基于浮动车时空网格数据的城市快速路旅行时间预测方法技术

本发明专利技术是一种基于浮动车时空网格数据的城市快速路旅行时间预测方法，属于智能交通领域。本发明专利技术首先对浮动车数据进行处理，获取时空速度矩阵，计算给定各个出发时刻的通过整个目标路径的瞬时旅行时间和真实旅行时间；其次创建历史数据库，建立工作日和非工作日两类历史数据库；然后建立预测模型，在建立时，利用灰度共生矩阵从时空速度矩阵中提取交通的时变特征，从历史数据库中选取相似的历史交通状态，再利用待预测交通状态的瞬时旅行时间与历史交通状态进行二次匹配，进行权重分配，获得最终的预测旅行时间。本发明专利技术充分挖掘历史数据特征，模型简单高效，无需长期训练过程，不需要先验知识和参数识别，具有较强的容错性和鲁棒性，稳定性高。

Travel time prediction method of Urban Expressway Based on spatio temporal data of floating car

The invention relates to a method for predicting travel time of Urban Expressway Based on spatio temporal grid data of floating vehicles, which belongs to the field of intelligent transportation. The invention of the first floating car data processing, obtaining space-time velocity matrix, calculate each departure time by instantaneous travel time of the whole target path and real time travel; secondly to create historical database, the establishment of working and non working days of two historical data base; then build the prediction model was established, using gray level co-occurrence the traffic matrix extracted from time and space velocity matrix in the time-varying characteristics, selection of historical traffic condition similar from the historical database, and then use to be predicted for the two time, the traffic state of the instantaneous travel time and historical traffic condition, weight distribution, prediction of travel time of the final. The invention fully utilizes the characteristics of historical data, the model is simple and efficient, and does not need the long-term training process, and does not need prior knowledge and parameter identification.

【技术实现步骤摘要】

本专利技术属于智能交通领域，基于浮动车时空网格数据准确把握城市快速路交通流的时空特性，精确预测城市快速路旅行时间。
技术介绍
旅行时间信息作为一种评价交通状态的重要指标，已成为先进的出行者信息系统和先进的道路交通管理系统的关键组成部分，实时准确的旅行时间信息发布对于精细化的交通管理、改善出行服务具有重要的理论研究价值与现实意义。旅行时间预测作为ITS(Intelligent Transport System，智能交通系统)领域长期的研究热点，在过往的数年中涌现出了各种各样的预测模型。以往的预测模型大多是基于固定检测器数据的研究，固定检测器可连续定点观测交通流量、密度、占有率等交通参数，观测精度高，但由于财力所限，固定检测器设施在我国比较薄弱，路网覆盖率低。与之相反，浮动车技术采集交通信息具有覆盖范围广、低成本、易推广优势，在我国得到大范围推广。然而由于浮动车数据在数据类别、数据特点上与固定监测器数据不尽相同，因此，需要探求一种适用于浮动车数据的精确旅行时间预测方法。旅行时间预测模型概括起来主要包括模型驱动方法和数据驱动方法两类，模型驱动方法包括宏观交通流模型、时间序列法、卡尔曼滤波法等，该类方法建模简单，精度高，但受随机干扰因素影响大，不确定性强；数据驱动方法包括神经元网络法、支持向量机、K最近邻方法等，该类方法不需要先验知识和参数识别，具有较强的容错性和鲁棒性，但对历史数据量有一定要求。考虑到城市快速路交通状态的高度时变特性和非线性变化的特征，这对旅行时间精确预测提出了很大挑战。故预测过程中需要重点解决的问题是如何根据当前实际交通状态，综合考虑交通流的时空演变特性，对未来的旅行时间进行精准预测。
技术实现思路
本专利技术为了解决上述问题，提出一种能够基于浮动车历史数据的模式匹配方法，对浮动车数据进行精细化处理，进而得到高精度的数据，准确把握城市快速路交通流的时空演变特性，精确预测城市快速路旅行时间的方法。本专利技术提供的一种基于浮动车网格数据的城市快速路旅行时间预测方法，包括下列步骤：步骤一，对浮动车数据进行处理，具体是：(1.1)获取时空速度矩阵：将城市路网划分成固定大小的方格，将采集到的浮动车速度数据按照一定的时间间隔映射到目标路径的每个方格里面，并假定每个方格内的交通状况是均质的，在保证方格内浮动车样本量的情况下，计算方格内的平均速度，作为目标路径固定路段长度和固定时间间隔的平均速度，获取要预测的目标路径一天之内不同时刻不同路段的时空速度矩阵。(1.2)根据得到的每天的时空速度矩阵，分别计算给定各个出发时刻的通过整个目标路径的瞬时旅行时间和真实旅行时间。步骤二，创建历史数据库，具体是：运用系统聚类的方法，将每天的时空速度矩阵作为系统输入进行聚类，聚类结果被划分为两类，结果显示工作日和非工作日交通状态有明显区别，故建立工作日和非工作日两类历史数据库。步骤三，建立预测模型，具体是：(3.1)利用灰度共生矩阵从时空速度矩阵中提取交通的时变特征；(3.2)采用标准平方差方法度量当前要预测交通状态与历史数据之间的相似性，在相似性度量过程中添加时间窗限制，设从历史数据库匹配出K’个最相似的历史交通状态，每一个历史交通状态对应一个真实旅行时间和一个瞬时旅行时间；对K’个历史交通状态通过箱线图技术排除异常值，得到K个历史交通状态；(3.3)利用当前要预测的交通状态的瞬时旅行时间与选出的K个最相似的历史交通状态进行二次匹配，对K个历史交通状态赋予权重，获得最终的预测旅行时间。当前要预测的交通状态为预测目标，K个最相似的历史交通状态为K个候选者；在进行二次匹配时，首先用均方根误差度量预测目标和各候选者之间的距离；然后，将得到的距离代入负指数分布，得到预测目标和候选者之间的相似性； s i = λ · e - λ · r i ]]>其中，si代表第i个候选者与预测目标之间的相似性，λ是负指数分布的系数，ri代表第i个候选者与预测目标之间的距离；再根据计算出的相似性进行权重分配，第i个候选者的权重最后，预测旅行时间其中，t+Δt表示未来预测时段，表示第i个候选者的真实旅行时间。本专利技术的优点和积极效果在于：本专利技术实现了基于浮动车时空网格数据的城市快速路旅行时间模式匹配预测，充分考虑了交通的时空演变特性，将浮动车数据进行精细化处理，进而得到高精度的数据，通过对历史数据的深度挖掘，精确预测城市快速路旅行时间。本专利技术方法与以往各类旅行时间预测模型相比，充分挖掘历史数据特征，克服了其他方法无法应对交通流高度时变特性和非线性变化特征的难题，模型简单高效，无需长期训练过程，不需要先验知识和参数识别，具有较强的容错性和鲁棒性，稳定性高。在充分提取交通时空特征的基础上，利用模式匹配方法，辅以一个时间窗限制，利用瞬时旅行时间进行二次匹配进一步分配权重，箱线图剔除异常值，使预测精度显著提高。附图说明图1是本专利技术的城市快速路旅行时间预测方法的流程示意图；图2是一个时空轨迹图的灰度示意图；图3是灰度共生矩阵的计算方法示意图；图4是箱线图技术示意图；图5是本专利技术模型建立时的权重分配的示意图；图6是本专利技术实施例预测结果对比示意图。具体实施方式下面将结合附图和实施例对本专利技术作进一步的详细说明。本专利技术是一种基于浮动车时空网格数据的城市快速路旅行时间预测方法，流程如图1所示，为了测试预测方法的性能，下面以北京市二环快速路为例进行详细说明，北京市二环快速路的全长为32.7km，本专利技术实施例根据2015年1月1日至2月14日从早上6点到晚上10点的共计45天的浮动车数据创建历史数据，利用本专利技术所提出的方法进行预测，下面具体说明各个步骤。步骤1)浮动车数据处理。将包含北京市二环的路网划分为大小为100m×100m的网格，将采集到的浮动车数据按照每2min时间间隔映射到与目标路段相应的网格中，假定每个方格内的交通状态为均质，在保证方格内浮动车样本量的情况下，计算方格内的平均速度。将方格内样本的速度平均值作为此路段的交通状态的速度值，由此得到目标路径每100m每2min的速度值，将其拓展到整个路径和所有时刻，由北京市二环快速路一天内从早上六点到晚上十点的浮动车速度数据，可得到一个大小为320×480的时空速度矩阵，320代表320个100m，480代表480个2min。每天的浮动车数据对应一个时空速度矩阵。将时空速度矩阵对应表示为时空速度轨迹图，图中的宽和高分别代表时间间隔和路段标识，固定时间间隔内某路段的交通状态可在时空速度矩阵中获得，用颜色标记速度值的大小，如图2所示，为将一个时空速度轨迹图转化成灰度的示意图，颜色越深代表速度值越小，此路段越拥堵。根据每天的时空速度矩阵，分别计算给定每天各个出发时刻的通过整个目标路径的瞬时旅行时间和真实旅行时间。瞬时旅行时间是指假定出发时刻目标路径的所有路段的交通状态保持不变，即每个方格内的速度保持不变，计算通过各个方格内的旅行时间，并累加即可求本文档来自技高网...

【技术保护点】
一种基于浮动车时空网格数据的城市快速路旅行时间预测方法，其特征在于，实现步骤如下：步骤1，对浮动车数据进行处理，具体是：(1.1)将城市路网划分成固定大小的方格，将采集到的浮动车速度数据按照一定的时间间隔映射到目标路径的每个方格里面，并假定每个方格内的交通状况是均质的，计算方格内的平均速度，作为目标路径固定路段长度和固定时间间隔的平均速度；获取目标路径一天之内不同时刻不同路段的时空速度矩阵；(1.2)根据得到的每天的时空速度矩阵，分别计算给定各个出发时刻的通过整个目标路径的瞬时旅行时间和真实旅行时间；步骤二，创建历史数据库，具体是：运用系统聚类的方法，将每天的时空速度矩阵作为系统输入进行聚类，建立工作日和非工作日两类历史数据库；步骤三，预测模型，具体是：(3.1)利用灰度共生矩阵从时空速度矩阵中提取交通的时变特征；(3.2)采用标准平方差方法度量当前要预测交通状态与历史数据之间的相似性，在相似性度量过程中添加时间窗限制，设从历史数据库匹配出K’个最相似的历史交通状态，每一个历史交通状态对应一个真实旅行时间和一个瞬时旅行时间；对K’个历史交通状态通过箱线图技术排除异常值，得到K个历史交通状态；(3.3)利用当前要预测的交通状态的瞬时旅行时间与选出的K个最相似的历史交通状态进行二次匹配，对K个历史交通状态赋予权重，获得最终的预测旅行时间；当前要预测的交通状态为预测目标，K个最相似的历史交通状态为K个候选者；在进行二次匹配时，首先用均方根误差度量预测目标和各候选者之间的距离；然后，将得到的距离代入负指数分布，得到预测目标和候选者之间的相似性；si=λ·e-λ·ri]]>其中，si代表第i个候选者与预测目标之间的相似性，λ是负指数分布的系数，ri代表第i个候选者与预测目标之间的距离；再根据计算出的相似性进行权重分配，第i个候选者的权重最后，预测旅行时间其中，t+Δt表示未来预测时段，表示第i个候选者的真实旅行时间。...

【技术特征摘要】
1.一种基于浮动车时空网格数据的城市快速路旅行时间预测方法，其特征在于，实现步骤如下：步骤1，对浮动车数据进行处理，具体是：(1.1)将城市路网划分成固定大小的方格，将采集到的浮动车速度数据按照一定的时间间隔映射到目标路径的每个方格里面，并假定每个方格内的交通状况是均质的，计算方格内的平均速度，作为目标路径固定路段长度和固定时间间隔的平均速度；获取目标路径一天之内不同时刻不同路段的时空速度矩阵；(1.2)根据得到的每天的时空速度矩阵，分别计算给定各个出发时刻的通过整个目标路径的瞬时旅行时间和真实旅行时间；步骤二，创建历史数据库，具体是：运用系统聚类的方法，将每天的时空速度矩阵作为系统输入进行聚类，建立工作日和非工作日两类历史数据库；步骤三，预测模型，具体是：(3.1)利用灰度共生矩阵从时空速度矩阵中提取交通的时变特征；(3.2)采用标准平方差方法度量当前要预测交通状态与历史数据之间的相似性，在相似性度量过程中添加时间窗限制，设从历史数据库匹配出K’个最相似的历史交通状态，每一个历史交通状态对应一个真实旅行时间和一个瞬时旅行时间；对K’个历史交通状态通过箱线图技术排除异常值，得到K个历史交通状态；(3.3)利用当前要预测的交通状态的瞬时旅行时间与选出的K个最相似的历史交通状态进行二次匹配，对K个历史交通状态赋予权重，获得最终的预测旅行时间；当前要预测的交通状态为预测目标，K个最相似的历史交通状态为K个候选者；在进行二次匹配时，首先用均方根误差度量预测目标和各候选者之间的距离；然后，将得到的距离代入负指数分布，得到预测目标和候选者之间的相似性； s i = λ · e - λ · r i ]]>其中，si代表第i个候选者与预测目标之间的相似性，λ是负指数分布的系数，ri代表第i个候选者与预测目标之间的距离；再根据计算出的相似性进行权重分配，第i个候选者的权重最后，预测旅行时间其中，t+Δt表示未来预测时段，表示第i个候选者的真实旅行时间。2.根据权利要求1所述的一种基于浮动车时空网格数据的城市快速路旅行时间预测方法，其特征在于，所述的步骤1中，所述的瞬时旅行时间，是假定出发时刻目标路径的所有路段的交通状态保持不变，即每个方格内的速度保持不变，计算通过所有方格的旅行时间并进行累加求出；所述的真实旅行时间，是指一辆车通过目标路径所有路段的真实旅行时间，在计算真实旅行时间的时候，要保证车辆进入不同方格后速度动态更新，最终通过累加所有方格的旅行时间得出通过整个路径的真实旅行时间。3.根据权利要求1所述的一种基于浮动车时空网格数据的城市快速路旅行时间预测方法，其特征在于，所述的步骤三中，设定60分钟的时间窗限制。4.根据权利要求1所述的一种基于浮动车时空网格数据的城市快速路旅行时间预测方法，其特征在于，所述的(3.2)中，采用标准平方差方法度量当前要预测交通状态与历史数据之间的相似性，计算公式如下： D ( T , I ) = Σ T , I ( T ( c , l ) - I ( h , l ) ...

【专利技术属性】
技术研发人员：王云鹏，张志豪，陈鹏，余贵珍，鹿应荣，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11