATH_IMAGE068
为正则化项，
Figure 387683DEST_PATH_IMAGE069
为最小化目标函数；
进一步的，极端梯度提升树模型训练参数经过多轮超参数调整试验，最终确定收缩步长即学习率为0.08，CART决策树的数量为150，树的高度为8，叶子节点最小权重和为4，最小损失函数下降值为0.2，权重的L2正则系数为2，其他参数按照默认取值选择。以叶子节点最小权重和参数为例，迭代优化曲线如图3所示，从图3能够看出随着迭代次数的增加，模型的损失不断收敛到极限值；
S3.4、将样本测试集S2输入到步骤S3.3训练好的集成学习模型中进行样本测试，通过均方误差MSE对模型参数进行测试和优化，输出测试结果，均方误差公式为：
Figure 576219DEST_PATH_IMAGE070
其中n为样本个数，
Figure 479453DEST_PATH_IMAGE071
为第g个样本的预测值，
Figure 753440DEST_PATH_IMAGE072
为第g个样本的实际值；
S3.5、将高速收费站上游路段ETC门架第i时段的交通运行特征数据作为模型的输入，第i+1时段高速收费站上游路段ETC门架的预测目标值作为模型输出，对该目标值反归一化后获得未来第i+1时段的收费站上游路段ETC门架断面流量；
S4、选择高速收费站上游路段ETC门架为研究对象，提取高速收费站第i时段车辆到达量数据、高速收费站上游路段ETC门架过车流量数据，计算第i时段的高速收费站流量流转系数和时间分布系数，汇总后得到历史时段高速收费站流量流转系数、时间分布系数样本集，采用深度学习中的LSTM方法对历史时段高速收费站流量流转系数、时间分布系数样本集进行训练学习，对未来时段的流量流转系数、未来时段的时间分布系数进行预测；
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、选择高速收费站上游路段ETC门架为研究对象，提取高速收费站第i时段车 辆到达量数据、高速收费站上游路段ETC门架过车流量数据，计算第i时段的高速收费站流 量流转系数
Figure 665901DEST_PATH_IMAGE073
、时间分布系数
Figure 974523DEST_PATH_IMAGE074
，公式如下：
Figure 48658DEST_PATH_IMAGE075
其中，
Figure 809940DEST_PATH_IMAGE076
为高速收费站上游路段ETC门架第i时段的断面流量大小；
Figure 994934DEST_PATH_IMAGE077
为第i时段 高速收费站上游路段ETC门架流量进入匝道收费站第j类收费车道第l类车型的流量流转系 数；
Figure 158062DEST_PATH_IMAGE078
为高速收费站第j类收费车道第l类车型的到达流量；
Figure 668678DEST_PATH_IMAGE079
Figure 917257DEST_PATH_IMAGE080
为第i时段第k个时间片的时间分布系数，
Figure 578045DEST_PATH_IMAGE081
为第i时段第k个时间片的收费站 到达流量，n为样本个数；
S4.2、将高速收费站流量流转系数汇总构造样本数据集
Figure 3471DEST_PATH_IMAGE082
，包含30维的第i时段的 输入特征 {
Figure 294775DEST_PATH_IMAGE083
,
Figure 155284DEST_PATH_IMAGE084
,…,
Figure 823025DEST_PATH_IMAGE085
}和第i+1时段的输出特征{
Figure 85379DEST_PATH_IMAGE086
,
Figure 547585DEST_PATH_IMAGE087
,…,
Figure 895389DEST_PATH_IMAGE088
}，将样本 数据集
Figure 835664DEST_PATH_IMAGE089
划分为训练集
Figure 952524DEST_PATH_IMAGE090
和测试集
Figure 851210DEST_PATH_IMAGE091
,划分比例按照8:2进行分割；将高速收费站时间 分布系数汇总构造样本数据集
Figure 686311DEST_PATH_IMAGE092
，包含12维的第i时段的输入特征{
Figure 430276DEST_PATH_IMAGE093
,
Figure 667222DEST_PATH_IMAGE094
,…,
Figure 471230DEST_PATH_IMAGE095
}和第i +1时段的输出特征{
Figure 465731DEST_PATH_IMAGE096
,
Figure 138021DEST_PATH_IMAGE097
,…,
Figure 839261DEST_PATH_IMAGE098
}，将样本数据集
Figure 204383DEST_PATH_IMAGE099
划分为训练集
Figure 623863DEST_PATH_IMAGE100
和测试集
Figure 99844DEST_PATH_IMAGE101
，划分比例按照8:2进行分割；
进一步的，高速收费站流量流转系数举例如表4所示，高速收费站时间分布系数举例如表5所示：
表 4 高速收费站流量流转系数
Figure 717907DEST_PATH_IMAGE102
表 5 高速收费站时间分布系数
Figure 457193DEST_PATH_IMAGE103
S4.3、采用深度学习中基于编码器-解码器框架的长短期记忆网络ED-LSTM方法对 训练集
Figure 363969DEST_PATH_IMAGE104
进行训练学习，预测输出包含未来时段3类收费车道与10类车型交叉分类得到的 30个分收费车道分车型流量流转系数大小
Figure 378061DEST_PATH_IMAGE105
；
S4.4、采用深度学习中基于编码器-解码器框架的长短期记忆网络ED-LSTM方法对 训练集
Figure 116210DEST_PATH_IMAGE106
进行训练学习，预测输出包含未来时段12个时间片的流量分布系数大小
Figure 26397DEST_PATH_IMAGE107
；
进一步的，步骤S4中采用均方误差MSE和平均绝对百分比误差MAPE作为模型评价指标：
Figure 420469DEST_PATH_IMAGE108
Figure 238253DEST_PATH_IMAGE109
其中n为样本个数，
Figure 34170DEST_PATH_IMAGE110
为第g个样本的预测值，
Figure 380838DEST_PATH_IMAGE111
为第g个样本的实际值；
进一步的，通过ED-LSTM预测收费站上游主线路段ETC门架到匝道收费站的分车型分收费车道类别的流量流转系数及时间分布系数，目的就是获得收费站分车型（客车/货车）分收费车道（ETC/MTC）分时间片（5分钟）的交通流量预测。S5、将步骤S3得到的未来时段的过车流量、步骤S4得到的未来时段的流量流转系数和未来时段的时间分布系数进行相乘运算，获得未来时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵，结合当前时段特征数据同样计算得到当前时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵；
步骤S5中未来时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间 片的动态OD矩阵
Figure 590102DEST_PATH_IMAGE112
公式为：
Figure 483015DEST_PATH_IMAGE113
其中，
Figure 133439DEST_PATH_IMAGE114
为第i+1时段第j类收费车道通道第k个时间片下第l类车型的OD流量；
同样地，针对第i时段计算得到当前时段由上游ETC门架位置出发到达高速收费站 不同收费通道分时间片的动态OD矩阵
Figure 119850DEST_PATH_IMAGE115
；
进一步的，
Figure 613148DEST_PATH_IMAGE116
为第i+1时段第j收费通道第k个时间片下第l车型的OD流量，i为 以小时为间隔的时段数量，j为收费通道类别（j=1为ETC通道、j=2为MTC通道、j=3为ETCMTC 混合通道），k为单个小时内以5min为间隔的时间片数量（k=1~12），l为车型（按照车型分类 包含4类客车车型和6类货车车型，由l=0~10依次表示）。同样地，针对第i时段（当前时段）， 按照所述公式可得到当前时段监测得到的动态OD矩阵
Figure 913680DEST_PATH_IMAGE117
；
未来时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵估计如表6所示：
表6 未来时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵
Figure 808823DEST_PATH_IMAGE118
S6、对步骤S5得到的当前时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵进行仿真还原，对步骤S5得到的未来时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵进行仿真推演；
进一步的，步骤S6对未来时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵进行仿真推演，输出值包括高速收费站通道的流量、平均排队长度、服务水平，依据实时收费流水记录数据计算预测时段收费站不同收费通道实际到达的流量，与预测时段的交通仿真输出值比较偏差是否满足阈值条件，若不满足则返回步骤S3-步骤S6；
进一步的，步骤S6的具体实现方法包括如下步骤：
步骤6.1、采用收费站交通仿真平台Transmodeler仿真模型参数进行本地化设置，包括高速公路和高速匝道路段通行能力、期望速度路网属性参数、车辆跟驰换道、车头时距等驾驶行为参数、收费站各通道的服务时间参数，其中通行能力参数通过公路通行能力手册和实际运行情况获取，期望速度结合浮动车数据或者参考相应道路等级的自由流速度参数获取，车辆跟驰参数和车头时距参数结合ETC门架视频数据进行统计获取，收费站各收费通道的服务时间参数结合收费站自身的停车或不停车收费的服务时间进行实际获取，其余仿真参数可按默认设置或者结合本地实际情况选取；
步骤6.2、将步骤S5得到的历史收费站OD矩阵
Figure 966135DEST_PATH_IMAGE119
输入到交通仿真平台中对收费 站现状交通运行状况进行仿真还原，直观展示现状交通运行特征；
步骤6.3、将步骤S5得到的未来时段动态OD矩阵
Figure 822096DEST_PATH_IMAGE119
输入到收费站交通仿真平台 中对收费站未来时段交通运行状况进行仿真推演，研判即将到达车辆收费通道路径选择， 预测收费站未来短时交通运行状况，提供动态收费诱导决策支持和实时监测拥堵预警，并 以仿真视角进行直观可视化展示，输出包含收费站通道的流量、平均排队长度、服务水平等 仿真评估指标；
步骤6.4、依据实时收费流水记录数据计算预测时段收费站不同收费通道实际到达的流量，与该时段的交通仿真输出值比较偏差是否满足阈值条件，若不满足则返回动态校核收费站上游ETC门架断面交通运行特征预测模型参数，进一步提高下一时段的交通流量预测的准确性；
S7、将步骤S6得到的未来时段高速收费站的交通仿真评估指标与现有高速收费通道的指标预警阈值比较，比较的结果发送给高速收费站管理终端。
进一步的，步骤S7中未来时段高速收费站的交通仿真评估指标包括高速收费站通道的流量、平均排队长度、服务水平；
进一步的，如收费通道仿真输出超过预警值，收费站运营管理人员需及时做好车道管理服务准备，如增开ETC通道或者提高人工通道的收费服务时间，提前发布收费通道开闭的诱导信息；收费站的实时在线仿真推演可对未来短时收费通道资源合理使用和站前广场主动型交通管控提供科学决策支撑。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然在上文中已经参考具体实施方式对本申请进行了描述，然而在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本申请并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (10)

1.一种高速公路收费站交通流量实时在线仿真***，其特征在于：包括数据采集模块（1）、数据传输模块（2）、数据存储模块（3）、实时分析评估模块（4）、交通仿真模块（5）、车道管理模块（6）、终端模块（7）；
所述数据采集模块（1）连接数据传输模块（2），所述数据传输模块（2）连接数据存储模块（3），所述数据存储模块（3）连接实时分析评估模块（4），所述实时分析评估模块（4）连接交通仿真模块（5），所述交通仿真模块（5）连接车道管理模块（6），所述车道管理模块（6）连接终端模块（7）；
所述数据采集模块（1）用于收集高速公路路段或者匝道ETC门架实时监测车流数据以及外部气象监测数据；
所述数据传输模块（2）用于对数据采集模块（1）采集的数据进行传送；
所述数据存储模块（3）用于对数据传输模块（2）传送的数据进行存储；
所述实时分析评估模块（4）用于对数据存储模块（3）存储的数据通过机器学习方法进行综合分析和实时交通运行状况研判，进而预测未来时段的高速收费站交通流量；
所述实时分析评估模块（4）包括异常信息处理模块（4-1）、数据挖掘模块（4-2）、交通运行评估模块（4-3）、交通量预测模块（4-4）；
所述交通仿真模块（5）用于将所述实时分析评估模块（4）预测的未来时段的高速收费站交通流量通过仿真平台完成实时在线仿真；
所述车道管理模块（6），用于对所述交通仿真模块（5）在线仿真结果进行高速收费站车道交通运行指标统计，并判断是否达到阈值条件进行预警；
所述终端模块（7）用于对实时分析评估模块（4）预测的未来时段的高速收费站交通流量和交通仿真模块（5）处理的在线仿真结果实时传输到高速收费站管理终端。
2.根据权利要求1所述的一种高速公路收费站交通流量实时在线仿真***，其特征在于：所述异常信息处理模块（4-1）用于标记出现异常值的数据；所述数据挖掘模块（4-2）用于对实时汇总的交通运行特征数据进行数据挖掘分析；所述交通运行评估模块（4-3）用于对数据挖掘模块产生的现状交通运行信息进行拥堵状况评估；所述交通量预测模块（4-4）用于根据数据挖掘模块（4-2）训练好的机器学习模型对未来时刻的交通流量进行预测，获得匝道收费站的分车型分收费类别分车道的车流量，生成高速收费站的第一次拥堵运行预警信息。
3.一种高速公路收费站交通流量实时在线仿真方法，依托于权利要求1或2所述的一种高速公路收费站交通流量实时在线仿真***实现，其特征在于，包括如下步骤：
S1、实时获取ETC数据，包括高速收费站ETC出入口流水记录数据、高速收费站上游最近路段ETC门架数据，然后对实时获取的ETC数据中重复过车记录的数据按照计费车型字段进行筛选去重处理；实时获取外部天气数据信息，并进行格式化处理；
S2、选择高速收费站上游路段ETC门架为研究对象，提取高速收费站上游最近路段ETC门架数据第i时段交通运行特征数据，包括星期、小时、车型、是否ETC车辆、断面流量、上下游断面流量，对提取的交通运行特征数据进行预编码处理，得到分时段高速收费站上游路段ETC门架交通运行特征数据；
S3、将步骤S2得到的分时段高速收费站上游路段ETC门架交通运行特征数据汇总，生成历史样本数据集，并划分为样本训练集和样本测试集，采用机器学习中的集成学习方法对样本训练集进行训练学习、建立学习模型，对样本测试集进行样本测试，对未来时段的过车流量进行预测；
S4、选择高速收费站上游路段ETC门架为研究对象，提取高速收费站第i时段车辆到达量数据、高速收费站上游路段ETC门架过车流量数据，计算第i时段的高速收费站流量流转系数和时间分布系数，汇总后得到历史时段高速收费站流量流转系数、时间分布系数样本集，采用深度学习中的LSTM方法对历史时段高速收费站流量流转系数、时间分布系数样本集进行训练学习，对未来时段的流量流转系数、未来时段的时间分布系数进行预测；
S5、将步骤S3得到的未来时段的过车流量、步骤S4得到的未来时段的流量流转系数和未来时段的时间分布系数进行相乘运算，获得未来时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵，结合当前时段特征数据同样计算得到当前时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵；
S6、对步骤S5得到的当前时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵进行仿真还原，对步骤S5得到的未来时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵进行仿真推演；
S7、将步骤S6得到的未来时段高速收费站的交通仿真评估指标与现有高速收费通道的指标预警阈值比较，比较的结果发送给高速收费站管理终端。
4.根据权利要求3所述的一种高速公路收费站交通流量实时在线仿真方法，其特征在于：步骤S2采用独热编码的方式对提取的交通运行特征数据进行预编码处理，其中时段特征采用24位状态向量编码，星期采用7位状态向量编码，是否节假日采用2位状态向量编码，是否ETC采用2位状态向量编码，天气采用4位状态向量编码，其他连续型字段采用归一化方法处理为特征值，处理公式为：
Figure 841754DEST_PATH_IMAGE001
其中q a 为当前数据，q min为当前数据序列的最小值，q max为当前数据序列的最大值，q b 为归一化值。
5.根据权利要求4所述的一种高速公路收费站交通流量实时在线仿真方法，其特征在于：步骤S3的具体实现方法包括如下步骤：
S3.1、 将分时段高速收费站上游路段ETC门架交通运行特征数据汇总生成历史样本数据集S，并划分为样本训练集S1和样本测试集S2，数据划分比例为8:2；
S3.2、样本训练集S1的输入特征向量X i ={a1(i)，a2(i)，a3(i)，…，ar(i)}，输入特征向量的样本特征数r=48，X i 为高速收费站上游路段ETC门架第i时段的交通运行特征，样本训练集S1的输出特征向量Y i ={b(i+1)}，输出特征向量的维数为1，Y i 为第i+1时段高速收费站上游路段ETC门架断面流量；
S3.3、将样本训练集S1输入到极端梯度提升树算法XGBoost中建立集成学习模型，所述集成学习模型以决策树中CART回归树作为基学习器，通过根节点进行输入样本，决策树采用样本方差指标衡量叶子节点属性，划分数据集的纯度，公式如下：
Figure 529087DEST_PATH_IMAGE002
；
其中，n为样本个数，
Figure 919617DEST_PATH_IMAGE003
为节点属性划分数据集样本均值，
Figure 997294DEST_PATH_IMAGE004
为节点划分数据集的方差；
依据每一个中间节点进行特征属性划分，落在对应叶子节点上时，即为模型预测值，得 到模型的预测值
Figure 436366DEST_PATH_IMAGE005
，预测值与真实值之间的差值为残差
Figure 40523DEST_PATH_IMAGE006
；
模型通过单个决策树学习器进行训练得到预测值与实际值的残差，通过不断迭代提 升，每次迭代生成的m棵决策树模型拟合m-1棵决策树的预测残差，当将
Figure 477320DEST_PATH_IMAGE007
输入到第m棵决 策树中进行训练时，得到第k棵决策树预测值公式为：
Figure 172787DEST_PATH_IMAGE008
其中，
Figure 87653DEST_PATH_IMAGE009
为第m颗决策树时累加的预测结果，是前m-1颗决策树累计的结果和第m颗决 策树输出的结果总和，
Figure 546317DEST_PATH_IMAGE010
为第m颗决策树输出的结果，
Figure 950753DEST_PATH_IMAGE011
为第p颗决策树输出的结 果，p为m-1中的任意一个；
集成学习模型的公式为：
Figure 3023DEST_PATH_IMAGE012
式中
Figure 846214DEST_PATH_IMAGE013
为损失函数，
Figure 34750DEST_PATH_IMAGE014
为正则化项，
Figure 937984DEST_PATH_IMAGE015
为最小化目标函数；
S3.4、将样本测试集S2输入到步骤S3.3训练好的集成学习模型中进行样本测试，通过均方误差MSE对模型参数进行测试和优化，输出测试结果，均方误差公式为：
Figure 477549DEST_PATH_IMAGE016
其中n为样本个数，
Figure 124431DEST_PATH_IMAGE017
为第g个样本的预测值，
Figure 229791DEST_PATH_IMAGE018
为第g个样本的实际值；
S3.5、将高速收费站上游路段ETC门架第i时段的交通运行特征数据作为模型的输入，第i+1时段高速收费站上游路段ETC门架的预测目标值作为模型输出，对该目标值反归一化后获得未来第i+1时段的收费站上游路段ETC门架断面流量。
6.根据权利要求5所述的一种高速公路收费站交通流量实时在线仿真方法，其特征在于：步骤S4的具体实现方法包括如下步骤：
S4.1、选择高速收费站上游路段ETC门架为研究对象，提取高速收费站第i时段车辆到 达量数据、高速收费站上游路段ETC门架过车流量数据，计算第i时段的高速收费站流量流 转系数
Figure 179292DEST_PATH_IMAGE019
、时间分布系数
Figure 799629DEST_PATH_IMAGE020
，公式如下：
Figure 125568DEST_PATH_IMAGE021
其中，
Figure 413330DEST_PATH_IMAGE022
为高速收费站上游路段ETC门架第i时段的断面流量大小；
Figure 330471DEST_PATH_IMAGE023
为第i时段高速 收费站上游路段ETC门架流量进入匝道收费站第j类收费车道第l类车型的流量流转系数；
Figure 844629DEST_PATH_IMAGE024
为高速收费站第j类收费车道第l类车型的到达流量；
Figure 833313DEST_PATH_IMAGE025
Figure 585369DEST_PATH_IMAGE026
为第i时段第k个时间片的时间分布系数，
Figure 266886DEST_PATH_IMAGE027
为第i时段第k个时间片的收费站到达 流量，n为样本个数；
S4.2、将高速收费站流量流转系数汇总构造样本数据集
Figure 2760DEST_PATH_IMAGE028
，包含30维的第i时段的输入 特征 {
Figure 795136DEST_PATH_IMAGE029
,
Figure 667277DEST_PATH_IMAGE030
,…,
Figure 785275DEST_PATH_IMAGE031
}和第i+1时段的输出特征{
Figure 8446DEST_PATH_IMAGE032
,
Figure 338933DEST_PATH_IMAGE033
,…,
Figure 331160DEST_PATH_IMAGE034
}，将样本数据 集
Figure 354479DEST_PATH_IMAGE035
划分为训练集
Figure 799367DEST_PATH_IMAGE036
和测试集
Figure 667966DEST_PATH_IMAGE037
,划分比例按照8:2进行分割；将高速收费站时间分布 系数汇总构造样本数据集
Figure 780278DEST_PATH_IMAGE038
，包含12维的第i时段的输入特征{
Figure 708920DEST_PATH_IMAGE039
,
Figure 703421DEST_PATH_IMAGE040
,…,
Figure 251077DEST_PATH_IMAGE041
}和 第i+1时段的输出特征{
Figure 342530DEST_PATH_IMAGE042
,
Figure 317439DEST_PATH_IMAGE043
,…,
Figure 144710DEST_PATH_IMAGE044
}，将样本数据集
Figure 230478DEST_PATH_IMAGE045
划分为训练集
Figure 176437DEST_PATH_IMAGE046
和测 试集
Figure 587827DEST_PATH_IMAGE047
，划分比例按照8:2进行分割；
S4.3、采用深度学习中基于编码器-解码器框架的长短期记忆网络ED-LSTM方法对训练 集
Figure 619237DEST_PATH_IMAGE048
进行训练学习，预测输出包含未来时段3类收费车道与10类车型交叉分类得到的30个 分收费车道分车型流量流转系数大小
Figure 508695DEST_PATH_IMAGE049
；
S4.4、采用深度学习中基于编码器-解码器框架的长短期记忆网络ED-LSTM方法对训练 集
Figure 574740DEST_PATH_IMAGE050
进行训练学习，预测输出包含未来时段12个时间片的流量分布系数大小
Figure 688190DEST_PATH_IMAGE051
。
7.根据权利要求6所述的一种高速公路收费站交通流量实时在线仿真方法，其特征在于：步骤S4中采用均方误差MSE和平均绝对百分比误差MAPE作为模型评价指标：
Figure 82262DEST_PATH_IMAGE052
Figure 900045DEST_PATH_IMAGE053
其中n为样本个数，
Figure 430384DEST_PATH_IMAGE054
为第g个样本的预测值，
Figure 308210DEST_PATH_IMAGE055
为第g个样本的实际值。
8.根据权利要求7所述的一种高速公路收费站交通流量实时在线仿真方法，其特征在 于：步骤S5中未来时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的 动态OD矩阵
Figure 189578DEST_PATH_IMAGE056
公式为：
Figure 217577DEST_PATH_IMAGE057
其中，
Figure 195898DEST_PATH_IMAGE058
为第i+1时段第j类收费车道第k个时间片下第l类车型的OD流量；
同样地，针对第i时段计算得到当前时段由上游ETC门架位置出发到达高速收费站不同 收费通道分时间片的动态OD矩阵
Figure 916729DEST_PATH_IMAGE059
。
9.根据权利要求8所述的一种高速公路收费站交通流量实时在线仿真方法，其特征在于：步骤S6对未来时段由上游ETC门架位置出发到达高速收费站不同收费通道分时间片的动态OD矩阵进行仿真推演，输出值包括高速收费站通道的流量、平均排队长度、服务水平，依据实时收费流水记录数据计算预测时段收费站不同收费通道实际到达的流量，与预测时段的交通仿真输出值比较偏差是否满足阈值条件，若不满足则返回步骤S3-步骤S6。
10.根据权利要求9所述的一种高速公路收费站交通流量实时在线仿真方法，其特征在于：步骤S7中未来时段高速收费站的交通仿真评估指标包括高速收费站通道的流量、平均排队长度、服务水平。
CN202211144311.6A 2022-09-20 2022-09-20 高速公路收费站交通流量实时在线仿真***及仿真方法 Active CN115240431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211144311.6A CN115240431B (zh) 2022-09-20 2022-09-20 高速公路收费站交通流量实时在线仿真***及仿真方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211144311.6A CN115240431B (zh) 2022-09-20 2022-09-20 高速公路收费站交通流量实时在线仿真***及仿真方法

Publications (2)

Publication Number Publication Date
CN115240431A true CN115240431A (zh) 2022-10-25
CN115240431B CN115240431B (zh) 2023-02-10

Family

ID=83681077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211144311.6A Active CN115240431B (zh) 2022-09-20 2022-09-20 高速公路收费站交通流量实时在线仿真***及仿真方法

Country Status (1)

Country Link
CN (1) CN115240431B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229727A (zh) * 2023-05-10 2023-06-06 深圳市城市交通规划设计研究中心股份有限公司 一种基于在线仿真的道路拥堵诱导方法及管控***
CN116386156A (zh) * 2023-05-29 2023-07-04 云南贝蝉物联网科技有限公司 一种高速收费站etc终端故障处理方法
CN116401944A (zh) * 2023-04-04 2023-07-07 山东锐纳交通科技有限公司 一种基于大数据的智慧交通管理***
CN116416806A (zh) * 2023-06-12 2023-07-11 天津市政工程设计研究总院有限公司 一种智能网联自动驾驶货运专用道控制***
CN116432803A (zh) * 2022-12-13 2023-07-14 陕西高速电子工程有限公司 一种基于物联网的通信数据智能预警***及方法
CN117012042A (zh) * 2023-10-07 2023-11-07 山东高速股份有限公司 一种基于动态复杂网络的交通流量预测方法及设备
CN117033334A (zh) * 2023-10-08 2023-11-10 吉林省高速公路集团有限公司 高速公路收费车道日志采集处理方法及***
CN117392853A (zh) * 2023-12-11 2024-01-12 山东通维信息工程有限公司 一种基于云端的大数据智能车道控制***

Citations (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150235478A1 (en) * 2014-02-14 2015-08-20 International Business Machines Corporation Global positioning system based toll road pricing
WO2017140175A1 (zh) * 2016-02-18 2017-08-24 华南理工大学 基于路径识别***的收费公路网交通信息采集与诱导***
US9799218B1 (en) * 2016-05-09 2017-10-24 Robert Gordon Prediction for lane guidance assist
CN109872013A (zh) * 2019-03-26 2019-06-11 重庆同济同枥信息技术有限公司 高速公路交通时间地图构建方法、装置及***
CN109979197A (zh) * 2019-04-04 2019-07-05 重庆同济同枥信息技术有限公司 基于融合数据的高速公路交通时间地图构建方法、***
CN110245423A (zh) * 2019-06-14 2019-09-17 重庆大学 一种高速公路收费站间流量关系分析方法
CN110570660A (zh) * 2019-11-06 2019-12-13 深圳市城市交通规划设计研究中心有限公司 一种实时在线交通仿真***及方法
US20200234582A1 (en) * 2016-01-03 2020-07-23 Yosef Mintz Integrative system and methods to apply predictive dynamic city-traffic load balancing and perdictive parking control that may further contribute to cooperative safe driving
CN111523925A (zh) * 2020-04-07 2020-08-11 天津市市政工程设计研究院 一种基于etc设备的高速公路费率动态调控方法
CN111739292A (zh) * 2020-06-08 2020-10-02 重庆大学 一种考虑路网od流量贡献时变性的收费站流量预测方法
CN112446972A (zh) * 2020-10-13 2021-03-05 华南理工大学 一种诱导车辆有序进入收费站的***及方法
CN112542049A (zh) * 2020-12-29 2021-03-23 四川高路交通信息工程有限公司 智慧交通综合管控平台
CN112800550A (zh) * 2021-03-30 2021-05-14 浙江高速信息工程技术有限公司 一种基于元胞传输模型的匝道流量管控效果仿真预测方法
CN112885078A (zh) * 2021-01-09 2021-06-01 吕旭枫 一种基于大数据平台的智慧城市道路管理***及方法
CN112989548A (zh) * 2019-12-17 2021-06-18 南京理工大学 基于多模型组合的城市道路交通流仿真推演方法
CN113033110A (zh) * 2021-05-27 2021-06-25 深圳市城市交通规划设计研究中心股份有限公司 一种基于交通流模型的重点区域人员应急疏散***及方法
CN113034894A (zh) * 2021-02-04 2021-06-25 招商新智科技有限公司 一种etc门架***、高速公路路段封闭预警方法及装置
CN113096413A (zh) * 2021-03-23 2021-07-09 北京交通大学 基于高速公路收费数据的省际出行流量估算方法
CN113191523A (zh) * 2021-01-27 2021-07-30 国电南瑞南京控制***有限公司 基于数据驱动方式和行为决策理论的城市电动汽车快充需求预测方法和装置
CN113345252A (zh) * 2021-06-08 2021-09-03 重庆大学 一种收费站下道流量短时预测方法与装置
CN113362598A (zh) * 2021-06-04 2021-09-07 重庆高速公路路网管理有限公司 一种高速公路服务区车流量预测方法
CN113538898A (zh) * 2021-06-04 2021-10-22 南京美慧软件有限公司 一种基于多源数据的高速公路拥堵管控***
CN114005274A (zh) * 2021-10-21 2022-02-01 浙江综合交通大数据开发有限公司 基于小客车当量的高速公路收费站分级联动管控方法
CN114023068A (zh) * 2021-11-09 2022-02-08 合肥工业大学设计院(集团)有限公司 一种短距离交织区交通流短时预测与主动控制***及方法
CN114463868A (zh) * 2022-02-08 2022-05-10 山东高速股份有限公司 面向交通流管控的收费站交通流组合预测方法及***
CN114463972A (zh) * 2022-01-26 2022-05-10 成都和乐信软件有限公司 一种基于etc门架通信数据的路段区间交通分析预测方法
CN114492919A (zh) * 2021-12-10 2022-05-13 重庆邮电大学 一种基于交通流量的电动汽车充电负荷预测***及方法
WO2022143549A1 (zh) * 2020-12-31 2022-07-07 北京千方科技股份有限公司 一种基于收费数据的高速公路路况的监测方法及装置

Patent Citations (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150235478A1 (en) * 2014-02-14 2015-08-20 International Business Machines Corporation Global positioning system based toll road pricing
US20200234582A1 (en) * 2016-01-03 2020-07-23 Yosef Mintz Integrative system and methods to apply predictive dynamic city-traffic load balancing and perdictive parking control that may further contribute to cooperative safe driving
WO2017140175A1 (zh) * 2016-02-18 2017-08-24 华南理工大学 基于路径识别***的收费公路网交通信息采集与诱导***
US20190228593A1 (en) * 2016-02-18 2019-07-25 South China University Of Technology Toll road network traffic information collection and guidance system based on route identification system
US9799218B1 (en) * 2016-05-09 2017-10-24 Robert Gordon Prediction for lane guidance assist
CN109872013A (zh) * 2019-03-26 2019-06-11 重庆同济同枥信息技术有限公司 高速公路交通时间地图构建方法、装置及***
CN109979197A (zh) * 2019-04-04 2019-07-05 重庆同济同枥信息技术有限公司 基于融合数据的高速公路交通时间地图构建方法、***
CN110245423A (zh) * 2019-06-14 2019-09-17 重庆大学 一种高速公路收费站间流量关系分析方法
CN110570660A (zh) * 2019-11-06 2019-12-13 深圳市城市交通规划设计研究中心有限公司 一种实时在线交通仿真***及方法
CN112989548A (zh) * 2019-12-17 2021-06-18 南京理工大学 基于多模型组合的城市道路交通流仿真推演方法
CN111523925A (zh) * 2020-04-07 2020-08-11 天津市市政工程设计研究院 一种基于etc设备的高速公路费率动态调控方法
CN111739292A (zh) * 2020-06-08 2020-10-02 重庆大学 一种考虑路网od流量贡献时变性的收费站流量预测方法
CN112446972A (zh) * 2020-10-13 2021-03-05 华南理工大学 一种诱导车辆有序进入收费站的***及方法
CN112542049A (zh) * 2020-12-29 2021-03-23 四川高路交通信息工程有限公司 智慧交通综合管控平台
WO2022143549A1 (zh) * 2020-12-31 2022-07-07 北京千方科技股份有限公司 一种基于收费数据的高速公路路况的监测方法及装置
CN112885078A (zh) * 2021-01-09 2021-06-01 吕旭枫 一种基于大数据平台的智慧城市道路管理***及方法
CN113191523A (zh) * 2021-01-27 2021-07-30 国电南瑞南京控制***有限公司 基于数据驱动方式和行为决策理论的城市电动汽车快充需求预测方法和装置
CN113034894A (zh) * 2021-02-04 2021-06-25 招商新智科技有限公司 一种etc门架***、高速公路路段封闭预警方法及装置
CN113096413A (zh) * 2021-03-23 2021-07-09 北京交通大学 基于高速公路收费数据的省际出行流量估算方法
CN112800550A (zh) * 2021-03-30 2021-05-14 浙江高速信息工程技术有限公司 一种基于元胞传输模型的匝道流量管控效果仿真预测方法
CN113033110A (zh) * 2021-05-27 2021-06-25 深圳市城市交通规划设计研究中心股份有限公司 一种基于交通流模型的重点区域人员应急疏散***及方法
CN113538898A (zh) * 2021-06-04 2021-10-22 南京美慧软件有限公司 一种基于多源数据的高速公路拥堵管控***
CN113362598A (zh) * 2021-06-04 2021-09-07 重庆高速公路路网管理有限公司 一种高速公路服务区车流量预测方法
CN113345252A (zh) * 2021-06-08 2021-09-03 重庆大学 一种收费站下道流量短时预测方法与装置
CN114005274A (zh) * 2021-10-21 2022-02-01 浙江综合交通大数据开发有限公司 基于小客车当量的高速公路收费站分级联动管控方法
CN114023068A (zh) * 2021-11-09 2022-02-08 合肥工业大学设计院(集团)有限公司 一种短距离交织区交通流短时预测与主动控制***及方法
CN114492919A (zh) * 2021-12-10 2022-05-13 重庆邮电大学 一种基于交通流量的电动汽车充电负荷预测***及方法
CN114463972A (zh) * 2022-01-26 2022-05-10 成都和乐信软件有限公司 一种基于etc门架通信数据的路段区间交通分析预测方法
CN114463868A (zh) * 2022-02-08 2022-05-10 山东高速股份有限公司 面向交通流管控的收费站交通流组合预测方法及***

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ZHU CHEN: "Expressway Exit Traffic Flow Prediction for ETC and MTC Charging System Based on Entry Traffic Flows and LSTM Model", 《IEEE ACCESS ( VOLUME: 9)》 *
和婧: "基于收费数据时间和空间关系的高速公路收费站流量预测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
唐易: "基于多源数据的高速公路交通运行特征与治堵策略研究——以深圳市机荷高速为例", 《交通与运输》 *
曹文梦: "考虑路网流量时空特性的收费站下道流量预测方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
焦朋朋: "基于XGBoost的短时交通流预测研究", 《重庆交通大学学报(自然科学版)》 *
罗燕琴: "基于交通流时空特性的高速公路断面流量估计与预测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
陈骁暄: "高速公路建设项目的交通流量预测方法", 《中国公路》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116432803A (zh) * 2022-12-13 2023-07-14 陕西高速电子工程有限公司 一种基于物联网的通信数据智能预警***及方法
CN116432803B (zh) * 2022-12-13 2023-09-15 陕西高速电子工程有限公司 一种基于物联网的通信数据智能预警***及方法
CN116401944B (zh) * 2023-04-04 2023-12-22 广州华南路桥实业有限公司 一种基于大数据的智慧交通管理***
CN116401944A (zh) * 2023-04-04 2023-07-07 山东锐纳交通科技有限公司 一种基于大数据的智慧交通管理***
CN116229727A (zh) * 2023-05-10 2023-06-06 深圳市城市交通规划设计研究中心股份有限公司 一种基于在线仿真的道路拥堵诱导方法及管控***
CN116386156A (zh) * 2023-05-29 2023-07-04 云南贝蝉物联网科技有限公司 一种高速收费站etc终端故障处理方法
CN116386156B (zh) * 2023-05-29 2024-01-02 特微乐行(广州)技术有限公司 一种高速收费站etc终端故障处理方法
CN116416806A (zh) * 2023-06-12 2023-07-11 天津市政工程设计研究总院有限公司 一种智能网联自动驾驶货运专用道控制***
CN117012042A (zh) * 2023-10-07 2023-11-07 山东高速股份有限公司 一种基于动态复杂网络的交通流量预测方法及设备
CN117012042B (zh) * 2023-10-07 2024-01-09 山东高速股份有限公司 一种基于动态复杂网络的交通流量预测方法及设备
CN117033334B (zh) * 2023-10-08 2023-12-22 吉林省高速公路集团有限公司 高速公路收费车道日志采集处理方法及***
CN117033334A (zh) * 2023-10-08 2023-11-10 吉林省高速公路集团有限公司 高速公路收费车道日志采集处理方法及***
CN117392853A (zh) * 2023-12-11 2024-01-12 山东通维信息工程有限公司 一种基于云端的大数据智能车道控制***
CN117392853B (zh) * 2023-12-11 2024-04-12 山东通维信息工程有限公司 一种基于云端的大数据智能车道控制***

Also Published As

Publication number Publication date
CN115240431B (zh) 2023-02-10

Similar Documents

Publication Publication Date Title
CN115240431B (zh) 高速公路收费站交通流量实时在线仿真***及仿真方法
CN114783183B (zh) 一种基于交通态势算法的监控方法与***
CN107085943B (zh) 一种道路旅行时间短期预测方法和***
Li et al. Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks
CN109376935B (zh) 一种基于神经网络的公交客流分时段组合预测方法
CN104778837A (zh) 一种道路交通运行态势多时间尺度预测方法
CN106781499B (zh) 一种交通网络效率评价***
CN108062561A (zh) 一种基于长短时记忆网络模型的短时数据流预测方法
CN106845768B (zh) 基于生存分析参数分布的公交车旅行时间模型构建方法
CN102081846A (zh) 基于高速公路收费数据轨迹匹配的交通状态识别方法
CN113177657B (zh) 轨道交通客流预测方法及装置
CN105279572A (zh) 城市轨道交通客流密集度指数计算与发布***
CN113159374B (zh) 一种数据驱动的城市交通流速模式识别与实时预测预警方法
CN114596700B (zh) 一种基于门架数据的高速公路路段实时流量估计方法
CN109272745A (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN111583628B (zh) 基于数据质量控制的道路网重型货车交通流量预测方法
CN116631186B (zh) 基于危险驾驶事件数据的高速公路交通事故风险评估方法、***
CN109118787A (zh) 一种基于深度神经网络的车辆速度预测方法
CN113449905A (zh) 一种基于门控循环单元神经网络的交通拥堵预警方法
CN109308343A (zh) 一种基于随机波动模型的行程时间预测及可靠性度量方法
CN116597642A (zh) 一种交通拥堵状况的预测方法及***
CN109785627A (zh) 一种十字路***通流量监控***
CN117238126A (zh) 一种连续流道路场景下的交通事故风险评估方法
CN116052435A (zh) 一种城市道路拥堵影响范围界定与道路影响力计算方法
CN109190948B (zh) 一种大型航空枢纽运行与城市交通拥堵的关联分析方法

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