[發明專利]偶發性交通擁堵持續時間的數據提取與實時預測方法

有效

• 申請號: 201910835268.X
• 申請日: 2019-09-05
• 公開（公告）號: CN110751311B
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 楊小寶;夏方林;高自友;閆學東;四兵鋒
• 申請（專利權）人: 北京交通大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G08G1/01
• 代理公司: 北京衛平智業專利代理事務所(普通合伙) 11392
• 代理人: 張新利;謝建玲

1.一種偶發性交通擁堵持續時間的數據提取與實時預測方法，其特征在于，包括以下幾個步驟：

步驟1：交通流參數原始數據的獲取與預處理

步驟1.1通過城市道路交通檢測系統獲取道路各斷面的交通流參數，交通流參數具體包括斷面、日期、時間、車道號、流量、速度、占有率；

步驟1.2對交通流參數原始數據進行預處理

在對原始數據進行分析之前，需要對原始數據進行預處理，以提高數據質量；數據的預處理是對數據中的缺失值和異常值進行處理；

(1)缺失值的處理：缺失值表現為缺少屬性值，一是斷面缺失，某些斷面的記錄為空值；二是關鍵參數缺失，原始數據中某一參數值全部為0或為某一固定值，認為記錄數據時發生錯誤；針對上述缺失值的情況，刪除缺少屬性值的數據文件，保證屬性的完整性；

(2)異常值的處理：(a)速度的異常值，車輛速度大于200km/h認為是異常值，處理方式是用其相連的前后兩個時段車輛速度的平均值來替代；(b)流量和占有率的異常值，剔除流量和占有率為負值的數據；

步驟2：偶發性擁堵事件的提取

步驟2.1擁堵事件的判定

道路擁擠度用道路的實際交通需求量與相應道路最大通行能力的比值來衡量，即道路飽和度V/C，當V/C取值為0.8，1.0，1.1，為道路擁擠度的三個拐點；

根據速度-飽和度的關系，計算出道路擁擠度三個拐點對應的速度臨界值，基于速度臨界值判定擁堵事件是否發生；

速度-飽和度的關系模型如公式(1)所示：

式中，V/C為道路飽和度，為基于速度-飽和度關系模型擬合的車輛速度值，U_s為道路設計速度，α₁，α₂，α₃，γ均為回歸參數；

其中α₁根據道路具體情況有所變化，根據各個斷面的實際車速U，取實際車速U的85％分位數作為每個斷面的設計速度值U′_S，根據各個斷面的設計速度值U′_S對參數α₁進行修正，修正后的回歸參數α′₁為：

式中，α′₁為修正后的回歸參數，U_s為道路設計速度，U′_S為每個斷面的設計速度值，

當V/C取值分別為0.8，1.0，1.1時，給定α′₁，α₂，α₃和U_s的值，根據公式(1)計算得到三個速度臨界值，分別為和根據道路交通檢測系統獲取的實際車速U來判定道路擁堵狀態，當時，道路交通順暢；當時，道路輕微擁堵；當時，道路中度擁堵；當時，道路嚴重擁堵；

步驟2.2偶發性擁堵事件的判定

在步驟2.1的基礎上，進一步判定擁堵事件是否為偶發性擁堵；若擁堵開始時刻造成道路交通流參數的突變，則為偶發性擁堵事件，否則為常發性擁堵事件；

運用標準差法，通過構造占有率的標準正態變差SND來判定偶發性擁堵事件是否發生，SND的數學表達式如下所示：

其中，Z為擁堵開始時段的占有率，為Z對應時段的前m個時段占有率的平均值，S_m為前m個時段的標準差；

當擁堵開始連續兩個時段的標準正態變差SND都大于設定閾值Y時，認為發生了偶發性擁堵事件，其中，基于歷史數據試算，令m取5，Y取4；

步驟3：構造偶發性擁堵事件持續時間的樣本數據

在步驟2的基礎上，基于歷史數據，以每個偶發性擁堵事件為一個觀測樣本，統計每個偶發性擁堵事件發生的斷面編號、日期、開始時間、結束時間和擁堵持續時間，所述擁堵持續時間為擁堵事件的結束時間與開始時間的差值；

通過交通檢測系統獲取偶發性擁堵事件發生時最初時段內的交通屬性和時間屬性，運用GIS地圖匹配技術，獲取相應路段的空間屬性和道路環境屬性；

每個偶發性擁堵事件為一個觀測樣本，以每個觀測樣本的開始時間為關鍵詞，將觀測樣本的斷面編號、日期、結束時間、擁堵持續時間，以及相應時段的交通屬性、時間屬性，相應路段的空間屬性和道路環境屬性匹配到觀測樣本中，構造偶發性擁堵事件持續時間的樣本數據；

步驟4：構建偶發性擁堵持續時間的風險模型，并基于歷史數據估計模型參數

將偶發性擁堵持續時間視為一種生存持續時間，引入加速失效的風險模型估計偶發性擁堵持續時間及其顯著影響因子；

步驟4.1、令T表示非負的隨機變量，代表偶發性擁堵持續時間，T的密度函數和分布函數分別為f(T)和F(T)，T的生存函數S(T)和風險率函數h(T)分別如式(4)和式(5)所示：

生存函數S(T)表示偶發性擁堵持續時間T長于給定時間t的概率；風險率函數h(T)表示擁堵持續至時間t時沒有結束，但在接下來的一個非常小的單位時間間隔ΔT內結束的條件概率；

步驟4.2、構建考慮影響因素的偶發性擁堵持續時間加速失效風險模型，偶發性擁堵持續時間的潛在影響因素定義為協變量X，偶發性擁堵持續時間T的對數logT與其協變量X之間存在如下線性關系：

logT＝βX+ε＝β₀+β₁x₁+...β_px_p+ε (6)

式中，X＝{1,x₁,x₂,x₃...x_p}^T為協變量，β＝{β₀,β₁,β₂...β_p}為系數向量；p為協變量的個數，ε是隨機誤差項，ε的密度函數為g(ε,d)，ε的生存函數為G(ε,d)，d是偶發性擁堵持續時間風險模型的輔助參數，偶發性擁堵持續時間T與協變量的X和g的分布有關，g服從不同的分布時，能推導出各種參數分布的偶發性擁堵持續時間風險模型，

步驟4.3、基于歷史數據，采用極大似然估計方法估計偶發性擁堵持續時間風險模型的參數，令b＝(β,d)表示待估參數向量，設有n個偶發性擁堵持續時間的歷史數據樣本，分別為t₁,t₂...t_n，則T的概率密度函數為f(t_i,b)，其中i＝1,2,…,n，由于歷史數據樣本都是完全數據，則偶發性擁堵持續時間樣本的對數似然函數，如下式所示：

分別對b中每個待估參數求偏導，并令其為0，構造方程組，運用Newton-Raphson迭代法便可得到待估參數向量b的估計值

步驟4.4、用BIC作為風險模型優劣的衡量指標，BIC的定義如下式所示：

式中，為對數似然函數值，k為偶發性擁堵持續時間風險模型中待估參數的個數，n為樣本數量，運用公式計算不同分布風險模型的BIC值并比較，選取BIC值最小的即為偶發性擁堵持續時間的最優參數分布風險模型，則得到偶發性擁堵持續時間風險模型的最終數學表達式；

步驟5：獲取實時數據，對新的偶發性擁堵持續時間進行估計

基于步驟4得到的偶發性擁堵持續時間風險模型的最終表達式，從交通檢測系統獲取實時的偶發性擁堵事件及其交通屬性、時空屬性和道路環境屬性作為模型的輸入變量數據，即可對當前偶發性擁堵事件的持續時間進行估計或預測。

2.如權利要求1所述的偶發性交通擁堵持續時間的數據提取與實時預測方法，其特征在于，步驟3中，所述最初時段為2分鐘內，所述交通屬性包括平均每車道的交通流量、車速，所述時間屬性包括工作日、周末、高峰期，所述空間屬性包括內外環、方位，所述道路環境屬性包括公交站點、匝道、高架橋。