一种基于时空相关性的交通流量数据恢复方法技术

本发明专利技术公开了一种基于时空相关性的交通流量数据恢复方法。该方法包括前期交通数据转换、异常数据筛选方法和后续的交通流数据恢复方法。其中数据筛选方法，根据实际交通流数据的异常情况涉及了阈值筛选、零数据筛选和质量筛选法。然后根据交通流数据在时间上和空间上的相关性，结合时间序列法和多元线性回归法，即基于时间相关性和空间相关性的数据恢复方法，设计了基于时空相关性的综合交通流数据恢复方法。本发明专利技术方法简单快速，能够满足实时处理的要求，且所得结果的精确度高。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了。该方法包括前期交通数据转换、异常数据筛选方法和后续的交通流数据恢复方法。其中数据筛选方法，根据实际交通流数据的异常情况涉及了阈值筛选、零数据筛选和质量筛选法。然后根据交通流数据在时间上和空间上的相关性，结合时间序列法和多元线性回归法，即基于时间相关性和空间相关性的数据恢复方法，设计了基于时空相关性的综合交通流数据恢复方法。本专利技术方法简单快速，能够满足实时处理的要求，且所得结果的精确度高。【专利说明】
本专利技术属于交通工程领域，涉及。
技术介绍
交通信息数据是智能交通系统的基础，优质、完整的交通信息数据有利于提高交通管理和控制的准确性。交通信息数据主要有交通流量、速度和占有率，其中交通流量数据是最基本也是最重要的数据。通常，智能交通系统主要采用浮动车数据和路口及路段车辆检测器数据。浮动车数据是指通过装备全球定位系统的浮动车得到的位置数据，以及由此推断得到的速度、行程时间等数据；路口及路段车辆检测器数据是指通过安装在路口或者路段中的各种车辆检测器检测得到的交通流量、速度、占有率等数据。相对来说，浮动车数据由于采用GPS技术，数据可靠性和准确性较高，但得到的数据不够全面、完整，一般作为辅助数据，应用并不广泛；而路口及路段车辆检测器数据非常全面、完整，是交通系统的主要数据来源，但是由于检测器故障、老化等原因，得到的数据质量相对较差且存在大量数据缺失，对后续的有交通控制决策制定带来了极大的困难，故必须对这些数据进行筛选并补充恢复。目前，我国关于交通流量数据筛选及恢复的研究已出具成果，所采用的方法有包括kalman滤波、非参数回归、神经网络等各种智能算法。然而，在提高了数据筛选及恢复的精确性的同时，这些算法都过于复杂，不能满足交通数据需实时处理的要求，难以真正用在实际道路交通信号控制系统中。
技术实现思路
本专利技术的目的是针对现有技术的不足，提出。为解决上述技术问题，本专利技术所采用的技术方案如下:本专利技术方法包括以下步骤:步骤(1).交通流量数据格式转换:将检测点由车辆检测器检测得到的原始交通流量数据tlOTig单位换算成标准小时流量数据，然后对该标准小时流量数据进行加权平均转换成固定周期T的交通流量数据集q ；所述的固定周期T可根据实际应用所需而定；所述的固定周期T的交通流量数据集q={q(l),…，q(k),…，q(n)} ；q(k)表示k时间段的交通流量数据，其中【权利要求】1.，其特征在于该方法包括以下步骤: 步骤(1).交通流量数据格式转换: 将检测点由车辆检测器检测得到的原始交通流量数据qOTig单位换算成标准小时流量数据，然后对该标准小时流量数据进行加权平均转换成固定周期T的交通流量数据集q ； 所述的固定周期T的交通流量数据集q={q(l)，…，q(k)，…，q(n)} ；q(k)表示k时间段的交通流量数据,其中灸= 1,2,...,n=1440/t，: 所述的标准小时流量数据表示单位为车辆/小时的交通流量数据； 步骤(2).交通流量数据筛选 .2.1阈值筛选: 对步骤(1)得到的固定周期T的交通流量数据集q进行阈值筛选，即对交通流量数据集q中的交通流量数据q(k)进行逐个比较，根据公式(I)进行筛选，剔除交通流量数据集q中不符合公式(2)的数据:.O < q(k) < Qmax (I);Qmax = fcXC (2)； 其中阈值Qmax的单位为veh/h ;C表示车道的基本通行能力，单位为veh/h ；fc为常数； .2.2零数据筛选: 对步骤2.1筛选后得到的交通流量数据集进行零数据筛选，具体步骤如下: 根据泊松分布原理得到时间间隔t内到达车辆数的概率PU)见公式(3):【文档编号】G06F19/00GK103971520SQ201410154792【公开日】2014年8月6日 申请日期:2014年4月17日 优先权日:2014年4月17日 【专利技术者】宋春跃, 吴俏, 沈国江, 王慧 申请人:浙江大学本文档来自技高网...

【技术保护点】
一种基于时空相关性的交通流量数据恢复方法，其特征在于该方法包括以下步骤：步骤（1）.交通流量数据格式转换：将检测点由车辆检测器检测得到的原始交通流量数据qorig单位换算成标准小时流量数据，然后对该标准小时流量数据进行加权平均转换成固定周期T的交通流量数据集q；所述的固定周期T的交通流量数据集q={q(1),…,q(k),…,q(n)}；q(k)表示k时间段的交通流量数据，其中所述的标准小时流量数据表示单位为车辆/小时的交通流量数据；步骤（2）.交通流量数据筛选2.1阈值筛选：对步骤（1）得到的固定周期T的交通流量数据集q进行阈值筛选，即对交通流量数据集q中的交通流量数据q(k)进行逐个比较，根据公式（1）进行筛选，剔除交通流量数据集q中不符合公式（2）的数据：0＜q(k)＜Qmax    (1)；Qmax＝fc×C    (2)；其中阈值Qmax的单位为veh/h；C表示车道的基本通行能力，单位为veh/h；fc为常数；2.2零数据筛选：对步骤2.1筛选后得到的交通流量数据集进行零数据筛选，具体步骤如下：根据泊松分布原理得到时间间隔t内到达车辆数的概率P(x)见公式（3）：P(x)=(λt)xe-λtx!---(3);]]>式中P(x)为时间间隔t内到达x辆车的概率，x为自然数；λt为时间间隔t内平均到达的车辆数；若置信水平α＝0.01，采样间隔内有车辆通过，即x＞0的概率为：P(x>0)=1-P(0)=1-(λt)0e-λt0!=0.99---(4);]]>由此可得：λt≈4.6(veh/(tmin))    （5）；Q0=λt×60t(veh/h)---(6);]]>其中Q0表示时间间隔t内的标准小时交通流量数据；若时间间隔t等于固定周期T，当k时段的历史平均交通流量大于Q0，且实际检测到的交通流量数据q(k)显示为零时，则从步骤2.1筛选后得到的交通流量数据集中筛选出该数据，如公式（7）所示：2.3质量筛选：对步骤2.2筛选后的交通流量数据集进行质量筛选，剔除不符合式（8）的数据；min{q‾(k)-2σq,q(k-1)+d‾(k)-2σd}≤q(k)≤max{q‾(k)+2σq,q(k-1)+d‾(k)+2σd}---(8);]]>其中为k时段的历史平均交通流量，σq为的方差；为k时段与k‑1时段的流量平均差值，σd为的方差；步骤（3）.交通流量数据恢复：3.1利用基于时间相关性的交通流量数据恢复方法，得到缺失数据车道流量数据的预测值：首先采用简单移动平均法构造时间序列模型以得到步骤（2）筛选后的交通流量数据中缺失数据车道流量数据的预测值见公式（9）：q^T(k)=q(k-1)+q(k-2)+···+q(k-n)n---(9);]]>其中n为移动平均个数；3.2利用基于空间相关性的交通流量数据恢复方法，得到缺失数据车道流量数据预测值：首先采用多元线性回归分析，以步骤（2）筛选后的交通流量数据中缺失数据车道流量数据检测点交叉口的上下游交叉口的交通流量数据为自变量，建立多元回归模型，得到当前交叉口交通流量预测值然后乘以数据缺失车道j在该时段k的车道占有率fj(k)，得到缺失数据车道流量数据预测值见公式(10)；q^S(k)=Q^(k)×fj(k)---(10);]]>若上游交叉口有a个方向车流驶向检测路段，同时有驶出路段的车辆分b个方向驶向下游交叉口,则共有i＝a+b个自变量Q1(k)、Q2(k)、……、Qi(k)；Q^(k)=β0+β1Q1(k)+β2Q2(k)+···+βiQi(k)---(11);]]>式中β0、……、βi为回归系数；fj(k)=Hqj(k)Σj=1mHqj(k)---(12);]]>式中Hqj(k)表示数据缺失车道j在时段k内的历史交通流量，m为检测点车道数；3.3利用基于时空相关性的交通流量数据恢复方法，得到最终的缺失数据车道流量数据恢复值：根据公式（13）、（14）计算上述步骤3.1、3.2两模型预测值的百分比相对误差RT和RS，并根据公式（15）确定综合模型的权重系数θ；RT=(|q^T(k)-q(k)|/q(k))×100%---(13);]]>RS=(|q^S(k)-q(k)|/q(k))×100%---(14);]]>θ=RTRT+RS---(15);]]>最后根据式...

【技术特征摘要】

【专利技术属性】
技术研发人员：宋春跃，吴俏，沈国江，王慧，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33