一种交通状态参数的估计方法和系统技术方案

本发明专利技术公开了一种交通状态参数的估计方法和系统。其中的方法包括：实时获取交通数据样本；如果当前时间段内所采集的当前交通数据样本的数量大于预设的交通采集最小样本量，则根据预设的训练模型对当前交通数据样本进行数据拟合，基于误差比判别准则通过修正矩阵对拟合后的数据进行修正，并根据修正后的数据获取交通状态参数的估计值；否则，为当前交通数据样本、上一时间段的交通数据样本和历史量化数据分别设置相应的权重系数；并根据当前交通数据样本、上一时间段的交通数据样本、历史量化数据以及各自的权重系数，计算得到交通状态参数的估计值。通过使用本发明专利技术所提供的方法和系统，可以有效地提高交通状态参数估计的准确性和可靠性。

【技术实现步骤摘要】
一种交通状态参数的估计方法和系统
本专利技术涉及交通
，特别涉及一种交通状态参数的估计方法和系统。
技术介绍
目前，随着我国交通现代化进程快速推进，城市交通拥堵现象日趋严重，严重影响了居民出行的方便以及经济发展。为了有效地解决城市交通拥堵现状，交通管理部门有必要对交通实时运行状态进行监测，对发现的拥堵路段进行有效、及时地疏导与调度。获取城市道路的实时交通动态状态信息是解决城市拥堵问题的重要基础，目前交通动态信息采集方式主要包括：定点交通信息采集和移动交通信息采集。定点交通信息采集方式主要使用地磁、微波、视频、卡口等检测设备。以微波监测器为例，它是一种用雷达监测微波传输交通数据的探测器，通过发射连续频率调制微波在检测地面上，当车辆经过投射区时，微波监测器会接收一个微波信号，通过计算接收频率和时间的变化参数得出车辆的速度和长度。该采集方式主要用于定点检测城市道路重点路段的交通信息，但是，该采集方式存在检测范围小，安装和维修费用较高等问题。移动交通信息采集方式的主要是浮动车数据采集，利用装载定位设备的浮动车在行驶过程中实时记录其运行参数，将位置信息在空间和时间上关联起来，得到目标路段的车辆行驶状态并预测交通路况。但是，在该采集方式中，GPS系统信号会存在“城市峡谷效应”，导致GPS系统不能获得相应时段市区车辆的行驶状态；此外，GPS系统的反射对GPS定位精度也有着显著影响。有关交通状态参数(例如，车速)估计方法已有很多。例如，基于速度加权算法，主要有以下估计方法：一是基于简单多数据源数据融合方法，该方法利用多种异构数据源和各数据源权重系数进行车速融合。二是基于数据融合算法，该方法中主要包括神经网络融合模型、卡尔曼滤波、D-S证据推理和模糊逻辑等算法。其中，第一种方法需要根据具体交通环境确定各种数据源的权重系数，而且需要考虑类似时间特征(例如，高峰、平峰、夜间等)和目标道路(例如，高速公路、快速路、地面道路等)等因素的权重系数；第二种方法主要利用数据融合框架和算法进行交通数据融合和预测，此方式的算法较为复杂，偏重于理论研究，实际应用较少。在现有技术中，也提出了一些交通状态参数的估计方法。例如，在一个中国专利申请(申请号201410084202.9，专利技术名称：“基于多种定位数据计算道路融合行程车速的方法”)中，提出了一种基于多种定位数据计算道路融合车程车速的方法。该方法通过对手机终端定位数据和浮动车GPS定位数据进行车速融合处理，以获取道路目标路段内的平均车程车速，进而获取城市道路的交通状态。该方法解决了单一浮动车数据源采集交通方式在城市市区主要道路部分时段和城市郊区高速公路采集不到交通状态的情况，而且有效地提高了单一GPS数据源采集交通方式在样本量较小的道路路段上交通状态质量问题。但是，该方法需要考虑时间特征(例如，高峰、平峰、夜间等)和目标道路(例如，高速公路、快速路、地面道路等)系数，虽然选取两种信号源进行融合，但上述时间特征系数和目标道路系数的值不易确定，存在不稳定的问题。在另一个中国专利申请(申请号200910199819.4，专利技术名称：“基于浮动车车速置信度的交通状态参数估计方法”)中，基于对浮动车数据的分析，引入了置信度因素，着重考虑浮动车数据样本数量、车速以及交通状态在时间上的延续性，提出了一种基于置信度优化的交通状态参数(车速)的估计方法。通过置信多数车辆、快速车辆并融合上一时段及历史数据，实现了对浮动车平均速度的估计，有效减少了异常数据对计算结果的影响，使计算结果更接近真实路况，同时解决了样本量不足时交通状态参数估计问题，有效提高了交通状态参数估计的准确性和平稳性。但是，该方法在样本量较少的情况下依然参照上一时段的样本数据，融合处理以此估计该时段交通状态参数，在样本数据大于最小采样量时，未考虑异常数据对结果的影响，直接采用速度加权算法，存在一定误差；另外，该方法以不同速度档位设置速度权重系数，高车速的权重系数大小的确定不是很明确。此外，现有技术中还提出了一种基于浮动车数据的多车车速融合算法。在该算法中，构建了一种新的基于浮动车数据的多车车速融合算法。该算法从浮动车行驶特征、多权重系数和多种路况状态等角度，综合考虑在表征实时路况时浮动车多车样本间的共性与个性差异去融合多车车速，提高了实时路况的准确性，并且可根据实际交通环境快速调整相关参数，最后通过实证分析对其准确性进行了评估验证，结果表明能有效提高动态交通信息的准确性，具有良好的实用性。但是，该算法需要根据实际的交通环境确定参数和权重系数，因此存在参数和系数估计误差的问题。综上可知，现有技术中对交通状态参数的估计方法均存在上述的一些问题。因此，亟需提出一种新的对交通状态参数的估计方法，从而可以有效地提高交通状态参数估计的准确性和可靠性。
技术实现思路
有鉴于此，本专利技术提供一种交通状态参数的估计方法和系统，从而可以有效地提高交通状态参数估计的准确性和可靠性。本专利技术的技术方案具体是这样实现的：一种交通状态参数的估计方法，该方法包括：实时获取交通数据样本；当当前时间段内所采集的当前交通数据样本的数量大于预设的交通采集最小样本量时，根据预设的训练模型对当前交通数据样本进行数据拟合，得到拟合后的数据；基于误差比判别准则通过修正矩阵对拟合后的数据进行修正，并根据修正后的数据获取交通状态参数的估计值；当当前时间段内所采集的当前交通数据样本的数量小于或等于预设的交通采集最小样本量时，为当前交通数据样本、上一时间段的交通数据样本和历史量化数据分别设置相应的权重系数；并根据当前交通数据样本、上一时间段的交通数据样本、历史量化数据以及各自的权重系数，计算得到交通状态参数的估计值。较佳的，所述交通状态参数为车速。较佳的，所述实时获取交通数据样本包括：实时采集原始交通数据；根据所采集的原始交通数据和路段信息，通过地图匹配算法生成位置信息关联路段的GPS数据，并对所述GPS数据进行量化，得到量化后的速度概率数据，将所述量化后的速度概率数据作为交通数据样本。较佳的，所采集的原始交通数据包括：车辆编号、出租车公司、接收时间、经度、纬度、方位角、瞬时速度和运营状态。较佳的，在根据预设的训练模型对当前交通数据样本进行数据拟合之前，该方法还进一步包括：根据交通状态参数的历史量化数据，并利用曲线拟合算法计算得到相应训练数据方程的各个参数，获得训练数据方程，并根据该训练数据方程预先设置相应的训练模型。较佳的，所述基于误差比判别准则通过修正矩阵对拟合后的数据进行修正，并根据修正后的数据获取交通状态参数的估计值包括：利用所述预设的训练模型，根据历史量化数据获取当前路段当前时刻下的交通状态参数的概率历史拟合曲线；根据所获取的交通数据样本确定交通状态参数的概率函数；根据概率历史拟合曲线和交通状态参数的概率函数得到样本的误差比矩阵K；根据所述误差比矩阵K得到互补矩阵I；根据互补矩阵I得到各交通数据样本的修正矩阵Λ；根据所述修正矩阵Λ，得到修正后的各交通数据样本的修正值Z'；根据所述各交通数据样本的修正值，通过加权平均算法计算得到交通状态参数的估计值。较佳的，通过如下所述的公式得到误差比矩阵K：其中，K表示为[ε1,ε2,…εn]，Ψ为概率历史拟合曲线，vi(i＝1，2，3，....本文档来自技高网...

【技术保护点】
一种交通状态参数的估计方法，其特征在于，该方法包括：实时获取交通数据样本；当当前时间段内所采集的当前交通数据样本的数量大于预设的交通采集最小样本量时，根据预设的训练模型对当前交通数据样本进行数据拟合，得到拟合后的数据；基于误差比判别准则通过修正矩阵对拟合后的数据进行修正，并根据修正后的数据获取交通状态参数的估计值；当当前时间段内所采集的当前交通数据样本的数量小于或等于预设的交通采集最小样本量时，为当前交通数据样本、上一时间段的交通数据样本和历史量化数据分别设置相应的权重系数；并根据当前交通数据样本、上一时间段的交通数据样本、历史量化数据以及各自的权重系数，计算得到交通状态参数的估计值。

【技术特征摘要】
1.一种交通状态参数的估计方法，其特征在于，该方法包括：实时获取交通数据样本；当当前时间段内所采集的当前交通数据样本的数量大于预设的交通采集最小样本量时，根据预设的训练模型对当前交通数据样本进行数据拟合，得到拟合后的数据；基于误差比判别准则通过修正矩阵对交通数据样本进行修正，并根据修正后的数据获取交通状态参数的估计值，包括：利用所述预设的训练模型，根据历史量化数据获取当前路段当前时刻下的交通状态参数的概率历史拟合曲线；根据所获取的交通数据样本确定交通状态参数的概率函数；根据概率历史拟合曲线和交通状态参数的概率函数得到样本的误差比矩阵K；根据所述误差比矩阵K得到互补矩阵I；根据互补矩阵I得到各交通数据样本的修正矩阵Λ；根据所述修正矩阵Λ，得到修正后的各交通数据样本的修正值Ζ'；根据所述各交通数据样本的修正值，通过加权平均算法计算得到交通状态参数的估计值；当当前时间段内所采集的当前交通数据样本的数量小于或等于预设的交通采集最小样本量时，为当前交通数据样本、上一时间段的交通数据样本和历史量化数据分别设置相应的权重系数；并根据当前交通数据样本、上一时间段的交通数据样本、历史量化数据以及各自的权重系数，计算得到交通状态参数的估计值。2.根据权利要求1所述的方法，其特征在于：所述交通状态参数为车速。3.根据权利要求1所述的方法，其特征在于，所述实时获取交通数据样本包括：实时采集原始交通数据；根据所采集的原始交通数据和路段信息，通过地图匹配算法生成位置信息关联路段的GPS数据，并对所述GPS数据进行量化，得到量化后的速度概率数据，将所述量化后的速度概率数据作为交通数据样本。4.根据权利要求3所述的方法，其特征在于，所采集的原始交通数据包括：车辆编号、出租车公司、接收时间、经度、纬度、方位角、瞬时速度和运营状态。5.根据权利要求1所述的方法，其特征在于，在根据预设的训练模型对当前交通数据样本进行数据拟合之前，该方法还进一步包括：根据交通状态参数的历史量化数据，并利用曲线拟合算法计算得到相应训练数据方程的各个参数，获得训练数据方程，并根据该训练数据方程预先设置相应的训练模型。6.根据权利要求5所述的方法，其特征在于，通过如下所述的公式得到误差比矩阵K：其中，K表示为[ε1,ε2,…,εi,…εn]；Ψ为概率历史拟合曲线；vi，i＝1，2，3，……，n，为交通状态参数；Z为交通状态参数的概率函数。7.根据权利要求6所述的方法，其特征在于，通过如下所述的公式得到互补矩阵I：8.根据权利要求7所述的方法，其特征在于，所述修正矩阵Λ表示为：Λ＝[w1,w2,……wn]；其中，wi为交通状态参数vi的修正因子，且

【专利技术属性】
技术研发人员：柏才盟，杨金东，孙代耀，刘宏斌，张新稳，
申请(专利权)人：青岛海信网络科技股份有限公司，
类型：发明
国别省市：山东;37