CN116030617A - 一种基于公路od数据进行车流量预测的方法及装置 - Google Patents
一种基于公路od数据进行车流量预测的方法及装置 Download PDFInfo
- Publication number
- CN116030617A CN116030617A CN202111235668.0A CN202111235668A CN116030617A CN 116030617 A CN116030617 A CN 116030617A CN 202111235668 A CN202111235668 A CN 202111235668A CN 116030617 A CN116030617 A CN 116030617A
- Authority
- CN
- China
- Prior art keywords
- initial value
- vehicle
- location
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 8
- 230000000977 initiatory effect Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 230000011664 signaling Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种基于公路OD数据进行车流量预测的方法及装置,涉及计算机技术领域。具体实现方案为:获取离开第一地点的第一车辆数据和到达第二地点的第二车辆数据;根据所述第一车辆数据和第二车辆数据,确定第一地点和第二地点之间的车流量预测初始值,车流量预测初始值包括受不同因素影响的第一车流量预测初始值和第二车流量预测初始值;利用第一车流量预测初始值和第二车流量预测初始值中的至少一种,确定第一地点和第二地点之间的车流量预测优化值。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及车流量预测领域。
背景技术
在交通规划技术领域,为了预测未来各区域之间的分布交通量,往往仅考虑区域经济发展水平要素的影响,而忽略了规划时间内新增的交通项目的影响,从而导致预测精度较低,交通规划的效果差强人意。
发明内容
本公开提供了一种基于公路OD数据进行车流量预测的方法及装置。
根据本公开的一方面,提供了一种基于公路OD数据进行车流量预测的方法,该方法可以包括以下步骤:
获取离开第一地点的第一车辆数据和到达第二地点的第二车辆数据;
根据所述第一车辆数据和所述第二车辆数据,确定所述第一地点和所述第二地点之间的车流量预测初始值,所述车流量预测初始值包括受不同因素影响的第一车流量预测初始值和第二车流量预测初始值;
利用所述第一车流量预测初始值和所述第二车流量预测初始值中的至少一种,确定所述第一地点和所述第二地点之间的车流量预测优化值。
根据本公开的另一方面,提供了一种基于公路OD数据进行车流量预测的装置,包括:
车辆数据获取模块,用于获取离开第一地点的第一车辆数据和到达第二地点的第二车辆数据;
车流量预测初始值确定模块,用于根据所述第一车辆数据和所述第二车辆数据,确定所述第一地点和所述第二地点之间的车流量预测初始值,所述车流量预测初始值包括受不同因素影响的第一车流量预测初始值和第二车流量预测初始值;
车流量预测优化值确定模块,用于利用所述第一车流量预测初始值和所述第二车流量预测初始值中的至少一种,确定所述第一地点和所述第二地点之间的车流量预测优化值。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本公开任一实施例中的方法。
通过上述过程,在原有交通预测模型的基础上,进一步引入了新增交通项目影响因子,由此使得预测的车流量数据更为精确。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开交通量预测方法的流程图;
图2是根据本公开确定第一交通量数据的流程图;
图3是根据本公开确定第二交通量数据的流程图;
图4是根据本公开构建交通量预测模型的流程图;
图5是根据本公开确定目标区域的预测流出数据的流程图;
图6是根据本公开车流量预测方法的流程图;
图7是根据本公开道路交通量预测方法的流程图;
图8是根据本公开确定第二交通量优化值的流程图;
图9是根据本公开交通量预测装置的示意图;
图10是根据本公开车流量预测装置的示意图;
图11是根据本公开道路交通量预测装置的示意图;
图12是用来实现本公开实施例的规划路线方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
如图1所示,本公开涉及一种交通量预测的方法,该方法可以包括以下步骤:
S101:确定目标区域的第一交通量数据;
S102:基于目标区域的历史相关数据,预测目标区域的第二交通量数据;历史相关数据包括影响目标区域交通量变化的数据;
S103:根据第一交通量数据和第二交通量数据,确定目标区域的交通量增长率;
S104:基于交通量增长率,确定目标区域的预测流入数据及预测流出数据。
本实施例提供的方案可以应用于电子设备,比如可以是服务器、电脑、平板电脑、笔记本等等。再具体来说,本实施例可以通过电子设备中的目标应用执行上述S101-S104的处理。其中,目标应用可以是根据实际情况确定的,该目标应用需要具备一定的数据处理功能。
目标区域可以是目标小区、目标行政区、目标城市或者在地图中以特定经纬度限定得到的区域等,此处不予限定。
交通量是指在单位时间内,通过道路上的某一地点或者某一断面实际参与交通的参与者的双向数量。其中,交通参与者可以是行人、非机动车、机动车等。
第一交通量数据可以是在目标区域中选定的多个地点或者多个断面中采集的基年交通量数据。具体地,可以是目标区域在基年年份内对应的交通量数据,其中,基年可以指当前年份或者历史指定年份。以昆明市作为目标区域为例进行说明,在昆明城区***选取多个站点作为机动车交通量数据采集点,以当前年份作为基年,将当前年份内各个站点采集得到的机动车交通量数据之和可以作为第一交通量数据。
第二交通量数据可以是目标区域在目标年份的交通量数据,具体可以是未来某一年份的交通量数据。其中,目标区域未来的交通量数据与社会经济发展存在明显的相关性,在预测未来交通量的过程中,以目标区域未来社会经济发展趋势为基础,可以分析得到交通出行与社会经济发展之间的关联性,以此通过预测目标区域在各个维度的经济发展指标来预测第二交通量数据。目标区域的历史相关数据可以是在基年之前与目标区域相关的经济发展数据。
根据第一交通量数据和第二交通量数据,确定目标区域的交通量增长率。具体地,可以将第二交通量数据与第一交通量的比值作为目标区域的交通量增长率。
根据交通量增长率以及预先获取的目标区域在基年的交通流入数据及交通流出数据,确定目标区域的预测流入数据及预测流出数据。
通过以上过程,可以通过目标区域的整体交通量数据获取目标区域的交通增长率,仅需要消耗较少的人力、物力便可以确定目标区域的预测流入数据及预测流出数据。
如图2所示,在一种实施方式中,S101可以包括以下子步骤:
S201:获取目标区域的参照数据,参照数据包括目标区域的交调站数据、收费站数据以及手机信令数据中的至少一种;
S202:利用目标区域的参照数据确定目标区域的第一交通量数据。
其中,目标区域的参照数据可以是交调站数据、收费站数据以及手机信令数据中的一种,例如,以收费站数据作为参照数据确定目标区域的第一交通量数据。目标区域的参照数据还可以是上述三种数据中的两种或者三种,此处不做赘述。
交调站数据是指通过在一个或者多个位置设置交调站,进而采集该位置的交通量数据,具体可以包括采集线路、采集经纬度、车流量等。收费数据可以以高速公路收费信息记录为基础,整合得到的收费站点交通量数据;手机信令数据可以以个人携带的手机通讯设备为采集对象,通过跟踪单位时间内手机定位信号所产生的数据。
利用目标区域的参照数据确定目标区域的第一交通量数据,可以是首先利用多源交通数据进行预处理,预处理具体可以包括数据清洗、数据剔除、数据换算等。在对数据进行预处理后,依据预先确定的采集站点对多源数据进行集计处理,获取基于站点的交通量数据。最后基于手机信令数据,对各站点的交通数据进行校正。
通过以上过程,基于目标区域的交调站数据、收费站数据以及手机信令数据中的至少一种来确定目标区域的第一交通量数据,数据来源可靠且精确度较高。
如图3所示,在一种实施方式中,步骤S102可以包括以下子步骤:
S301:基于目标区域的历史相关数据,预测目标区域在目标年的相关数据;
S302:将目标年的相关数据输入预先构建的交通量预测模型,得到第二交通量数据。
其中,目标区域的历史相关数据可以是目标区域在基年以及基年之前若干年份的历史相关数据,目标区域在目标年的相关数据可以是目标区域在未来某一年份对应的相关数据。例如,为了确定昆明市2030年(目标年)对应的相关数据,基于2001年-2020年(基年)对应的历史相关数据进行预测。
在一种实施方式中,历史相关数据包括目标区域的人口数据、GDP数据、公路里程数据以及旅客数据中的至少一种。
举例来说,为预测目标区域在目标年的人口数据,可以采取定量与定向相结合的方法,通过对目标区域的人口进行统计分析。根据其历史发展规律,采用预设的数学模型来分析人口数据的未来发展趋势,进而确定目标区域在目标年的人口数量。
其他相关数据的预测方法与人口数据的预测方法类似,此处不再赘述。
在得到目标区域在目标年的各个相关数据后,可以基于各个相关数据确定出第二交通量数据。具体地,将目标年的相关数据分别进行标准化处理,并将标准化处理后的结果输入预先构建的交通量预测模型,得到第二交通量数据。
通过上述过程,基于预先构建的交通量预测模型来确定目标区域的第二交通量数据,获取第二交通量数据的方式简便高效,且精确度较高。
如图4所示,在一种实施方式中,预先交通量预测模型的构建方式,包括:
S401:基于目标区域的历史相关数据,提取对应的年度交通影响因子;
S402:基于年度交通影响因子以及对应的年度交通量数据进行计算,得到交通量预测模型。
具体地,对目标区域的历史相关数据进行因子分析,在较多的原始变量中提取出较少的几个年度交通影响因子。例如,可以在历史相关数据中提取目标区域的年度人口因子,年度GDP因子,年度公路里程因子等。
基于上述多个年度交通影响因子以及对应的年度交通量数据进行计算,可以是基于多个年度交通影响因子以及对应的年度交通量数据进行非线性回归得到交通量预测模型。该预测模型随着输入数据的增长,对应的交通量输出数据呈S型变化,即,在发展初期,数据或者规模增长缓慢,达到一定规模后增长趋势变缓,在发展末期输出值不再随着交通因子数值的增长而增长,达到一个稳定值。
如图5所示,在一种实施方式中,步骤S104可以包括以下子步骤:
S501:确定目标区域的初始流入数据和初始流出数据;
S502:利用初始流入数据和交通量增长率,确定目标区域的预测流入数据;
S503:利用初始流出数据和交通量增长率,确定目标区域的预测流出数据。
确定目标区域在基年的初始流入数据和初始流出数据,可以是根据基年OD表获取相关数据后得到,或者基于目标区域的基年交通量数据计算得到。例如,根据目标区域的收费站数据,可以确定目标区域在基年的车辆流入数据和车辆流出数据。然后可以利用交通量增长率分别确定目标区域的预测流入数据和预测流出数据。
如图6所示,本公开涉及一种车流量的预测方法,该方法可以包括以下步骤:
S601:获取离开第一地点的第一车辆数据和到达第二地点的第二车辆数据;
S602:根据第一车辆数据和第二车辆数据,确定第一地点和第二地点之间的车流量预测初始值,车流量预测初始值包括受不同因素影响的第一车流量预测初始值和第二车流量预测初始值;
S603:利用第一车流量预测初始值和第二车流量预测初始值中的至少一种,确定第一地点和第二地点之间的车流量预测优化值。
第一车辆数据包括基年离开第一地点的交通量数据以及目标年离开第一地点的交通量数据。第二车辆数据包括基年到达第二地点的交通量数据以及目标年到达第二地点的交通量数据。其中,第一车辆数据和第二车辆数据可以依据步骤S101-S104进行获取,此处不再赘述。
根据第一车辆数据和第二车辆数据,确定第一地点和第二地点之间的车流量预测初始值,即从第一地点出发并到达第二地点的车流量预测初始值。
不同因素可以包括第一因素以及第二因素,其中,第一因素可以是经济、政治等影响区域发展的宏观因素。受第一因素影响的第一车流量预测初始值可以是在路网结构保持不变的情况下,综合考虑各区域经济发展及政策影响所得到的车流量预测初始值。
第二因素可以是新建交通项目对应的交通因素,受第二因素影响的第二车流量预测初始值可以是由新增公路项目建设、增加运输供给能力影响所得到的车流量预测初始值。
利用第一车流量预测初始值和第二车流量预测初始值中的至少一种,确定第一地点和第二地点之间的车流量预测优化值,包括:
可以仅利用第一车流量预测初始值或第二车流量预测初始值,确定第一地点和第二地点之间的车流量预测优化值。或者是,可以对第一车流量预测初始值和第二车流量预测初始值进行加权求和,将求和结果作为第一地点和第二地点之间的车流量预测优化值。其中,第一车流量预测初始值和第二车流量预测初始值的权重可以根据需要进行设定,例如,两个权重可以均设置为0.5,在新增公路项目的建设时间距离当前时间较远时,可以适当下调第二车流量预测初始值所占的权重,具体数值可以根据需要进行设置,此处不做限定。
在一种实施方式中,第一车流量预测初始值的确定方式,包括:
获取第一车流量初始值,第一车流量初始值为从第一地点出发到达第二地点的车流量;
利用第一车辆数据、第二车辆数据以及第一车流量初始值,确定第一车流量预测初始值。
其中,第一车流量初始值可以为基年从第一地点出发到达第二地点的车流量,基年可以为2020年,2019年等,此处不做限定。
利用第一车辆数据、第二车辆数据以及第一车流量初始值,确定第一车流量预测初始值。具体可以利用以下公式(1)进行计算:
其中,Qij表示第一车流量预测初始值,表示第一车流量初始值,Oi表示离开第i个第一地点的第一车辆数据,dj表示到达第j个第二地点的第二车辆数据,表示离开第i个第一地点的第一车辆预初始数据,表示到达第j个第二地点的第二车辆初始数据,f()表示计算式。
计算式f()所依据的选用方法包括常增长系数法、平均增长系数法、底特律法、福莱特法以及福尼斯法,不同选用方法对应的表达式f()有所不同,此处不做限定。
按照公式(1)进行计算需满足区域交通流入量和区域交通流出量守恒的约束,即:所在地区各个目标区域流入的交通总量与各个目标区域流出的交通总量是相等的,具体应符合以下约束条件:
其中,oi表示离开i地的第一车辆预测数据,dj表示到达j地的第二车辆预测数据,Q表示所在地区交通总量。
在一种实施方式中,第二车流量预测初始值可以依据新增公路项目建成前后的通行时间进行确定。在第一车流量预测初始值不为0的情况下,利用第一车流量预测初始值和第一地点到第二地点之间的通行时间,确定第二车流量预测初始值。具体可以利用以下公式(2)进行计算:
其中,Qij′表示第二车流量预测初始值,Qij表示第一车流量预测初始值,tij表示从第i个第一地点到第j个第二地点的第一通行时间,tij′表示从第i个第一地点到第j个第二地点的第二通行时间,γ表示重力模型参数。
新增公路项目建成前后,从i地到j地的通行效率提升,通行时间缩短,即tij′<tij。tij′与tij之间的差值体现从i地到j地的通行效率的提升程度,差值越大,则吸引更多车辆选择目标区域通行,进而第二车流量预测初始值越大。
在第一车流量预测初始值为0的情况下,利用第一车辆数据、第二车辆数据和第一地点到第二地点之间的通行时间,确定第二车流量预测初始值。具体可以利用以下公式(3)进行计算:
其中,Qij′表示第二车流量预测初始值,Oi表示离开第i个第一地点的第一车辆数据,dj表示到达第j个第二地点的第二车辆数据,tij表示从第i个第一地点到第j个第二地点的第一通行时间,tij′表示从第i个第一地点到第j个第二地点的第二通行时间,k,α,β,γ均表示重力模型参数。
重力模型参数k,α,β,γ的取值可以以基年路网为基础,计算得到基年行程时间矩阵,结合基年交通数据通过回归分析得到,其中交通数据可以是第一地点及第二地点对应OD表中的数据。举例来说,回归分析得到的k,α,β,γ可以分别为1.045,0.863,0.758,和0.434,重力模型参数还可以取其他值,此处不做限定。
如图7所示,本公开涉及一种道路交通量预测方法,该方法可以包括以下步骤:
S701:获取N条候选道路对应的交通量初始值;候选道路为第一地点与第二地点之间的道路,N为大于等于1的整数;交通量用于表征道路上的车流量;
S702:利用候选道路对应的交通量初始值,确定N条候选道路对应的第一预测通行时间,得到N个第一预测通行时间;
S703:利用预先获取的第一地点与第二地点之间的交通量预测值和N个第一预测通行时间,确定目标道路的第一交通量优化值,目标道路为N条候选道路中的第i条候选道路,i为大于等于0且小于等于N的正整数。
其中,候选道路可以是第一地点与第二地点之间的多种出行方式中的一种或者多种,例如公路、铁路等。优选地,N条候选道路可以是第一地点与第二地点之间的多条公路,N可以取1,2,3等,此处不予限定。
交通量初始值用于表征候选道路上的车流量,具体可以是单位时间内机动车的数量,例如,单位时间可以设置为1小时,1天或者1年等,此处不予限定。
获取到的N条候选道路对应的交通量初始值得到N个交通量初始值,其中,N个交通量初始值需满***通量均衡模型,即,N个交通量初始值之和应等于从第一地点出发并到达第二地点的交通量预测值。例如,第一地点与第二地点之间共计3条候选道路,预先获取到从第一地点出发并到达第二地点的交通量预测值为10000车次/天,在第1条候选道路的交通量初始值为300车次/天、第2条候选道路的交通量初始值为600车次/天的情况下,第3条候选道路的交通量初始值为100车次/天。
根据每条候选道路对应的交通量初始值,可以确定每条候选道路对应的第一预测通行时间。在N条候选道路的通行能力已定的情况下,根据每条候选道路对应的交通量初始值,可以确定每条候选道路对应的第一预测通行时间。例如,3条候选道路均为双向4车道公路,基于上述3条候选道路的交通量初始值,可以计算得到3个第一预测通行时间,比如第1条候选道路的第一预测通行时间为2小时,即从第一地点出发,沿第1条候选道路到达第二地点所需的通行时间为2小时。相应地,第2条候选道路的第一预测通行时间为4小时,第3条候选道路的第一预测通行时间为0.5小时,具体通行时间可以根据不同的计算方式确定不同的结果,此处不做穷举。
利用预先获取的第一地点与第二地点之间的交通量预测值和N个第一预测通行时间,确定目标道路的第一交通量优化值。具体的,可以基于第一地点与第二地点之间的交通量预测值和N个第一预测通行时间构建用户均衡模型以使得整个公路网络(N条候选道路)的总通行时间最短,基于用户均衡模型对各个候选道路的交通量进行再分配,由此得到目标道路的第一交通量优化值。
在一种实施方式中,利用候选道路对应的交通量初始值,确定N条候选道路对应的第一预测通行时间,包括利用以下公式(4)进行计算:
其中,t(xa)表示第a条候选道路对应的第一预测通行时间,cf表示预定条件下的第a条候选道路的车辆通行时间,xa表示第a条候选道路对应的交通量初始值,C表示第a条候选道路的通行能力,α、β表示模型参数。
其中,预定条件下的第a条候选道路的车辆通行时间,可以根据车辆按照第a条候选道路对应的限速标准行驶确定对应的通行时间,或者也可以是在道路无通行车辆的理想状况下的确定对应的通行时间,可以通过相应路段的公路运营管理部门获取,此处不予限定。
候选道路路段的通行能力与道路的车道设计数相关,例如双向四车道的公路的通行能力相比于双向六车道的公路的通行能力较弱。
模型的路阻参数α和β可以根据车速与通行时间的关系,对各项参数进行非线性回归后获取,不同等级的公路对应的路阻参数不同。例如,通过参数标定确定的高速公路的α=0.25,β=2.2,而二级公路的α=1.64,β=2.17。
对于选定的候选道路而言,其自由流条件下的车辆通行时间、通行能力以及路阻参数均为定值,车辆通行时间与候选道路的交通量初始值直接相关。
在一种实施方式中,利用预先获取的第一地点与第二地点之间的交通量预测值和N个第一预测通行时间,确定目标道路的第一交通量优化值,包括利用以下公式(5)进行计算:
其中,Z表示N条候选道路对应车辆的总体通行时间,t(xa)表示第a条候选道路对应的第一预测通行时间,xa表示第a条候选道路对应的交通量初始值,A表示N条候选道路的集合。
此时,需满足第一地点和第二地点之间车流量平衡的约束条件,即:
在一种实施方式中,如图8所示,方法还包括:
S801:获取第一地点与第二地点之间的新增出行方式;
S802:利用新增出行方式对应的第二预测通行时间,确定新增出行方式对目标道路的第一交通量优化值的影响数量;
S803:利用第一交通量优化值和影响数量,确定目标道路的第二交通量优化值。
其中,新增出行方式可以是与候选道路不同的出行方式,例如,在原候选道路为公路的情况下,新增出行方式可以为铁路出行方式、航空出行方式、轮船出行方式等,此处不予限定。
新增出行方式可以转移部分原目标道路的交通量,在确定第一交通量优化值的基础上,进一步根据新增出行方式对目标道路的第一交通量优化值的影响数量,确定目标道路的第二交通量优化值。具体地,影响数量的大小与新增出行方式对应的第二预测通行时间相关,第二预测通行时间越短,则影响数量越大。
在一种实施方式中,利用新增出行方式对应的第二预测通行时间,确定新增出行方式对目标道路的第一交通量优化值的影响数量,包括利用以下公式(6)和公式(7)进行计算:
x′a=xa·Pijk, 公式(6)
其中,x′a表示新增出行方式对第a条候选道路的第一交通量优化值的影响数量,xa表示第a条候选道路的第一交通量优化值,Pijk表示由第i个第一地点到第j个第二地点的运输方式k的转移比例,Uijk表示由第i个第一地点到第j个第二地点的运输方式k的通行时间,n为大于等于1的正整数,e为自然对数的底数。
如图9所示,在另一种实施方式中,本发明还提供了一种交通量预测装置,包括:
交通量数据确定模块901,用于确定目标区域的第一交通量数据;
预测模块902,用于基于目标区域的历史相关数据,预测目标区域的第二交通量数据;历史相关数据包括影响目标区域交通量变化的数据;
增长率确定模块903,用于根据第一交通量数据和第二交通量数据,确定目标区域的交通量增长率;
流入流出数据确定模块904,基于交通量增长率,确定目标区域的预测流入数据及预测流出数据。
在一种实施方式中,交通量数据确定模块,包括:
参照数据获取子模块,用于获取目标区域的参照数据,参照数据包括目标区域的交调站采集的数据、收费站采集的数据以及手机信令数据中的至少一种;
第一交通量数据确定子模块,用于利用目标区域的参照数据确定目标区域的第一交通量数据。
在一种实施方式中,预测模块,包括:
目标年相关数据确定子模块,用于基于目标区域的历史相关数据,预测目标区域在目标年的相关数据;
第二交通量数据确定子模块,用于将目标年的相关数据输入预先构建的交通量预测模型,得到第二交通量数据。
在一种实施方式中,交通量预测模型的构建方式,包括:
基于目标区域的历史相关数据,提取对应的年度交通影响因子;
基于年度交通影响因子以及对应的年度交通量数据进行计算,得到交通量预测模型。
在一种实施方式中,流入流出数据确定模块,包括:
初始数据确定模块,用于确定目标区域的初始流入数据和初始流出数据;
预测流入数据确定模块,用于利用初始流入数据和交通量增长率,确定目标区域的预测流入数据;
预测流出数据确定模块,用于利用初始流出数据和交通量增长率,确定目标区域的预测流出数据。
如图10所示,在另一种实施例中,本发明还提供了一种车流量预测装置,包括:
车辆数据获取模块1001,用于获取离开第一地点的第一车辆数据和到达第二地点的第二车辆数据;
车流量预测初始值确定模块1002,用于根据第一车辆数据和第二车辆数据,确定第一地点和第二地点之间的车流量预测初始值,车流量预测初始值包括受不同因素影响的第一车流量预测初始值和第二车流量预测初始值;
车流量预测优化值确定模块1003,用于利用第一车流量预测初始值和第二车流量预测初始值中的至少一种,确定第一地点和第二地点之间的车流量预测优化值。
在一种实施方式中,第一车流量预测初始值的确定方式,包括:
获取第一车流量初始值,第一车流量初始值为从第一地点出发到达第二地点的车流量;
利用第一车辆数据、第二车辆数据以及第一车流量初始值,确定第一车流量预测初始值。
如图11所示,在另一种实施例中,本发明还提供了一种道路交通量预测装置,包括:
交通量初始值获取模块1101,用于获取N条候选道路对应的交通量初始值;候选道路为第一地点与第二地点之间的道路,N为大于等于1的整数;交通量用于表征道路上的车流量;
第一预测通行时间确定模块1102,用于利用候选道路对应的交通量初始值,确定N条候选道路对应的第一预测通行时间,得到N个第一预测通行时间;
第一交通量优化值确定模块1103,用于利用预先获取的第一地点与第二地点之间的交通量预测值和N个第一预测通行时间,确定目标道路的第一交通量优化值,目标道路为N条候选道路中的第i条候选道路,i为大于等于0且小于等于N的正整数。
在一种实施方式中,道路交通量预测装置还包括:
新增出行方式获取模块,用于获取第一地点与第二地点之间的新增出行方式;
影响数量确定模块,用于利用新增出行方式对应的第二预测通行时间,确定新增出行方式对目标道路的第一交通量优化值的影响数量;
第二交通量优化值确定模块,用于利用第一交通量优化值和影响数量,确定目标道路的第二交通量优化值。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示,设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理,例如预测方法。例如,在一些实施例中,预测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时,可以执行上文描述的预测方法的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行预测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种基于公路OD数据进行车流量预测的方法,包括:
获取离开第一地点的第一车辆数据和到达第二地点的第二车辆数据;
根据所述第一车辆数据和所述第二车辆数据,确定所述第一地点和所述第二地点之间的车流量预测初始值,所述车流量预测初始值包括受不同因素影响的第一车流量预测初始值和第二车流量预测初始值;
利用所述第一车流量预测初始值和所述第二车流量预测初始值中的至少一种,确定所述第一地点和所述第二地点之间的车流量预测优化值。
2.根据权利要求1所述的方法,其中,所述第一车流量预测初始值的确定方式,包括:
获取第一车流量初始值,所述第一车流量初始值为从第一地点出发到达第二地点的车流量;
利用所述第一车辆数据、所述第二车辆数据以及所述第一车流量初始值,确定所述第一车流量预测初始值。
4.根据权利要求1所述的方法,其中,所述第二车流量预测初始值的确定方式,包括:
在第一车流量预测初始值不为0的情况下,利用所述第一车流量预测初始值和所述第一地点到第二地点之间的通行时间,确定所述第二车流量预测初始值。
6.根据权利要求4所述的方法,其中,所述根据所述第一车辆数据和所述第二车辆数据,确定所述第一地点和所述第二地点之间的车流量预测初始值,包括:
在第一车流量预测初始值为0的情况下,利用所述第一车辆数据、所述第二车辆数据和所述第一地点到第二地点之间的通行时间,确定所述第二车流量预测初始值。
8.一种基于公路OD数据进行车流量预测的装置,包括:
车辆数据获取模块,用于获取离开第一地点的第一车辆数据和到达第二地点的第二车辆数据;
车流量预测初始值确定模块,用于根据所述第一车辆数据和所述第二车辆数据,确定所述第一地点和所述第二地点之间的车流量预测初始值,所述车流量预测初始值包括受不同因素影响的第一车流量预测初始值和第二车流量预测初始值;
车流量预测优化值确定模块,用于利用所述第一车流量预测初始值和所述第二车流量预测初始值中的至少一种,确定所述第一地点和所述第二地点之间的车流量预测优化值。
9.根据权利要求8所述的装置,其中,所述第一车流量预测初始值的确定方式,包括:
获取第一车流量初始值,所述第一车流量初始值为从第一地点出发到达第二地点的车流量;
利用所述第一车辆数据、所述第二车辆数据以及所述第一车流量初始值,确定所述第一车流量预测初始值。
11.根据权利要求8所述的装置,其中,所述第二车流量预测初始值的确定方式,包括:
在第一车流量预测初始值不为0的情况下,利用所述第一车流量预测初始值和所述第一地点到第二地点之间的通行时间,确定所述第二车流量预测初始值。
13.根据权利要求11所述的装置,其中,所述根据所述第一车辆数据和所述第二车辆数据,确定所述第一地点和所述第二地点之间的车流量预测初始值,包括:
在第一车流量预测初始值为0的情况下,利用所述第一车辆数据、所述第二车辆数据和所述第一地点到第二地点之间的通行时间,确定所述第二车流量预测初始值。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235668.0A CN116030617A (zh) | 2021-10-22 | 2021-10-22 | 一种基于公路od数据进行车流量预测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235668.0A CN116030617A (zh) | 2021-10-22 | 2021-10-22 | 一种基于公路od数据进行车流量预测的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116030617A true CN116030617A (zh) | 2023-04-28 |
Family
ID=86089859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111235668.0A Pending CN116030617A (zh) | 2021-10-22 | 2021-10-22 | 一种基于公路od数据进行车流量预测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030617A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611586A (zh) * | 2023-07-19 | 2023-08-18 | 山东高速股份有限公司 | 一种基于双层异构网络的新建路网流量预测方法及*** |
CN116758726A (zh) * | 2023-07-13 | 2023-09-15 | 西藏金采科技股份有限公司 | 一种基于车联网的大数据分析方法和*** |
-
2021
- 2021-10-22 CN CN202111235668.0A patent/CN116030617A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758726A (zh) * | 2023-07-13 | 2023-09-15 | 西藏金采科技股份有限公司 | 一种基于车联网的大数据分析方法和*** |
CN116758726B (zh) * | 2023-07-13 | 2024-03-22 | 西藏金采科技股份有限公司 | 一种基于车联网的大数据分析方法和*** |
CN116611586A (zh) * | 2023-07-19 | 2023-08-18 | 山东高速股份有限公司 | 一种基于双层异构网络的新建路网流量预测方法及*** |
CN116611586B (zh) * | 2023-07-19 | 2023-10-31 | 山东高速股份有限公司 | 一种基于双层异构网络的新建路网流量预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9726502B2 (en) | Route planner for transportation systems | |
Xu et al. | Bus arrival time prediction with real-time and historic data | |
CN116030617A (zh) | 一种基于公路od数据进行车流量预测的方法及装置 | |
Peng et al. | A deep learning approach for port congestion estimation and prediction | |
CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
Balijepalli et al. | The two-regime transmission model for network loading in dynamic traffic assignment problems | |
CN112580881B (zh) | 营业网点选址方法、装置、计算机设备及存储介质 | |
CN114187412B (zh) | 高精地图生成方法、装置、电子设备及存储介质 | |
CN103870890A (zh) | 高速公路网交通流量分布的预测方法 | |
CN115668265A (zh) | 为操纵和调整承保标的的风险驱动组合提供前瞻和后顾度量的风险转移配置器和模拟引擎及其方法 | |
CN113159934A (zh) | 一种网点客流量的预测方法、***、电子设备及存储介质 | |
Deng et al. | Prediction of vehicle-cargo matching probability based on dynamic Bayesian network | |
Yang et al. | Short-term prediction of airway congestion index using machine learning methods | |
CN116030616A (zh) | 一种利用大数据进行交通量预测的方法及装置 | |
CN114693351A (zh) | 信息预测方法、装置以及电子设备 | |
GS et al. | Prediction of bus passenger traffic using Gaussian process regression | |
Yu et al. | An improved headway-based holding strategy for bus transit | |
CN111667689B (zh) | 车辆旅行时间预测的方法、设备和计算机设备 | |
CN113191681A (zh) | 网点选址方法、装置、电子设备及可读存储介质 | |
Lagarias | Exploring land use policy scenarios with the use of a cellular automata-based model: urban sprawl containment and sustainable development in Thessaloniki | |
Vu et al. | Bus running time prediction using a statistical pattern recognition technique | |
Lou | A unified framework of proactive self-learning dynamic pricing for high-occupancy/toll lanes | |
Wang et al. | Real-time short turning strategy based on passenger choice behavior | |
CN115206102B (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
Guo et al. | Fine-grained dynamic price prediction in ride-on-demand services: Models and evaluations |
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 |