CN110362576A

CN110362576A - 一种卡口交通流量预测方法

Info

Publication number: CN110362576A
Application number: CN201910614269.1A
Authority: CN
Inventors: 曹斌; 李�浩; 范菁
Original assignee: Zhejiang University of Technology ZJUT
Current assignee: Zhejiang University of Technology ZJUT
Priority date: 2019-07-09
Filing date: 2019-07-09
Publication date: 2019-10-22

Abstract

一种卡口交通流量预测方法，包括下列步骤：步骤1.对历史卡口交通数据进行预处理2.构建数据结构存储历史数据；步骤3.从R树中获取预测模型所需要的历史数据；步骤4.结合相关卡口和相关时间段找到K个最相关历史时间段进行预测。本发明根据“交通流量预测”的问题，利用非参数回归的算法思想，使用R树和哈希函数结合的方法对数据进行存储和查找，结合历史数据和周边路口数据进行交通流量的预测，高效的实现了交通数据流量的预测需求。本发明能够根据用户对交通拥堵预测情况的需求，预测目标路口在预测时间的拥堵情况，并且可以高效准确的实现交通流量的预测。

Description

一种卡口交通流量预测方法

技术领域

本发明提出了一种高效的卡口交通流量预测方法。

技术背景

城市卡口交通流量预测在现实生活中起着重要作用，例如导航系统和在线的地图服务。基于实时交通流量预测技术的实时路线规划可以指导用户避开交通拥堵的路段，这不仅缩短了旅行所需要的时间，也节省了能源，减少了空气污染。近年来，智能交通系统(ITS)的核心子系统是交通信号控制系统(TSCS)和交通流引导系统(TFGS)，这些功能在中国已经得到了广泛的应用。TSCS通过标记控制来管理道路的交通流状态，而TFGS为驾驶员提供交通信息以便驾驶员可以调整行驶路线从而实现整体的交通流量平衡，即尽力做到道路通畅，而准确的交通流信息是这些应用的基础。因此，准确的实时交通流量预测是交通诱导和信号灯甚至是智慧城市的关键。预测实时交通流量是一项复杂的任务，在过去的几十年里，它一直是一个重要的研究课题，同时也已经有了许多有价值的工作。

交通流量预测问题的重要性吸引了学术界和工业界的兴趣。因此，现在有许多交通流量预测系统可供使用。然而，现有的交通流量预测模型存在以下一个或多个缺点：(1)所使用的数据由交通传感器收集，这些交通传感器不能有效覆盖城市区域。因此，以此数据源构建的流量预测模型不能直接应用于城市地区的交通流量预测。(2)GPS或移动电话基站等新的手段搜集的信息也可用于预测交通流量，已经证明这些方法在高速公路和郊区有良好的预测效果。然而，由于城市交通流量大，城市道路网络复杂，基于上述方法的交通流量预测模型并不适用于城市区域。(3)一些城市交通流量预测模型使用对交通数据有影响附加信息(如占用数据和天气数据)进行预测，但是这种模型通常用于城市中心区域的特定位置，并不能很好的覆盖整个城市，应用范围较小。

发明内容

本发明要克服现有技术的上述缺点，提出一种高效、准确、适用于城市区域的卡口交通流量预测方法。

本发明由数据存储结构和预测模型两部分构成。第一部分构建新的数据结构对历史交通数据的存储和获取。卡口交通数据是整个城市的车辆监控摄像头记录的交通卡口数据。卡口摄像头记录有两部分信息：

(1)摄像头的固定信息，包括摄像机编号，摄像机的纬度和经度信息，汽车行驶方向和道路编号。

(2)摄像头获取的信息，包含通过交通卡口摄像机的汽车的车牌号、汽车通过的时间和摄像头自身的编号。

卡口摄像机记录的是车辆通过这个摄像机的时间点，是单个车辆的卡口通过信息，首先要对原始的卡口数据进行预处理。在这一步将每一条车辆的通过信息进行分类和整理，处理后是带有空间和交通流量属性的卡口交通流量的时间段，每条时间段的信息为在某一时间内，某卡口通过了多少辆车。预处理后方便进行之后高效的数据存取以及准确的交通流量的预测。

将卡口数据处理为包含空间和时间信息的交通流量时间段，每一个时间段都有卡口数据的空间属性和时间属性。R树是存储和获取空间属性的数据一个有效实用的方法，使用R树从空间属性来存取信息；同时哈希函数是复杂度较低而且高效的时间线数据检索方法，使用哈希函数来从时间属性存取信息；二者结合从而高效的从空间和时间上进行卡口时间段数据的存取。

所构建的R树与基本的R树大框架相同，区别在于传统的R树叶子节点直接存放数据，可以根据空间属性获取叶子节点的数据，而本发明构建的R树叶子节点不是简单的存储数据，而是将每一天的卡口时间段按时间属性以哈希函数的方式存储，最终构建起一棵从空间和时间属性进行数据存取的R树。R树的基本思想是分割空间，它是一棵用来存储高维数据的平衡树(叶子节点在同一深度)，通过缩小范围的方式查询，从而不必遍历所有数据，提高搜索的效率。R树叶子节点的结构是(I，tuple-identifier)，tuple-identifier是一条n维的记录，I是n维空间的矩形，恰好框住叶子节点中所有记录代表的n维空间的点；非叶子节点的结构(I，child-pointer)，I是覆盖所有孩子节点的矩形，child-pointer是指向所有孩子节点的指针。叶子节点不是直接存储数据，而是按照时间先后顺序以哈希函数哈希表的方式进行卡口数据的存储，从时间属性上高效存取数据。

设计的R树的性质如下：1.除非它是根结点之外，所有叶子结点包含有m至M个记录索引(条目，进行数据的存取)。作为根结点的叶子结点所具有的记录个数少于m。2.对于所有在叶子中存储的记录(条目)，I是最小的在空间中完全覆盖这些记录所代表的点的矩形(注意：此处所说的“矩形”是扩展到高维空间的)。3.每一个非叶子结点拥有m至M个孩子结点，除非它是根结点。4.对于在非叶子结点上的每一个条目，i是最小的在空间上完全覆盖这些条目所代表的点的矩形(同性质2)。5.所有叶子中按时间顺序存储了大量的卡口数据，但结点都位于同一层，因此R树为平衡树。当加入新的卡口数据，需要更新叶子节点时，再对R树进行划分重建。

接下来根据预测的卡口和时间段，从已经构建好的R树中获取所需要的历史卡口数据。

将所有的包含空间和时间属性的卡口数据时间段存储在了R树中，每个时间段最主要的内容还是卡口交通数据，需要基于这些处理后的卡口交通数据来对目标卡口进行交通流量的预测，所以在这一步需要按照预测的方法所需要的交通卡口数据，从空间和时间角度从R树中存储数据。直接基于单个卡口的预测可能会存在较大的偶然性以及准确度不能满足要求，所以本发明决定基于目标卡口的周边卡口来进行预测，周边卡口通常是目标卡口的上游或者下游车流量，可以对目标卡口的车流量变化产生影响，需要从已经构建好的R树中获得目标卡口以及周边卡口的历史卡口交通车流量数据。

每个卡口数据都有空间和时间属性，首先从空间属性得到每个卡口的地理位置经纬度，从而获得与目标卡口相关的周边卡口。R树是每个卡口的空间属性构建的，所以知道目标卡口后，首先通过R树检索得到周边卡口，然后从R树上得到目标卡口和周边卡口的叶子节点。R树的叶子节点是卡口的历史时间段按哈希函数的方式根据时间先后数据存储的，从需要预测的时间段，找到历史上与当前时间段交通情况相近的卡口交通数据，从而进行预测。

第二部分是利用历史交通数据和实时交通数据，进行卡口交通流量的预测。

进行卡口交通流量预测时，已知当前时间段的卡口交通数据、预测的卡口位置和预测时间段，从已经构建好的数据结构R树中得到目标卡口和周边卡口的历史交通数据后，就结合历史与当前卡口数据，将周边卡口的影响程度一起考虑，最后得到目标卡口在预测时间段的预测车流量值。

相对于只考虑单个卡口的历史数据进行预测，本发明考虑相关卡口来增加准确度，在这里的输入是目标卡口，输出是周边相关卡口的集合。主要思想是确定以目标卡口为中心的区域，然后找出该区域中目标卡口的所有相关卡口，然后再根据目标卡口的空间属性进行筛选，找到地理位置上相近的卡口，一个卡口是另一个卡口的车流量来源或车流量去处，则两个卡口是相关的，车流量是相互影响的。但如果车流量是相反方向的，则认为是不相关的卡口。这一步是基于目标卡口的空间和位置信息来判断的。找到相关卡口之后，根据下面的公式对目标卡口和相关卡口的交通数据进行线性加权，得到目标卡口的交通流量值。

交通流量值M＝相关卡口的车流量值P×各个卡口对目标卡口的影响权重+目标卡口的车流量值(1-P)。

参数P是一个根据历史卡口数据进行调整的权重参数，表示相关卡口对目标卡口影响程度，计算P时从历史卡口数据中得到相关卡口和目标卡口的空间位置，然后结合每一个历史时间段里目标卡口和相关卡口的交通流量值之间的相似度进行计算和调整，最后得到一个相关卡口对目标卡口的影响权重参数P；

根据公式计算出每个时间段目标卡口的交通流量值，接下来找到与当前时间段交通流量值和空间相关的历史时间段，比较得到与当前时间段交通情况最相似的K个时间段，然后基于最相似的K个相似时间段来得到预测时间段目标卡口的交通流量值，最后进行整理和分析得到目标卡口预测时间段的车流量值。

综上所述，本发明的预测模型的有点主要有如下三点：(1)利用R树和哈希函数的思想进行数据的存储，高效准确的存取数据。(2)预测模型使用丰富且准确的城市卡口数据，模型更适用于城市区域。(3)结合周边卡口和历史数据的预测模型准确度更高。

本发明所述的一种高效的卡口交通流量预测方法，包括下列步骤：

步骤1.对历史卡口交通数据进行预处理；

对原始卡口数据进行处理，将监控摄像头记录的车辆信息处理为包含时间和空间属性的车流量数据。预处理后每一条数据是一个时间段，时间段中包含卡口的空间信息和该事件段内通过的车辆数。

步骤2构建数据结构存储历史数据；

将所有包含卡口交通流量的数据的时间段按空间经纬度信息存放到R树中，R树的叶子节点为每个卡口的全部历史交通卡口时间段数据段依照时间先后顺序按哈希函数的方法进行存储，R树的数据会周期性更新。

步骤3获取历史数据；

进行预测时，需要提供预测的卡口、预测的时间段以及当前时刻的交通卡口数据，从R树中按照条件进行检索得到所需要的历史数据。首先根据预测的目标卡口经纬度和卡口方向等空间属性信息，得到目标卡口的周边相关卡口，其次根据当前时间段的交通卡口数据，从R树中得到与当前时间段交通情况相近的历史时间段。最后得到与当前时间段在空间上相关的所有历史时间段。

步骤4.找到K个最相关的历史时间段；

得到历史时间段后，根据下面公式，计算出每个目标卡口在时间段的交通情况：

交通流量值M＝相关卡口的车流量值P×各个卡口对目标卡口的影响权重+(1-P)目标卡口的车流量值。

参数P是一个根据历史卡口数据进行调整的权重参数，表示相关卡口对目标卡口影响程度，计算P时从历史卡口数据中得到相关卡口和目标卡口的空间位置，然后结合每一个历史时间段里目标卡口和相关卡口的交通流量值之间的相似度进行计算和调整，最后得到一个相关卡口对目标卡口的影响权重参数P。

每个时间段都计算得到一个交通流量值M，与当前时间段的交通情况值M进行比较找到与当前时间段交通情况最相近的K个历史时间段。再根据当前时间段和预测时间段的时间差，找到所有K个历史时间段各自相同时间差的时间段，得到这些时间段的交通流量值计算平均数，作为目标卡口在预测时间段的预测车流量值。

本发明的优点是：能够根据用户对城市中交通拥堵预测情况的需求，预测目标路口在预测时间段的车流量值，进而对目标路口在预测时间段的拥堵情况进行预测。本发明使用的卡口数据相较于传统的GPS、交通项圈等交通数据而言更为准确和高效，使用R树和哈希函数结合的数据存储方法可以从空间和时间上快速获取预测所需要的数据，从而进行准确的车流量预测。

附图说明

图1是本发明方法的流程图。

图2是演示例子的相关卡口图。

图3演示例子的相关时间段选择图。

图4是本发明的系统架构图。

图5是本发明构建的R树示意图。

具体实施方法

下面结合附图1-5，进一步说明本发明的技术方案。

第一部分是构建存储历史卡口数据的R树，历史卡口数据的预处理之后，构建如图5的R树。将杭州市所有的历史卡口数据处理成带有空间和时间信息的历史时间段，按经纬度坐标存放到R树里，然后根据哈希函数的思想，将这些带有交通信息的时间段存放到R树的叶子节点中，从而根据空间和交通信息快速的得到需要的历史时间段。

第二部分是预测部分,以预测文三路学院卡口为例子来说明方法的具体实施。假设当前时间为上午7点50,，首先输入需要预测的目标卡口：杭州市文三路学院卡口；需要预测的时间段：上午8:00-8:05。根据输入的信息在R树中筛选历史时间段。按空间方法筛选如图2所示，得到目标卡口周边的所有卡口，然后根据车辆形式方向得到最后所选择的目标卡口；图3为所选择的历史相关时间段的示意图，因为每一天相同或相近时间的交通情况是相似的，即得到历史每一天与当前时间段相近的所有时间段作为历史时间段。

根据输入的目标卡口和目标预测时间段，计算出当前时间段的交通情况值。具体步骤为：系统根据输入的目标卡口，经过检索得到目标卡口文三路学院卡口的周边卡口为：文三路教工卡口、文三路保椒北卡口、文二路学院卡口、文三路古翠卡口、天目山路学院卡口。然后根据前文提到的公式：

交通流量值M＝相关卡口的车流量值P×各个卡口对目标卡口的影响权重+(1-P)目标卡口的车流量值。(P是一个可调的参数)

参数P是一个根据历史卡口数据进行调整的权重参数，表示相关卡口对目标卡口影响程度。计算P时首先从历史卡口数据中得到相关卡口和目标卡口的空间位置，从中可以得到目标卡口和相关卡口的车辆方向是否一致，相关卡口和目标卡口在空间上有多大的相关程度；其次计算每一个历史时间段里目标卡口和相关卡口的交通流量值之间的相似度，最后将两个结果结合进行计算和调整，可以得到一个相关卡口对目标卡口的影响权重参数P。

计算出每个时间段以目标路口为中心的交通流量值，根据当前时间段的交通流量值，得到交通情况最相近的K个历史时间段，这K个历史时间段是与当前时间段交通情况最相近的时间段，并不能直接得到预测时间段的车流量。当前时间段之后10分钟是预测时间段，所以历史时间段都要找到10分钟之后的K个时间段，这K个时间段是与预测时间段交通情况相近的，最后根据这些时间段得到目标卡口预测时间段的交通流量预测值。整个计算过程如图1和图4所示，输入目标卡口和预测时间段，便得到目标卡口在预测时间段的车流量预测值。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims

1.卡口交通流量预测方法，包括下列步骤：

步骤1.对历史卡口交通数据进行预处理；

对原始卡口数据进行处理，将监控摄像头记录的车辆信息处理为包含时间和空间属性的车流量数据；预处理后每一条数据是一个时间段，时间段中包含卡口的空间信息和该时间段内通过的车辆数；

步骤2构建数据结构存储历史数据；

将所有包含卡口交通流量的数据的时间段按空间经纬度信息存放到R树中，R树的叶子节点为每个卡口的全部历史交通卡口时间段数据段依照时间先后顺序按哈希函数的方法进行存储，R树的数据会周期性更新；

步骤3获取历史数据；

进行预测时，需要提供预测的卡口、预测的时间段以及当前时刻的交通卡口数据，从R树中按照条件进行检索得到所需要的历史数据；首先根据预测的目标卡口经纬度和卡口方向等空间属性信息，得到目标卡口的周边相关卡口，其次根据当前时间段的交通卡口数据，从R树中得到与当前时间段交通情况相近的历史时间段；最后得到与当前时间段在空间上相关的所有历史时间段；

步骤4.找到K个最相关的历史时间段；

交通流量值M＝相关卡口的车流量值P×各个卡口对目标卡口的影响权重+(1-P)目标卡口的车流量值；

每个时间段都计算得到一个交通流量值M，与当前时间段的交通情况值M进行比较找到与当前时间段交通情况最相近的K个历史时间段；再根据当前时间段和预测时间段的时间差，找到所有K个历史时间段各自相同时间差的时间段，得到这些时间段的交通流量值计算平均数，作为目标卡口在预测时间段的预测车流量值。