本發(fā)明涉及一種基于時空數(shù)據(jù)的城市道路交通狀態(tài)預(yù)測方法，屬于智能交通系統(tǒng)研究領(lǐng)域。
背景技術(shù)：
：智能交通系統(tǒng)已經(jīng)成功應(yīng)用于交通管理、出行誘導(dǎo)、信號控制、安全駕駛等多個領(lǐng)域。交通狀態(tài)實時估計和交通狀態(tài)實時預(yù)測是智能交通系統(tǒng)中重要的兩種技術(shù)。交通狀態(tài)實時估計通常是采用部署在路面?zhèn)鞲衅靼l(fā)送的實時數(shù)據(jù)，估計道路的交通狀態(tài)。交通狀態(tài)預(yù)測指的是采用實時估計的交通數(shù)據(jù)，以及通過分析歷史數(shù)據(jù)獲得的規(guī)律，預(yù)測未來時段交通狀態(tài)的技術(shù)。交通狀態(tài)預(yù)測相關(guān)的研究工作包括：歷史平均法是最為常用的一種交通狀態(tài)預(yù)測方法，它采用歷史數(shù)據(jù)的均值為當(dāng)前交通狀態(tài)的估計值；北京交通大學(xué)的姚智勝、邵春福在中國公路學(xué)報上發(fā)表的《基于狀態(tài)空間模型的道路交通狀態(tài)多點時間序列預(yù)測》論文中提出了基于狀態(tài)空間模型的道路交通狀態(tài)多點時間序列預(yù)測方法。首先，利用道路交通狀態(tài)的多點時間序列數(shù)據(jù)建立多維自回歸模型，轉(zhuǎn)化狀態(tài)空間模型形式，接著利用EM算法得到多點道路交通狀態(tài)的狀態(tài)空間模型；最后，利用某城市快速路上相鄰6個交通檢測器采集的多點時間序列數(shù)據(jù)驗證模型的有效性。山東省計算中心的孫占全、劉威、朱效民在《大規(guī)模交通流預(yù)測方法研究》論文中提出了一種基于分層抽樣與k均值聚類相結(jié)合的抽樣方法，并與基于序貫最小優(yōu)化方法的支持向量機結(jié)合，進行大規(guī)模交通流預(yù)測。北京交通大學(xué)城市復(fù)雜交通系統(tǒng)理論與技術(shù)教育部的張心哲、關(guān)偉在《基于多參數(shù)狀態(tài)時間序列的交通狀態(tài)預(yù)測方法》論文中提出了將屬于每個狀態(tài)的多維空間數(shù)據(jù)轉(zhuǎn)換為一維時間序列的方法，對于此狀態(tài)時間序列采用BP神經(jīng)網(wǎng)絡(luò)進行了下1個時段的交通狀態(tài)預(yù)測，并且算法簡單，具有較強的預(yù)測實時性。上述方法往往只考慮交通狀態(tài)在時間域(同一路段不同時段)上的相互關(guān)系，很少考慮不同空間域(同一時段不同路段)上的相互關(guān)系。而交通狀態(tài)在一定程度上既受時間域的影響，又受不同空間域的影響，只有當(dāng)二者結(jié)合運用，才能獲得準確度更高的交通狀態(tài)預(yù)測。本專利就是綜合考慮了時間和空間上不同信息對預(yù)測的作用，有利于提高交通狀態(tài)預(yù)測的準確率。在公開號為CN102087787A的《短時交通狀態(tài)預(yù)測裝置及預(yù)測方法》專利中，提出通過從歷史交通狀態(tài)數(shù)據(jù)分割出若干交通狀態(tài)數(shù)據(jù)，精確地表征各個交通狀態(tài)數(shù)據(jù)的交通狀態(tài)特性，并通過采用模糊平均預(yù)測的方法，降低交通狀態(tài)非平穩(wěn)變化對預(yù)測結(jié)果的影響，從而實現(xiàn)大規(guī)模地應(yīng)用。在公開號為CN103413443A的《基于隱馬爾科夫模型的短時交通流狀態(tài)預(yù)測方法》 專利中，首先將采集到的數(shù)據(jù)構(gòu)成隱馬爾科夫模型的隱狀態(tài)和觀察狀態(tài)集合，然后，利用Viterbi算法求得最優(yōu)的隱狀態(tài)序列，則最優(yōu)隱狀態(tài)序列的最后的狀態(tài)即為預(yù)測狀態(tài)。以上兩個專利所說明的方法均只考慮了時間域?qū)煌顟B(tài)預(yù)測的影響，而本專利綜合考慮了時間和空間上不同信息對預(yù)測的作用，更有效地提高了交通狀態(tài)預(yù)測的準確性。時空數(shù)據(jù)指的是大規(guī)?？臻g范圍和時間范圍內(nèi)采集到的數(shù)據(jù)。對于交通應(yīng)用領(lǐng)域，指的是一個特點路網(wǎng)的大量時段內(nèi)的數(shù)據(jù)。無向圖是邊沒有方向的圖，包括點、邊以及兩者之間關(guān)系的集合，是數(shù)據(jù)結(jié)構(gòu)的一種重要形式。最小二乘法是一種數(shù)學(xué)優(yōu)化技術(shù)，可用于參數(shù)估計以及曲線擬合。它通過最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配。利用最小二乘法可以簡便地求得未知的數(shù)據(jù)，并使得這些求得的數(shù)據(jù)與實際數(shù)據(jù)之間的誤差的平方和為最小。交通擁堵指數(shù)又稱交通運行指數(shù)(TrafficPerformanceIndex(TPI))，是反映道路網(wǎng)暢通或擁堵的概念性數(shù)值，簡稱交通指數(shù)，可用于表示道路交通狀態(tài)。交通指數(shù)取值范圍為0至10，每2個數(shù)一等級，分別對應(yīng)“暢通”、“基本暢通”、“輕度擁堵”、“中度擁堵”、“嚴重擁堵”五個級別，數(shù)值越高，表明交通擁堵狀況越嚴重。技術(shù)實現(xiàn)要素：本發(fā)明提供了一種基于時空數(shù)據(jù)的城市道路交通狀態(tài)預(yù)測方法，通過建模整個路網(wǎng)大規(guī)模時間范圍內(nèi)的交通數(shù)據(jù)，獲得交通狀態(tài)在時間域和空間域上的相互關(guān)系，來進行道路交通狀態(tài)預(yù)測，提高預(yù)測的準確性。為實現(xiàn)上述目的，本發(fā)明分為時空關(guān)聯(lián)模型參數(shù)計算和交通狀態(tài)預(yù)測兩個部分，主要技術(shù)方案包括：步驟1：采用大量歷史交通數(shù)據(jù)計算時空關(guān)聯(lián)模型的參數(shù)。交通數(shù)據(jù)采用部署的交通傳感器采集，本方案中交通傳感器可采用浮動車GPS、微波、卡口和線圈等。通過對大量歷史交通數(shù)據(jù)的計算，建立同一路段在不同時段之間，以及同一時段不同路段之間在交通狀態(tài)上的相互關(guān)系。具體包括：步驟1.1：采用無向圖的形式抽象城市路網(wǎng)。根據(jù)路段之間的鄰接關(guān)系，路網(wǎng)中所有路段可被表示成無向圖形式G＝(V，E，W)，其中，V為頂點集合，路網(wǎng)中第i條路段抽象成頂點vi(vi∈V)；E為邊集合，邊ei，j表示vi和vj兩條路段直接相連，存在鄰接關(guān)系；W為權(quán)重集合，權(quán)重wi，j表示vi對vj的交通狀態(tài)的影響程度。這樣就建立了路網(wǎng)中相鄰路段之間的相互關(guān)系，也就是空間關(guān)系。步驟1.2：采用歷史數(shù)據(jù)計算無向圖的權(quán)重。計算不同路段同一時刻的相互關(guān)系用于表示權(quán)重wi，j，計算公式如下：其中，wi，j表示vi對vj的交通狀態(tài)的影響程度，si，t表示節(jié)點vi在時段t的交通狀態(tài)，N表示采集的所有歷史數(shù)據(jù)包含的時段總數(shù)目。時段指的是估計道路交通狀態(tài)的時間周期，例如5分鐘、15分鐘。步驟1.3：構(gòu)建時間域關(guān)聯(lián)模型。考慮前序時段交通狀態(tài)對當(dāng)前的影響。同一路段不同時段交通狀態(tài)相互關(guān)系，表示如下：其中，si，t表示節(jié)點vi在時段t的交通狀態(tài)，P表示總的時段數(shù)，為節(jié)點vi第p個時段的交通狀態(tài)對當(dāng)前交通狀態(tài)的影響系數(shù)。當(dāng)采集到同一個路段的大量歷史數(shù)據(jù)，可以采用最小二乘法計算步驟1.4：構(gòu)建時空關(guān)聯(lián)模型。同時考慮路段在時間域和空間域上存在的關(guān)聯(lián)關(guān)系。同一路段不同時間交通狀態(tài)的相互關(guān)系，表示如下：其中，si，t表示節(jié)點vi在時段t的交通狀態(tài)，M表示選中的當(dāng)前道路相關(guān)的道路數(shù)目，wi，j表示vi對vj的交通狀態(tài)的影響程度，α和β分別為時間和空間的比重，P表示總的時段數(shù)，為節(jié)點vi第p個時段的交通狀態(tài)對當(dāng)前交通狀態(tài)的影響系數(shù)。步驟2：采用實時交通數(shù)據(jù)基于時空域模型進行路段交通狀態(tài)預(yù)測。步驟2.1：時空模型參數(shù)估計。相關(guān)道路是和當(dāng)前路段具有一定相關(guān)性的路段，也就是wi，j較大。從圖G中頂點vi出發(fā)，首先訪問vi的各個未曾訪問過的鄰接點，若wi，j＞W(wǎng)，vj被選擇為相關(guān)道路，W為直接相鄰道路相關(guān)性的平均值；然后分別從這些鄰接點出發(fā)依次訪問它們的未曾訪問過的鄰接點，若wi，k＝wi，j*wj，k＞0.5c*W，其中c為訪問的層次，直接相鄰為第0層；直至所有節(jié)點都被訪問到。完成相關(guān)道路選擇后，根據(jù)公式(3)，利用歷史數(shù)據(jù)，采 用最小二乘法計算α和β。步驟2.2：交通狀態(tài)預(yù)測。當(dāng)空間域上相關(guān)道路已經(jīng)完成選擇，并且確定了時間域和空間域的比重，可以采用公式(3)預(yù)測道路的交通狀態(tài)。相關(guān)道路選擇和時間空間比重設(shè)置都是采用歷史數(shù)據(jù)計算。當(dāng)交通狀態(tài)預(yù)測時，需要采用當(dāng)前時段獲取的道路交通狀態(tài)。附圖說明圖1為本發(fā)明的流程圖。具體實施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下將結(jié)合附圖及實施例，對本發(fā)明進一步詳細說明。以杭州市區(qū)北山路-保俶路-曙光路的路段及其附近的道路在2015.05.01的交通擁堵指數(shù)作為交通狀態(tài)為例。步驟101，采用無向圖的形式抽象城市路網(wǎng)。根據(jù)路段之間的鄰接關(guān)系，路網(wǎng)中所有路段可被表示成無向圖形式G＝(V，E，W)，其中，V為頂點集合，路網(wǎng)中第i條路段抽象成頂點vi(vi∈V)；E為邊集合，邊ei，j表示vi和vj兩條路段直接相連，存在鄰接關(guān)系；W為權(quán)重集合，權(quán)重wi，j表示vi對vj的交通狀態(tài)的影響程度。這樣就建立了路網(wǎng)中相鄰路段之間的相互關(guān)系，也就是空間關(guān)系。需要說明的是，這里的路段指的是交通網(wǎng)絡(luò)上相鄰兩個交叉口之間的交通線路。步驟102，設(shè)當(dāng)前路段為節(jié)點v0，與之相鄰的道路節(jié)點分別為v1、v2、v3、v4、v5、v6，它們與當(dāng)前路段節(jié)點的相關(guān)性分別為w0，1、w0，2、w0，3、w0，4、w0，5、w0，6，通過公式(1)，得到如下表：w0，1w0，2w0，3w0，4w0，5w0，60.30.20.050.10.180.08步驟103，由步驟102可得直接相鄰道路相關(guān)性的平均值W為0.152，若wi，j＞W(wǎng)，vj被選擇為相關(guān)道路，反之則為不相關(guān)道路。本實施例將對與這些相關(guān)道路直接相鄰的道路進行其與當(dāng)前路段的相關(guān)性計算，通過公式(1)，得到如下表：w0，7w0，8w0，9w0，10w0，11w0，12w0，13w0，14w0，150.160.120.030.140.050.010.10.20.11對以上的相關(guān)性，再次進行wi，j與W的比較，得出相關(guān)道路，對與這些相關(guān)道路直接相鄰 的道路再次進行其與當(dāng)前路段的相關(guān)性計算，通過公式(1)，得到如下表：w0，16w0，17w0，18w0，19w0，20w0，210.120.090.060.010.020.1至此，再也沒有一條相關(guān)道路，此步驟無需再往下進行。將以上所得的相關(guān)道路進行整合，得到如下表：w0，1w0，2w0，5w0，7w0，140.30.20.180.160.2根據(jù)路面?zhèn)鞲衅鞑杉降漠?dāng)前時段，相關(guān)道路的擁堵指數(shù)如下：v1v2v5v7v14擁堵指數(shù)46354利用以上兩個表格的數(shù)據(jù)，根據(jù)公式(3)可得：步驟104，構(gòu)建時間域關(guān)聯(lián)模型，根據(jù)路面?zhèn)鞲衅鞑杉降漠?dāng)前路段的交通擁堵指數(shù)，得到如下表：si，1si，2si，3si，43545當(dāng)前路段其五個時段的歷史交通擁堵指數(shù)對當(dāng)前路段的影響程度如下表：利用以上兩個表格的數(shù)據(jù)，根據(jù)公式(2)計算，可得：步驟105，構(gòu)建時空關(guān)聯(lián)模型。經(jīng)過數(shù)據(jù)分析，可得α為40％，β為60％，根據(jù)步驟103及步驟104，根據(jù)公式(3)，可預(yù)測出當(dāng)前路段的交通擁堵指數(shù)，具體如下：除上述單步實驗外，我們進行了性能對比分析。實驗中，采集了杭州市中心地帶同一區(qū)域50條路段的140天數(shù)據(jù)，先計算交通擁堵指數(shù)，作為正確值；然后選出其中10條用于性能估計。我們比較了歷史平均法和本專利的方法。若預(yù)測結(jié)果和實際結(jié)果相同，表示預(yù)測正 確，否則預(yù)測錯誤。實驗結(jié)果為，歷史平均法的準確率為79.2％，本專利方法為88.3％。這說明本發(fā)明的基于時空數(shù)據(jù)的城市道路交通狀態(tài)預(yù)測方法是一種準確度更高的交通狀態(tài)預(yù)測方法。當(dāng)前第1頁1 2 3