基于路網(wǎng)空間關(guān)系約束Lasso的短時(shí)交通流預(yù)測(cè)方法
【專利摘要】基于路網(wǎng)空間關(guān)系約束Lasso的短時(shí)交通流預(yù)測(cè)方法，通過最小絕對(duì)收縮和選擇算子Lasso實(shí)現(xiàn)路網(wǎng)約束，對(duì)路網(wǎng)短時(shí)交通流進(jìn)行預(yù)測(cè)，分為路網(wǎng)分析、模型訓(xùn)練和實(shí)時(shí)預(yù)測(cè)三個(gè)部分。本發(fā)明提出了基于路網(wǎng)空間關(guān)系約束Lasso的短時(shí)交通流預(yù)測(cè)方法，結(jié)合高速公路實(shí)測(cè)交通流數(shù)據(jù)，利用Lasso算法對(duì)短時(shí)交通流進(jìn)行預(yù)測(cè)，給出路網(wǎng)相關(guān)性分析和變量選擇方法，能比較準(zhǔn)確和快速地預(yù)測(cè)高速公路短時(shí)交通流。
【專利說明】基于路網(wǎng)空間關(guān)系約束Lasso的短時(shí)交通流預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘領(lǐng)域，主要用于高速公路交通管理系統(tǒng)中，具體為一種基于路網(wǎng)空間關(guān)系約束Lass0的短時(shí)交通流預(yù)測(cè)方法。
【背景技術(shù)】
[0002]近年來，交通系統(tǒng)在全球范圍內(nèi)面臨了前所未有的挑戰(zhàn)。隨著經(jīng)濟(jì)的發(fā)展，交通需求迅速增加，交通擁擠現(xiàn)象屢見不鮮，并且日趨嚴(yán)峻，車輛緩行、擁堵時(shí)間增長(zhǎng)，交通網(wǎng)絡(luò)變得十分脆弱。同時(shí)，因延誤帶來的旅行時(shí)間增加導(dǎo)致經(jīng)濟(jì)損耗和環(huán)境污染增大，美國全國每年因交通堵車造成的經(jīng)濟(jì)方面的損失高達(dá)631億美元，我國百萬人口以上的大城市由于交通堵塞給社會(huì)所造成的直接經(jīng)濟(jì)損失約合人民幣1000億元，并逐年上升。北京也陷入了“擁有最寬闊的馬路，也擁有最寬闊的‘停車場(chǎng)’ ”的困境，嚴(yán)重影響了城市的運(yùn)轉(zhuǎn)效率，阻礙了社會(huì)、經(jīng)濟(jì)的快速發(fā)展。
[0003]在我國改革開放的三十多年間，城市機(jī)動(dòng)車保有量的增長(zhǎng)速度是道路增長(zhǎng)速度的80倍，近幾年更是迅速增加。交通供需矛盾的長(zhǎng)期性和城市空間、建設(shè)資金的有限性決定了不是僅僅通過增加交通基礎(chǔ)設(shè)施就能解決這個(gè)難題。
[0004]多年來，世界各國的城市交通專家提出各種不同的方法，試圖通過先進(jìn)的交通管理系統(tǒng)(Advanced Traffic Manage System, ATMS)、先進(jìn)的交通信息系統(tǒng)(AdvancedTraffic Information System, ATIS)、動(dòng)態(tài)路徑引導(dǎo)系統(tǒng)(Dynamic Route Guide System,DRGS)等各種先進(jìn)的智能交通手段來為出行者提供實(shí)時(shí)有效的道路信息，實(shí)現(xiàn)動(dòng)態(tài)路徑誘導(dǎo)，達(dá)到節(jié)約出行者旅行時(shí)間，環(huán)節(jié)道路擁擠，減少污染、節(jié)省能源等目的[1]。智能交通系統(tǒng)中的各個(gè)應(yīng)用系統(tǒng)都依賴于對(duì)交通流等信息資源的分析和處理，交通流預(yù)測(cè)是交通信息處理方法中最直接和有效的一種。如何利用智能交通系統(tǒng)所采集的交通流信息進(jìn)行實(shí)時(shí)、高效的交通流預(yù)測(cè)，支持交通管理人員對(duì)將來交通狀況的準(zhǔn)確把握，制定有效的策略實(shí)現(xiàn)對(duì)當(dāng)前交通狀況的動(dòng)態(tài)控制和交通誘導(dǎo)，從而達(dá)到交通狀況優(yōu)化的目的，成為交通領(lǐng)域研究人員面臨的關(guān)鍵課題[2]。
[0005]ITS綜合使用了先進(jìn)的信息技術(shù)、通訊傳輸技術(shù)、電子控制技術(shù)和計(jì)算機(jī)處理技術(shù)等技術(shù)，有效地對(duì)交通信息進(jìn)行采集、加工、處理，能夠?qū)崟r(shí)、精確地反映當(dāng)前及未來的交通狀態(tài)，最終實(shí)現(xiàn)對(duì)交通進(jìn)行科學(xué)的組織和控制。
[0006]最近的交通運(yùn)輸研究成果表明:交通流預(yù)測(cè)在各種交通控制系統(tǒng)中有相當(dāng)重要的作用。主要體現(xiàn)在(I)在城市集成交通控制系統(tǒng)中的信號(hào)控制子系統(tǒng)和動(dòng)態(tài)導(dǎo)引子系統(tǒng)的前提是準(zhǔn)確的交通參數(shù)的預(yù)測(cè)。(2)遞階分層控制(分層遞階是人們分析和組織復(fù)雜系統(tǒng)的一種常用方法)中的戰(zhàn)略控制層和決策層也要各種交通參數(shù)。(3)智能交通系統(tǒng)中的營(yíng)運(yùn)車輛調(diào)度管理系統(tǒng)，先進(jìn)的駕駛員信息系統(tǒng)，先進(jìn)的交通管理系統(tǒng)等子系統(tǒng)以及自動(dòng)高速公路系統(tǒng)的網(wǎng)絡(luò)層和連接層對(duì)流量等集總參數(shù)進(jìn)行控制也需要對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)[3]。
[0007]短期交通流預(yù)測(cè)服務(wù)于變化較快的交通控制和誘導(dǎo)，預(yù)測(cè)周期明顯縮短，交通流的變化規(guī)律愈加模糊，受到干擾的影響也更加強(qiáng)烈，短時(shí)交通流的不確定性越來越明顯，預(yù)測(cè)難度增加。同時(shí)，在系統(tǒng)無法直接測(cè)量未來路況及流量分布的情況下，實(shí)時(shí)準(zhǔn)確的短期交通流預(yù)測(cè)無法避免地成為ITS實(shí)現(xiàn)高效管理的基礎(chǔ)和前提，并且預(yù)測(cè)結(jié)果的好壞優(yōu)劣直接影響這交通控制與誘導(dǎo)的效果。因此，交通流信息的實(shí)時(shí)性和可靠性直接關(guān)系到交通控制與管理的效果，實(shí)現(xiàn)對(duì)道路交通流的實(shí)時(shí)掌握和準(zhǔn)確預(yù)測(cè)就成為運(yùn)用智能交通技術(shù)解決交通問題的一個(gè)重要基礎(chǔ)，因此研究實(shí)時(shí)動(dòng)態(tài)的交通流預(yù)測(cè)模型對(duì)社會(huì)經(jīng)濟(jì)和道路交通事業(yè)的發(fā)展都有著非常重要的研究?jī)r(jià)值和意義。
[0008]參考文獻(xiàn):
[0009][I]王進(jìn)，史其信.短時(shí)交通流預(yù)測(cè)模型綜述[J].中國公共安全.學(xué)術(shù)卷，2005，1(6):94-95.[0010][2]劉智勇.智能交通控制理論及其應(yīng)用[M].北京:科學(xué)出版社，2003.[0011][3]楊兆升.城市交通流誘導(dǎo)系統(tǒng).北京:中國鐵道出版社，2004.[0012][4] CHUNG F R K.Spectral graph theory [J].Vol.92of CBMS ReginalConferences Series.American Mathematical Society, Providence, 1997.[0013][ 5 ] T i b sh i r an i R.Regression shrinkage and selection viathe lasso[J].Journal of the Royal Statistical Society.SeriesB(Methodological), 1996:267-288.[0014][6]Efron B, Hastie T, Johnstone I, et al.Least angle regression[J].TheAnnals of statistics, 2004, 32(2):407-499.[0015][7]Zou H, Hastie T, Tibshirani R.Sparse principal component analysis[J].Journal of computational and graphical statistics, 2006, 15(2):265-286.[0016][8] Trendaf i1v N T, Jolliffe I T.DALASS: Variable selection indiscriminant analysis via the LASSO [J].Computational statistics&dataanalysis, 2007，51 (8):3718—3736.[0017][9]Kamarianakis Y, Shen ff, Wynter L.Real - time road traffic forecastingusing regime - switching space - time models and adaptive LASSO[J].AppliedStochastic Models in Business and Industry, 2012, 28(4):297-315.[0018][10]Sun S，Huang R, Gao Y.Network-Scale Traffic Modeling and Forecastingwith Graphical Lasso and Neural Networks[J].Journal of Transportation Engineering, 2012，138(11):1358-1·367.[0019][11] Li C, Li H.Network-constrained regularization and variableselection for analysis of genomic data [J].Bioinformatics, 2008, 24 (9):1175-1182.
【發(fā)明內(nèi)容】

[0020]本發(fā)明要解決的問題是:通過對(duì)傳統(tǒng)道路單斷面交通流預(yù)測(cè)模型的學(xué)習(xí)和分析可知，單斷面交通流預(yù)測(cè)時(shí)，并沒有充分利用路網(wǎng)中其他斷面所提供的交通流信息。而實(shí)際上，交通路網(wǎng)是一個(gè)網(wǎng)狀結(jié)構(gòu)，各斷面是相互聯(lián)系相互作用的，使得道路網(wǎng)中多個(gè)斷面的交通流數(shù)據(jù)還具有相關(guān)性、周期性和延遲性等特征。比如某一時(shí)刻，一條道路上交通流量過大，則下一時(shí)刻與其相連的幾條道路的交通流量也都會(huì)有所增大，因?yàn)榻煌ňW(wǎng)絡(luò)系統(tǒng)是一個(gè)各鏈路之間有流量傳輸?shù)耐暾到y(tǒng)。各斷面的交通流數(shù)據(jù)與相互之間的距離、在路網(wǎng)中所處的位置以及路網(wǎng)的拓?fù)浣Y(jié)構(gòu)等因素存在著相互聯(lián)系。
[0021]本發(fā)明的技術(shù)方案為:基于路網(wǎng)空間關(guān)系約束Lasso的短時(shí)交通流預(yù)測(cè)方法，通過最小絕對(duì)收縮和選擇算子Lasso實(shí)現(xiàn)路網(wǎng)約束，對(duì)路網(wǎng)短時(shí)交通流進(jìn)行預(yù)測(cè)，包括以下步驟:
[0022]I)對(duì)路網(wǎng)相關(guān)性進(jìn)行分析:在圖論中，拉普拉斯矩陣是圖的一種矩陣表示，通過對(duì)路網(wǎng)之間數(shù)據(jù)采集點(diǎn)的分布，得到路網(wǎng)的拉普拉斯矩陣，并對(duì)其進(jìn)行歸一化處理，得到路網(wǎng)空間關(guān)系歸一化約束矩陣L ；
[0023]2)建立預(yù)測(cè)模型:從路網(wǎng)中所有檢測(cè)斷面的歷史交通流數(shù)據(jù)中選取特征值XhistWh以及其對(duì)應(yīng)的未來時(shí)刻值+ ，所述特征值為流量、車速或占有率其中之一，結(jié)合路網(wǎng)空間關(guān)系歸一化約束矩陣L，采用Lasso進(jìn)行預(yù)測(cè)，通過對(duì)各檢測(cè)斷面最小化Lasso的誤差函數(shù)J( X1, λ2, β)，獲得最優(yōu)估計(jì)#，即獲得每個(gè)檢測(cè)斷面的下個(gè)時(shí)刻交通流與路網(wǎng)上所有檢測(cè)斷面的之前時(shí)刻數(shù)據(jù)之間的關(guān)系，所述最小化采用最小角回歸方法LAR，不同檢測(cè)斷面的最優(yōu)估計(jì)石也相應(yīng)不同，由所有檢測(cè)斷面的最優(yōu)估計(jì)#構(gòu)成預(yù)測(cè)模型；
[0024]3)對(duì)短時(shí)交通流進(jìn)行實(shí)時(shí)預(yù)測(cè):從路網(wǎng)上所有檢測(cè)斷面實(shí)時(shí)的交通流數(shù)據(jù)中獲取實(shí)時(shí)特征值又,(O，通過預(yù)測(cè)模型，預(yù)測(cè)所有檢測(cè)斷面未來時(shí)刻的交通流數(shù)據(jù)X(t+mT)，實(shí)
現(xiàn)對(duì)路網(wǎng)短時(shí)交通流的預(yù)測(cè)。
[0025]步驟I)具體為:
[0026]將路網(wǎng)通過有權(quán)重的圖G來表示，G=(V，E, W)，V代表數(shù)據(jù)采集點(diǎn)的集合，即需要預(yù)測(cè)的各檢測(cè)斷面，E=Iu~V}表示邊集，即數(shù)據(jù)采集點(diǎn)u和V是連接的，并存在有權(quán)重的邊，W為邊的權(quán)重的集合，其中w (U，V)表示邊e=(u~V)的權(quán)重，邊的權(quán)重表示不同數(shù)據(jù)采集點(diǎn)之間連接的不確定性，數(shù)據(jù)采集點(diǎn)為圖的頂點(diǎn)，頂點(diǎn)V的度dv= Σ _vw(u, v)，即所有包含點(diǎn)
V的邊的權(quán)重的和，根據(jù)所述有權(quán)重的圖得到一個(gè)拉普拉斯矩陣，歸一化后得到得到路網(wǎng)空間關(guān)系歸一化約束矩陣L，矩陣L中元素(U，V)如式(5)所示:
[0027]
【權(quán)利要求】
1.基于路網(wǎng)空間關(guān)系約束Lasso的短時(shí)交通流預(yù)測(cè)方法，其特征是通過最小絕對(duì)收縮和選擇算子Lasso實(shí)現(xiàn)路網(wǎng)約束，對(duì)路網(wǎng)短時(shí)交通流進(jìn)行預(yù)測(cè)，包括以下步驟: 1)對(duì)路網(wǎng)相關(guān)性進(jìn)行分析:在圖論中，拉普拉斯矩陣是圖的一種矩陣表示，通過對(duì)路網(wǎng)之間數(shù)據(jù)采集點(diǎn)的分布，得到路網(wǎng)的拉普拉斯矩陣，并對(duì)其進(jìn)行歸一化處理，得到路網(wǎng)空間關(guān)系歸一化約束矩陣L ； 2)建立預(yù)測(cè)模型:從路網(wǎng)中所有檢測(cè)斷面的歷史交通流數(shù)據(jù)中選取特征值以及其對(duì)應(yīng)的未來時(shí)刻值(P + ?乃，所述特征值為流量、車速或占有率其中之一，結(jié)合路網(wǎng)空間關(guān)系歸一化約束矩陣L，采用Lasso進(jìn)行預(yù)測(cè)，通過對(duì)各檢測(cè)斷面最小化Lasso的誤差函數(shù)WX1, λ2, β)，獲得最優(yōu)估計(jì)/)，即獲得每個(gè)檢測(cè)斷面的下個(gè)時(shí)刻交通流與路網(wǎng)上所有檢測(cè)斷面的之前時(shí)刻數(shù)據(jù)之間的關(guān)系，所述最小化采用最小角回歸方法LAR，不同檢測(cè)斷面的最優(yōu)估計(jì)#也相應(yīng)不同，由所有檢測(cè)斷面的最優(yōu)估計(jì)構(gòu)成預(yù)測(cè)模型； 3)對(duì)短時(shí)交通流進(jìn)行實(shí)時(shí)預(yù)測(cè):從路網(wǎng)上所有檢測(cè)斷面實(shí)時(shí)的交通流數(shù)據(jù)中獲取實(shí)時(shí)特征值，通過預(yù)測(cè)模型，預(yù)測(cè)所有檢測(cè)斷面未來時(shí)刻的交通流數(shù)據(jù)X(t+mT)，實(shí)現(xiàn)對(duì)路網(wǎng)短時(shí)交通流的預(yù)測(cè)。
2.根據(jù)權(quán)利要求1所述的基于路網(wǎng)空間關(guān)系約束Lasso的短時(shí)交通流預(yù)測(cè)方法，其特征是步驟I)具體為: 將路網(wǎng)通過有權(quán)重的圖G來表示，G= (V，E, W)，V代表數(shù)據(jù)采集點(diǎn)的集合，即需要預(yù)測(cè)的各檢測(cè)斷面，E=Iu~V}表示邊集，即數(shù)據(jù)采集點(diǎn)u和V是連接的，并存在有權(quán)重的邊，W為邊的權(quán)重的集合，其中w(u，V)表示邊e=(u~V)的權(quán)重，邊的權(quán)重表示不同數(shù)據(jù)采集點(diǎn)之間連接的不確定性，數(shù)據(jù)采集點(diǎn)為圖的頂點(diǎn)，頂點(diǎn)V的度dv= Σ _vw(u, v)，即所有包含點(diǎn)V的邊的權(quán)重的和，根據(jù)所述有權(quán)重的圖得到一個(gè)拉普拉斯矩陣，歸一化后得到得到路網(wǎng)空間關(guān)系歸一化約束矩陣L，矩陣L中元素(U，V)如式(5)所示:
3.根據(jù)權(quán)利要求2所述的基于路網(wǎng)空間關(guān)系約束Lasso的短時(shí)交通流預(yù)測(cè)方法，其特征是步驟2)中采用Lasso建立預(yù)測(cè)模型，通過對(duì)各檢測(cè)斷面最小化Lasso的誤差函數(shù)JU1, λ2) β)，獲得最優(yōu)估計(jì)#具體為:取φ到φ+ηΤ時(shí)刻P個(gè)檢測(cè)斷面的歷史交通流數(shù)據(jù)晃-(P)=[易(P)，…，義(供)]作為L(zhǎng)asso輸入的設(shè)計(jì)矩陣，Zy(爐)，j=l, “.，ρ,表示第j個(gè)檢測(cè)斷面(6)到ρ+/ζ之間的交通流數(shù)據(jù)，包含η個(gè)交通數(shù)據(jù)流的觀測(cè)值，再取0+wT到時(shí)刻P個(gè)檢測(cè)斷面的歷史交通流數(shù)據(jù)尤咖
4.根據(jù)權(quán)利要求1-3任一項(xiàng)所述的基于路網(wǎng)空間關(guān)系約束Lasso的短時(shí)交通流預(yù)測(cè)方法，其特征是對(duì)預(yù)測(cè)模型的最優(yōu)估計(jì)，#設(shè)置時(shí)間間隔重新計(jì)算進(jìn)行更新。
5.根據(jù)權(quán)利要求1所述的基于路網(wǎng)空間關(guān)系約束Lasso的短時(shí)交通流預(yù)測(cè)方法，其特征是步驟3)中，各檢測(cè)斷面預(yù)測(cè)并行進(jìn)行。
【文檔編號(hào)】G08G1/01GK103871246SQ201410046250
【公開日】2014年6月18日 申請(qǐng)日期:2014年2月10日 優(yōu)先權(quán)日:2014年2月10日
【發(fā)明者】蔣士正, 阮雅端, 許榕, 吳聰, 陳湘軍, 廖娟, 陳啟美 申請(qǐng)人:南京大學(xué)