[發(fā)明專利]基于時空特征聚合的道路交通服務(wù)水平預(yù)測預(yù)報方法

有效

• 申請?zhí)枺?/td>: 200910081853.1
• 申請日: 2009-04-14
• 公開（公告）號: CN101866143A
• 公開（公告）日: 2010-10-20
• 發(fā)明（設(shè)計）人: 賈利民;唐堃;董宏輝;張尊棟;孫曉亮;郭敏;承向軍;李晨曦
• 申請（專利權(quán)）人: 北京宏德信智源信息技術(shù)有限公司
• 主分類號: G05B13/04
• 分類號: G05B13/04;G08G1/01
• 代理公司: 北京連城創(chuàng)新知識產(chǎn)權(quán)代理有限公司 11254
• 代理人: 劉伍堂

技術(shù)領(lǐng)域

本發(fā)明屬于道路交通狀態(tài)、服務(wù)水平的預(yù)測預(yù)報領(lǐng)域，，特別涉及一種基于時空特征聚合的道路交通服務(wù)水平預(yù)測預(yù)報方法。

背景技術(shù)

在交通狀態(tài)預(yù)測預(yù)報領(lǐng)域最常用的模型主要有歷史趨勢模型，神經(jīng)網(wǎng)絡(luò)模型，時間序列模型，Kalman濾波模型，非參數(shù)回歸模型，而與本技術(shù)最接近的是時間序列模型。時間序列就是按時間次序排列的觀測值的集合。時間序列模型最主要的特征就是承認(rèn)觀測值之間的依賴關(guān)系和相關(guān)性，它是一種動態(tài)模型，能夠應(yīng)用于動態(tài)預(yù)測。

以往的道路交通狀態(tài)預(yù)測主要針對的是與時間相關(guān)的交通數(shù)據(jù)，即針對的是交通的時間域特征，所以時間序列模型在這方面有著它的優(yōu)勢。但在預(yù)測道路交通狀態(tài)、服務(wù)水平時只依靠這些數(shù)據(jù)并不能完整的描述整個交通狀態(tài)。所以本方法在以往的交通時間域特征的基礎(chǔ)上，引入了空間域特征。在交通狀態(tài)預(yù)測時將時空特征融合后，我們便預(yù)測得到完整的道路交通狀態(tài)。但隨之而來的問題是以往的預(yù)測模型與算法，在進(jìn)行多種數(shù)據(jù)融合時并不能很好的將多種數(shù)據(jù)融合在一起，例如時間序列模型，由于它主要針對的與時間密切相關(guān)的時間域特征，而空間域特征并沒有明顯的時間序列特性，所以在進(jìn)行數(shù)據(jù)融合時，它的局限性就顯露了出來。其得到的道路交通狀態(tài)預(yù)測會產(chǎn)生較大的誤差

發(fā)明內(nèi)容

針對當(dāng)前道路交通狀態(tài)預(yù)測技術(shù)存在的不足本發(fā)明提出了一種基于時空特征聚合的道路交通服務(wù)水平預(yù)測預(yù)報方法，該方法能很好的將多種數(shù)據(jù)進(jìn)行融合后得到預(yù)測結(jié)果通過該技術(shù)的預(yù)測預(yù)報，交通管理部門可以根據(jù)預(yù)報結(jié)果提前發(fā)布市區(qū)道路的擁堵狀況以及道路的交通狀態(tài)及服務(wù)水平，為公眾的出行提供參考，使得公眾避免高峰時段、擁堵路段，有助于誘導(dǎo)、疏散交通，有效緩解交通壓力，同時，還可以為交通指揮提供決策支持。

本方法根據(jù)觀察特征對道路交通服務(wù)水平進(jìn)行預(yù)測，其特征在于，觀察特征包括道路交通時間域特征和道路交通空間域特征，其預(yù)測步驟包括：

1)、選擇待預(yù)測交通服務(wù)水平道路的觀察特征；

2)、將觀察特征數(shù)據(jù)代入特征函數(shù)并生成訓(xùn)練集；

3)、由步驟2所得到的訓(xùn)練集訓(xùn)練得到各個特征的權(quán)重值

4)、通過最大熵模型預(yù)測得到服務(wù)水平等級。

本方法中所涉及到的交通狀態(tài)時間域特征與空間域特征，

a)空間域特征：

這里，采用“前向后向”分析法對路網(wǎng)空間拓?fù)浣Y(jié)構(gòu)進(jìn)行了分析，進(jìn)而形成路段的空間域特征。空間域特征主要包含當(dāng)前時刻前向一次鄰接、二次鄰接路段的交通流特征，以及后向一次鄰接、二次鄰接路段的交通流特征，主要包括以下交通流特征：

前向一次鄰接路段的流量、速度、占有率、平均車道流量；

前向二次鄰接路段的流量、速度、占有率、平均車道流量；

后向一次鄰接路段的流量、速度、占有率、平均車道流量；

后向二次鄰接路段的流量、速度、占有率、平均車道流量；

路網(wǎng)的前向后向拓?fù)淙鐖D1所示。

b)時間域特征

時間域特征主要包括當(dāng)前路段歷史時刻和當(dāng)前時刻的交通流特征，主要包括：

1)過去5分鐘的當(dāng)前路段的流量、速度、占有率、平均車道流量、服務(wù)水平等級等特征。

2)當(dāng)前時刻的當(dāng)前路段的流量、速度、占有率、平均車道流量、服務(wù)水平等級等特征。

基于空間域和時間域的特征利用Log線性模型實現(xiàn)將來5、10分鐘的交通服務(wù)水平的預(yù)測，如圖2所示。

本方法采用最大熵模型，基于最大熵準(zhǔn)則的可以直接描述后驗概率(Log線性模型)：