一種交通擁堵預(yù)測方法及可視化方法
【專利摘要】本發(fā)明公開了一種交通擁堵預(yù)測方法及可視化方法，本發(fā)明利用出租車回傳的GPS數(shù)據(jù)，通過地圖匹配方法將GPS數(shù)據(jù)與電子地圖上的道路相關(guān)聯(lián)；根據(jù)匹配的數(shù)據(jù)計算路段速度，利用路段速度判斷路段的交通狀態(tài)；利用歷史數(shù)據(jù)提取交通擁堵的演化規(guī)律，包括交通擁堵的形成和消散；關(guān)聯(lián)實時交通信息庫，利用滑動時間窗口機制進行交通擁堵預(yù)測；基于預(yù)測結(jié)果計算擁堵路段的擁堵強度，最后用熱圖表現(xiàn)擁堵路段的擁堵強度以及影響范圍。本發(fā)明的預(yù)測方法可實現(xiàn)高準確率的擁堵預(yù)測，熱力圖可視化方法使得交通擁堵直觀易懂，便于理解交通擁堵所在位置以及影響范圍。
【專利說明】一種交通擁堵預(yù)測方法及可視化方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及交通領(lǐng)域，更具體地，涉及一種交通擁堵預(yù)測方法及可視化方法。

【背景技術(shù)】
[0002] 交通擁堵是影響人們?nèi)粘３鲂匈|(zhì)量和出行費用的關(guān)鍵性因素。交通擁堵預(yù)測是交 通擁堵管理研究的核心內(nèi)容，準確實時的交通擁堵預(yù)測能夠緩解交通阻塞，提高路網(wǎng)的通 行能力及路段速度。
[0003] 國內(nèi)外學者對交通擁堵預(yù)測算法做了大量研究。其中一些學者選取車流量、占有 率、車流速度和車流密度作為參數(shù)，利用基于貝葉斯法則的學習算法，計算交通擁堵發(fā)生的 可能性。也有學者考慮流量、速度、占有率、平均車道流量等參數(shù)，運用最大熵模型訓練得到 各參數(shù)的權(quán)重，從而預(yù)測交通擁堵。上述算法均考慮了多個參數(shù)，通過訓練學習得到交通擁 堵所對應(yīng)的參數(shù)組合。然而上述方法在預(yù)測擁堵時需要的輸入?yún)?shù)過多，在實際應(yīng)用中存 在很大的局限性，除了路段速度可以利用浮動車數(shù)據(jù)得到外，其他參數(shù)主要來源于線圈檢 測器，存在安裝成本大、安裝維護困難等缺點。
[0004] 如以下幾種預(yù)測方法：1)研究使用多參數(shù)狀態(tài)估計方法比單個參數(shù)狀態(tài)估計方 法更加合理，更符合實際情況。綜合考慮交通流量、平均速度、密度3個參數(shù)，通過聚類方法 將三維參數(shù)轉(zhuǎn)換為一維時間序列，采用BP神經(jīng)網(wǎng)絡(luò)進行短時交通狀態(tài)的預(yù)測，然而聚類結(jié) 果容易受到原始數(shù)據(jù)的影響。2)基于神經(jīng)網(wǎng)絡(luò)的交通流狀態(tài)模糊推理方法。但該方法的準 確率會隨連續(xù)預(yù)測步數(shù)的增加而下降。3)考慮到交通狀態(tài)本身具有模糊不確定性，提出基 于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)。該方法的交通狀態(tài)被劃分為4類，采用模糊C均值聚類 求出每種交通狀態(tài)所對應(yīng)的聚類中心，接著計算隸屬度，隸屬度最大所對應(yīng)的交通狀態(tài)即 為預(yù)測結(jié)果。然而模糊C均值聚類容易陷入局部最優(yōu)，無法保證聚類中心能夠很好地反映 交通狀態(tài)的特征。
[0005] 為了方便對交通擁堵情況進行觀察，有學者提出通過指數(shù)等方式來表達交通擁堵 情況。國內(nèi)外學者大部分采用服務(wù)水平等級或0-10指數(shù)化的方式展現(xiàn)，最早美國1985年 道路通行能力手冊（HCM)提出根據(jù)交通量，道路使用者的感覺將道路服務(wù)水平劃分為A-F6 個等級；一些學者則定義交通擁堵指數(shù)的取值范圍為0-10,值越大表示擁堵越嚴重。為了 表現(xiàn)區(qū)域（或道路）擁堵強度的變化情況，目前一些學者采用時序圖表示局部區(qū)域擁堵強 度的變化規(guī)律。然而時序圖只能反映某一區(qū)域、某一道路擁堵強度的時變規(guī)律，不能反映該 區(qū)域（該道路）對相鄰區(qū)域（相鄰道路）的影響。


【發(fā)明內(nèi)容】

[0006] 為了克服現(xiàn)有技術(shù)的不足，本發(fā)明首先提出一種交通擁堵預(yù)測方法，本方法輸入 的參數(shù)只有路段速度，路段速度可通過浮動車數(shù)據(jù)獲得。相比于線圈檢測器、視頻等交通信 息采集手段，浮動車技術(shù)具有數(shù)據(jù)量大、覆蓋面廣、成本低等優(yōu)點。
[0007] 本發(fā)明的又一目的是提出一種交通擁堵可視化方法，相對時序圖不能反映區(qū)域 (道路）對周邊路網(wǎng)的影響，本發(fā)明所提出的可視化方法是采用熱力圖表達交通擁堵的分 布，使得交通擁堵直觀易懂，便于理解交通擁堵所在位置以及影響范圍。
[0008] 為了實現(xiàn)上述目的，本發(fā)明的技術(shù)方案為：
[0009] -種交通擁堵預(yù)測方法，包括：
[0010] 采用浮動車獲取GPS數(shù)據(jù)，通過地圖匹配方法將GPS數(shù)據(jù)與電子地圖上的道路相 關(guān)聯(lián)；根據(jù)匹配的數(shù)據(jù)估算路段速度，利用路段速度判斷路段的交通狀態(tài)，所述交通狀態(tài)包 括擁堵和暢通；
[0011] 利用歷史交通狀態(tài)信息構(gòu)建交通擁堵模型；關(guān)聯(lián)實時交通狀態(tài)信息庫進行交通擁 堵預(yù)測；
[0012] 交通擁堵模型包括交通擁堵模型I、交通擁堵模型II和交通擁堵模型III ;
[0013] 假設(shè)本周期中的一天交通狀態(tài)與其上一周期同天的交通狀態(tài)相似或相同，
[0014] 構(gòu)建交通擁堵模型I具體方式為：將η個周期的交通狀態(tài)作為訓練樣本進行訓 練，統(tǒng)計每周期同一天t時刻出現(xiàn)擁堵的概率；
[0015] 目標路段在每周期同一天t時刻出現(xiàn)擁堵的概率：

【權(quán)利要求】
1. 一種交通擁堵預(yù)測方法，其特征在于，包括： 采用浮動車獲取GPS數(shù)據(jù)，通過地圖匹配方法將GPS數(shù)據(jù)與電子地圖上的道路相關(guān)聯(lián)； 根據(jù)匹配的數(shù)據(jù)估算路段速度，利用路段速度判斷路段的交通狀態(tài)，所述交通狀態(tài)包括擁 堵和暢通； 利用歷史交通狀態(tài)信息構(gòu)建交通擁堵模型；關(guān)聯(lián)實時交通狀態(tài)信息庫進行交通擁堵預(yù) 測； 交通擁堵模型包括交通擁堵模型I、交通擁堵模型II和交通擁堵模型III ; 假設(shè)本周期中的一天交通狀態(tài)與其上一周期同天的交通狀態(tài)相同， 構(gòu)建交通擁堵模型I具體方式為：將η個周期的交通狀態(tài)作為訓練樣本進行訓練，統(tǒng) 計每周期同一天t時刻出現(xiàn)擁堵的概率； 目標路段在每周期同一天t時刻出現(xiàn)擁堵的概率：
其中： <是指第i個路段t時刻出現(xiàn)擁堵的概率；vf是指第i個路段在第j個星期t 時刻的路段速度；ντ是擁堵狀態(tài)判別閾值；是指第i個路段在第j個星期t時刻的交通 狀態(tài)，0表示順暢，1表示擁堵； 根據(jù)上述目標路段出現(xiàn)擁堵的概率判斷交通狀態(tài)； 構(gòu)建交通擁堵模型II具體方式為：在訓練樣本中，統(tǒng)計目標路段在從t-Ι時刻的交通 狀態(tài)演變到t時刻的交通狀態(tài)時，相鄰路段在t-Ι時刻的第一交通狀態(tài)分布規(guī)律，所述相鄰 路段是指與目標路段相鄰的路段； 關(guān)聯(lián)實時交通狀態(tài)信息庫進行交通擁堵預(yù)測；是根據(jù)第一交通狀態(tài)分布規(guī)律獲取目標 路段擁堵概率，再根據(jù)該目標路段出現(xiàn)擁堵的概率判斷目標路段的交通狀態(tài)； 構(gòu)建交通擁堵模型III具體方式為： 在訓練樣本中，統(tǒng)計相鄰路段從t-Ι時刻的交通狀態(tài)演變到t時刻的交通狀態(tài)時，該相 鄰路段的上游路段在t-Ι時刻的第二交通狀態(tài)分布規(guī)律，所述上游路段是指相鄰路段的上 游的路段； 在訓練樣本中，統(tǒng)計相鄰路段從t-Ι時刻的交通狀態(tài)演變到t時刻的交通狀態(tài)時，該相 鄰路段的下游路段在t-Ι時刻的第三交通狀態(tài)分布規(guī)律，所述下游路段是指相鄰路段的下 游的路段； 在訓練樣本中，統(tǒng)計目標路段從t-Ι時刻的交通狀態(tài)演變到t時刻的交通狀態(tài)時，相鄰 路段在t時刻的第四交通狀態(tài)分布規(guī)律； 關(guān)聯(lián)實時交通狀態(tài)信息庫進行交通擁堵預(yù)測；是根據(jù)第二交通狀態(tài)分布規(guī)律獲取t時 刻相鄰路段擁堵概率，再根據(jù)該相鄰路段的擁堵概率判斷該相鄰路段的交通狀態(tài)；同時根 據(jù)第三交通狀態(tài)分布規(guī)律獲取t時刻相鄰路段擁堵概率，再根據(jù)該相鄰路段的擁堵概率判 斷該相鄰路段的交通狀態(tài)，最后，根據(jù)由第二、三交通狀態(tài)分布規(guī)律預(yù)測的t時刻相鄰路段 的交通狀態(tài)，以及第四交通狀態(tài)分布規(guī)律獲取t時刻目標擁堵路段概率，再根據(jù)該目標路 段的擁堵概率判斷該目標路段的交通狀態(tài)； 在對交通擁堵進行預(yù)測時，采用上述交通擁堵模型I、交通擁堵模型II或交通擁堵模 型III中任意一種模型或三種模型結(jié)合，采用三種模型結(jié)合時以多數(shù)原則來預(yù)測。
2. 根據(jù)權(quán)利要求1所述的交通擁堵預(yù)測方法，其特征在于，構(gòu)建交通擁堵模中，從t-1 時刻的交通狀態(tài)演變到t時刻的交通狀態(tài)的演變過程為： t-i時刻的交通狀態(tài)為擁堵時，t時刻的交通狀態(tài)為擁堵或順暢； t-i時刻的交通狀態(tài)為順暢時，t時刻的交通狀態(tài)為擁堵或順暢。
3. 根據(jù)權(quán)利要求1或2所述的交通擁堵預(yù)測方法，其特征在于，根據(jù)擁堵概率進行交通 狀態(tài)判斷，當擁堵概率大于等于50%時，則交通狀態(tài)TSi為擁堵，否則為順暢。
4. 根據(jù)權(quán)利要求3所述的交通擁堵預(yù)測方法，其特征在于，所述地圖匹配方法具體為： 獲取候選路段集，通過在定位點周圍構(gòu)建一個誤差區(qū)域來篩選可能的匹配路段，也稱為候 選路段；其中點到線匹配根據(jù)GPS點到各候選路段的距離及GPS點的航向確定匹配路段； 點序列匹配以拓撲連通性作為匹配合理性的約束條件，選取匹配權(quán)重總和最大的路段組合 作為最終的匹配序列。
5. 根據(jù)權(quán)利要求3所述的交通擁堵預(yù)測方法，其特征在于，根據(jù)匹配結(jié)果自適應(yīng)選擇 速度估算模型進行路段速度估算，采用的估算模型為：距離-時間模型、速度-時間梯形積 分模型、車輛跟蹤模型或地點速度調(diào)和平均模型。
6. -種應(yīng)用上述權(quán)利要求1至5任一項所述的交通擁堵預(yù)測方法的可視化方法，其特 征在于，是繪制交通擁堵強度的熱力圖，在繪制熱力圖之前，需要確定熱點位置、熱點影響 范圍、交通擁堵強度衰減規(guī)律以及配色方案； 計算交通的擁堵強度q; 熱點位置，熱點的位置是沿路段分布，每個路段的起終點各設(shè)置一個熱點，從路段起點 開始，每距離Μ米設(shè)置一個熱點； 熱點影響范圍，熱點的影響范圍為半徑Μ/2米的圓，以路段為單位，該路段的交通擁堵 強度平均分配到該路段的所有熱點上；若路段的交通擁堵強度q小于該路段的熱點數(shù)，則 隨機分配到Q個熱點上； 交通擁堵強度衰減規(guī)律，對于每個熱點而言，以圓心為起點，交通擁堵強度隨著離圓心 距離的增大而線性衰減； 配色方案，將交通擁堵強度劃分為N個等級，相鄰等級采用不同顏色標識。
7. 根據(jù)權(quán)利要求6所述的交通擁堵預(yù)測可視化方法，其特征在于，交通的擁堵強度Q 采用以下方式實現(xiàn)：
其中，Q為路段i的交通擁堵強度，X丨為擁堵判別函數(shù)，穹為路段i在第t個時間間隔 內(nèi)的平均車速，VT為擁堵狀態(tài)判別閾值，ai為路段i的車道數(shù)，/丨為路段i在第t個時間間 隔內(nèi)的擁堵長度，st為第t個時間間隔的時長。
8. 根據(jù)權(quán)利要求6或7所述的交通擁堵預(yù)測可視化方法，其特征在于，所述配色方案是 將交通擁堵強度劃分為5個等級，1表示交通擁堵強度最小，5表示交通擁堵強度最大。
9. 根據(jù)權(quán)利要求8所述的交通擁堵預(yù)測可視化方法，其特征在于，等級1-5所對應(yīng)的顏 色是：透明（無色）一藍色一紅色一黃色一白色。
【文檔編號】G08G1/052GK104157139SQ201410381904
【公開日】2014年11月19日 申請日期:2014年8月5日 優(yōu)先權(quán)日:2014年8月5日
【發(fā)明者】何兆成, 葉偉佳 申請人:中山大學