[發明專利]基于最小變異系數評價及推理模型的道路通堵預測方法

在審

• 申請號: 201410470131.6
• 申請日: 2014-09-16
• 公開（公告）號: CN104268642A
• 公開（公告）日: 2015-01-07
• 發明（設計）人: 陳海波;韓海航;朱莉;呂夢嬌;周必棣;豐駿
• 申請（專利權）人: 杭州文海信息技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G08G1/00
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

1.基于最小變異系數評價及推理模型的道路通堵預測方法，其特征在于，包括以下步驟：

(1)通過最小變異系數評價方法，基于四個優化模型從海量GPS數據中推導出統計周期，該方法包括如下子步驟：

(1.1)通過優化模型1對周車輛數變異系數分析得到各樣本路段上的周車輛數最小變異系數γTh和所對應的季節T，該季節T即為典型季；所述優化模型1具體如下：

γth=δthEth]]>

其中，h為路段號，h取值范圍1到3；t為季節號，t取值范圍1到4，t＝1為春季，t＝2為夏季，t＝3為秋季，t＝4為冬季；E_th為t季、h號路段的周車輛數均值；δ_th為t季、h號路段的周車輛數標準差；γ_th為t季、h號路段的周車輛數變異系數；

γ_Th＝min(γ_1h,γ_2h,γ_3h,γ_4h)

則T表示路段h上的周車輛數最小變異系數所對應的季節；

(1.2)基于優化模型2得到典型月和典型周值，這兩個值作為峰區選擇的采樣時段；所述優化模型2具體如下：

Δj‾=Σi=13Δijqij/qj‾]]>

其中，i為各季節的序列月份號，i取值范圍為1到3；j為各月周次號，j取值范圍為1到任意正整數；q_ij為各季節第i月第j周的車流周車輛數；為某季第i月的車流周車輛數；為某季第j周的車流周車輛數，Δ_ij為相對差距，為周相對差距的加權平均值，公式如下:

q‾i=Σj=1Jqij/J;q‾j=Σi=13qij/3;Δij=|qij-q‾i|/qi‾]]>

作為典型周選擇的判據，記則J為典型周號；

Δ_ij作為典型月選擇的判據，記Δ_Ij＝min(Δ1j,Δ2j,Δ3j)，則I為典型月號；

(1.3)基于各路段日車輛數，通過優化模型3，首先得出各路段日車輛數狀態值，通過車輛數狀態均值匯總得到典型高峰日；其次通過統計方法獲得各季節各采樣路段的峰區規律情況；所述優化模型3具體如下：

zj(h)=Σi=112zij(h)/12]]>

其中，為路段h第i月第j星期的日車輛數狀態值；h取值范圍為1到3，i取值范圍為1到12，j取值范圍為1到7；

第i星期日車輛數狀態合計值ZZ_j表示為：

ZZj=Σh=13Z‾j(h)]]>

取ZZ_L＝max{ZZ₁,ZZ₂,...,ZZ₇},L取值范圍為1到7，

則L為典型高峰日；

將ZZ_j，j取值范圍為1到7中與ZZ_L差值最小的星期歸總作為高峰日，其余星期則作為正常日；

(1.4)通過優化模型4，計算得到各采樣路段對應峰區的統計周期長度；

優化模型4具體為：

γcd=δcdEcd]]>

其中，c為備選的統計周期號，c取值范圍為1到5；d為峰區號，d取值范圍為1到任意正整數；E_cd為第c號統計周期第d號峰區的車流均速；δ_cd為第c號統計周期第d號峰區的車流速度標準差；γ_cd為第c號統計周期第d號峰區的車流速度變異系數；

取γ_Cd＝min(γ_1d,γ_2d,...,γ_5d)時C的值，則備選的統計周期長度S_C＝C+1；

車流速度最小變異系數γ_Cd所對應的S_C即為對應峰區d的統計周期長度；

(2)根據步驟1得到的典型季、典型月、典型周、峰區時段及統計周期長度，構建道路通堵趨勢預測的推理模型，具體包括以下子步驟：

(2.1)根據簡單算術平均濾波模型，從海量GPS歷史數據中得到濾波后的車流平均速度；

(2.2)采用線性回歸預測方法對步驟2.1濾波后的時間序列缺損數據進行補遺；

(2.3)定義采樣滾動時區，具體方法為：

定義1：T_k為采樣滾動時區標識，k為時區號，k取值范圍為1到正無窮；

p為采樣滾動時區內統計周期號，p取值范圍為1到任意正整數；

t_k(p)為第k號采樣滾動時區內時點標識；

其中，t_k(1)為k號采樣滾動時區的起始時刻，且t_k+p(1)＝t_k(1)+ΔT

于是，設定n為p取值范圍內的任意正整數，T_k＝{t_k(p)|p＝1,2,...,n}；

定義2:為T_k第q號子時區標識，q取值范圍1到3

取n₁＝n/4

n₂＝2n₁

n₃＝3n₁

于是：

N1(k)={tk(p)/p=1,2,...n2},]]>

N2(k)={tk(p)/p=n1+1,n1+1,...,n3},]]>

N3(k)={tk(p)/p=n2+1,n2+1,...,n},]]>

(2.4)構建道路通堵趨勢預測的推理模型,包括四個子模型，具體如下：

(2.4.1)第一基本模型：基于T_k車流均速的計算模型，得到車流平均速度序列,具體為；

記為在時區T_k內，序列為g的車流平均速度序列，g取值范圍為1到任意正整數；

V1(k)為針對子時區的車流均速；

V2(k)為針對子時區的車流均速；

V3(k)為針對子時區的車流均速；

V0(k)為針對時區T最后一個統計周期的車流均速；

V(k)為針對時區T最后兩個統計周期的車流均速；

顯然，V0(k)=v‾(k,n),]]>

V1(k)=Σg=1n2v‾(k,g)n2,]]>

V2(k)=Σg=n1+1n3v‾(k,g)n2,]]>

V3(k)=Σg=n2+1nv‾(k,g)n2,]]>

V(k)=Σg=n-1nv‾(k,g)2,]]>

(2.4.2)第二基本模型：基于T_k車流均速總體變化率計算模型，得到dV(k)；

記dV(k)為針對時區T_k車流均速的總體變化率，

顯然，dV(k)＝(V3(k)-V1(k))/n₂

若dV(k)>0，代表車流均速呈遞增狀態；

若dV(k)<0，代表車流均速呈遞減狀態；

若dV(k)＝0，代表車流均速總體不變；

(2.4.3)第三基本模型：基于Tk車流均速時間序列曲線總體凹性分析模型，得到ddV(K)；

記ddV(k)為針對時區T_k車流均速時間序列曲線的總體凹性，

顯然，ddV(k)＝V?3(k)-2V2(k)+V1(k)；

若ddV(k)>0，代表時區T_k內車流均速時間序列曲線呈凹狀；

若ddV(k)<0，代表時區T_k內車流均速時間序列曲線呈凸狀；

若ddV(k)＝0，代表時區T_k內車流均速總體變化趨勢不變；

(2.4.4)第四基本模型：基于車流運行特征分析特殊模型，得到特殊情況下的車流均速、dV(k)和ddV(K)；

第一特殊模型(n＝3)

V0(k)=v‾(k,3),]]>

V1(k)=Σg=12v‾(k,g)/2,]]>

V2(k)=v‾(k,2),]]>

V3(k)=V(K)=Σg=23v‾(k,g)/2]]>

dV(k)＝(V3(k)-V1(k))/2,

ddV(k)＝V3(k)-2V2(k)+V1(k)；

第二特殊模型(n＝6)

V0(k)=v‾(k,6),]]>

V(k)=Σg=56v‾(k,g)/2,]]>

V1(k)=Σg=13v‾(k,g)/3,]]>

V2(k)=Σg=34v‾(k,g)/2,]]>

V3(k)=Σg=46v‾(k,g)/3,]]>

dV(k)＝(V3(k)-V1(k))/3,

ddV(k)＝V3(k)-2V2(k)+V1(k)；

(2.5)根據步驟4中四個基本模型的構建結果，得出基于GPS實時數據路段狀況的情境知識庫；具體為：

基于第一基本模型，將車流均速的大小劃分成快、中等、慢、很慢四個等級，其對應狀態值分別是3、2、1、0，車流均速取值范圍分別是>V3、(V2,V3]、(V1,V2]、(0,V1]；

記K1為對應V(k)的狀態變量，

K2為對應V0(k)的狀態變量,

于是，存在如下事實：

事實1：K₁∈{3,2,1,0}，

事實2：K₂∈{3,2,1,0}；

基于第二基本模型與第三基本模型得出的dV(k)，ddV(k)取值的正負，對這兩個變量所對應之狀態變量K3及K4按0-1方式進行賦值，具體為dV(k)≥0時，對應狀態變量K₃＝1；dV(k)<0，K₃＝0；ddV(k)≥0時：對應狀態變量K₄＝1；ddV(k)<0時：K₄＝0，于是，存在如下事實：

事實3：K₃∈{0,1}，

事實4：K₄∈{0,1},

事實1-事實4構成了基于GPS實時數據路段狀況的一類情境知識，將事實1和事實2所構成的情境知識庫記為事實庫1，將事實3和事實4所構成的情境知識庫記為事實庫2；

(2.6)基于事實庫1構建路段短期通堵狀況分析的規則庫1，基于事實庫2構規則庫2，具體為：

(2.6.1)規則庫1的構建如下：

規則1：如果K₁+K₂≥5那么“路段通暢”，且KK＝1；

規則2：如果K₁+K₂＝4那么“路段基本通暢”，且KK＝1；

規則3：如果K₁+K₂＝3那么“路段通堵臨界狀態”，且KK＝0；

規則4：如果K₁+K₂＝2那么“路段有所堵塞”，且KK＝0；

規則5：如果K₁+K₂≤1那么“路段堵塞”，且KK＝0；

(2.6.2)規則庫2的構建如下：

規則6：如果(KK＝1)∩(K₃＝1)∩(K₄＝1),那么“路段將繼續通暢”；

規則7：如果(KK＝1)∩(K₃＝1)∩(K₄＝0),那么“路段通暢度可能降低”；

規則8：如果[(KK＝1)∩(K₃＝0)]∪(KK＝0)∩(K₃＝1),那么“路段介于通堵臨界狀態”；

規則9：如果(KK＝0)∩(K₃＝0)∩(K₄＝1),那么“路段堵塞狀況可能緩解”；

規則10：如果(KK＝0)∩(K₃＝0)∩(K₄＝0),那么“路段將繼續堵塞”；

(2.7)描述非正常情況是否出現的情境知識構成事實庫3；描述非正常情況嚴重等級的情境知識構成事實庫4；

設非正常情況包括：第一類非正常情況,出現交通事故或道路破損事故或氣候狀況惡化，簡稱情況1，它屬于隨機出現的非正常情況；第二類非正常情況,因特殊原因封道或道路計劃休整封道，簡稱情況2，它屬于計劃安排的非正常情況；

針對情況1，將其嚴重等級劃分為三級等級：嚴重、較嚴重、一般；

針對情況2，將其嚴重等級劃分為二級等級：全封道、半封道；

設：情況1是否出現的狀態變量為F₁；情況2是否出現的狀態變量為F₂，這就形成情境知識：

事實5：F₁∈{1,0}

事實6：F₂∈{1,0}

F_i＝1表示對應i的非正常情況出現；反之不出現，i∈{1.2}；

事實5和事實6構成事實庫3；

設：描述情況1嚴重等級的狀態變量為KF₁，描述情況2嚴重等級的狀態變量為KF₂，這就形成情境知識：

事實7：KF₁∈{2,1,0}

事實8：KF₂∈{1,0}

描述非正常情況出現前道路瞬時通堵狀況的歸納性情境知識：

事實9：KK∈{1,0}

KK＝0為非正常情況出現前道路瞬時堵塞；

事實7～事實9構成事實庫4；

(2.8)基于事實庫3和事實庫4構建規則庫3，所述規劃庫3包括如下規則：

規則11：如果KK＝1∩KF₁＝2∩F₁＝1∪F₂＝1，那么“路段將轉為嚴重堵塞”；

規則12：如果KK＝1∩KF₁＝1∩F₁＝1∪F₂＝1，那么“路段將轉為堵塞”；

規則13：如果KK＝1∩KF₁＝0∩F₁＝1∪F₂＝1，那么“路段將可能有所堵塞”；

規則14：如果KK＝0∩KF₁＝2∩F₁＝1∪F₂＝1，那么“路段更為堵塞”；

規則15：如果KK＝0∩KF₁＝1∩F₁＝1∪F₂＝1，那么“路段繼續堵塞”；

規則16：如果KK＝0∩KF₁＝0∩F₁＝1∪F₂＝1，那么“路段繼續有所堵塞”。

(3)將經過過濾和補遺處理的GPS實時數據輸入車流運行特性分析推理模型，通過模型的情境知識事實庫研判，獲得數據所對應的道路通堵狀況預測結果。