CN116597642A - 一种交通拥堵状况的预测方法及系统 - Google Patents

Abstract

本发明公开了一种交通拥堵状况的预测方法及系统，涉及智慧高速交通态势分析技术领域，包括：获取交通拥堵评价指标，建立交通拥堵预测模型；根据所述交通拥堵预测模型，对所述交通拥堵评价指标进行标准化处理；根据标准化处理后的数据以及预设的交通拥堵等级，获取路段拥堵指数；根据所述路段拥堵指数，对道路拥堵状态进行预测。本发明实现了在周期统计间隔内，计算道路整体拥堵程度的相对数，从宏观角度反映道路交通拥堵水平，从交通拥堵、稳定性、交通效率等多个方面综合分析道路交通运行状态，为交通管理决策提供数据支撑。

Description

一种交通拥堵状况的预测方法及系统

技术领域

本发明涉及智慧高速交通态势分析技术领域，更具体的说是涉及一种交通拥堵状况的预测方法及系统。

背景技术

为了保障高速公路安全通畅地运行，高速公路运营管理者需要时时监控高速公路的运行状况，对出现或可能出现的影响高速公路运营的事件采取高速公路管控措施，以保障高速公路的安全通畅和行车安全。通常情况下，节假日高峰、交通事故处置、事关抢险救灾/救护/警卫等特情交通保障等都需要预判高速公路的态势，准备相应的应急高速公路管控及交通保障预案。

在当前的智慧化高速公路建设中，交通态势的分析和研判毫无疑问是实现海量数据价值挖掘、厘清交通流变化规律、确保高速公路运行畅通的关键，交通态势分析与预测立足于高速公路交通流、事件、环境数据，以算法开发为手段，以智能管控为目的，打造智慧高速发展的强力引擎。

因此，如何提供一种交通拥堵状况的预测方法及系统，反映道路交通拥堵水平，为交通管理决策提供数据支撑是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种交通拥堵状况的预测方法及系统，在周期统计间隔内，计算道路整体拥堵程度的相对数，从宏观角度反映道路交通拥堵水平，从交通拥堵、稳定性、交通效率等多个方面综合分析道路交通运行状态，为交通管理决策提供数据支撑。

为了实现上述目的，本发明采用如下技术方案：一种交通拥堵状况的预测方法，包括：

获取交通拥堵评价指标，建立交通拥堵预测模型；

根据所述交通拥堵预测模型，对所述交通拥堵评价指标进行标准化处理；

根据标准化处理后的数据以及预设的交通拥堵等级，获取路段拥堵指数；

根据所述路段拥堵指数，对道路拥堵状态进行预测。

优选的，所述交通拥堵评价指标包括：路段饱和度S、平均车速V和占有率O；根据所述路段饱和度S、所述平均车速V的倒数和所述占有率O，获取交通拥堵指数。在上述三个交通拥堵评价指标中，路段饱和度和占有率属于极小型指标，指标值越小，说明交通状态越好；平均车速属于极大型指标，平均车速越大说明交通状态越好。为了使三者类型统一，本发明对平均车速取倒数，将其转化为极小型指标。

优选的，对所述交通拥堵评价指标进行标准化处理，具体包括：根据高速公路路段运行状态等级划分标准，分别对所述路段饱和度S、所述平均车速V的倒数和所述占有率O进行标准化处理。

优选的，根据标准化处理后的所述路段饱和度S、所述平均车速V的倒数和所述占有率O划分不同的比例，根据各自所占的比例得到路段拥堵指数。

优选的，所述对道路拥堵状态进行预测，包括：根据所述路段拥堵指数以及路段里程，获取道路交通拥堵指数预测值；根据所述道路交通拥堵指数预测值得到道路整体拥堵水平；

其中，道路交通拥堵指数预测值＝Σ路段交通拥堵指数预测值*路段里程/道路总里程。

优选的，所述路段饱和度S＝路段实际车流量/路段基本通行能力；

所述平均车速V＝路段里程/行驶时间；

所述占有率O＝车辆总长度/路段里程。

优选的，所述预设的交通拥堵等级包括“畅通”“基本畅通”“轻度拥挤”“中度拥挤”“严重拥挤”五种，每个等级分别对应不同的指数范围。

优选的，一种交通拥堵状况的预测系统，包括：

数据获取模块，用于获取交通拥堵评价指标；

模型建立模块，用于根据所述交通拥堵评价指标建立交通拥堵预测模型；

标准化处理模块，用于根据所述交通拥堵预测模型对所述交通拥堵评价指标进行标准化处理；

路段交通评估模块，用于根据标准化处理后的数据确定路段交通拥堵状态；

道路交通预测模块，用于根据路段交通拥堵状态对道路交通拥堵状态进行预测。

经由上述的技术方案可知，与现有技术相比，本发明提供了一种交通拥堵状况的预测方法，包括：获取交通拥堵评价指标，建立交通拥堵预测模型；根据所述交通拥堵预测模型，对所述交通拥堵评价指标进行标准化处理；根据标准化处理后的数据以及预设的交通拥堵等级，获取路段拥堵指数；根据所述路段拥堵指数，对道路拥堵状态进行预测。本发明实现了在周期统计间隔内，计算道路整体拥堵程度的相对数，从宏观角度反映道路交通拥堵水平，从交通拥堵、稳定性、交通效率等多个方面综合分析道路交通运行状态，为交通管理决策提供数据支撑。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明提供的方法流程图；

图2为本发明实施例提供的LSTM神经网络结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种交通拥堵状况的预测方法，包括：

获取交通拥堵评价指标，建立交通拥堵预测模型；

根据所述交通拥堵预测模型，对所述交通拥堵评价指标进行标准化处理；

根据标准化处理后的数据以及预设的交通拥堵等级，获取路段拥堵指数；

根据所述路段拥堵指数，对道路拥堵状态进行预测。

具体的，所述交通拥堵评价指标包括：路段饱和度S、平均车速V和占有率O；根据所述路段饱和度S、所述平均车速V的倒数和所述占有率O，获取交通拥堵指数。在上述三个交通拥堵评价指标中，路段饱和度和占有率属于极小型指标，指标值越小，说明交通状态越好；平均车速属于极大型指标，平均车速越大说明交通状态越好。为了使三者类型统一，本发明对平均车速取倒数，将其转化为极小型指标。

具体的，对所述交通拥堵评价指标进行标准化处理，具体包括：根据高速公路路段运行状态等级划分标准，分别对所述路段饱和度S、所述平均车速V的倒数和所述占有率O进行标准化处理。

具体的，根据标准化处理后的所述路段饱和度S、所述平均车速V的倒数和所述占有率O划分不同的比例，根据各自所占的比例得到路段拥堵指数。

具体的，所述对道路拥堵状态进行预测，包括：根据所述路段拥堵指数以及路段里程，获取道路交通拥堵指数预测值；根据所述道路交通拥堵指数预测值得到道路整体拥堵水平；

其中，道路交通拥堵指数预测值＝Σ路段交通拥堵指数预测值*路段里程/道路总里程。

具体的，所述路段饱和度S＝路段实际车流量/路段基本通行能力；

所述平均车速V＝路段里程/行驶时间；

所述占有率O＝车辆总长度/路段里程。

通过道路上安装的外场设备实时采集获取路段实际车流量、路段基本通行能力等信息，如雷达、微波车检器、交通量调查站等。

其中，所述占有率O为空间占有率，即如果事先已获得各车型的车长资料，根据密度调查现场统计的分车型交通量资料，就可按公式计算空间占有率。如果事先没有各车型的车长资料，要在现场直接量测车型是很困难的，一般是在现场测定车辆的占用时间，按公式计算时间占有率。

车辆的占用时间是利用现场检测器(感应线圈、磁力计或超声波仪器等)测定的。当车辆在检测器的有效地带范围内时，检测器就能保持接通状态，通过计时装置就可测计出车辆通过检测器的延续时间，然后公式计算时间占有率。

如果在测量车辆占用时间的同时，测量车辆的地点车速，计算地点车速的平均值即时间平均车速，则车辆的占用时间与该辆车的地点车速之乘积，为该辆车的占用长度，总观测时间与总观测时间内所有车辆地点车速的平均值即时间平均车速之乘积，为总观测时间相应的路段长度，代入公式也可求得车辆的空间占有率。

具体的，所述预设的交通拥堵等级包括“畅通”“基本畅通”“轻度拥挤”“中度拥挤”“严重拥挤”五种，每个等级分别对应不同的指数范围。根据预设的交通拥堵等级，对道路拥堵状况进行精确预测；

具体的，一种交通拥堵状况的预测系统，包括：

数据获取模块，用于获取交通拥堵评价指标；

模型建立模块，用于根据所述交通拥堵评价指标建立交通拥堵预测模型；

标准化处理模块，用于根据所述交通拥堵预测模型对所述交通拥堵评价指标进行标准化处理；

路段交通评估模块，用于根据标准化处理后的数据确定路段交通拥堵状态；

道路交通预测模块，用于根据路段交通拥堵状态对道路交通拥堵状态进行预测。

具体的，所述数据获取模块中，所述交通拥堵评价指标包括：路段饱和度S、平均车速V和占有率O；根据所述路段饱和度S、所述平均车速V的倒数和所述占有率O，获取交通拥堵指数。

具体的，所述标准化处理模块中，对所述交通拥堵评价指标进行标准化处理，具体包括：根据高速公路路段运行状态等级划分标准，分别对所述路段饱和度S、所述平均车速V的倒数和所述占有率O进行标准化处理。

具体的，所述路段交通评估模块中，根据标准化处理后的所述路段饱和度S、所述平均车速V的倒数和所述占有率O划分不同的比例，根据各自所占的比例得到路段拥堵指数。

具体的，所述道路交通预测模块中，所述对道路拥堵状态进行预测，包括：根据所述路段拥堵指数以及路段里程，获取道路交通拥堵指数预测值；根据所述道路交通拥堵指数预测值得到道路整体拥堵水平；

其中，道路交通拥堵指数预测值＝Σ路段交通拥堵指数预测值*路段里程/道路总里程。

具体的，所述路段饱和度S＝路段实际车流量/路段基本通行能力；

所述平均车速V＝路段里程/行驶时间；

所述占有率O＝车辆总长度/路段里程。

具体的，所述预设的交通拥堵等级包括“畅通”“基本畅通”“轻度拥挤”“中度拥挤”“严重拥挤”五种，每个等级分别对应不同的指数范围。

在本发明的一个具体实施例中，如图1所示；

第一步：选取评价指标

选取路段饱和度S、平均车速V、占有率O三个指标，建立交通拥堵预测模型。

例如高速公路设计车速80km/h，基本通行能力为2000pcu/h/ln，路段单向2条车道。由此，获得路段饱和度S如下式：

S＝Q/C；

其中，S表示路段饱和度，Q表示路段实际车流量，C表示路段基本通行能力；本实施例中，路段基本通行能力为4000(基本通行能力*车道条数)，即S＝Q/4000。

高速公路路段运行状态等级划分标准如表1所示：

表1

在上述三个评价指标中，饱和度S和占有率O属于极小型指标，指标值越小说明交通状态越好，平均车速V属于极大型指标，车速越大说明交通状态越好。三者类型不统一，对平均车速V取倒数，将其转化为极小型指标。

第二步：对单项指标进行标准化处理(保留2位小数)

(1)饱和度

(2)平均车速的倒数

(3)占有率

第三步：计算路段拥堵指数

对单项指标进行标准化处理后，代入下式计算交通拥堵指数(保留1位小数)，并根据交通拥堵等级表(如表2所示)确定当前路段的拥堵指数M：

M＝0.3S+0.4V^*+0.3O；

表2

第四步：对道路拥堵状态进行预测

道路交通拥堵指数预测值根据其所包含路段的交通拥堵指数预测值进行计算，计算方法如下：道路交通拥堵指数预测值＝Σ路段交通拥堵指数预测值*路段里程/道路总里程。

根据得到的道路交通拥堵指数预测值以及表2的交通拥堵等级表，确定交通拥堵等级，进而获得道路的拥堵状态。

其中，道路交通拥堵预测周期可以为5min、15min、30min或1h。

具体的，在本发明的一个实施例中，所述路段的交通拥堵指数预测值的获取方法如下：

路段的交通预测值的获取方法由交通状态预测网络获取，采用LSTM神经网络模型。LSTM网络的结构图如图2所示，所述LSTM网络的结构在RNN基础上，加入门控单元，即LSTM的输入门单元，实现对输入变量有选择的补充和遗忘，从而解决RNN处理长序列时存在的梯度消失问题。

其中，LSTM的输入门单元表示为：

其中，x_t为t时刻的输入，h_t-1为上一时刻隐藏层的状态；W_i、W_f和W_o分别表示输入门、遗忘门和输出门对应输入x_t的权重系数；U_i、U_f和U_o分别表示输入门、遗忘门和输出门对应的上一时刻隐藏层状态h_t-1的权重系数；b_i、b_f和b_o分别表示输入门、遗忘门和输出门三个门控对应的偏置系数；σ表示激活函数。

通过候选记忆单元，更好地捕获长距离时序依赖关系：

其中为候选记忆单元，它的计算与上述三个门的计算类似，但激活函数使用的tanh函数，公式中的参数U_c和W_c分别为h_t-1和x_t对应的权重参数，b_c是偏置参数。C_t为记忆元，主要包含两个部分，F_t⊙C_t-1表示用遗忘门F_t来控制保留多少上一时刻的记忆元C_t-1的信息，而/>表示用输入门I_t来控制采用多少来自/>的新信息。正是由于这样的结构设计使得算法能够更好地捕获长距离时序依赖关系。

最后，隐藏层状态的更新公式表示如下：

h_t＝O_t⊙tanh(C_t)

h_t表示t时刻隐藏层的状态，为LSTM模块的输出。

在本发明实施例中，在LSTM模块之后连接了一个全连接层，即：

y_t＝ReLU(W'h_t)

其中W'是h_t对应的权重系数，激活函数采用ReLU函数，y_t即为输出的交通状态预测值。

上述即为本发明实施例所采用的交通状态预测网络，在本发明的一个具体实施例中，对交通状态数据的处理及网络训练与测试过程如下：

在模型训练之前将某一路段拥堵评价指标数据整理为按照时间和路段排序的二维矩阵D∈R^N×T，其中N表示路段数量，T表示时间窗的个数。然后对二维矩阵D进行归一化处理，针对每一个时间维度，做如下计算：

其中，D表示交通状态按照时间序列排列出来的矩阵，R表示矩阵的维度，具体维度数值为N×T，d代表矩阵中的某一个值。

将归一化之后的数据按比例划分为训练集、验证集和测试集，将数据在时间维度按照7:1:2(比例可以有所调整)的比例划分为训练集验证集/>和测试集/>其中T₁,T₂,T₃分别是数据集在时间维度按照7:1:2的比例划分之后的时间窗个数。

对每一个集合的数据进行切片处理，切片的长度为历史步长(本发明实施例中历史步长为12)+预测步长(本发明实施例中预测步长为1)，目的是训练模型具有使用历史的12个步长的数据来预测未来1个步长数据的能力。

按照深度学习通用的训练与测试方法，将切片后的训练集D_tra打乱，并将每64个切片数据为一组输入到LSTM神经网络模型中进行训练，模型收敛之后即可得到用于预测的模型参数，最后使用训练之后的模型在测试集进行测试，测试阶段需要对模型输出结果进行反归一化处理，公式如下：

D_rec＝d*(D_max-D_min)+D_min

D_rec∈R^N即为所要预测的时间步长内的所有路段的参数，包括但不限于路段饱和度、平均车速和占有率，本发明实施例中每个参数训练一个独立的模型。若模型在测试集的表现良好，则可以保存模型及参数并打包上线，在实际的预测过程中可将数据按照测试集处理，并输入到模型中进行参数预测。

本发明实现了在周期统计间隔内，计算道路整体拥堵程度的相对数，从宏观角度反映道路交通拥堵水平，根据路段交通拥堵指数预测未来一段时间内的道路交通拥堵情况，从交通拥堵、稳定性、交通效率等多个方面综合分析道路交通运行状态，为交通管理决策提供数据支撑。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种交通拥堵状况的预测方法，其特征在于，包括：

获取交通拥堵评价指标，建立交通拥堵预测模型；

根据所述交通拥堵预测模型，对所述交通拥堵评价指标进行标准化处理；

根据标准化处理后的数据以及预设的交通拥堵等级，获取路段拥堵指数；

根据所述路段拥堵指数，对道路拥堵状态进行预测。

2.根据权利要求1所述的一种交通拥堵状况的预测方法，其特征在于，所述交通拥堵评价指标包括：路段饱和度S、平均车速V和占有率O；根据所述路段饱和度S、所述平均车速V的倒数和所述占有率O，获取交通拥堵指数。

3.根据权利要求2所述的一种交通拥堵状况的预测方法，其特征在于，对所述交通拥堵评价指标进行标准化处理，具体包括：根据高速公路路段运行状态等级划分标准，分别对所述路段饱和度S、所述平均车速V的倒数和所述占有率O进行标准化处理。

4.根据权利要求3所述的一种交通拥堵状况的预测方法，其特征在于，根据标准化处理后的所述路段饱和度S、所述平均车速V的倒数和所述占有率O划分不同的比例，根据各自所占的比例得到路段拥堵指数。

5.根据权利要求1所述的一种交通拥堵状况的预测方法，其特征在于，所述对道路拥堵状态进行预测，包括：根据所述路段拥堵指数以及路段里程，获取道路交通拥堵指数预测值；根据所述道路交通拥堵指数预测值得到道路整体拥堵水平；

其中，道路交通拥堵指数预测值＝Σ路段交通拥堵指数预测值*路段里程/道路总里程。

6.根据权利要求2所述的一种交通拥堵状况的预测方法，其特征在于，

所述路段饱和度S＝路段实际车流量/路段基本通行能力；

所述平均车速V＝路段里程/行驶时间；

所述占有率O＝车辆总长度/路段里程。

7.根据权利要求1所述的一种交通拥堵状况的预测方法，其特征在于，所述预设的交通拥堵等级包括“畅通”“基本畅通”“轻度拥挤”“中度拥挤”“严重拥挤”五种，每个等级分别对应不同的指数范围。

8.一种交通拥堵状况的预测系统，其特征在于，包括：

数据获取模块，用于获取交通拥堵评价指标；

模型建立模块，用于根据所述交通拥堵评价指标建立交通拥堵预测模型；

标准化处理模块，用于根据所述交通拥堵预测模型对所述交通拥堵评价指标进行标准化处理；

路段交通评估模块，用于根据标准化处理后的数据确定路段交通拥堵状态；

道路交通预测模块，用于根据路段交通拥堵状态对道路交通拥堵状态进行预测。