專利名稱：基于時(shí)空特征聚合的道路交通服務(wù)水平預(yù)測(cè)預(yù)報(bào)方法
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(cè)預(yù)報(bào)領(lǐng)域，，特別涉及一種基于時(shí)空特 征聚合的道路交通服務(wù)水平預(yù)測(cè)預(yù)報(bào)方法。
背景技術(shù)：
在交通狀態(tài)預(yù)測(cè)預(yù)報(bào)領(lǐng)域最常用的模型主要有歷史趨勢(shì)模型，神經(jīng)網(wǎng)絡(luò)模型，時(shí) 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(shí)間序列模型。時(shí) 間序列就是按時(shí)間次序排列的觀測(cè)值的集合。時(shí)間序列模型最主要的特征就是承認(rèn)觀測(cè)值 之間的依賴關(guān)系和相關(guān)性，它是一種動(dòng)態(tài)模型，能夠應(yīng)用于動(dòng)態(tài)預(yù)測(cè)。以往的道路交通狀態(tài)預(yù)測(cè)主要針對(duì)的是與時(shí)間相關(guān)的交通數(shù)據(jù)，即針對(duì)的是交通 的時(shí)間域特征，所以時(shí)間序列模型在這方面有著它的優(yōu)勢(shì)。但在預(yù)測(cè)道路交通狀態(tài)、服務(wù)水 平時(shí)只依靠這些數(shù)據(jù)并不能完整的描述整個(gè)交通狀態(tài)。所以本方法在以往的交通時(shí)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(cè)時(shí)將時(shí)空特征融合后，我們便預(yù)測(cè)得到完 整的道路交通狀態(tài)。但隨之而來(lái)的問(wèn)題是以往的預(yù)測(cè)模型與算法，在進(jìn)行多種數(shù)據(jù)融合時(shí) 并不能很好的將多種數(shù)據(jù)融合在一起，例如時(shí)間序列模型，由于它主要針對(duì)的與時(shí)間密切 相關(guān)的時(shí)間域特征，而空間域特征并沒(méi)有明顯的時(shí)間序列特性，所以在進(jìn)行數(shù)據(jù)融合時(shí)，它 的局限性就顯露了出來(lái)。其得到的道路交通狀態(tài)預(yù)測(cè)會(huì)產(chǎn)生較大的誤差

發(fā)明內(nèi)容
針對(duì)當(dāng)前道路交通狀態(tài)預(yù)測(cè)技術(shù)存在的不足本發(fā)明提出了一種基于時(shí)空特征聚 合的道路交通服務(wù)水平預(yù)測(cè)預(yù)報(bào)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(cè)結(jié) 果通過(guò)該技術(shù)的預(yù)測(cè)預(yù)報(bào)，交通管理部門可以根據(jù)預(yù)報(bào)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(shí)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(shí)，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(duì)道路交通服務(wù)水平進(jìn)行預(yù)測(cè)，其特征在于，觀察特征包括 道路交通時(shí)間域特征和道路交通空間域特征，其預(yù)測(cè)步驟包括1)、選擇待預(yù)測(cè)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(gè)特征的權(quán)重值4)、通過(guò)最大熵模型預(yù)測(cè)得到服務(wù)水平等級(jí)。本方法中所涉及到的交通狀態(tài)時(shí)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(duì)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?？臻g域特征主要包含當(dāng)前時(shí)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(shí)間域特征時(shí)間域特征主要包括當(dāng)前路段歷史時(shí)刻和當(dāng)前時(shí)刻的交通流特征，主要包括1)過(guò)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(jí)等 特征。2)當(dāng)前時(shí)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(jí)等特 征?；诳臻g域和時(shí)間域的特征利用Log線性模型實(shí)現(xiàn)將來(lái)5、10分鐘的交通服務(wù)水 平的預(yù)測(cè)，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(yàn)概率(Log線性模 型)p 歸一化因子 上面兩個(gè)公式給出了條件最大熵模型的描述。其中，x表示的是我們觀察到的特 征變量，y為待判別的類別，P(y |x)描述的是在觀察特征變量為X的條件下，類別y的概率。 fi(x, y)為特征函數(shù)，一般情況都取二值函數(shù) 其描述的是，觀察特征屬性為X'時(shí)，y取y'的特征函數(shù)。其中，為特征fi(x， y)的權(quán)重。、為正值時(shí)，表示在給定觀察特征x'的情況下，該特征預(yù)示著類別y'的出 現(xiàn)，、值越大則意味著類別y'出現(xiàn)的可能性越大；相反，如果、為負(fù)值，則說(shuō)明類別y' 不易出現(xiàn)，入，的值越小意味著y'出現(xiàn)的概率越小。判別時(shí)，選擇在相同的上下文X下條 件概率最高的類別為判別結(jié)果


圖1本發(fā)明所述空間域特征路網(wǎng)的前向后向拓?fù)?本發(fā)明時(shí)空特征和Log線性模型的服務(wù)水平預(yù)測(cè)流程3本發(fā)明實(shí)施例中道路服務(wù)水平預(yù)測(cè)結(jié)果。圖4本發(fā)明實(shí)施例中道路服 水平預(yù)測(cè)值與實(shí)際值對(duì)比分析圖-組數(shù)據(jù)
具體實(shí)施例方式下面通過(guò)具體實(shí)施例對(duì)本發(fā)明所述方法進(jìn)行進(jìn)一步說(shuō)明。本實(shí)施例通過(guò)最大熵預(yù)測(cè)模型對(duì)從北京市某道路2008年05月19日的-進(jìn)行預(yù)測(cè)，并與真實(shí)的道路服務(wù)水平數(shù)據(jù)進(jìn)行對(duì)比分析，分析本方法的準(zhǔn)確性。首先生成最大熵預(yù)測(cè)模型的訓(xùn)練集，本實(shí)施例采用的訓(xùn)練集為北京市真實(shí)的道路 交通數(shù)據(jù)，訓(xùn)練集包括了道路的時(shí)間與空間特性以及道路本身的特性，如車道數(shù)等。觀察特征數(shù)據(jù)(0)代入特征函數(shù)4(0,1》并生成訓(xùn)練集，由于是通過(guò)程序?qū)崿F(xiàn)，所 以在生成訓(xùn)練集時(shí)，要將數(shù)據(jù)編輯成特定的格式。本實(shí)施例中采用如下格式
1 alFlowl 5 1 (道路服務(wù)等級(jí))_al (前向道路)Flow (流量)1 ( 一次連接)_5 (流量處于第5等 級(jí))服務(wù)水平等級(jí)ABCDEF這里表示為123456.al表示當(dāng)前道路的前向道路，bl表示后向道路，cl表示當(dāng)前道路。Flow表示流量Speed表示速度Occ表示時(shí)間占有率RoadNum鄰接路段的道路數(shù) LaneNum表示路段的車道數(shù)本例中的一次連接指的是前向一次連接，以圖2中A路段為例，前向一次連接就是 圖中的B路段。在計(jì)算數(shù)據(jù)時(shí)將流量從0-100 (輛/小時(shí))分為10個(gè)等級(jí)，該例中表示當(dāng)前流量 處于第5等級(jí)，其他數(shù)據(jù)指標(biāo)也分成幾個(gè)等級(jí)。最后將所有的樣本點(diǎn)按照上述結(jié)構(gòu)生成訓(xùn)練集。見下例l_alFlowl_5l_al0ccl_ll_alLaneNuml_3l_blSpeedl_ll_blRoadNuml_21 blLaneNum2 10
l_alFlow2_l
I_al0cc2_l
l_alLaneNum2_3
l_blSpeed2_l
l_blRoadNum2_4
1 clFlow 5
l_alSpeedl_l
l_alRoadNuml_l
l_blFlowl_3
l_bl0ccl_10
l_blLaneNuml_6
l_clSpeed_l
l_alSpeed2_l l_alRoadNum2_l l_blFlow2_2 1 bl0cc2 10
1 clOcc 1該例為= 1時(shí)的特征函數(shù)fk(o，1》的訓(xùn)練集。依照這種格式，可以得到當(dāng)h為 其他值時(shí)特征函數(shù)的訓(xùn)練集然后進(jìn)行權(quán)值訓(xùn)練，本實(shí)施例中使用GIS算法進(jìn)行權(quán)值訓(xùn)練，采用的訓(xùn)練集即為 第一步所生成的。具體算法如下GIS 算法輸入特征函數(shù)f” f2，L，fn，經(jīng)驗(yàn)分布p% (x，y)輸出優(yōu)化的權(quán)值X %，X *2, L，入1.初始化、=0，i G {l，2，L，n}2.基于現(xiàn)有模型計(jì)算每個(gè)特征函數(shù)的期望
3.更新權(quán)值、一Xi+A Xi 這里，選擇 判斷是否收斂，如果沒(méi)有收斂，返回第二步。權(quán)值訓(xùn)練后得到權(quán)值文件，將權(quán)值文件導(dǎo)入最大熵預(yù)測(cè)模型。然后就可以進(jìn)行道 路交通服務(wù)水平預(yù)測(cè)。將上述北京市某道路2008年05月19日的一組數(shù)據(jù)輸入最大熵預(yù)測(cè)模型既可預(yù) 測(cè)該道路5分鐘和10分鐘后的道路服務(wù)水平，由于采用的是真實(shí)數(shù)據(jù)，所以預(yù)測(cè)結(jié)束后會(huì) 得到預(yù)測(cè)的結(jié)果與準(zhǔn)確性。預(yù)測(cè)得到的結(jié)果如圖3所示得到預(yù)測(cè)值后，將預(yù)測(cè)值與實(shí)際值進(jìn)行對(duì)比分析如圖4所示；直接一致比例達(dá)到 了 55. 66%，一次偏差比例達(dá)到了 38. 27%，考慮到一次偏差是很難避免的，所以說(shuō)小于直 接一致和一次偏差的綜合達(dá)到93. 93%本實(shí)施例中采用的訓(xùn)練集是對(duì)所有道路通用的，如果在預(yù)測(cè)的過(guò)程中考慮不同的 情況下采用不同的訓(xùn)練集，得到的預(yù)測(cè)結(jié)果會(huì)更加準(zhǔn)確。
權(quán)利要求
一種基于時(shí)空特征聚合的道路交通服務(wù)水平預(yù)測(cè)預(yù)報(bào)方法，根據(jù)觀察特征對(duì)道路交通服務(wù)水平進(jìn)行預(yù)測(cè)，其特征在于，觀察特征包括道路交通時(shí)間域特征和道路交通空間域特征，其預(yù)測(cè)步驟包括1)、選擇待預(yù)測(cè)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(gè)特征的權(quán)重值4)、通過(guò)最大熵模型預(yù)測(cè)得到服務(wù)水平等級(jí)。
2.如權(quán)利要求1所述的一種基于時(shí)空特征聚合的道路交通服務(wù)水平預(yù)測(cè)預(yù)報(bào)方法，其 特征在于，所述空間域特征包括，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。
3.如權(quán)利要求1所述的一種基于時(shí)空特征聚合的道路交通服務(wù)水平預(yù)測(cè)預(yù)報(bào)方法，其 特征在于，所述特征函數(shù)為觀察特征為ο的條件下，服務(wù)水平等級(jí)取Ii的特征函數(shù)。
4.如權(quán)利要求1所述的一種基于時(shí)空特征聚合的道路交通服務(wù)水平預(yù)測(cè)預(yù)報(bào)方法，其 特征在于，所述訓(xùn)練集中包括該待預(yù)測(cè)道路不同服務(wù)水平對(duì)應(yīng)不同觀察特征的對(duì)應(yīng)結(jié)果。
5.如權(quán)利要求1所述的一種基于時(shí)空特征聚合的道路交通服務(wù)水平預(yù)測(cè)預(yù)報(bào)方法，其 特征在于，權(quán)重值表示在給定觀察特征的情況下，該特征預(yù)示著某一服務(wù)水平等級(jí)的出現(xiàn) 的概率。
全文摘要
本發(fā)明觀察特征使用道路交通時(shí)間域特征和道路交通空間域特征，將多種數(shù)據(jù)進(jìn)行融合通過(guò)最大熵模型得到服務(wù)水平預(yù)測(cè)結(jié)果，所得到的預(yù)測(cè)結(jié)果更加準(zhǔn)確，通過(guò)該技術(shù)的預(yù)測(cè)預(yù)報(bào)交通管理部門可以根據(jù)預(yù)報(bào)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(shí)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(shí)，還可以為交通指揮提供決策支持。
文檔編號(hào)G08G1/01GK101866143SQ20091008185
公開日2010年10月20日 申請(qǐng)日期2009年4月14日 優(yōu)先權(quán)日2009年4月14日
發(fā)明者唐堃, 孫曉亮, 張尊棟, 承向軍, 李晨曦, 董宏輝, 賈利民, 郭敏 申請(qǐng)人:北京宏德信智源信息技術(shù)有限公司