CN117935561A - 一种基于北斗数据的智能交通流分析方法 - Google Patents
一种基于北斗数据的智能交通流分析方法 Download PDFInfo
- Publication number
- CN117935561A CN117935561A CN202410317217.9A CN202410317217A CN117935561A CN 117935561 A CN117935561 A CN 117935561A CN 202410317217 A CN202410317217 A CN 202410317217A CN 117935561 A CN117935561 A CN 117935561A
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- time
- traffic flow
- regulation
- 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 58
- 238000005206 flow analysis Methods 0.000 title claims abstract description 21
- 238000010586 diagram Methods 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 34
- 238000009826 distribution Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000000694 effects Effects 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000007726 management method Methods 0.000 claims description 16
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 15
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 5
- 206010039203 Road traffic accident Diseases 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 241001235534 Graphis <ascomycete fungus> Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
-
- 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
- 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
-
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通流分析技术领域,具体涉及一种基于北斗数据的智能交通流分析方法,包括以下步骤:S1:通过北斗卫星导航***收集预定区域内的交通工具位置数据;S2:对S1步骤收集到的原始数据进行清洗和格式化;S3:计算各个时间段内的车辆密度分布;S4:构建时空图卷积网络预测模型,预测短期内预定区域的交通流变化趋势;S5引入交通影响因素进行分析,优化交通流变化趋势的预测精度;S6:生成针对交通管理部门的实时交通调控建议;S7:调整预测模型和交通调控建议。本发明,通过实时准确预测交通流变化趋势、动态生成交通调控建议,并结合不断优化预测和调控策略,显著提高了城市交通管理的效率和准确性。
Description
技术领域
本发明涉及交通流分析技术领域,尤其涉及一种基于北斗数据的智能交通流分析方法。
背景技术
在现代城市生活中,随着车辆数量的急剧增加,交通拥堵已成为影响城市运行效率和居民生活质量的一个主要问题,有效的交通流管理和规划对于缓解交通拥堵、提高道路使用效率及保障交通安全至关重要,传统的交通管理方法主要依靠历史交通流数据和人工经验进行决策,这些方法往往难以实时响应交通流的动态变化,尤其是在遇到突发事件或特殊情况(如节假日、恶劣天气等)时,传统方法的效果大打折扣。
随着智能交通***和大数据技术的发展,利用先进的数据分析和预测模型对交通流进行实时监控和预测成为可能,然而,如何准确地预测交通流变化趋势,以及如何基于预测结果制定有效的交通调控策略,仍然是一个技术难题,一方面,现有的交通流预测模型往往忽略了交通流受多种因素影响的复杂性,如天气变化、节假日以及城市活动等,导致预测精度不高;另一方面,即使能够较为准确地预测交通流,如何根据预测结果动态优化交通调控措施,以及如何评估调控措施的实际效果并进行调整,也是一个亟待解决的问题。
发明内容
基于上述目的,本发明提供了一种基于北斗数据的智能交通流分析方法。
一种基于北斗数据的智能交通流分析方法,包括以下步骤:
S1:通过北斗卫星导航***收集预定区域内的交通工具位置数据;
S2:利用数据预处理算法对S1步骤收集到的原始数据进行清洗和格式化;
S3:根据S2处理后的数据,应用空间分析算法计算各个时间段内的车辆密度分布;
S4:构建时空图卷积网络预测模型,对S3步骤得到的车辆密度分布进行分析,预测短期内预定区域的交通流变化趋势;
S5:在S4的基础上,引入交通影响因素进行分析,优化交通流变化趋势的预测精度;
S6:基于S4和S5步骤的预测结果,结合历史交通数据,通过预设的动态优化算法,生成针对交通管理部门的实时交通调控建议;
S7:将实际交通流数据与预测结果及调控建议进行对比,并根据对比结果调整预测模型和交通调控建议。
进一步的,所述S1具体包括:
S11:先确定预定区域范围,包括城市主要交通路网、重要交通枢纽及高密度商业区,具体通过城市交通规划图与北斗卫星导航***的地理信息***接口进行区域界定;
S12:在S1确定的预定区域内,部署具备北斗卫星接收模块的交通监测设备,包括移动交通工具上的北斗定位设备及固定在预定路段的北斗接收站点,北斗定位设备和北斗接收站点能够接收来自北斗卫星的信号,用于捕捉交通工具的实时位置信息;
S13:通过北斗卫星导航***收集位置数据,该位置数据包括每辆交通工具的经度、纬度、时间戳、速度及行驶方向;
S14:利用北斗卫星导航***的差分定位功能,提高位置数据的精确度,差分定位通过比较预定区域内固定北斗接收站点接收到的卫星信号与移动交通工具上北斗接收模块接收到的信号之间的差异,实现更高精度的位置信息测量;
S15:将收集到的位置数据通过无线通信网络传输至数据处理中心备用。
进一步的,所述S2具体包括:
S21:接收来自S1的原始位置数据,并进行数据清洗,以去除无效数据和异常值,具体操作包括识别并剔除位置数据中的明显错误,以及过滤掉静止不动的交通工具数据;
S22:对清洗后的数据进行格式化处理,使数据符合后续分析的标准格式,具体包括统一数据的时间戳格式,以及将经纬度、速度和方向数据标准化为预定的数值格式,确保数据的一致性和可比性;
S23:实施数据去重处理,检查经过S22和S23步骤处理后的数据集中是否存在重复记录,采用最新的数据记录替换重复项,以避免分析过程中的数据冗余;
S25:进行数据分段,根据预设的时间间隔将数据集划分为多个时间段,便于进行时间序列分析和交通流趋势预测。
进一步的,所述S3具体包括:
S31:预设网格***,具体先通过地理信息***工具确定预设区域的地理边界;然后根据区域的总面积和预期的分析精度,将预定区域均匀划分为固定尺寸的正方形网格单元,其中每个网格单元的边长设置为100米,每个网格单元均设有唯一标识和精确的地理坐标范围;
S32:计算各时间段内网格单元的车辆密度,采用直接计数法确定单位时间内通过
每个网格单元的车辆总数,车辆密度定义为单位网格面积内的车辆数量,具体计算公式为:,其中,表示预定时间段内,通过该网格单元的车辆总数;为网格单元的面积,即
10000平方米;
S33:整合并创建车辆密度分布图,将S32中计算得到的每个网格单元的车辆密度值,使用颜色编码表示,并将颜色编码映射到对应网格单元的地理位置上,车辆密度的颜色渐变从绿色到红色,直观显示各个网格单元内的车辆分布情况。
进一步的,所述S4中构建时空图卷积网络预测模型具体包括:
S41:初始化图结构,基于S33得到的车辆密度分布图,构建图,其中图由节点集
合和边集合组成,每个节点代表一个网格单元,节点之间的连接关系基于地理位置的邻
近性确定,具体当两个网格单元相邻时,则两个网格单元对应的节点在图中通过边相连;
S42:定义时空特征矩阵,对每个节点,将其在不同时间段内的车辆密度视为特征,
构成时空特征矩阵,特征矩阵的尺寸为,是节点的总数,是观察时间段的长
度;
S43:应用图卷积提取空间特征,具体采用图卷积网络对图进行空间特征学习,
图卷积操作具体表示为:,其中,是加上自
连接的邻接矩阵,是图的邻接矩阵,是单位矩阵,是节点度矩阵的对角矩阵,是
第层的节点特征矩阵,是该层的权重矩阵,是非线性激活函数;
S44:整合一维卷积处理时间序列,对每个节点的时间序列特征应用一维卷积,以捕获时间维度上的变化模式,为车辆密度预测提供时间特征;
S45:构建最终的时空图卷积网络预测模型,具有将S43和S44步骤中处理的空间特
征和时间特征整合,形成完整的时空图卷积网络,该时空图卷积网络预测模型的函数为:,其中,代表未来时间段的车辆密度预测,是输入的时空特征矩
阵,包括所有空间和时间卷积层的参数,表示整个时空图卷积网络的函数。
进一步的,所述S4中对S3步骤得到的车辆密度分布进行分析,预测短期内预定区域的交通流变化趋势具体包括:
S46:对步骤S3得到的车辆密度分布数据进行处理,以适配时空图卷积网络预测模
型的输入需求,具体处理包括时间序列标准化和空间特征编码;所述时间序列标准化是对
每个网格单元的车辆密度时间序列进行标准化,以消除不同量级的影响,标准化公式为:,其中,代表原始的车辆密度值,和分别代表时间序列的平均值和标准
差,为标准化后的值;所述空间特征编码是将网格单元的地理位置信息转换为供时空
图卷积网络预测模型学习的空间特征编码,确保时空图卷积网络预测模型能够识别和利用
空间上的相互关系;
S47:利用S46处理后的数据对STGCN模型进行训练,训练目标是最小化预测车辆密
度与实际车辆密度之间的差异,具体采用均方误差作为损失函数,公式为:,其中,是损失函数,是样本数量, 是模型对
第个样本的预测值,是对应的真实值;
S48:使用训练完成后的时空图卷积网络预测模型,对未来一段时间内的车辆密度进行预测,输出每个网格单元在未来时间点的预测车辆密度值,所述未来时间点包括早晚高峰时段、学校上下课时间、工作日或节假日;
S49:根据S48中的车辆密度分布,分析预定区域内未来的交通流变化趋势,变化趋势包括识别拥堵区域、评估交通量的变化趋势。
进一步的,所述S5具体包括:
S51:选定交通流变化的关键影响因素,该关键影响因素包括天气条件、节假日;
S52:针对每个确定的影响因素,收集相关数据,并将收集的数据整合为时空图卷积网络预测模型能识别的格式,具体将天气条件编码为数值变量,节假日则通过布尔变量来表示;
S53:扩展模型的输入,将步骤S52整合的交通影响因素数据作为额外的特征输入到步骤S4构建的时空图卷积网络预测模型中;
S54:在新的输入基础上,重新训练时空图卷积网络预测模型,使用包括交通影响因素在内的扩展数据集,通过监督学习优化模型参数,以提高对未来交通流变化趋势的预测精准;
S55:优化后的时空图卷积网络预测模型公式为:,
其中,是模型预测的优化后车辆密度分布,是原有的时空特征矩阵,代表交通影响
因素的特征集合,是优化后的模型参数集合。
进一步的,所述S6具体包括:
S61:将步骤S4和S5得到的未来一段时间内预定区域的车辆密度预测结果与相同时间段内往年的历史交通流数据进行整合,形成综合数据集;
S62:定义优化目标和约束,具体的优化目标是最小化交通拥堵,提高道路通行效率,约束条件包括道路容量、交通信号控制参数、道路封闭或限制措施,优化问题的具体函数为:
,
subjectto,其中,代表第个网格单元的拥堵成本函数,
和分别代表该网格单元内的预测交通流量和交通控制参数,和分别为和的可行
域;
S63:采用动态规划算法解决S62中优化问题,动态规划算法通过将复杂问题分解为更小的子问题,并利用子问题的解构建原问题的解,以此找到最优的交通调控策略,具体算法公式为:
,其中,表示在给定当
前状态下,从第个网格单元出发所能达到的最小拥堵成本;
代表第个网格单元的当前交通状态;是针对第个网格单元将要采取的交通
调控措施;表示所有可能的交通调控措施的集合;是在第个网格单元,给定当
前交通状态和采取调控措施时的直接拥堵成本;是与第个网格单元相邻的网格
单元集合,表示在交通网络中,第个网格单元直接影响的邻近网格单元;表示相邻
网格单元在其当前状态下的最小拥堵成本;
S64:根据动态规划算法的结果,为每个网格单元生成具体的交通调控建议,包括信号灯的调整、路段的临时封闭或开放、交通导向的改变,并将生成的建议汇总传达给交通管理部门,用于实时的交通调控。
进一步的,所述S7具体包括:
S71:首先收集实际交通流数据,包括车流密度、速度以及通过时间的指标,并整理出模型预测的交通流数据以及基于预测制定的交通调控建议;
S72:采用绝对百分比误差的统计分析方法,对实际交通流数据与模型预测结果进行定量对比,绝对百分比误差的计算公式为:
,其中,是绝对百分比误
差的平均值,用于量化预测精度,是评价中考虑的总数据点数量,是第个数据点
的实际交通流量值,是对应的模型预测交通流量值;通过计算MAPE,能直观了解预
测误差的平均水平,越低的MAPE值代表越高的预测准确性;
S73:对实施的交通调控措施效果进行评估,分析交通调控措施对实际交通流的影响,具体评估包括比较调控前后的交通流数据,具体调控效果评估公式为:
Effectiveness,其中,Effectiveness表
示调控措施的效果百分比,是调控措施实施前的交通流量或拥堵指标平
均值,是调控措施实施后的相应值;该调控效果评估公式用于定量衡量调
控措施实施前后交通状况的变化程度,正值表示交通状况有所改善;
S74:根据S72和S73的对比分析结果,具体识别预测模型的不足之处和调控策略的改进空间。
进一步的,所述S74具体包括:
S741:先计算模型预测的整体MAPE值,确定整体预测精度,然后对MAPE值进行深入分析,区分不同时间段和不同地区的MAPE值,以识别模型在不同条件下的预测偏差;
S742:通过计算调控措施实施前后交通流的变化,使用前述调控效果评估公式,定量评估每项调控措施的实际影响,比较调控前后的交通流量、速度的指标,以评估调控效果;对每项调控措施的效果进行分析,识别未能达到预期目标的措施;
S743:基于S741和S742的分析结果提出模型优化建议,包括引入新的数据特征以增强模型对道路施工、交通事故和临时路闭的响应能力,调整模型结构以提高预定区域或时间段的预测精度,或重新训练模型以更好地拟合实际交通流数据;
S744:根据调控策略评估结果,对不同的调控措施提出优化方向,包括调整调控措施的实施时段以适应交通流峰值,增强或缩小调控措施的目标区域以达到预期的调控效果,或完全替换效果不明显的措施。
本发明的有益效果:
本发明,通过利用北斗卫星导航***的高精度定位数据,结合先进的数据处理和预测算法,本发明能够实时准确地预测交通流变化趋势。与传统基于历史数据的预测方法相比,本发明能够更有效地响应交通流的动态变化,尤其是在应对突发事件或特殊情况(如恶劣天气、大型活动等)时,能够提供更为精确的交通流信息,从而为交通管理部门制定调控措施提供强有力的数据支持。
本发明,通过引入预设的动态优化算法,不仅可以根据预测结果生成实时的交通调控建议,还能够根据实际交通流数据对调控措施进行即时评估和调整。这种动态优化和反馈机制使得交通调控措施更加灵活有效,能够确保交通管理措施与实际交通状况紧密匹配,有效减轻交通拥堵,提高道路使用效率。
本发明,通过准确预测交通流并制定有效的调控策略,可以显著减少交通拥堵现象,缩短通勤时间,降低交通事故的发生率,同时也为公共交通规划和城市发展提供了科学的决策依据,有助于提升城市交通***的整体运行效率和安全性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于北斗数据的智能交通流分析方法示意图;
图2为本发明实施例的构建时空图卷积网络预测模型流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
如图1-2所示,一种基于北斗数据的智能交通流分析方法,包括以下步骤:
S1:通过北斗卫星导航***收集预定区域内的交通工具位置数据,包括车辆的实时位置、速度和行驶方向,以此作为数据基础;
S2:利用数据预处理算法对S1步骤收集到的原始数据进行清洗和格式化,包括去除异常值、填补数据缺失项以及数据归一化,以保证后续分析的准确性和可靠性;
S3:根据S2处理后的数据,应用空间分析算法计算各个时间段内的车辆密度分布,以揭示不同区域及不同时间段的交通流特征;
S4:构建时空图卷积网络预测模型,对S3步骤得到的车辆密度分布进行分析,预测短期内预定区域的交通流变化趋势,该模型结合北斗数据特点和城市交通流模式;
S5:在S4的基础上,引入交通影响因素进行分析,优化交通流变化趋势的预测精度,交通影响因素包括天气条件、节假日和大型事件等;
S6:基于S4和S5步骤的预测结果,结合历史交通数据,通过预设的动态优化算法,生成针对交通管理部门的实时交通调控建议,旨在预防潜在的交通拥堵点,优化交通流;
S7:将实际交通流数据与预测结果及调控建议进行对比,并根据对比结果调整预测模型和交通调控建议。
S1具体包括:
S11:先确定预定区域范围,包括城市主要交通路网、重要交通枢纽(如火车站、机场)及高密度商业区,具体通过城市交通规划图与北斗卫星导航***的地理信息***接口进行区域界定;
S12:在S1确定的预定区域内,部署具备北斗卫星接收模块的交通监测设备,包括移动交通工具上的北斗定位设备及固定在预定路段的北斗接收站点,北斗定位设备和北斗接收站点能够接收来自北斗卫星的信号,用于捕捉交通工具的实时位置信息;
S13:通过北斗卫星导航***收集位置数据,该位置数据包括每辆交通工具的经度、纬度、时间戳、速度及行驶方向,这些数据通过北斗卫星信号解析获得,其中经度和纬度由卫星定位确定,时间戳由北斗***的时间同步功能提供,速度和行驶方向通过比较连续两次位置信息的变化计算得出;
S14:利用北斗卫星导航***的差分定位功能,提高位置数据的精确度,差分定位通过比较预定区域内固定北斗接收站点接收到的卫星信号与移动交通工具上北斗接收模块接收到的信号之间的差异,实现更高精度的位置信息测量;
S15:将收集到的位置数据通过无线通信网络传输至数据处理中心备用,进行后续的预处理和分析,数据传输过程中采用加密技术确保数据的安全性和完整性。
S2具体包括:
S21:接收来自S1的原始位置数据,并进行数据清洗,以去除无效数据和异常值,具体操作包括识别并剔除位置数据中的明显错误(如由于信号干扰造成的异常坐标点),以及过滤掉静止不动(速度为零且持续时间超过预设阈值)的交通工具数据,确保后续分析的数据质量;
S22:对清洗后的数据进行格式化处理,使数据符合后续分析的标准格式,具体包括统一数据的时间戳格式(例如转换为UTC标准时间),以及将经纬度、速度和方向数据标准化为预定的数值格式,确保数据的一致性和可比性;
S23:实施数据去重处理,检查经过S22和S23步骤处理后的数据集中是否存在重复记录,采用最新的数据记录替换重复项,以避免分析过程中的数据冗余;
S25:进行数据分段,根据预设的时间间隔(例如每分钟或每小时)将数据集划分为多个时间段,便于进行时间序列分析和交通流趋势预测,将格式化后的数据存储于数据处理中心的专用数据库中,为后续的空间分析算法和交通流预测模型提供准备好的数据源;
通过上述子步骤S21S25,确保了从北斗卫星导航***收集来的原始交通位置数据经过有效的清洗和格式化处理,为进行高精度的交通流分析和管理提供了准确和一致的数据基础,同时保证了数据处理流程的连贯性和高效性。
S3具体包括:
S31:预设研究区域内的网格***,具体先通过地理信息***工具确定预设区域的地理边界;然后根据区域的总面积和预期的分析精度,将预定区域均匀划分为固定尺寸的正方形网格单元,其中每个网格单元的边长设置为100米,保证足够的分辨率来反映车辆密度的空间变化,此过程自动由GIS软件完成,确保每个网格单元均设有唯一标识和精确的地理坐标范围;
S32:计算各时间段内网格单元的车辆密度,采用直接计数法确定单位时间内通过
每个网格单元的车辆总数,车辆密度定义为单位网格面积内的车辆数量,具体计算公式为:,其中,表示预定时间段内,通过该网格单元的车辆总数;为网格单元的面积,即
10000平方米,该过程通过自动化脚本在GIS软件内执行,以确保每个网格单元的车辆密度
能够被准确计算;
S33:整合并创建车辆密度分布图,将S32中计算得到的每个网格单元的车辆密度值,使用颜色编码表示,并将颜色编码映射到对应网格单元的地理位置上,车辆密度的颜色渐变从绿色(表示低密度)到红色(表示高密度),直观显示各个网格单元内的车辆分布情况,该密度分布图由数据可视化软件生成,为后续分析提供了一种直观的交通流特征展示方式;
上述方法S31至S33,描述如何定义网格***、计算车辆密度以及创建车辆密度分布图的过程,确保了操作的明确性和结果的准确性。
S4中构建时空图卷积网络预测模型具体包括:
S41:初始化图结构,基于S33得到的车辆密度分布图,构建图,其中图由节点集
合和边集合组成,每个节点代表一个网格单元,节点之间的连接关系(即边)基于地理位
置的邻近性确定,具体当两个网格单元相邻(即共享边界)时,则两个网格单元对应的节点
在图中通过边相连;
S42:定义时空特征矩阵,对每个节点,将其在不同时间段内的车辆密度视为特征,
构成时空特征矩阵,特征矩阵的尺寸为,是节点(网格单元)的总数,是观察
时间段的长度;
S43:应用图卷积提取空间特征,具体采用图卷积网络(GCN)对图进行空间特征
学习,图卷积操作具体表示为:,其中,是
加上自连接的邻接矩阵,是图的邻接矩阵,是单位矩阵,是节点度矩阵的对角矩阵,是第层的节点特征矩阵,是该层的权重矩阵,是非线性激活函数,如ReLU;
S44:整合一维卷积处理时间序列,对每个节点的时间序列特征应用一维卷积,以
捕获时间维度上的变化模式,为车辆密度预测提供时间特征,我们对于图的每个节点,已
经有了一个随时间变化的车辆密度特征序列,假设对于节点,其时间序列特征为:,其中是时间序列的长度,我们的目标是利用一维卷积网络(1DCNN)
来处理这个序列,以学习并捕获时间上的变化模式,一维卷积操作的公式为:,其中,是节点在时间点上的输出特征,
是激活函数,如ReLU函数,是卷积核(或滤波器),其长度为,代表在时间序列上应用的
窗口大小,这个卷积核与输入时间序列的一个局部区域(个连续时间点)进行点乘操作,
是偏置项,是时间滑动的索引,从0到;这个一维卷积操作的本质是在时间序列上滑
动卷积核,并在每个位置上计算核与输入特征的加权和,然后应用激活函数,通过这种方
式,1DCNN能够从时间序列中提取有用的局部时间特征,这些特征捕获了短期内车辆密度的
变化模式;
S45:构建最终的时空图卷积网络预测模型,具有将S43和S44步骤中处理的空间特
征和时间特征整合,形成完整的时空图卷积网络,该时空图卷积网络预测模型的函数为:,其中,代表未来时间段的车辆密度预测,是输入的时空特征矩
阵,包括所有空间和时间卷积层的参数,表示整个时空图卷积网络的函数,模型
的输出是对未来一段时间内每个网格单元车辆密度的预测。
S4中对S3步骤得到的车辆密度分布进行分析,预测短期内预定区域的交通流变化趋势具体包括:
S46:对步骤S3得到的车辆密度分布数据进行处理,以适配时空图卷积网络预测模
型的输入需求,具体处理包括时间序列标准化和空间特征编码;时间序列标准化是对每个
网格单元的车辆密度时间序列进行标准化,以消除不同量级的影响,标准化公式为:,其中,代表原始的车辆密度值,和分别代表时间序列的平均值和标准
差,为标准化后的值;空间特征编码是将网格单元的地理位置信息转换为供时空图卷
积网络预测模型学习的空间特征编码,确保时空图卷积网络预测模型能够识别和利用空间
上的相互关系;
S47:利用S46处理后的数据对STGCN模型进行训练,训练目标是最小化预测车辆密
度与实际车辆密度之间的差异,具体采用均方误差作为损失函数,公式为:,其中,是损失函数,是样本数量, 是模型对
第个样本的预测值,是对应的真实值;
S48:使用训练完成后的时空图卷积网络预测模型,对未来一段时间内的车辆密度进行预测,预测过程基于最新的车辆密度数据和历史趋势,输出每个网格单元在未来时间点的预测车辆密度值,未来时间点包括早晚高峰时段、学校上下课时间、工作日或节假日;
S49:根据S48中的车辆密度分布,分析预定区域内未来的交通流变化趋势,变化趋势包括识别拥堵区域、评估交通量的变化趋势。
S5具体包括:
S51:选定交通流变化的关键影响因素,该关键影响因素包括天气条件(如雨、雪、雾等)、节假日,这些因素直接影响车辆密度和交通流变化;
S52:针对每个确定的影响因素,收集相关数据,并将收集的数据整合为时空图卷积网络预测模型能识别的格式,具体将天气条件编码为数值变量,节假日则通过布尔变量来表示;
S53:扩展模型的输入,将步骤S52整合的交通影响因素数据作为额外的特征输入到步骤S4构建的时空图卷积网络预测模型中,这要求调整模型的输入层,以包含这些新的特征向量;
S54:在新的输入基础上,重新训练时空图卷积网络预测模型,使用包括交通影响因素在内的扩展数据集,通过监督学习优化模型参数,以提高对未来交通流变化趋势的预测精准;
S55:优化后的时空图卷积网络预测模型公式为:,
其中,是模型预测的优化后车辆密度分布,是原有的时空特征矩阵,代表交通影响
因素的特征集合,是优化后的模型参数集合;
通过以上步骤S51S55,详细说明了如何通过引入交通影响因素来优化交通流变化趋势的预测精度,通过将关键的交通影响因素纳入预测模型,能够更准确地预测不同条件下的交通流变化,从而提高交通管理和规划的有效性。
应用场景示例:城市节假日交通管理优化
背景:城市A面临着节假日交通拥堵的挑战,特别是在商业区和主要交通枢纽周围,传统的交通管理***未能有效预测节假日的交通流变化,导致交通拥堵和管理效率低下。
目标:利用步骤S51至S55的技术方案,引入交通影响因素进行分析,以优化节假日的交通流变化趋势预测,从而提出有效的交通调控措施,减轻拥堵,提高交通效率。
实施步骤:
确定交通影响因素:确定节假日、特殊活动(如大型购物节、城市马拉松)和天气条件(如雨天、雪天)为关键交通影响因素;
数据收集与整合:收集过去节假日的交通流数据、天气记录以及特殊活动日历,将这些信息编码为模型可处理的格式;
扩展模型输入:将编码后的交通影响因素数据整合到现有的车辆密度时间序列数据中,形成扩展的数据集;
模型训练与优化:使用扩展数据集重新训练STGCN模型,考虑节假日、特殊活动和天气条件的影响,优化模型参数以提高预测精度;
预测与规划:利用优化后的模型预测即将到来的节假日的交通流变化趋势,根据预测结果,交通管理部门提前规划交通调控措施,包括调整信号灯配时、设置临时交通管制区域、发布交通指引等。
应用效果:通过准确预测节假日交通流变化,提前实施有效的交通调控措施,显著减轻了主要路段和商业区的交通拥堵;优化了交通信号控制,减少了车辆等待时间,提高了道路使用效率;对于预测出的潜在拥堵点,交通管理部门能够快速响应,调整交通流向,避免拥堵情况的恶化。
S6具体包括:
S61:将步骤S4和S5得到的未来一段时间内预定区域的车辆密度预测结果与相同时间段内往年的历史交通流数据进行整合,形成综合数据集;
S62:定义优化目标和约束,具体的优化目标是最小化交通拥堵,提高道路通行效率,约束条件包括道路容量、交通信号控制参数、道路封闭或限制措施,优化问题的具体函数为:
,
subjectto,其中,代表第个网格单元的拥堵成本函数,
和分别代表该网格单元内的预测交通流量和交通控制参数,和分别为和的可行
域;
S63:采用动态规划算法解决S62中优化问题,动态规划算法通过将复杂问题分解为更小的子问题,并利用子问题的解构建原问题的解,以此找到最优的交通调控策略,具体算法公式为:
,其中,表示在给定当
前状态下,从第个网格单元出发所能达到的最小拥堵成本,这是动态规划中的价值函
数,代表从当前网格单元开始,实施特定交通调控策略下的最优成本;
代表第个网格单元的当前交通状态,如车流密度或速度等,是影响决策过程的
状态变量;是针对第个网格单元将要采取的交通调控措施,如信号灯调整、路段封闭等;表示所有可能的交通调控措施的集合;是在第个网格单元,给定当前交通状态和采取调控措施时的直接拥堵成本,这个成本反映了实施特定调控措施的即时效果;是与第个网格单元相邻的网格单元集合,表示在交通网络中,第个网格单元直接影
响的邻近网格单元;表示相邻网格单元在其当前状态下的最小拥堵成本,这部
分考虑了从网格单元的调控决策对周围网格单元的影响;
S64:根据动态规划算法的结果,为每个网格单元生成具体的交通调控建议,包括信号灯的调整、路段的临时封闭或开放、交通导向的改变,并将生成的建议汇总传达给交通管理部门,用于实时的交通调控。
S7具体包括:
S71:首先收集实际交通流数据,包括车流密度、速度以及通过时间的指标,并整理出模型预测的交通流数据以及基于预测制定的交通调控建议;
S72:采用绝对百分比误差的统计分析方法,对实际交通流数据与模型预测结果进行定量对比,绝对百分比误差的计算公式为:
,其中,是绝对百分比误
差的平均值,用于量化预测精度,是评价中考虑的总数据点数量,是第个数据点
的实际交通流量值,是对应的模型预测交通流量值;通过计算MAPE,能直观了解预
测误差的平均水平,越低的MAPE值代表越高的预测准确性;
S73:对实施的交通调控措施效果进行评估,分析交通调控措施对实际交通流的影响,具体评估包括比较调控前后的交通流数据,以及调控建议实施的准确性和有效性,具体调控效果评估公式为:
Effectiveness,其中,Effectiveness表
示调控措施的效果百分比,是调控措施实施前的交通流量或拥堵指标平
均值,是调控措施实施后的相应值;该调控效果评估公式用于定量衡量调
控措施实施前后交通状况的变化程度,正值表示交通状况有所改善;
S74:根据S72和S73的对比分析结果,具体识别预测模型的不足之处和调控策略的改进空间。
S74具体包括:
S741:先计算模型预测的整体MAPE值,确定整体预测精度,然后对MAPE值进行深入分析,区分不同时间段(如早晚高峰时段)和不同地区(如商业区、居民区)的MAPE值,以识别模型在不同条件下的预测偏差,这一步骤可能揭示模型对于某些交通模式变化的不敏感或预测精度不足,利用统计分析工具,如直方图和箱形图,分析预测误差的分布特性,寻找***性偏差的证据,例如误差集中在某一方向(过高或过低),或某些条件下误差异常增大,这有助于识别模型对特定事件或条件反应的不足;
S742:通过计算调控措施实施前后交通流的变化,使用前述调控效果评估公式,定量评估每项调控措施的实际影响,比较调控前后的交通流量、速度的指标,以评估调控效果;对每项调控措施的效果进行分析,识别未能达到预期目标的措施,特别注意那些导致交通流变差(如拥堵加剧、通行时间延长)的措施,分析其失败的可能原因,如时间安排不当、影响范围过小或过大等;
S743:基于S741和S742的分析结果提出模型优化建议,包括引入新的数据特征以增强模型对道路施工、交通事故和临时路闭的响应能力,调整模型结构以提高预定区域或时间段的预测精度,或重新训练模型以更好地拟合实际交通流数据;
S744:根据调控策略评估结果,对不同的调控措施提出优化方向,包括调整调控措施的实施时段以适应交通流峰值,增强或缩小调控措施的目标区域以达到预期的调控效果,或完全替换效果不明显的措施。
本发明旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于北斗数据的智能交通流分析方法,其特征在于,包括以下步骤:
S1:通过北斗卫星导航***收集预定区域内的交通工具位置数据;
S2:利用数据预处理算法对S1步骤收集到的原始数据进行清洗和格式化;
S3:根据S2处理后的数据,应用空间分析算法计算各个时间段内的车辆密度分布;
S4:构建时空图卷积网络预测模型,对S3步骤得到的车辆密度分布进行分析,预测短期内预定区域的交通流变化趋势;
S5:在S4的基础上,引入交通影响因素进行分析,优化交通流变化趋势的预测精度;
S6:基于S4和S5步骤的预测结果,结合历史交通数据,通过预设的动态优化算法,生成针对交通管理部门的实时交通调控建议;
S7:将实际交通流数据与预测结果及调控建议进行对比,并根据对比结果调整预测模型和交通调控建议。
2.根据权利要求1所述的一种基于北斗数据的智能交通流分析方法,其特征在于,所述S1具体包括:
S11:先确定预定区域范围,包括城市主要交通路网、重要交通枢纽及高密度商业区,具体通过城市交通规划图与北斗卫星导航***的地理信息***接口进行区域界定;
S12:在S1确定的预定区域内,部署具备北斗卫星接收模块的交通监测设备,包括移动交通工具上的北斗定位设备及固定在预定路段的北斗接收站点,北斗定位设备和北斗接收站点能够接收来自北斗卫星的信号,用于捕捉交通工具的实时位置信息;
S13:通过北斗卫星导航***收集位置数据,该位置数据包括每辆交通工具的经度、纬度、时间戳、速度及行驶方向;
S14:利用北斗卫星导航***的差分定位功能,提高位置数据的精确度,差分定位通过比较预定区域内固定北斗接收站点接收到的卫星信号与移动交通工具上北斗接收模块接收到的信号之间的差异,实现更高精度的位置信息测量;
S15:将收集到的位置数据通过无线通信网络传输至数据处理中心备用。
3.根据权利要求2所述的一种基于北斗数据的智能交通流分析方法,其特征在于,所述S2具体包括:
S21:接收来自S1的原始位置数据,并进行数据清洗,以去除无效数据和异常值,具体操作包括识别并剔除位置数据中的明显错误,以及过滤掉静止不动的交通工具数据;
S22:对清洗后的数据进行格式化处理,使数据符合后续分析的标准格式,具体包括统一数据的时间戳格式,以及将经纬度、速度和方向数据标准化为预定的数值格式,确保数据的一致性和可比性;
S23:实施数据去重处理,检查经过S22和S23步骤处理后的数据集中是否存在重复记录,采用最新的数据记录替换重复项,以避免分析过程中的数据冗余;
S25:进行数据分段,根据预设的时间间隔将数据集划分为多个时间段,便于进行时间序列分析和交通流趋势预测。
4.根据权利要求3所述的一种基于北斗数据的智能交通流分析方法,其特征在于,所述S3具体包括:
S31:预设网格***,具体先通过地理信息***工具确定预设区域的地理边界;然后根据区域的总面积和预期的分析精度,将预定区域均匀划分为固定尺寸的正方形网格单元,其中每个网格单元的边长设置为100米,每个网格单元均设有唯一标识和精确的地理坐标范围;
S32:计算各时间段内网格单元的车辆密度,采用直接计数法确定单位时间内通过每个网格单元的车辆总数,车辆密度定义为单位网格面积内的车辆数量,具体计算公式为:,其中,/>表示预定时间段内,通过该网格单元的车辆总数;/>为网格单元的面积,即10000平方米;
S33:整合并创建车辆密度分布图,将S32中计算得到的每个网格单元的车辆密度值,使用颜色编码表示,并将颜色编码映射到对应网格单元的地理位置上,车辆密度的颜色渐变从绿色到红色,直观显示各个网格单元内的车辆分布情况。
5.根据权利要求4所述的一种基于北斗数据的智能交通流分析方法,其特征在于,所述S4中构建时空图卷积网络预测模型具体包括:
S41:初始化图结构,基于S33得到的车辆密度分布图,构建图,其中图/>由节点集合/>和边集合/>组成,每个节点代表一个网格单元,节点之间的连接关系基于地理位置的邻近性确定,具体当两个网格单元相邻时,则两个网格单元对应的节点在图/>中通过边相连;
S42:定义时空特征矩阵,对每个节点,将其在不同时间段内的车辆密度视为特征,构成时空特征矩阵,特征矩阵/>的尺寸为/>,/>是节点的总数,/>是观察时间段的长度;
S43:应用图卷积提取空间特征,具体采用图卷积网络对图进行空间特征学习,图卷积操作具体表示为:/>,其中,/>是加上自连接的邻接矩阵,/>是图/>的邻接矩阵,/>是单位矩阵,/>是节点度矩阵的对角矩阵,/>是第/>层的节点特征矩阵,/>是该层的权重矩阵,/>是非线性激活函数;
S44:整合一维卷积处理时间序列,对每个节点的时间序列特征应用一维卷积,以捕获时间维度上的变化模式,为车辆密度预测提供时间特征;
S45:构建最终的时空图卷积网络预测模型,具有将S43和S44步骤中处理的空间特征和时间特征整合,形成完整的时空图卷积网络,该时空图卷积网络预测模型的函数为:,其中,/>代表未来时间段的车辆密度预测,/>是输入的时空特征矩阵,/>包括所有空间和时间卷积层的参数,/>表示整个时空图卷积网络的函数。
6.根据权利要求5所述的一种基于北斗数据的智能交通流分析方法,其特征在于,所述S4中对S3步骤得到的车辆密度分布进行分析,预测短期内预定区域的交通流变化趋势具体包括:
S46:对步骤S3得到的车辆密度分布数据进行处理,以适配时空图卷积网络预测模型的输入需求,具体处理包括时间序列标准化和空间特征编码;所述时间序列标准化是对每个网格单元的车辆密度时间序列进行标准化,以消除不同量级的影响,标准化公式为:,其中,/>代表原始的车辆密度值,/>和/>分别代表时间序列的平均值和标准差,/>为标准化后的值;所述空间特征编码是将网格单元的地理位置信息转换为供时空图卷积网络预测模型学习的空间特征编码,确保时空图卷积网络预测模型能够识别和利用空间上的相互关系;
S47:利用S46处理后的数据对STGCN模型进行训练,训练目标是最小化预测车辆密度与实际车辆密度之间的差异,具体采用均方误差作为损失函数,公式为:,其中,/>是损失函数,/>是样本数量,/> 是模型对第/>个样本的预测值,/>是对应的真实值;
S48:使用训练完成后的时空图卷积网络预测模型,对未来一段时间内的车辆密度进行预测,输出每个网格单元在未来时间点的预测车辆密度值,所述未来时间点包括早晚高峰时段、学校上下课时间、工作日或节假日;
S49:根据S48中的车辆密度分布,分析预定区域内未来的交通流变化趋势,变化趋势包括识别拥堵区域、评估交通量的变化趋势。
7.根据权利要求6所述的一种基于北斗数据的智能交通流分析方法,其特征在于,所述S5具体包括:
S51:选定交通流变化的关键影响因素,该关键影响因素包括天气条件、节假日;
S52:针对每个确定的影响因素,收集相关数据,并将收集的数据整合为时空图卷积网络预测模型能识别的格式,具体将天气条件编码为数值变量,节假日则通过布尔变量来表示;
S53:扩展模型的输入,将步骤S52整合的交通影响因素数据作为额外的特征输入到步骤S4构建的时空图卷积网络预测模型中;
S54:在新的输入基础上,重新训练时空图卷积网络预测模型,使用包括交通影响因素在内的扩展数据集,通过监督学习优化模型参数,以提高对未来交通流变化趋势的预测精准;
S55:优化后的时空图卷积网络预测模型公式为:,其中,是模型预测的优化后车辆密度分布,/>是原有的时空特征矩阵,/>代表交通影响因素的特征集合,/>是优化后的模型参数集合。
8.根据权利要求7所述的一种基于北斗数据的智能交通流分析方法,其特征在于,所述S6具体包括:
S61:将步骤S4和S5得到的未来一段时间内预定区域的车辆密度预测结果与相同时间段内往年的历史交通流数据进行整合,形成综合数据集;
S62:定义优化目标和约束,具体的优化目标是最小化交通拥堵,提高道路通行效率,约束条件包括道路容量、交通信号控制参数、道路封闭或限制措施,优化问题的具体函数为:
,
subjectto,其中,/>代表第/>个网格单元的拥堵成本函数,/>和/>分别代表该网格单元内的预测交通流量和交通控制参数,/>和/>分别为/>和/>的可行域;
S63:采用动态规划算法解决S62中优化问题,动态规划算法通过将复杂问题分解为更小的子问题,并利用子问题的解构建原问题的解,以此找到最优的交通调控策略,具体算法公式为:
,其中,/>表示在给定当前状态/>下,从第/>个网格单元出发所能达到的最小拥堵成本;/>代表第/>个网格单元的当前交通状态;/>是针对第/>个网格单元将要采取的交通调控措施;/>表示所有可能的交通调控措施的集合;/>是在第/>个网格单元,给定当前交通状态/>和采取调控措施/>时的直接拥堵成本;/>是与第/>个网格单元相邻的网格单元集合,表示在交通网络中,第/>个网格单元直接影响的邻近网格单元;/>表示相邻网格单元/>在其当前状态/>下的最小拥堵成本;
S64:根据动态规划算法的结果,为每个网格单元生成具体的交通调控建议,包括信号灯的调整、路段的临时封闭或开放、交通导向的改变,并将生成的建议汇总传达给交通管理部门,用于实时的交通调控。
9.根据权利要求8所述的一种基于北斗数据的智能交通流分析方法,其特征在于,所述S7具体包括:
S71:首先收集实际交通流数据,包括车流密度、速度以及通过时间的指标,并整理出模型预测的交通流数据以及基于预测制定的交通调控建议;
S72:采用绝对百分比误差的统计分析方法,对实际交通流数据与模型预测结果进行定量对比,绝对百分比误差的计算公式为:
,其中,/>是绝对百分比误差的平均值,用于量化预测精度,/>是评价中考虑的总数据点数量,/>是第/>个数据点的实际交通流量值,/>是对应的模型预测交通流量值;通过计算MAPE,能直观了解预测误差的平均水平,越低的MAPE值代表越高的预测准确性;
S73:对实施的交通调控措施效果进行评估,分析交通调控措施对实际交通流的影响,具体评估包括比较调控前后的交通流数据,具体调控效果评估公式为:
Effectiveness,其中,Effectiveness表示调控措施的效果百分比,/>是调控措施实施前的交通流量或拥堵指标平均值,是调控措施实施后的相应值;该调控效果评估公式用于定量衡量调控措施实施前后交通状况的变化程度,正值表示交通状况有所改善;
S74:根据S72和S73的对比分析结果,具体识别预测模型的不足之处和调控策略的改进空间。
10.根据权利要求9所述的一种基于北斗数据的智能交通流分析方法,其特征在于,所述S74具体包括:
S741:先计算模型预测的整体MAPE值,确定整体预测精度,然后对MAPE值进行深入分析,区分不同时间段和不同地区的MAPE值,以识别模型在不同条件下的预测偏差;
S742:通过计算调控措施实施前后交通流的变化,使用前述调控效果评估公式,定量评估每项调控措施的实际影响,比较调控前后的交通流量、速度的指标,以评估调控效果;对每项调控措施的效果进行分析,识别未能达到预期目标的措施;
S743:基于S741和S742的分析结果提出模型优化建议,包括引入新的数据特征以增强模型对道路施工、交通事故和临时路闭的响应能力,调整模型结构以提高预定区域或时间段的预测精度,或重新训练模型以更好地拟合实际交通流数据;
S744:根据调控策略评估结果,对不同的调控措施提出优化方向,包括调整调控措施的实施时段以适应交通流峰值,增强或缩小调控措施的目标区域以达到预期的调控效果,或完全替换效果不明显的措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410317217.9A CN117935561B (zh) | 2024-03-20 | 2024-03-20 | 一种基于北斗数据的智能交通流分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410317217.9A CN117935561B (zh) | 2024-03-20 | 2024-03-20 | 一种基于北斗数据的智能交通流分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117935561A true CN117935561A (zh) | 2024-04-26 |
CN117935561B CN117935561B (zh) | 2024-05-31 |
Family
ID=90752184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410317217.9A Active CN117935561B (zh) | 2024-03-20 | 2024-03-20 | 一种基于北斗数据的智能交通流分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117935561B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118055366A (zh) * | 2024-04-01 | 2024-05-17 | 镇江众帮信息技术有限公司 | 一种基于大数据的监测方法及*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107293133A (zh) * | 2017-08-14 | 2017-10-24 | 清华大学深圳研究生院 | 一种交通信号灯控制方法 |
CN110264717A (zh) * | 2019-06-25 | 2019-09-20 | 牡丹江师范学院 | 一种城市智能交通调控*** |
CN111127879A (zh) * | 2019-12-09 | 2020-05-08 | 湖南大学 | 基于生成式对抗网络的城市交通流量预测方法 |
CN112183862A (zh) * | 2020-09-29 | 2021-01-05 | 长春理工大学 | 一种城市路网的交通流量预测方法及*** |
CN112950924A (zh) * | 2019-12-10 | 2021-06-11 | 东北大学秦皇岛分校 | 一种基于深度学习的复杂交通路网交通速度预测方法 |
CN113450561A (zh) * | 2021-05-06 | 2021-09-28 | 浙江工业大学 | 一种基于时空图卷积-生成对抗网络的交通速度预测方法 |
WO2021232387A1 (zh) * | 2020-05-22 | 2021-11-25 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制*** |
CN113792929A (zh) * | 2021-04-26 | 2021-12-14 | 青岛大学 | 交通流量预测方法、电子设备及存储介质 |
CN114049764A (zh) * | 2021-10-27 | 2022-02-15 | 东南大学 | 一种基于卷积长短时记忆神经网络的交通仿真方法及*** |
CN114202917A (zh) * | 2021-12-02 | 2022-03-18 | 安徽庐峰交通科技有限公司 | 基于动态交通流短时预测的施工区域交通控制与诱导方法 |
CN116258258A (zh) * | 2023-02-20 | 2023-06-13 | 内蒙古工业大学 | 一种多信息融合的时空图卷积交通流量预测方法 |
CN117496726A (zh) * | 2023-10-20 | 2024-02-02 | 华东交通大学 | 一种基于智能交通***的交通控制协同方法及*** |
CN117575349A (zh) * | 2023-11-13 | 2024-02-20 | 上海营邑城市规划设计股份有限公司 | 一种基于城市数据模型的交通影响评价方法及*** |
CN117671992A (zh) * | 2024-01-30 | 2024-03-08 | 山东恒宇电子有限公司 | 一种公交车智能调度方法及*** |
-
2024
- 2024-03-20 CN CN202410317217.9A patent/CN117935561B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107293133A (zh) * | 2017-08-14 | 2017-10-24 | 清华大学深圳研究生院 | 一种交通信号灯控制方法 |
CN110264717A (zh) * | 2019-06-25 | 2019-09-20 | 牡丹江师范学院 | 一种城市智能交通调控*** |
CN111127879A (zh) * | 2019-12-09 | 2020-05-08 | 湖南大学 | 基于生成式对抗网络的城市交通流量预测方法 |
CN112950924A (zh) * | 2019-12-10 | 2021-06-11 | 东北大学秦皇岛分校 | 一种基于深度学习的复杂交通路网交通速度预测方法 |
WO2021232387A1 (zh) * | 2020-05-22 | 2021-11-25 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制*** |
CN112183862A (zh) * | 2020-09-29 | 2021-01-05 | 长春理工大学 | 一种城市路网的交通流量预测方法及*** |
CN113792929A (zh) * | 2021-04-26 | 2021-12-14 | 青岛大学 | 交通流量预测方法、电子设备及存储介质 |
CN113450561A (zh) * | 2021-05-06 | 2021-09-28 | 浙江工业大学 | 一种基于时空图卷积-生成对抗网络的交通速度预测方法 |
CN114049764A (zh) * | 2021-10-27 | 2022-02-15 | 东南大学 | 一种基于卷积长短时记忆神经网络的交通仿真方法及*** |
CN114202917A (zh) * | 2021-12-02 | 2022-03-18 | 安徽庐峰交通科技有限公司 | 基于动态交通流短时预测的施工区域交通控制与诱导方法 |
CN116258258A (zh) * | 2023-02-20 | 2023-06-13 | 内蒙古工业大学 | 一种多信息融合的时空图卷积交通流量预测方法 |
CN117496726A (zh) * | 2023-10-20 | 2024-02-02 | 华东交通大学 | 一种基于智能交通***的交通控制协同方法及*** |
CN117575349A (zh) * | 2023-11-13 | 2024-02-20 | 上海营邑城市规划设计股份有限公司 | 一种基于城市数据模型的交通影响评价方法及*** |
CN117671992A (zh) * | 2024-01-30 | 2024-03-08 | 山东恒宇电子有限公司 | 一种公交车智能调度方法及*** |
Non-Patent Citations (4)
Title |
---|
YU, B (YU, BING) 等: "Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting", 《 PROCEEDINGS OF THE TWENTY-SEVENTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE》, 1 January 2018 (2018-01-01) * |
刘皓;吕宜生;: "基于深度强化学习的单路***通信号控制", 交通工程, no. 02, 15 April 2020 (2020-04-15) * |
庞婷;: "封闭路拥堵信号灯***", 电子制作, no. 13, 15 July 2013 (2013-07-15) * |
赵冬斌;刘德荣;易建强;: "基于自适应动态规划的城市交通信号优化控制方法综述", 自动化学报, no. 06, 15 June 2009 (2009-06-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118055366A (zh) * | 2024-04-01 | 2024-05-17 | 镇江众帮信息技术有限公司 | 一种基于大数据的监测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117935561B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
CN117935561B (zh) | 一种基于北斗数据的智能交通流分析方法 | |
GB2582532A (en) | Method for detecting traffic anomaly of urban road based on peak hour traffic flow rate | |
CN103984994B (zh) | 一种城市轨道交通客流高峰持续时间预测方法 | |
CN111768030B (zh) | 银行运输配送线路规划方法和装置、设备以及介质 | |
US20140309977A1 (en) | Performing-time-series based predictions with projection thresholds using secondary time-series-based information stream | |
CN104778837A (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
González-Vidal et al. | IoT for water management: Towards intelligent anomaly detection | |
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
CN109979193B (zh) | 一种基于马尔科夫模型的数据异常诊断方法 | |
CN115759488B (zh) | 一种基于边缘计算的碳排放监测预警分析***及其方法 | |
CN111179592B (zh) | 基于时空数据流融合分析的城市交通预测方法和*** | |
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、*** | |
CN111815098A (zh) | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 | |
CN116092294A (zh) | 一种基于Transformer与图注意力网络的高速公路交通流量预测方法 | |
CN115331425A (zh) | 一种交通预警方法、装置和*** | |
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 | |
CN116758762A (zh) | 基于大数据的控制方法 | |
CN114283590B (zh) | 车流量高峰预测方法及装置、电子设备 | |
CN116863723B (zh) | 一种数字孪生基座的使用方法 | |
CN107480824B (zh) | 城市轨道交通站点短时客流预测***及方法 | |
CN113191568B (zh) | 基于气象的城市运行管理大数据分析预测方法和*** | |
Salamanis et al. | Evaluating the effect of time series segmentation on STARIMA-based traffic prediction model | |
Zarindast | A data driven method for congestion mining using big data analytic | |
Oh et al. | An Evaluation of Michigan’s Continuous Count Station (CCS) Distribution |
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 |