大数据环境下立体城市交通路网全局状态预测方法技术

一种大数据环境下立体城市路网全局状态预测方法，针对耦合多层的大规模城市交通路网，定义了包含耦合信息的全局交通模式，并提出了提取路网主要特征的方法，将高维状态时间序列转换为离散状态类序列，简化了高维数据在处理和预测中的困难。从交通的周期性、延迟性等特征出发，构建包含多元交通特性的历史状态转移信息库，充分利用海量数据的信息和数据驱动思想，运用马尔科夫转移概率理论，实现了多步全局交通状态的预测。全局的交通预测可以一次性获取各个区域的交通状态，与现有的交通预测方法相比，本发明专利技术在快速获得长期预测结果基础上，具有较好效果的预测输出。

【技术实现步骤摘要】

本专利技术涉及城市交通路网交通状态预测领域，具体是一种大数据环境下立体城市交通路网全局状态预测方法。
技术介绍
城市交通状态不仅能影响个人出行体验，也是城市良性发展的重要指标。城市智能交通系统(Intelligent Transportation System)的实现能够改善交通运行效率，提高城市环境质量，提升市民生活品质，因此智能交通是相关研究者和城市管理部门长期关注的焦点。准确可靠的交通状态定义和预测为智能交通系统提供了核心基础。经过对现有技术的文献检索发现，早期的研究者使用传统时间序列分析的方法来预测交通变量，包括历史平均模型，移动自回归，卡尔曼滤波等。还有一些研究者使用交通理论搭建相关模型并对其中的变量进行预测，例如元胞传递模型，S模型可以用来预测未来交通趋势。但这些方法和模型是建立在理想化的数学理论之上，比较难处理实际生活中复杂的大规模城市交通情况。近年来越来越多的机器学习方法被用在交通预测中，比如Chun-Hsin Wu等在2004年的IEEE Transactions on Intelligent Transportation System上发表的Travel-time prediction with support vector regression中用支持向量机的方法预测行程时间，Siyan Liu等在2015年的Journal of Shanghai JiaotongUniversity(Science)上发表的A Short-term Traffic FlowForecasting Method and Its Applications中采用人工神经网络预测短期交通流量，Yanyan Xu等在2013年的Intelligent Vehicles Symposium上发表的Short-term Traffic Volume Prediction using Classification and Regression Trees中使用分类和回归树的方式预测短期交通流量，Yisheng Lv等学者在2014年的IEEE Transactions on Intelligent Transportation Systems上发表的Traffic Flow Prediction With Big Data:A Deep Learning Approach中提出了采用深度学习方法预测交通流的思路。以上这些方法都是以单个交通变量作为预测目标，常见的交通变量包括交通流量、道路平均速度、车辆运行时间、排队长度等，这些交通变量能够在某种程度上反映交通状态。目前的研究方法在预测时大多只考虑了单个路段或路口，没有很好地把交通要素之间的关联影响纳入预测方法。随着交通数据采集技术的进步，研究者掌握了越来越多的交通数据，数据采集方式包括道路定点检测器、浮动车、移动通信数据、车辆拍照检测数据等。近年来大数据分析技术的兴起也给交通研究带来了新的启迪和机遇。大数据分析技术的核心是从多样且海量的数据中，快速获取有价值的信息。现代城市交通拥有多元化的交通要素，而且包含了要素之间的丰富的相互关联，比如城市多层交通路网数据和它们之间的关联耦合关系。
技术实现思路
针对现有的研究背景，本专利技术提供了一种大数据环境下对立体城市交通路网全局状态的预测方法，利用大数据提供的空间和时间关联信息，将耦合网络之间的关联因子纳入预测方法，能够较高精度地快速获取未来全局交通状态信息，且方法通用性好，适用于多层交通网络的预测。该预测方法由以下几个步骤构成。步骤1、数据预处理。该步骤的输入为道路拓扑图和原始数据，具体包括以下几个子步骤：S1、按照道路属性(主干路、次干路、快速路、匝道路等)进行网络分层，对所采集的数据进行数据清洗，将各层路网数据分开存储，获得历史数据集。S2、对历史数据集进行拓扑划分，融合初始道路速度数据，获取区域网格速度，并定义带有耦合信息的全局交通特征。确定全局交通模式的有效数目，通过聚类将历史数据集转换为交通模式的编号序列，记作样本数据集，具体聚类方法可采用通用的聚类技术。步骤2、预测建模。该步骤的输入为数据预处理的输出，即样本数据集，输出为预测模型。子步骤包括：S3、给样本数据集加入日期属性(工作日、双休日)标签，对各层路网不同日期属性的样本数据分开建立信息库。S4、建立参数优化模型确定预测模型的最优参数。步骤3、预测实施。该步骤的输入为预测步数，置信度，预测模型，以及数据采集系统获得的当前城市交通状态信息，输出为多步全局交通状态预测结果及结果匹配度。具体包括：S5、采用优化的模型参数和预测算法计算未来可能的全局交通模式以及各模式对应的概率，并计算结果匹配度。上述步骤中，数据预处理中子步骤S1包括以下操作S1.1、根据历史采集数据中所涉及的道路类型，将历史采集数据划分成不同的子路网历史数据集。S1.2、设定子路网历史数据集中各道路的平均速度值的有效范围，删除不在有效范围内的异常数据，并剔除数据库中重复的数据。S1.3、按照子路网历史数据集中日期、时间和路段编号的连续性，采用数据缺失值的填补方法完善序列中缺失的速度值，从而得到完整的历史数据集。填补方法可采用如均值填补或回归替换等通用技术。所述数据预处理中子步骤S2包括以下操作S2.1、根据所预测路网拓扑的经纬度大小将各层的城市交通路网划分成若干个矩形子区域，获得每个子区编号，该区中所有道路编号和这些道路落在该区域中的有效长度，将以上信息存入不同路网的【区域-路段】表中。S2.2、网格数据融合：以各道路在该区域中的有效长度L→{l1,l2,…li,…本文档来自技高网...

【技术保护点】
一种大数据环境下立体城市路网全局状态预测方法，其特征在于，该方法包括数据预处理、预测模型和预测实施三个阶段，具体步骤如下：数据预处理阶段：S1、根据采集的原始数据和地图拓扑中道路类型属性进行网络分层和数据清洗，获得历史数据集；S2、对历史数据集进行拓扑划分后，融合初始道路速度数据，获得区域网格速度，并定义带有耦合信息的全局交通特征，确定全局交通模式的有效数目，通过聚类将历史数据集转换为交通模式的编号序列，记作样本数据集；预测模型阶段：S3、给样本数据集加入日期属性标签，对各层路网不同日期属性的样本数据分开建立信息库；S4、建立参数优化模型确定预测模型的最优参数。预测实施阶段：S5、采用优化的模型参数和预测算法计算未来可能的全局交通模式以及各模式对应的概率并计算结果匹配度。

【技术特征摘要】
1.一种大数据环境下立体城市路网全局状态预测方法，其特征在于，该方法包括数据预处理、预测模型和预测实施三个阶段，具体步骤如下：数据预处理阶段：S1、根据采集的原始数据和地图拓扑中道路类型属性进行网络分层和数据清洗，获得历史数据集；S2、对历史数据集进行拓扑划分后，融合初始道路速度数据，获得区域网格速度，并定义带有耦合信息的全局交通特征，确定全局交通模式的有效数目，通过聚类将历史数据集转换为交通模式的编号序列，记作样本数据集；预测模型阶段：S3、给样本数据集加入日期属性标签，对各层路网不同日期属性的样本数据分开建立信息库；S4、建立参数优化模型确定预测模型的最优参数。预测实施阶段：S5、采用优化的模型参数和预测算法计算未来可能的全局交通模式以及各模式对应的概率并计算结果匹配度。2.根据权利要求1所述的大数据环境下立体城市路网全局状态预...

【专利技术属性】
技术研发人员：袁铖珏，李德伟，席裕庚，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31