[發明專利]一種RFID時空數據交通流特征參數預測方法

有效

• 申請號: 202010414026.6
• 申請日: 2020-05-15
• 公開（公告）號: CN111583649B
• 公開（公告）日: 2022-02-01
• 發明（設計）人: 孫棣華;黃帥;趙敏
• 申請（專利權）人: 重慶大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/065;G06Q10/04;G06Q50/26;G06K17/00;G06N3/08
• 代理公司: 北京匯澤知識產權代理有限公司 11228
• 代理人: 武君

1.一種RFID時空數據交通流特征參數預測方法，其特征在于：包括以下步驟：

S1：獲取RFID采集目標路段的交通數據，對交通數據進行時空相關性分析；

S2：獲取影響目標路段交通狀態的交通流特征參數和能夠反映目標路段交通狀態的交通流特征參數的相關性；

S3：預測目標路段在交通流穩定狀態和交通流不穩定狀態下的交通流特征參數；

S4：對兩種狀態下的交通流特征參數進行加權組合；

所述S2所述的相關性獲取方法為：

y_i＝b₀+b₁x₁+b₂x₂+b₃x₃+b₄x₄

其中，表示偏回歸系數，

x₁為上游標準車流量，x₂為慢行車比例，x₃為大型車比例，x₄為路口轉向流量占比；

y₁為平均行程時間，y₂為下游路口標準車流量；

所述交通流不穩定狀態的交通流特征參數的預測方法為：建立緊致型小波神經網絡模型，使得輸入層為所述上游標準車流量、所述慢行車比例、所述大型車比例和所述路口轉向流量占比，輸出層為所述平均行程時間和所述下游路口標準車流量；

所述交通流穩定狀態的交通流特征參數的預測方法為：建立馬爾科夫模型，預測下一時刻的目標路段的所述平均行程時間和所述下游路口標準車流量。

2.根據權利要求1所述的一種RFID時空數據交通流特征參數預測方法，其特征在于：所述S1具體為：

獲取通過目標路段每一個車輛的RFID基站號、車輛ID號和車輛經過采集點的時間；

對獲取的信息數據疊加形成時空數據矩陣；

分析每個采樣時刻與該時刻的采集點數量的相關性。

3.根據權利要求1所述的一種RFID時空數據交通流特征參數預測方法，其特征在于：

所述影響目標路段交通狀態的交通流特征參數包括上游標準車流量、慢行車比例、大型車比例和路口轉向流量占比；

所述能夠反映目標路段交通狀態的交通流特征參數包括平均行程時間和下游路口標準車流量。

4.根據權利要求3所述的一種RFID時空數據交通流特征參數預測方法，其特征在于：所述S4所述的加權組合的權值的設定條件為：預測的所述平均行程時間與實際的所述平均行程時間絕對誤差應小于2-4s，預測的所述標準車流量與實際的所述標準車流量絕對誤差應小于1-2.5pcu。

5.根據權利要求4所述的一種RFID時空數據交通流特征參數預測方法，其特征在于：當不滿足所述設定條件時，判定r_W1與r_M1、r_W2與r_M2的關系；

其中，r_W1，r_M1表示的是小波神經網絡模型行程時間預測值和馬爾科夫模型行程時間預測值與實際交通真實值的相關系數，r_W2，r_M2表示的是小波神經網絡模型下游標準車流量預測值和馬爾科夫模型下游標準車流量預測值與實際交通真實值的相關系數；

當r_W1大于r_M1，r_W2大于r_M2，選擇所述小波神經網絡模型的預測值作為預測結果，否則，選擇所述馬爾科夫模型預測值作為預測結果。