基于交通大数据的动态交通态势预测方法技术

本发明专利技术公开了一种基于交通大数据的动态交通态势预测方法，本发明专利技术采用滚动的动态优化思想，在进行预测态势过程中，依据实时和历史不断更新模型，使预测态势更加符合实际。

Dynamic traffic situation prediction method based on traffic big data

The invention discloses a dynamic traffic situation prediction method based on large traffic data. The method adopts the idea of rolling dynamic optimization, and continuously updates the model according to real-time and history in the process of forecasting situation, so as to make the forecasting situation more realistic.

【技术实现步骤摘要】
基于交通大数据的动态交通态势预测方法
本专利技术涉及交通大数据态势预测
，尤其是涉及一种准确性高和稳定性好的基于交通大数据的动态交通态势预测方法。
技术介绍
目前，随着我国机动车数量的急剧增多，城市交通拥堵已经成为我国各大中城市普遍面临的问题，拥堵造成的延误时间和环境污染已经带给社会巨大的经济损失，现有技术发布的实时交通态势为当前路段的实时交通态势，未能展示对未来一段时间的交通态势状况预测结果。但是在实际生活中，越来越多的用户为了提前合理的安排出行路径，更希望能够提前了解某些路段、或者某些区域的未来一段时间的交通状况，因此，现有的发布实时交通态势并不能满足用户的路径规划需求。因此研究交通态势，能对出行者路径选择、交通管理者疏导交通提供重要依据，精准的交通态势预测成为目前亟待解决的问题。在现在交通数据的采集方法中，车牌识别技术是一种新兴的城市道路交通信息采集技术，通过设置在城市道路路口的卡口摄像头进行车辆车牌的捕获识别以及记录，车牌识别技术在交通数据获取方面体现了精度高、样本量大、覆盖车辆范围广等优点，历史累积的卡口数据形成交通大数据，车辆区间平均速度用以计算路段行程车速，所以基于卡口系统车牌识别的交通态势判别方法具有很好的学术研究意义。国内外学者对交通态势预测算法做了大量研究。有学者选取路段车流量、占有率、车流速度和车流密度作为参数，利用贝叶斯法则算法，预测各种交通态势发生的概率。也有学者利用流量、速度、占有率、平均车道流量等参数，采用最大嫡训练模型得到各参数对应的权值，从而预测交通态势。也有基于神经网络的交通流状态模糊推理方法，上述算法均考虑了多个参数，通过训练得到交通态势所对应的参数组合。然而过多的参数输入导致在实际应用中存在很大的局限性。也有通过历史路段速度数据，区分工作日和非工作日以及天气状态建立不同基础态势表，仅根据当前日期以及天气给出预测整天交通态势。该方法不确定因素太大导致预测准确率低。
技术实现思路
本专利技术的专利技术目的是为了克服现有技术中的交通态势预测方法的准确性和稳定性均无法满足交通需求的不足，提供了一种准确性高和稳定性好的基于交通大数据的动态交通态势预测方法。为了实现上述目的，本专利技术采用以下技术方案：一种基于交通大数据的动态交通态势预测方法，其特征是，包括如下步骤：(1-1)采集区域路段的交通数据信息；(1-2)获取区域路段距离当前时刻前M天内的交通数据信息的n个抽样数据，抽样间隔为T1；(1-3)标准化抽样数据，利用主成分分析方法对标准化后的抽样数据进行分析，得到抽样数据的特征数据pca_v，将特征数据pca_v转换到[-a，a]之间，将特征数据pcav转换到[0，1]；(1-4)划分态势；(1-5)选取距离当前时刻前M天内每天相同时段的时间长度为S的pca_v数据，共有M组行数据pca_vj1，设定聚类半径为r，采用K-Means聚类方法进行聚类，得到聚类结果为E类，且聚类中心为cent_vi1，存入历史学习库cent_v；(1-6)取距离当前时刻S时间长度的交通数据信息的抽样数据，重复步骤(1-2)、(1-3)和(1-4)，得到一维数据pca_vc；(1-7)选取pca_vc和历史学习库cent_v中时间长度为的对应数据，计算pca_vc与历史学习库cent_v的距离dis和余弦距离dis_cos；并做出交通态势预测；(1-8)更新历史学习库cent_v。现有预测方法在准确性和稳定性方面均不能满足交通需求，本专利技术采用滚动的动态优化思想，在进行预测态势过程中，依据实时和历史不断更新模型，使预测态势更加符合实际。作为优选，步骤(1-3)包括如下具体步骤：用抽样数据构成n×3数据矩阵，数据矩阵中的元素用xij表示；(2-1)利用如下公式进行标准化处理：其中，得到标准化后的数据矩阵；(2-2)设定样本相关系数矩阵为R，计算样本相关系数矩阵R中的每个元素rij：其中xi，xj均为标准化后的数据矩阵的列向量，均为列向量对应均值，k＝1，2，…，n；xki为标准化后的数据矩阵的第k行第i列元素，xkj为标准化后的数据矩阵的第k行第j列元素；(2-3)其中样本新数据Fi1＝a11xi1+a12xi2+a13xi3，[a11，a12，a13]为由相关系数矩阵R计算得到的特征向量；(2-4)将Fij转换至[-a，a]，(2-5)将Fij转换到[0，1]，Fij＝(Fij+a)/2a。作为优选，抽样数据包括实际行程速度v、路段下游路口车流量的倒数1/q和路段下游车头时距标准差std_time。作为优选，步骤(1-7)还包括如下步骤：如果存在dis＜r，则将满足dis＜r且余弦距离dis_cos最小的历史学习库cent_v中最后半个小时数据作为预测态势结果；如果dis＞r则给出报警，如果pca_vc缺失数据严重，则不给出预测。作为优选，步骤(1-4)包括如下具体步骤：当pca_v位于[0，0.1)划分为态势1，当pca_v位于[0.1，0.2)划分为态势2，当pca_v位于[0.2，0.3)划分为态势3，当pca_v位于[0.3，0.4)划分为态势4，当pca_v位于[0.4，0.5]划分为态势5，当pca_v位于[0.5，0.6)划分为态势6，当pca_v位于[0.6，0.7)划分为态势7，当pca_v位于[0.7，0.8)划分为态势8，当pca_v位于[0.8，0.9)划分为态势9，当pca_v位于[0.9，1]划分为态势10。作为优选，步骤(1-8)包括如下具体步骤：计算当前时刻前S时间长度内的数据与历史学习库cent_v中对应的各个S时间长度的数据间距离D1，选取最小的D1，将当前数据归为与最小的D1对应的历史学习库cent_v中；并更新历史学习库cent_v的聚类中心cent_vi；cent_vi＝(cent_vi+pca-vc)/2，其中cent_vi为cent_v中的一个聚类中心。作为优选，M为20天至40天，T1为5分钟或10分钟，S为1.5小时。因此，本专利技术具有如下有益效果：采用滚动的动态优化思想，在进行预测态势过程中，依据实时和历史不断更新模型，使预测态势更加符合实际。附图说明图1是本专利技术的一种流程图；图2是本专利技术的一种实验路网区域示意图；图3是本专利技术的一种交通态势滚动预测方法示意图。图4是本专利技术某一路段白天6点至22点滚动预测5分钟pca_vc预测值与真实值的一种对比图；图5是本专利技术某一路段白天6点至22点滚动预测半小时pca_vc预测值与真实值的一种对比图；图6是本专利技术对实验路网中某一路段态势真实值和预测值一种对比示意图。具体实施方式下面结合附图和具体实施方式对本专利技术做进一步的描述。如图1、图2所示，本专利技术提供一种基于交通大数据的动态交通态势预测方法，以柯桥区区域路网为例，选取金柯桥大道以西至笛扬路，北至裕民路，南至群贤路，其中共包含7个路段；通过以下方法对该区域路段交通态势进行动态预测，具体步骤如下：(1-1)采集区域路段的交通数据信息；(1-2)获取区域路段距离当前时刻前一个月的白天早上6点至晚上10点共5760个抽样数据，抽样数据包括实际行程速度v、路段下游路口车流量的倒数1/q以及路段下游车头时距标准差std_time，抽样间隔为5分钟；(1-3)标准化抽样本文档来自技高网...

【技术保护点】
1.一种基于交通大数据的动态交通态势预测方法，其特征是，包括如下步骤：(1‑1)采集区域路段的交通数据信息；(1‑2)获取区域路段距离当前时刻前M天内的交通数据信息的n个抽样数据，抽样间隔为T1；(1‑3)标准化抽样数据，利用主成分分析方法对标准化后的抽样数据进行分析，得到抽样数据的特征数据pca_v，将特征数据pca_v转换到[‑a，a]之间，将特征数据pca_v转换到[0，1]；(1‑4)划分态势；(1‑5)选取距离当前时刻前M天内每天相同时段的时间长度为S的pca_v数据，共有M组

【技术特征摘要】
1.一种基于交通大数据的动态交通态势预测方法，其特征是，包括如下步骤：(1-1)采集区域路段的交通数据信息；(1-2)获取区域路段距离当前时刻前M天内的交通数据信息的n个抽样数据，抽样间隔为T1；(1-3)标准化抽样数据，利用主成分分析方法对标准化后的抽样数据进行分析，得到抽样数据的特征数据pca_v，将特征数据pca_v转换到[-a，a]之间，将特征数据pca_v转换到[0，1]；(1-4)划分态势；(1-5)选取距离当前时刻前M天内每天相同时段的时间长度为S的pca_v数据，共有M组行数据pca_vj1，设定聚类半径为r，采用K-Means聚类方法进行聚类，得到聚类结果为E类，且聚类中心为cent_vi1，存入历史学习库cent_v；(1-6)取距离当前时刻S时间长度的交通数据信息的抽样数据，重复步骤(1-2)、(1-3)和(1-4)，得到一维数据pca_vc；(1-7)选取pca_vc和历史学习库cent_v中时间长度为的对应数据，计算pca_vc与历史学习库cent_v的距离dis和余弦距离dis_cos；并做出交通态势预测；(1-8)更新历史学习库cent_v。2.根据权利要求1所述的基于交通大数据的动态交通态势预测方法，其特征是，步骤(1-3)包括如下具体步骤：用抽样数据构成n×3数据矩阵，数据矩阵中的元素用xij表示；(2-1)利用如下公式进行标准化处理：其中，得到标准化后的数据矩阵；(2-2)设定样本相关系数矩阵为R，计算样本相关系数矩阵R中的每个元素rij：其中xi，xj均为标准化后的数据矩阵的列向量，均为列向量对应均值，k＝1，2，…，n；xki为标准化后的数据矩阵的第k行第i列元素，xkj为标准化后的数据矩阵的第k行第j列元素；(2-3)其中样本新数据Fi1＝a11xi1+a12xi2+a13xi3，[a11，a12，a13]为由相关系数矩阵R计算得到的特征向量；(2-4)将Fij转换至[-a，a]，(2-5)将Fij转换到...

【专利技术属性】
技术研发人员：钟会玲，沈建惠，沈斌，姜雪明，徐梦，王雯，韩妮，
申请(专利权)人：浙江浙大中控信息技术有限公司，
类型：发明
国别省市：浙江,33