The invention provides a road congestion analysis method for the analysis of road congestion, the next time including: the establishment of road congestion prediction model, the road congestion prediction model combines the BP neural network model and SVM (support vector machine) model combined model; traffic flow data acquisition and data pretreatment; traffic flow data input road congestion prediction model by road congestion prediction: firstly, based on the BP neural network model and SVM (support vector machine) model to forecast the traffic congestion; then the output results of the two models of the weighted mean value as the final result. The invention can make use of the traffic flow related to the current time and the historical moment related traffic flow, and adopt an improved neural network model to predict the traffic flow, thereby improving the prediction efficiency and accuracy.
【技术实现步骤摘要】
一种道路拥堵情况分析方法
本专利技术涉及城市道路检测领域,具体涉及一种道路拥堵情况分析方法。
技术介绍
随着当今社会的不断发展发展和城市化进程不断加快,在经济和人们生活质量不断提高的同时,也带来了一系列的问题。面对汽车的日益普及,以及人口数量的持续增高,城市交通环境愈来愈恶劣,交通拥挤不断加剧,交通事故频频发生。交通问题成为世界各国亟需解决的问题之一,为了缓解交通问题,智能交通系统(IntelligentTransportSystem,ITS)技术应运而生。ITS是一种结合了当前最先进的硬件与软件技术,综合运用电子信息、人工智能、地理信息、全球定位、影像分析、通信技术等多种技术,而形成的交通综合管理系统。它主要由四大子系统组成,分别为交通信息采集系统、交通信号控制系统、交通视屏监控系统和交通综合管理平台。ITS作为一种被公认为能有效解决交通领域问题的新方法,尤其在解决道路拥堵、减少交通事故和降低交通污染等方法体现出了传统方法所不具备的优势。作为ITS核心技术的交通流诱导系统,其关键理论是基于交通流量预测技术,因而准确高效的交通流预测是交通流诱导系统良好运行的保证。交通流量是反映交通状况的一种重要的信息,其主要内容是采用适当的方法对主要道路交叉路口或断面的交通流量信息,进行实时动态预测,为旅行者提供最佳出行路线,以达到均衡道路交通流量,优化改进交通管理控制的目的。虽然交通流量在时空上不停地变动,但是由于人们出行具有一定的规律性以及城市路网通行能力的制约,交通流量又具有周期相似性和流动相关性。即在每天某一时段的流量具有相似性,而流动相关性是指路网中某一点的车流 ...
【技术保护点】
一种道路拥堵情况分析方法,用于分析下一时刻的道路拥堵情况,具体包括:建立道路拥堵预测模型,所述道路拥堵预测模型是融合了BP神经网络模型和SVM(支持向量机)模型相融合的模型;采集交通流量数据并进行数据预处理;将交通流量数据输入道路拥堵预测模型,得到预测的道路拥堵情况:首先分别通过BP神经网络模型和SVM(支持向量机)模型预测道路拥堵情况;然后将上述两个模型的输出结果加权求平均值,作为最终的结果。
【技术特征摘要】
1.一种道路拥堵情况分析方法,用于分析下一时刻的道路拥堵情况,具体包括:建立道路拥堵预测模型,所述道路拥堵预测模型是融合了BP神经网络模型和SVM(支持向量机)模型相融合的模型;采集交通流量数据并进行数据预处理;将交通流量数据输入道路拥堵预测模型,得到预测的道路拥堵情况:首先分别通过BP神经网络模型和SVM(支持向量机)模型预测道路拥堵情况;然后将上述两个模型的输出结果加权求平均值,作为最终的结果。2.如权利要求1所述的道路拥堵情况分析方法,其中,所述的道路拥堵预测模型的输入量为:q1,q2,q3,Qt,Qt-1,Qt-2,Qt-3,q1、q2、q3以及Qt分别表示了上游交叉口t时刻北方位、西方位、南方位、以及下游路口的交通流量,Qt-1,Qt-2,Qt-3分别表示t-1时刻、t-2时刻、t-3时刻下游路口的交通流量,即t时刻的前3个时刻的交通流量。3.如权利要求1所述的道路拥堵情况分析方法,其中,所述BP神经网络模型包括输入层、隐含层和输出层,输入层包含一层7个节点,隐含层包含一层14个节点,输出层包含一层1个节点,输入层的7个节点分别是q1,q2,q3,Qt,Qt-1,Qt-2,Qt-3,q1、q2、q3以及Qt分别表示了上游交叉口t时刻北方位、西方位、南方位、以及下游路口的交通流量,Qt-1,Qt-2,Qt-3分别表示t-1时刻、t-2时刻、t-3时刻下游路口的交通流量,即t时刻的前3个时刻的交通流量;因为要预测下游路口某一时刻的交通流量,因此输出的神经元数目取1个即要预测的路口流量;根据经验公式,选取14个隐含层单元数目。4.如权利要求1所述的道路拥堵情况分析方法,其中,所述SVM模型采用(q1,q2,q3,Qt,Qt-1,Qt-2,Qt-3)作为输入量来进行预测,即采用了上游的路口流量以及本段路口的前三个时间段和当前时刻的流量总共7个单元来预测下一个时刻的流量。5.如权利要求1所述的道路拥堵情况分析方法,其中,所述SVM模型采用基于粒子群优化的支...
【专利技术属性】
技术研发人员:黄诗平,
申请(专利权)人:广州市科恩电脑有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。