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 ...
【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。