專利名稱：道路交通網(wǎng)絡(luò)區(qū)域擁堵實(shí)時(shí)預(yù)測(cè)與智能管理系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明是一種基于對(duì)未來道路交通狀況即時(shí)預(yù)測(cè)進(jìn)行智能管理的系統(tǒng).
背景技術(shù)：
在交通領(lǐng)域，行程時(shí)間對(duì)于為旅行者和調(diào)度員提供導(dǎo)航是必不可少的。在交通網(wǎng)絡(luò)中這種信息通常用對(duì)每個(gè)路段取平均值的方法來取得?；谛谐虝r(shí)間的平均值，我們可以用很多最短路徑的算法來得出最佳的行程路線。在交通網(wǎng)絡(luò)中路徑是由一條或多條路段組成的。有幾種傳統(tǒng)的方法來計(jì)算未來時(shí)間段的導(dǎo)航以及最佳路徑。最普遍的方法就是取平均值。這種方法可以為用戶提供平均的最佳路徑。然而由于道路的堵塞，對(duì)于某一路段行程時(shí)間的平均值在某一特定時(shí)間和真實(shí)的行程時(shí)間會(huì)有很大的差距。比如在高峰時(shí)期某一路段的行程時(shí)間會(huì)是非高峰時(shí)間的兩倍。在這種情況下， 為用戶提供基于特定時(shí)間的導(dǎo)航獲最佳路徑將更合理。有一種早期的傳統(tǒng)方法關(guān)于報(bào)告汽車數(shù)據(jù)，在該方法中類似隊(duì)列的對(duì)象在交通流中被找出并跟蹤，從而得出各種交通參數(shù)的估計(jì)值，其中可能包括行程時(shí)間。更具體些，那些數(shù)據(jù)關(guān)于在隊(duì)列中的平均汽車數(shù)，隊(duì)列長(zhǎng)度，汽車在隊(duì)列中的平均等待時(shí)間，某一段道路特定方向的平均汽車數(shù)，以及當(dāng)前的數(shù)據(jù)空白程度，能夠用來在一個(gè)連續(xù)的基礎(chǔ)上生成歷史的進(jìn)度線。同時(shí)歷史進(jìn)度線暗示了對(duì)現(xiàn)在或不遠(yuǎn)將來的預(yù)告。如果把路段之間的相互關(guān)系考慮進(jìn)去這種方法會(huì)變得過于復(fù)雜，同時(shí)對(duì)這些值的實(shí)時(shí)運(yùn)算是不可能的。第二種關(guān)于對(duì)未來道路交通狀態(tài)預(yù)測(cè)的方法。這是一種未來多種時(shí)間間隔的速度信息進(jìn)行預(yù)測(cè)的方法(比如對(duì)未來0-60分鐘到幾小時(shí)，甚至1-3天)。該方法用類似路段在同一時(shí)間點(diǎn)同一類型的日期歷史速度乘以一個(gè)小等于1的加權(quán)參數(shù)，然后通過對(duì)一些參數(shù)如天氣預(yù)報(bào)信息，道路改造，以及任何對(duì)該路段已知的安排好的事件進(jìn)行回歸分析得到結(jié)果。因此這種方法依賴于高質(zhì)量的天氣預(yù)報(bào)數(shù)據(jù)以及基于路段的相應(yīng)事件。然而這些數(shù)據(jù)通常并不以能被交通預(yù)測(cè)運(yùn)用的格式存在。第三種方法是通過計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)與非參數(shù)回歸模型進(jìn)行預(yù)測(cè).這一類方法自從二十世紀(jì)九十年代以來已經(jīng)被許多研究小組嘗試用于實(shí)際的交通預(yù)測(cè).但是由于此方法內(nèi)在的缺點(diǎn)，它的計(jì)算速度慢而且無法同時(shí)應(yīng)用預(yù)測(cè)大范圍精密覆蓋的道路網(wǎng)絡(luò)，她的預(yù)測(cè)精確度也不高.更重要的是在這類解決方案中，一些外界因素(如天氣，道路零時(shí)施工，大型活動(dòng))對(duì)交通流的影響無法及時(shí)體現(xiàn).然而，對(duì)于本發(fā)明的申請(qǐng)人來說，以上的傳統(tǒng)方法在許多情況下不能適用，例如(1)在天氣預(yù)報(bào)和固定事件的數(shù)據(jù)不存在的情況下仍然需要對(duì)未來行程時(shí)間的準(zhǔn)確預(yù)報(bào)。(2)由于天氣或事件的效果對(duì)不同的路段是很不同的，用單一的加權(quán)因素對(duì)平均行程時(shí)間進(jìn)行計(jì)算往往是不夠的。除此以外，對(duì)于現(xiàn)在情況高細(xì)節(jié)的數(shù)據(jù)，就像在第一種傳統(tǒng)方法中假設(shè)的一樣，一般對(duì)大多數(shù)的路段是無法取得的，同時(shí)對(duì)用于很短期的預(yù)測(cè)是沒有效果的。

發(fā)明內(nèi)容
綜合考慮前述、有代表性的問題、缺陷、傳統(tǒng)系統(tǒng)的劣勢(shì)等等因素，本發(fā)明能夠提供一種新的結(jié)構(gòu)實(shí)現(xiàn)對(duì)大型的交通網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)地、高動(dòng)態(tài)的未來交通狀況預(yù)測(cè)，并且在預(yù)測(cè)的基礎(chǔ)上提供可量化指標(biāo)給交通管理決策支持。本發(fā)明的道路交通狀況即時(shí)預(yù)測(cè)的智能管理系統(tǒng)由以下部分組成一個(gè)接收實(shí)時(shí)到達(dá)的整體或者部分地區(qū)道路網(wǎng)絡(luò)上的交通數(shù)據(jù)的數(shù)據(jù)融合處理模塊；一個(gè)計(jì)算未來時(shí)間里的在所有被采集數(shù)據(jù)的路段上的交通狀況的數(shù)學(xué)模型預(yù)測(cè)運(yùn)算模塊；一個(gè)把預(yù)測(cè)的信息提煉成預(yù)設(shè)的可量化指標(biāo)進(jìn)行決策支持的基于預(yù)測(cè)的交通疏導(dǎo)管理模塊。數(shù)據(jù)融合處理模塊實(shí)時(shí)接收到多個(gè)數(shù)據(jù)采集點(diǎn)的在預(yù)設(shè)的時(shí)間間隔里的交通信息(例如平均交通速度和流量)，當(dāng)時(shí)當(dāng)?shù)氐淖匀粴庀髼l件，各種特殊節(jié)假日信息，并把實(shí)時(shí)收集的多元交通信息通過數(shù)據(jù)融合的技術(shù)產(chǎn)生規(guī)范化信息輸入。數(shù)學(xué)模型預(yù)測(cè)運(yùn)算模塊通過歷史數(shù)據(jù)判別道路網(wǎng)絡(luò)交通流的內(nèi)在關(guān)聯(lián)建立參數(shù)化統(tǒng)計(jì)模型并在此基礎(chǔ)上預(yù)測(cè)運(yùn)算未來90分鐘里的道路網(wǎng)絡(luò)里各個(gè)路段的平均速度與流量。其時(shí)間精確度與實(shí)時(shí)數(shù)據(jù)收集的時(shí)間間隔一致。基于預(yù)測(cè)的交通疏導(dǎo)管理模塊在預(yù)測(cè)整個(gè)道路網(wǎng)絡(luò)的未來交通狀況的基礎(chǔ)上進(jìn)一步判斷生成可量化交通指標(biāo)進(jìn)行決策支持，包括各路段未來時(shí)間里的堵塞概率，已經(jīng)堵車的路段何時(shí)恢復(fù)暢通，車流量異常警報(bào)。建立參數(shù)化統(tǒng)計(jì)模型采用一種數(shù)學(xué)方法，根據(jù)截至當(dāng)前時(shí)刻的道路交通信息，提前預(yù)報(bào)未來道路網(wǎng)絡(luò)上的未來交通狀況，其中所涉及的原始的道路網(wǎng)絡(luò)是由許多相連的路段組成，其道路網(wǎng)絡(luò)結(jié)構(gòu)是一個(gè)完整道路網(wǎng)絡(luò)上的子網(wǎng)絡(luò)，其中的每一個(gè)路段代表了多個(gè)相鄰的路段這個(gè)子網(wǎng)絡(luò)與原始網(wǎng)絡(luò)的對(duì)應(yīng)關(guān)系是通過對(duì)歷史交通數(shù)據(jù)的分析發(fā)掘得到的，實(shí)際的數(shù)據(jù)預(yù)測(cè)是在精簡(jiǎn)的子網(wǎng)絡(luò)上進(jìn)行，然后再映射到原始完整的道路網(wǎng)絡(luò)；子網(wǎng)絡(luò)是通過的以下步驟完成，選擇與當(dāng)前所考慮的道路節(jié)點(diǎn)有道路直接相鄰的1層，2層，直到最多20層網(wǎng)絡(luò)，把此網(wǎng)絡(luò)上的歷史交通流量(速度)組成的矩陣，這個(gè)矩陣每行對(duì)應(yīng)此網(wǎng)絡(luò)上的一個(gè)路段(數(shù)據(jù)采集點(diǎn))，然后檢驗(yàn)此矩陣的約當(dāng)標(biāo)準(zhǔn)形的構(gòu)成，找出約當(dāng)標(biāo)準(zhǔn)形的對(duì)角元顯著大于0的位置所對(duì)應(yīng)的路段，即是與當(dāng)前考慮的道路節(jié)點(diǎn)顯著相關(guān)的子網(wǎng)絡(luò)；統(tǒng)計(jì)模型把子網(wǎng)絡(luò)上的所有路段同一時(shí)刻的交通狀況組成的一個(gè)向量，通過考察此向量構(gòu)成的前行與后行的觀測(cè)量之間的正則相關(guān)系數(shù)的顯著性來確定一組 Kronecker指數(shù)，通過這組Kronecker指數(shù)的最大值決定參數(shù)化回歸統(tǒng)計(jì)模型變量的個(gè)數(shù)， 然后并且在此基礎(chǔ)上利用歷史數(shù)據(jù)庫(kù)來確定多維多變量的參數(shù)化線性回歸模型得到此模型的參數(shù)值。所涉及的預(yù)測(cè)運(yùn)算是由以下步驟構(gòu)成截至當(dāng)前時(shí)刻的交通數(shù)據(jù)都通過減去對(duì)應(yīng)路段上同一時(shí)刻的歷史平均值，所得的差再輸入到數(shù)學(xué)模型中進(jìn)行計(jì)算，模型計(jì)算得到的結(jié)果再迭加到歷史平均值得到實(shí)際的預(yù)測(cè)結(jié)果，先預(yù)測(cè)最近鄰的未來時(shí)間段里的交通狀況，然后更加遠(yuǎn)的未來時(shí)間段里的預(yù)報(bào)是通過迭代的方法進(jìn)行，預(yù)測(cè)的結(jié)果包括一種或者多個(gè)交通速度，交通流量，交通密度。本發(fā)明的有益效果是，在快速提供對(duì)未來交通狀況的準(zhǔn)確預(yù)測(cè)的基礎(chǔ)上，預(yù)測(cè)未來堵塞風(fēng)險(xiǎn)，幫助人們提前避開堵車路段，節(jié)能降耗；計(jì)算當(dāng)前堵塞路段何時(shí)恢復(fù)暢通。自動(dòng)探測(cè)交通異常路段。本發(fā)明的預(yù)測(cè)結(jié)果不僅可以給個(gè)人用戶提供交通信息服務(wù)，還可以給交通管理部門提供交通誘導(dǎo)的決策支持。實(shí)際使用時(shí)預(yù)測(cè)系統(tǒng)在新的數(shù)據(jù)到達(dá)后能夠在10秒鐘的時(shí)間里更新預(yù)測(cè)未來90分鐘里整個(gè)網(wǎng)絡(luò)上的交通狀況(例如速度和流量)。根據(jù)道路網(wǎng)絡(luò)的改變，本發(fā)明的系統(tǒng)中的數(shù)學(xué)模型預(yù)測(cè)運(yùn)算模塊可以及時(shí)調(diào)整模型的參數(shù)估計(jì)，從而包括最新的道路結(jié)構(gòu)對(duì)交通的影響。
下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)一步說明。


圖1是本發(fā)明系統(tǒng)實(shí)施例的方框圖。圖2是本發(fā)明系統(tǒng)的數(shù)學(xué)模型預(yù)測(cè)運(yùn)算模塊(圖1，(2))的核心算法。
具體實(shí)施例方式圖1數(shù)據(jù)融合處理模塊(1)輸入的數(shù)據(jù)包括各采集點(diǎn)當(dāng)前的每5分鐘(也可以是其他設(shè)定的時(shí)間間隔)里的交通狀況(例如平均速度，車流量，交通事故，天氣狀況等等)。 并且產(chǎn)生標(biāo)準(zhǔn)化的數(shù)據(jù)輸入到系統(tǒng)里。圖1數(shù)學(xué)模型預(yù)測(cè)運(yùn)算模塊( 利用輸入的標(biāo)準(zhǔn)化歷史數(shù)據(jù)產(chǎn)生數(shù)學(xué)模型，并且利用此模型結(jié)合當(dāng)前的交通狀況輸入預(yù)測(cè)未來的交通狀況。 圖1基于預(yù)測(cè)的交通疏導(dǎo)管理模塊C3)根據(jù)預(yù)測(cè)的結(jié)果進(jìn)一步計(jì)算預(yù)設(shè)的量化指標(biāo)，例如各個(gè)路段的堵車概率。這些指標(biāo)可以為交通參與者與管理者提供決策支持。圖2詳細(xì)描述了本發(fā)明的數(shù)學(xué)模型預(yù)測(cè)運(yùn)算模塊的核心算法.本算法可以適用于同時(shí)預(yù)測(cè)交通流量和速度.為簡(jiǎn)明扼要，在以下的描述中我們以交通流量為例，對(duì)于交通速度的算法只需把描述中的”流量”改為”速度”即可.在這個(gè)描述中，義代表在時(shí)間段t 里位于路段i的交通流量.在圖2的步驟⑴中，假設(shè)我們當(dāng)前要預(yù)測(cè)的路段編號(hào)為0.通過分析它周圍的相
鄰路段所組成的子網(wǎng)絡(luò)上的歷史交通流量所組成的矩陣，
權(quán)利要求
1.一個(gè)道路交通網(wǎng)絡(luò)區(qū)域擁堵實(shí)時(shí)預(yù)測(cè)與智能管理系統(tǒng)，由以下部分組成一個(gè)接收實(shí)時(shí)到達(dá)的整體或者部分地區(qū)道路網(wǎng)絡(luò)上的交通數(shù)據(jù)的數(shù)據(jù)融合處理模塊；一個(gè)計(jì)算未來時(shí)間里的在所有被采集數(shù)據(jù)的路段上的交通狀況的數(shù)學(xué)模型預(yù)測(cè)運(yùn)算模塊；一個(gè)把預(yù)測(cè)的信息提煉成預(yù)設(shè)的指標(biāo)進(jìn)行決策支持的基于預(yù)測(cè)的交通疏導(dǎo)管理模塊，其特征是所述的數(shù)據(jù)融合處理模塊實(shí)時(shí)接收到多個(gè)數(shù)據(jù)采集點(diǎn)的在預(yù)設(shè)的時(shí)間間隔里的交通信息(例如平均交通速度和流量)，當(dāng)時(shí)當(dāng)?shù)氐淖匀粴庀髼l件，各種特殊節(jié)假日信息，并把實(shí)時(shí)收集的多元交通信息通過數(shù)據(jù)融合的技術(shù)產(chǎn)生規(guī)范化信息輸入，所述的數(shù)學(xué)模型預(yù)測(cè)運(yùn)算模塊通過歷史數(shù)據(jù)判別道路網(wǎng)絡(luò)交通流的內(nèi)在關(guān)聯(lián)建立參數(shù)化統(tǒng)計(jì)模型并在此基礎(chǔ)上預(yù)測(cè)運(yùn)算未來90分鐘里的道路網(wǎng)絡(luò)里各個(gè)路段的平均速度與流量。其時(shí)間精確度與實(shí)時(shí)數(shù)據(jù)收集的時(shí)間間隔一致，所述的基于預(yù)測(cè)的交通疏導(dǎo)管理模塊在預(yù)測(cè)整個(gè)道路網(wǎng)絡(luò)的未來交通狀況的基礎(chǔ)上進(jìn)一步判斷生成可量化交通指標(biāo)進(jìn)行決策支持，包括各路段未來時(shí)間里的堵塞概率，已經(jīng)堵車的路段何時(shí)恢復(fù)暢通，車流量異常警報(bào)。
2.根據(jù)權(quán)利要求1所述的道路交通網(wǎng)絡(luò)區(qū)域擁堵實(shí)時(shí)預(yù)測(cè)與智能管理系統(tǒng)，其特征是建立參數(shù)化統(tǒng)計(jì)模型采用一種數(shù)學(xué)方法，根據(jù)截至當(dāng)前時(shí)刻的道路交通信息，提前預(yù)報(bào)未來道路網(wǎng)絡(luò)上的未來交通狀況，其中所涉及的原始的道路網(wǎng)絡(luò)是由許多相連的路段組成，其道路網(wǎng)絡(luò)結(jié)構(gòu)是一個(gè)完整道路網(wǎng)絡(luò)上的子網(wǎng)絡(luò)，其中的每一個(gè)路段代表了多個(gè)相鄰的路段這個(gè)子網(wǎng)絡(luò)與原始網(wǎng)絡(luò)的對(duì)應(yīng)關(guān)系是通過對(duì)歷史交通數(shù)據(jù)的分析發(fā)掘得到的，實(shí)際的數(shù)據(jù)預(yù)測(cè)是在精簡(jiǎn)的子網(wǎng)絡(luò)上進(jìn)行，然后再映射到原始完整的道路網(wǎng)絡(luò)；子網(wǎng)絡(luò)是通過的以下步驟完成，選擇與當(dāng)前所考慮的道路節(jié)點(diǎn)有道路直接相鄰的1層，2層，直到最多20 層網(wǎng)絡(luò)，把此網(wǎng)絡(luò)上的歷史交通流量(速度)組成的矩陣，這個(gè)矩陣每行對(duì)應(yīng)此網(wǎng)絡(luò)上的一個(gè)路段(數(shù)據(jù)采集點(diǎn))，然后檢驗(yàn)此矩陣的約當(dāng)標(biāo)準(zhǔn)形的構(gòu)成，找出約當(dāng)標(biāo)準(zhǔn)形的對(duì)角元顯著大于0的位置所對(duì)應(yīng)的路段，即是與當(dāng)前考慮的道路節(jié)點(diǎn)顯著相關(guān)的子網(wǎng)絡(luò)；統(tǒng)計(jì)模型把子網(wǎng)絡(luò)上的所有路段同一時(shí)刻的交通狀況組成的一個(gè)向量，通過考察此向量構(gòu)成的前行與后行的觀測(cè)量之間的正則相關(guān)系數(shù)的顯著性來確定一組Kronecker指數(shù)，通過這組 Kronecker指數(shù)的最大值決定參數(shù)化回歸統(tǒng)計(jì)模型變量的個(gè)數(shù)，然后并且在此基礎(chǔ)上利用歷史數(shù)據(jù)庫(kù)來確定多維多變量的參數(shù)化線性回歸模型得到此模型的參數(shù)值。
3.根據(jù)權(quán)利要求1所述的道路交通網(wǎng)絡(luò)區(qū)域擁堵實(shí)時(shí)預(yù)測(cè)與智能管理系統(tǒng)，其特征是所涉及的預(yù)測(cè)運(yùn)算是由以下步驟構(gòu)成截至當(dāng)前時(shí)刻的交通數(shù)據(jù)都通過減去對(duì)應(yīng)路段上同一時(shí)刻的歷史平均值，所得的差再輸入到數(shù)學(xué)模型中進(jìn)行計(jì)算，模型計(jì)算得到的結(jié)果再迭加到歷史平均值得到實(shí)際的預(yù)測(cè)結(jié)果，先預(yù)測(cè)最近鄰的未來時(shí)間段里的交通狀況，然后更加遠(yuǎn)的未來時(shí)間段里的預(yù)報(bào)是通過迭代的方法進(jìn)行，預(yù)測(cè)的結(jié)果包括一種或者多個(gè) 交通速度，交通流量，交通密度。
全文摘要
一種基于對(duì)未來道路交通狀況的預(yù)測(cè)進(jìn)行智能管理的系統(tǒng).它包括數(shù)據(jù)融合處理模塊，數(shù)學(xué)模型預(yù)測(cè)運(yùn)算模塊，基于預(yù)測(cè)的交通疏導(dǎo)管理模塊.它把實(shí)時(shí)收集的多元交通信息通過數(shù)據(jù)融合的技術(shù)產(chǎn)生規(guī)范化信息輸入，通過歷史數(shù)據(jù)判別道路網(wǎng)絡(luò)交通流的內(nèi)在關(guān)聯(lián)建立參數(shù)化統(tǒng)計(jì)模型并在此基礎(chǔ)上計(jì)算未來90分鐘里的道路網(wǎng)絡(luò)里各個(gè)路段的交通狀況(例如速度與流量)，其時(shí)間精確度與實(shí)時(shí)數(shù)據(jù)收集的時(shí)間間隔一致。然后根據(jù)預(yù)測(cè)結(jié)果進(jìn)一步判斷生成可量化交通指標(biāo)，包括各路段未來時(shí)間里的堵塞概率，已經(jīng)堵車的路段何時(shí)恢復(fù)暢通，車流量異常警報(bào)，為交通參與者與管理者提供決策支持。
文檔編號(hào)G06Q10/00GK102346964SQ201010245759
公開日2012年2月8日 申請(qǐng)日期2010年8月5日 優(yōu)先權(quán)日2010年8月5日
發(fā)明者江晨, 王學(xué)鷹, 閔萬里 申請(qǐng)人:江晨, 王學(xué)鷹, 閔萬里