一种道路交通运行态势多时间尺度预测方法技术

本发明专利技术公开了一种道路交通运行态势多时间尺度预测方法，根据高速公路交通流运行的时空特性，通过对不同时间尺度下高速公路交通参数特征的分析，运用指数平滑算法、加权平均算法、卡尔曼滤波法分别对不同时间尺度下的高速公路道路交通运行态势进行预测，构建高速公路道路交通运行态势评价指标体系及多时间尺度高速公路交通流运行态势预测技术，进而实现高速公路运行管理从经验主导向科学主导的转变，被动管理向主动管理的初步转变，能够有效的提升道路交通运行态势预测系统运行效率、降低系统运行成本，可显著提升道路交通指挥和管理协调程度，最大限度为道路交通管理者和使用者的交通管控措施改善和出行计划规划提供最佳决策。

【技术实现步骤摘要】

本专利技术属于智能交通控制系统领域，特别涉及一种道路交通运行态势多时间尺度 预测方法。
技术介绍
道路交通运行态势预测是智能交通系统实施道路交通管理和控制的基础。道路交 通运行态势的准确预测能够确保道路交通流安全畅通运行，帮助道路交通使用者根据未来 时刻道路交通运行态势变化情况合理规划出行方案，帮助道路交通管理者对未来道路交通 运行态势提前认知以便于交通控制措施的精确制定，进而减少道路交通拥挤和道路环境污 染的产生，提高道路行车安全和通行效率。 针对高速公路道路交通运行态势预测的早期研宄中，主要是通过对道路交通流量 预测以实现对道路交通流运行态势识别。上世纪70年代，随着美国高速公路路网的构建， 相关学者逐渐将交通流预测方面的研宄由城市道路（路网）转向高速公路路网交通流预 测，并初步形成了以交通量预测为基础的道路交通运行态势预测的理论方法。 道路交通运行态势变化规律可根据历史数据演化趋势进行时间跨度划分为短、中 及长三个实践尺度。交通流在三个不等长的时间尺度内表现形式既相互关联又存在一定的 差异性。中期和长期交通流运行态势预测中针对交通流参数数据进行预测，主要应用神经 网络、支持向量机、指数平滑等浅层交通流预测模型，预测模型简单，平稳程度较高，但浅层 预测模型能够实现对中长期交通流参数预测结果的输出值精确性较低，且存在预测效果 震荡性较大，运算时间较长等问题，其应用于道路智能交通系统交通参数预测模型中可靠 性较低。 现有的道路交通流运行态势预测方法主要利用基本的预测模型对交通流运行交 通参数数据的短时变化情况预测，预测结果精确度偏低，且尚未实现对道路短时交通流运 行态势的全面预测。 道路短时交通预测方法根据应用的方法不同划分主要分为基于线性回归的预测 方法、基于BP神经网络的预测方法、基于时间序列分析的预测方法以及交通参数多步预测 法等。基于线性回归方法建立了变量之间的线型关系，且应用简单方便和分析。但采用线 性回归的预测模型对交通参数的数据量要求苛刻，存在预测结果精度偏低，容易忽略各交 通参数变量之间的交互效应，不能描述非线性因果关系等缺点。基于BP神经网络的预测方 法交通参数预测精度与训练样本的质量和数量密切相关。因此，在对未来交通状态预测时， 训练样本必须包含各种状态的数据，而且数据量必须足以覆盖各个状态的情况。基于交通 参数多步预测方法是基于大量的历史数据构建的交通参数预测模型，而历史数据与拟预测 交通参数数据时间跨度越大，两者的关联性越低，预测误差越高。而基于时间序列分析方 法能够利用实测的交通参数数据对未来的预测不断进行修正，且较好地反映高速公路交通 流参数随时间变化所呈现的变化趋势，是有效地解决动态时变系统预测方法建模的有效途 径。目前，卡尔曼滤波作为时间序列分析方法中主要方法能够较好的实现对交通流参数数 据的快速准去的预测，但其单纯地考虑了时间序列下交通流运行趋势预测，未考虑空间序 列上交通流态势演化趋势。 传统的短时交通预测模块中仅包括了对短时间尺度的交通流参数数据预测模 型，尚未涉及短时交通参数预测同交通状态影响联合预测模型。而道路交通状态情况对道 路交通流运行情况存在重要的影响，即当交通拥挤持续增加时，单凭交通流参数数据预测 模型对道路交通运行态势预测仅能够体现当前监测点的道路交通运行态势变化情况，并非 整个检测路段的整体道路交通运行态势。因此，使用传统的短时道路交通运行态势预测方 法将使得预测结果准确性受到质疑，可信度降低，对交通管理和控制造成巨大的影响。 综上，针对道路交通运行态势预测方法中尚存许多不足，其主要体现在：目前的道 路交通运行态势预测系统可靠性性，预测结果精度较低，运算时间较长，仅停留在浅层的交 通流参数预测层面上，且尚未形成一个完善的道路交通运行态势多时间尺度预测系统，对 道路交通流运行态势实施精准、实时的预测，没有充分挖掘交通参数数据的利用潜力。
技术实现思路
本专利技术为了克服上述现有技术的不足，而提供一种道路交通运行态势多时间尺度 预测方法，本专利技术以高速公路交通系统为研宄对象，根据高速公路交通流运行的时空特性， 通过对不同时间尺度下高速公路交通参数特征的分析，运用指数平滑算法、加权平均算法、 卡尔曼滤波法分别对不同时间尺度下的高速公路道路交通运行态势进行预测，构建高速公 路道路交通运行态势评价指标体系及多时间尺度高速公路交通流运行态势预测技术，进而 实现高速公路运行管理从经验主导向科学主导的转变，被动管理向主动管理的初步转变。 本专利技术包括道路交通流参数数据预处理和道路交通运行态势多时间尺度预测两 部分： 一、道路交通参数数据预处理： 道路交通数据采集设备自动采集交通流参数数据并通过数据接口上传至交通数 据处理中心，实现对交通参数数据进行数据预处理，交通参数数据预处理过程主要包括异 常数据识别和异常数据修复两个步骤：异常数据识别模块采用阈值剖析方法进行异常数据 识别；异常数据修复采用历史数据跟踪模块实现历史数据的修复；进而将修复后的交通流 参数数据提供给交通信息预测中心进行道路交通运行态势的预测。 所述交通数据处理和管理中心中交通数据预处理具体包括以下步骤： 步骤一，多源传感器自动采集交通参数数据，并上传至交通数据处理和管理中 心； 步骤二，交通数据处理和管理中心通过计算机对采集的多源交通参数数据进行统 一时间序列交通参数数据提取； 步骤三，交通数据处理和管理中心通过计算机对同一时间序列交通参数数据根据 检测器采集数据精度对比实施数据提纯处理； 步骤四，交通数据处理和管理中心中数据预处理模块对采集的初始交通流参数数 据进行异常交通参数数据识别； 步骤五，交通数据处理和管理中心通过计算机根据异常数据修复采用历史数据跟 踪模块实现对异常数据空缺位置数据修复； 步骤六，交通数据处理和管理中心通过计算机对预处理后的交通参数数据存储， 并对历史数据库进行更新。 根据本专利技术交通参数预处理具体技术实施方案，所述多源交通参数数据为多种检 测器采集得到的监测点或监测路段在一定采样间隔内全部车道内通过车辆的具体交通数 据。 所述历史数据是依据交通参数数据采集设备采集到的数据为所要求监测点在小 于短期时间尺度的时间间隔内采集到的交通流参数数据。 二、道路交通运行态势多时间尺度预测： 道路交通运行态势多时间尺度预测模块主要包括道路交通运行态势长期预测、道 路交通运行态势中期预测以及道路交通运行态势短期预测三部分内容，长期、中期及短期 时间尺度根据监测道路实际采集获得的历史交通参当前第1页1 2 3 本文档来自技高网...

【技术保护点】
一种道路交通运行态势多时间尺度预测方法，包括道路交通流参数数据预处理和道路交通运行态势多时间尺度预测两部分：一、道路交通参数数据预处理：道路交通数据采集设备自动采集交通流参数数据并通过数据接口上传至交通数据处理中心，实现对交通参数数据进行数据预处理，交通参数数据预处理过程主要包括异常数据识别和异常数据修复两个步骤：异常数据识别模块采用阈值剖析方法进行异常数据识别；异常数据修复采用历史数据跟踪模块实现历史数据的修复；进而将修复后的交通流参数数据提供给交通信息预测中心进行道路交通运行态势的预测；所述交通数据处理和管理中心中交通数据预处理具体包括以下步骤：步骤一，多源传感器自动采集交通参数数据，并上传至交通数据处理和管理中心；步骤二，交通数据处理和管理中心通过计算机对采集的多源交通参数数据进行统一时间序列交通参数数据提取；步骤三，交通数据处理和管理中心通过计算机对同一时间序列交通参数数据根据检测器采集数据精度对比实施数据提纯处理；步骤四，交通数据处理和管理中心中数据预处理模块对采集的初始交通流参数数据进行异常交通参数数据识别；步骤五，交通数据处理和管理中心通过计算机根据异常数据修复采用历史数据跟踪模块实现对异常数据空缺位置数据修复；步骤六，交通数据处理和管理中心通过计算机对预处理后的交通参数数据存储，并对历史数据库进行更新；所述多源交通参数数据为多种检测器采集得到的监测点或监测路段在一定采样间隔内全部车道内通过车辆的具体交通数据；所述历史数据是依据交通参数数据采集设备采集到的数据为所要求监测点在小于短期时间尺度的时间间隔内采集到的交通流参数数据；二、道路交通运行态势多时间尺度预测：道路交通运行态势多时间尺度预测模块主要包括道路交通运行态势长期预测、道路交通运行态势中期预测以及道路交通运行态势短期预测三部分内容，长期、中期及短期时间尺度根据监测道路实际采集获得的历史交通参数数据变化规律和交通管理者对交通信息获取时间间隔需求联合确定，道路交通运行态势长期预测模块、道路交通运行态势中期预测模块以及道路交通运行态势短期预测模块呈并序非关联实施关系：(1)、道路交通运行态势长期预测：采用历史数据对长期预测时间尺度进行确定，并对自适应指数平滑算法相关系数标定，对交通参数横、纵时间序列数据进行长期预测结果输出，进而通过加权融合方法对交通流参数进行长期预测；所述交通信息控制中心中道路交通运行态势长期预测模块具体实施包括以下步骤：步骤一，交通信息控制中心从交通数据处理和管理中心获取已预处理的多源道路交通参数数据；步骤二，交通信息控制中心根据提取交通参数数据确定长期预测时间尺度；步骤三，交通信息控制中心根据实际交通参数数据选取适当的初始平滑参数α；步骤四，交通信息控制中心以所选取的初始平滑参数计算历史平滑数据步骤五，交通信息控制中心预测根据横、纵时间序列交通历史数据判定预测分析结果是否合理，如不合理计算机自动重新选择平滑参数，如合理对预测结果进行输出并实施步骤六；步骤六，交通信息控制中心通过计算机计算误差信号和跟踪信号，重置平滑参数对下一采样间隔平滑参数重新设定；所述α值应根据时间序列的具体性质在0～1之间选择，跟踪信号Ct误差跟踪信号总是在[‑1，+1]内；当预测无偏时，平滑误差Et总是在零附近波动，故跟踪信号Ct→0；当预测有偏时，这时Et与At相差不大，所以Ct值较大。所述加权系数αt不断地根据跟踪信号Ct逐期自动调整，使预测模型不断地适应实际过程的变化；(2)、道路交通运行态势中期预测：首先采用交通流量数据进行中期道路交通运行态势预测时间尺度确定，交通信息预测中心利用对应时间序列的历史交通参数数据对加权平均算法相关参数标定，进而实施中期道路交通运行态势预测；所述交通信息控制中心中道路交通运行态势中期预测模块具体实施包括以下步骤：步骤一，交通信息控制中心通过计算机从交通数据处理和管理中心获取已预处理的多源道路交通参数数据；步骤二，交通信息控制中心通过计算机根据提取交通参数数据确定中期预测时间尺度；步骤三，交通信息控制中心通过计算机获取n对检测器检测到的车辆数向量为X＝[x1,x2,...,xn]，x1,x2,...,xn；步骤四，交通信息控制中心通过计算机计算x无偏估计值步骤五，交通信息控制中心通过计算机计算参数总体方差σ2；步骤六，交通信息控制中心通过计算机利用柯西不等式及权的定义；步骤七，交通信息控制中心通过计算机计算总的均方差取最小值，当且仅当w12/1σ12=w22/1σ22=...=wn2/1σn2]]>时等号成立；步骤八，交通信息控制中心通过计算机当总体方差取最小值时，获取总均方差最小时所对应的加权因子W*。所述的预测时间尺度根据监测点或监测路段的历史交通参数数据通过变化趋势拟合方式确定，一般交通参...

【技术特征摘要】

【专利技术属性】
技术研发人员：于德新，林赐云，张伟，王树兴，马明辉，杨庆芳，周户星，王薇，龚勃文，郑黎黎，
申请(专利权)人：吉林大学，山东高速股份有限公司，
类型：发明
国别省市：吉林;22