一种基于收费数据的高速公路旅行时间的预测方法技术

本发明专利技术涉及一种基于收费数据的高速公路旅行时间的预测方法，所述方法包括以下步骤：步骤一，获取预定高速公路的收费数据；步骤二，预处理所述高速公路的收费数据；步骤三、对于预处理后的数据集采样和处理得到样本集；步骤四、利用所述样本集建立自编码器和BP神经网络组合的预测模型；步骤五，利用所述模型进行高速公路旅行时间预测。采用上述技术方案该由于自编码器具有自适应学习的特性，对网络初始化不敏感，因而大大提高模型的稳定性。

A prediction method of Expressway travel time based on toll data

The invention relates to a method for prediction of Expressway travel time charges based on the data, the method comprises the following steps: step one, the highway toll data acquisition reservation; step two, the highway toll data preprocessing; step three, the pre processed data set by sampling and processing the sample set; step four using the sample set, establish self prediction model of encoder and BP neural network combination; step five, using the model to predict the freeway travel time. By adopting the technical scheme, the self adaptive learning of the coder is not sensitive to the initialization of the network, thus greatly improving the stability of the model.

【技术实现步骤摘要】

本专利技术涉及智能交通
，具体地说是一种基于收费数据的高速公路旅行时间的预测方法。
技术介绍
近年来，在中国的经济发展历程中，城市规模也在不断扩大，高速公路作为陆路交通中不可或缺的重要组成部分，在人们的出行以及物流等方面中扮演着重要作用，而随着机动车保有量的不断增加，导致交通拥堵，降低了高速公路运行效率，使得汽车在高速公路上的旅行时间变得不确定性。精确预测汽车在高速公路上的旅行时间已经成为国内外研究的重要课题。高速公路旅行时间预测能够给高速公路使用者提供实时准确的信息，帮助高速公路使用者进行出行时间和高速公路路段选择进行决策，合理规划出行路径，提高出行效率，所以精确的高速公路旅行时间预测是智能交通系统在高速公路上运用的一个重要组成方面。现阶段的研究方法主要包括时间序列模型，Kalman滤波模型，BP神经网络等。其中卡尔曼滤波模型多采用浮动车采集的数据，其数据量有限且较为单一；BP神经网络模型多采用固定监测器采集的数据(包括交通流量，密度，速度等信息)，该方法具有较高的实时性，且精度高，但是由于神经网络对网络初始化比较敏感，需求多次平均值来确定最终预测值，这也加大了计算量，而且需要投入大量资金购买并安置设备。这几个模型在短时预测中表现良好，然而随着预测深度(如预测一小时后某高速路段的旅行时间)的不断增加，误差则会大幅增加。而在实际应用中，通过高速公路出行更需要深度预测。
技术实现思路
本专利技术为解决以上现有技术的不足，一种基于收费数据的高速公路旅行时间预测。从出行者的角度来看，本专利技术可以让出行者更好地规划出行路线，合理安排时间，提高出行效率。从交通管理部门的角度来看，能够明显改善高速公路的服务水平，提高人们对出行的满意度。为了解决该技术问题，本专利技术提供的技术方案包括：一种基于收费数据的高速公路旅行时间的预测方法，所述方法包括以下步骤：步骤一，获取预定高速公路的收费数据；步骤二，预处理所述高速公路的收费数据；所述预处理包括：对所述收费数据进行提取，获得一个含有入口收费站编号、入口时间、出口收费站编号，出口时间，以及日期的数据集；以及对数据进行筛选剔除错误数据；步骤三、对于预处理后的数据集采样和处理得到样本集；所述采样包括：根据数据中的时间进行采样，每隔预定的时间间隔A抽取预处理后的数据集中的B个样本，并对样本中车辆的数据进行跟踪，在其它卡口获取该B个样本中的车辆所对应的收费数据；所述处理包括：需要对于数据的内容进行处理，所述对数据的内容进行处理包括对数据内容进行替换，对采集到的预定的时间间隔A内的B个样本的旅行时间进行平均，使用平均旅行时间来代替各个样本中的实际旅行时间；步骤四、利用所述样本集建立预测模型；所述建立预测模型包括建立自编码器模型以及建立BP神经网络模型；其中，建立自编码器模型包括：首先，将输入变量输入到隐藏层进行计算，所述输入变量表示为其中i表示第i个样本，每个xi是一个三维向量，分别是tn-3、tn-2、tn-1时刻的平均旅行时间，N表示样本的总数；上述输入数据在隐藏层中使用公式：进行计算，其中，所述y为对于通过所述隐藏层计算后得到的结果，所述θ1＝{w1,b1本文档来自技高网...

【技术保护点】
一种基于收费数据的高速公路旅行时间的预测方法，其特征在于，所述方法包括以下步骤：步骤一，获取预定高速公路的收费数据；步骤二，预处理所述高速公路的收费数据所述预处理包括：对所述收费数据进行提取，获得一个含有入口收费站编号、入口时间、出口收费站编号，出口时间，以及日期的数据集；以及对数据进行筛选剔除错误数据；步骤三、对于预处理后的数据集采样和处理得到样本集所述采样包括：根据数据中的时间进行采样，每隔预定的时间间隔A抽取预处理后的数据集中的B个样本，并对样本中车辆的数据进行跟踪，在其它卡口获取该B个样本中的车辆所对应的收费数据；所述处理包括：需要对于数据的内容进行处理，所述对数据的内容进行处理包括对数据内容进行替换，对采集到的预定的时间间隔A内的B个样本的旅行时间进行平均，使用平均旅行时间来代替各个样本中的实际旅行时间；步骤四、利用所述样本集建立预测模型所述建立预测模型包括建立自编码器模型以及建立BP神经网络模型；其中，建立自编码器模型包括：首先，将输入变量输入到隐藏层进行计算，所述输入变量表示为其中i表示第i个样本，每个xi是一个三维向量，分别是tn‑3、tn‑2、tn‑1时刻的平均旅行时间，N表示样本的总数；上述输入数据在隐藏层中使用公式：进行计算，其中，所述y为对于通过所述隐藏层计算后得到的结果，所述θ1＝{w1,b1}，w1是连接输入层和隐藏层的权重矩阵；b1是连接输入层和隐藏层的偏置向量；然后，将所述y输入到自编码器的输出层进行计算得到重构后的数据，实现对于输入数据的重构。所述输出层中使用的计算公式为：其中，z即为对y反向解码之后的结果，g为是解码函数，所述θ2＝{w2,b2}，w2是连接隐藏层和输出层的权重矩阵；b2是连接隐藏层和输出层的偏置向量；第三，通过建立损失函数，利用训练集数据通过反向传播算法不断更新迭代{θ1,θ2}，直到损失函数收敛为止，确定参数{θ1,θ2}；其中，建立BP神经网络模型包括：首先，将重构后得到的数据集输入到所述BP神经网络隐藏层进行计算，所述计算公式为h＝s(w3z+b3)，其中，h为计算结果，θ3＝{w3,b3}w3是连接输入层和隐藏层的权重矩阵,b3是连接输入层和隐藏层的偏置向量，s是激活函数；然后，将所述结果h通过公式o＝r(w4h+b4)进行计算，得到训练用的预测结果o,其中，w4是连接隐藏层和输出层的权重矩阵,b4是连接隐藏层和输出层的偏置向量；第三，通过建立损失函数，利用训练集数据通过反向传播算法不断更新迭代{θ3,θ4}，直到损失函数收敛为止，确定参数{θ3,θ4}；步骤五，高速公路旅行时间预测将测试数据的输入变量x*先后输入到所述自编码器和所述BP神经网络模型中，通过所述计算模型预测旅行时间。...

【技术特征摘要】
1.一种基于收费数据的高速公路旅行时间的预测方法，其特征在于，所述方法包括以下步骤：步骤一，获取预定高速公路的收费数据；步骤二，预处理所述高速公路的收费数据所述预处理包括：对所述收费数据进行提取，获得一个含有入口收费站编号、入口时间、出口收费站编号，出口时间，以及日期的数据集；以及对数据进行筛选剔除错误数据；步骤三、对于预处理后的数据集采样和处理得到样本集所述采样包括：根据数据中的时间进行采样，每隔预定的时间间隔A抽取预处理后的数据集中的B个样本，并对样本中车辆的数据进行跟踪，在其它卡口获取该B个样本中的车辆所对应的收费数据；所述处理包括：需要对于数据的内容进行处...

【专利技术属性】
技术研发人员：于海洋，吴志海，马晓磊，张俊峰，杨帅，
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