偶发性交通拥堵持续时间的数据提取与实时预测方法技术

本发明专利技术涉及一种偶发性交通拥堵持续时间的数据提取与实时预测方法，包括步骤1：交通流参数原始数据的获取与预处理，步骤2：偶发性拥堵事件的提取，步骤3：构造偶发性拥堵事件持续时间的样本数据，步骤4：构建偶发性拥堵持续时间的风险模型，并基于历史数据估计模型参数，步骤5：获取实时数据，对新的偶发性拥堵持续时间进行估计。所述方法基于具体道路情况的速度‑饱和度关系模型和占有率的标准正态变差指标来提取偶发性拥堵事件，通过交通检测系统和GIS地图匹配技术获取偶发性拥堵持续时间的样本数据，运用加速失效风险模型构建偶发性拥堵持续时间的数学模型，基于历史数据对模型进行拟合和参数标定，进而对偶发性拥堵事件进行实时预测。

Data extraction and real-time prediction of the duration of occasional traffic congestion

【技术实现步骤摘要】
偶发性交通拥堵持续时间的数据提取与实时预测方法
本专利技术涉及一种城市道路偶发性交通拥堵持续时间的数据提取与实时预测方法，属于交通运输工程领域。
技术介绍
2019年7月19日，高德地图发布2019年第二季度中国主要城市交通分析报告，报告指出我国50个主要城市全天(6-22点)的平均车速约为30km/h，其中广州的全天平均车速最低，为27.49km/h。交通拥堵对社会生活最直接的影响是增加了居民的出行时间和成本，同时还导致了交通事故的增加。交通拥堵不仅会导致经济社会诸项功能的衰退，而且还将引发城市生存环境的持续恶化，成为阻碍城市发展的“顽疾”。拥堵持续时间是评价交通拥堵的一个关键指标，目前多位学者对拥堵持续时间进行了研究，也有部分专利技术涉及到拥堵持续时间，取得了有益的成果。例如，专利CN102568194A运用元胞传输模型给出了一种城市道路交通拥堵持续时间和空间扩散预测方法；专利CN106910341A通过结合手机位置、速度数据和互联网路况数据来确定拥堵源头和成因，提出了一种多种数据源融合缩短高速公路拥堵持续时间的方法和系统；专利CN109191849A结合固定检测器获取的数据与浮动车上传的GPS数据，提出了一种基于多源数据特征提取的交通拥堵持续时间预测方法。总体而言，现有持续时间相关文献的研究都是针对笼统的拥堵事件，没有对常发性拥堵和偶发性拥堵的持续时间进行区别分析。与常发性拥堵事件相比，偶发性拥堵事件更具有偶然性和随机性，其拥堵事件的持续时间更难预测和控制，给出行者和交管部门带来的不确定性和负面影响也更大。因此，为了减弱偶发性拥堵事件的消极影响，有必要对偶发性拥堵持续时间的特征规律与预测方法进行深入研究。本专利技术提出一种偶发性交通拥堵持续时间的数据提取与实时预测方法。基于具体道路情况的速度-饱和度关系模型和占有率的标准正态变差指标来提取偶发性拥堵事件，通过交通检测系统和GIS地图匹配技术获取偶发性拥堵持续时间的样本数据，运用加速失效风险模型构建偶发性拥堵持续时间的数学模型，基于历史数据对模型进行拟合和参数标定，进而对偶发性拥堵事件进行实时预测。
技术实现思路
针对现有技术中存在的缺陷，本专利技术的目的在于提供一种城市道路偶发性交通拥堵持续时间的数据提取与实时预测方法。为达到以上目的，本专利技术采取的技术方案是：一种偶发性交通拥堵持续时间的数据提取与实时预测方法，包括以下几个步骤：步骤1：交通流参数原始数据的获取与预处理步骤1.1通过城市道路交通信息实时监测系统获取道路各断面的交通流参数，交通流参数具体包括断面、日期、时间、车道号、流量、速度、占有率；步骤1.2对交通流参数原始数据进行预处理在对原始数据进行分析之前，需要对原始数据进行预处理，以提高数据质量；数据的预处理主要是对数据中的缺失值和异常值进行处理；(1)缺失值的处理：缺失值主要表现为缺少属性值，一是断面缺失，即某些断面的记录为空值；二是关键参数缺失，原始数据中某一参数值全部为0或为某一固定值，认为记录数据时发生错误；针对上述缺失值的情况，需要删除缺少属性值的数据文件，保证属性的完整性；(2)异常值的处理：异常值主要表现为某单个属性的值过大或者过小；(a)速度的异常值，车辆速度大于200km/h认为是异常值，处理方式是用其相连的前后两个时段车辆速度的平均值来替代；(b)流量和占有率的异常值，剔除流量和占有率为负值的数据；步骤2：偶发性拥堵事件的提取步骤2.1拥堵事件的判定道路拥挤度用道路的实际交通需求量与相应道路最大通行能力的比值来衡量，即道路饱和度V/C，通常认为当V/C取值为0.8，1.0，1.1，为道路拥挤度的三个拐点；根据速度-饱和度的关系，计算出道路拥挤度三个拐点对应的速度临界值，基于速度临界值判定拥堵事件是否发生；速度-饱和度的关系模型如公式(1)所示：式中，V/C为道路饱和度，为基于速度-饱和度关系模型拟合的车辆速度值，Us为道路设计速度，α1，α2，α3，β均为回归参数；其中α1根据道路具体情况有所变化，根据各个断面的实际车速U，取其85％分位数作为每个断面的设计速度值U′S，根据各个断面的设计速度值U′S对参数α1进行修正，修正后的回归参数α′1为：式中，α′1为修正后的回归参数，Us为道路设计速度，U′S为每个断面的设计速度值，当V/C取值分别为0.8，1.0，1.1时，给定α′1，α2，α3和Us的值，根据公式(1)计算得到三个速度临界值，分别为和根据道路交通信息实时监测系统获取的实际车速U来判定道路拥堵状态，当时，道路交通顺畅；当时，道路轻微拥堵；当时，道路中度拥堵；当时，道路严重拥堵；步骤2.2偶发性拥堵事件的判定在步骤2.1的基础上，进一步判定拥堵事件是否为偶发性拥堵；若拥堵开始时刻造成道路交通流参数的突变，则该次拥堵事件为偶发性拥堵事件，否则为常发性拥堵事件；运用标准差法，通过构造占有率的标准正态变差SND来判定偶发性拥堵事件是否发生，SND的数学表达式如下所示：其中，X为拥堵开始时段的占有率，为X对应时段的前m个时段占有率的平均值，Sm为前m个时段的标准差；当拥堵开始连续两个时段的标准正态变差SND都大于设定阈值Y时，认为发生了偶发性拥堵事件，其中，m和Y的取值为整数，基于历史数据进行试算得到，一般令m取5，Y取4；步骤3：构造偶发性拥堵事件持续时间的样本数据在步骤2的基础上，基于历史数据，以每个偶发性拥堵事件为一个观测样本，统计每个偶发性拥堵事件发生的断面编号、日期、开始时间、结束时间和拥堵持续时间，所述拥堵持续时间为拥堵事件的结束时间与开始时间的差值；通过交通检测系统获取偶发性拥堵事件发生时最初时段内的交通属性和时间属性，运用GIS地图匹配技术，获取相应路段的空间属性和道路环境属性；每个偶发性拥堵事件为一个观测样本，以每个观测样本的开始时间为关键词，将观测样本的断面编号、日期、结束时间、拥堵持续时间，以及相应时段的交通属性、时间属性，相应路段的空间属性和道路环境属性匹配到观测样本中，构造偶发性拥堵事件持续时间的样本数据；步骤4：构建偶发性拥堵持续时间的风险模型，并基于历史数据估计模型参数将偶发性拥堵持续时间视为一种生存持续时间，引入加速失效的风险模型估计偶发性拥堵持续时间及其显著影响因子；步骤4.1、令T表示非负的随机变量，代表偶发性拥堵持续时间，T的密度函数和分布函数分别为f(t)和F(t)，T的生存函数S(t)和风险率函数h(t)分别如式(4)和式(5)所示：生存函数S(t)表示偶发性拥堵持续时间T长于给定时间t的概率；风险率函数h(t)表示拥堵持续至时间t时没有结束，但在接下来的一个非常小的单位时间间隔Δt内结束的条件概率；步骤4.2、构建考虑影响因素的偶发性拥堵持续时间加速失效风险模型，偶发性拥堵持续时间的潜在影响因素定义本文档来自技高网...

【技术保护点】
1.一种偶发性交通拥堵持续时间的数据提取与实时预测方法，其特征在于，包括以下几个步骤：/n步骤1：交通流参数原始数据的获取与预处理/n步骤1.1通过城市道路交通信息实时监测系统获取道路各断面的交通流参数，交通流参数具体包括断面、日期、时间、车道号、流量、速度、占有率；/n步骤1.2对交通流参数原始数据进行预处理/n在对原始数据进行分析之前，需要对原始数据进行预处理，以提高数据质量；数据的预处理是对数据中的缺失值和异常值进行处理；/n(1)缺失值的处理：缺失值表现为缺少属性值，一是断面缺失，某些断面的记录为空值；二是关键参数缺失，原始数据中某一参数值全部为0或为某一固定值，认为记录数据时发生错误；针对上述缺失值的情况，删除缺少属性值的数据文件，保证属性的完整性；/n(2)异常值的处理：异常值表现为某单个属性的值过大或者过小；(a)速度的异常值，车辆速度大于200km/h认为是异常值，处理方式是用其相连的前后两个时段车辆速度的平均值来替代；(b)流量和占有率的异常值，剔除流量和占有率为负值的数据；/n步骤2：偶发性拥堵事件的提取/n步骤2.1拥堵事件的判定/n道路拥挤度用道路的实际交通需求量与相应道路最大通行能力的比值来衡量，即道路饱和度V/C，通常认为当V/C取值为0.8，1.0，1.1，为道路拥挤度的三个拐点；/n根据速度-饱和度的关系，计算出道路拥挤度三个拐点对应的速度临界值，基于速度临界值判定拥堵事件是否发生；/n速度-饱和度的关系模型如公式(1)所示：/n...

【技术特征摘要】
1.一种偶发性交通拥堵持续时间的数据提取与实时预测方法，其特征在于，包括以下几个步骤：
步骤1：交通流参数原始数据的获取与预处理
步骤1.1通过城市道路交通信息实时监测系统获取道路各断面的交通流参数，交通流参数具体包括断面、日期、时间、车道号、流量、速度、占有率；
步骤1.2对交通流参数原始数据进行预处理
在对原始数据进行分析之前，需要对原始数据进行预处理，以提高数据质量；数据的预处理是对数据中的缺失值和异常值进行处理；
(1)缺失值的处理：缺失值表现为缺少属性值，一是断面缺失，某些断面的记录为空值；二是关键参数缺失，原始数据中某一参数值全部为0或为某一固定值，认为记录数据时发生错误；针对上述缺失值的情况，删除缺少属性值的数据文件，保证属性的完整性；
(2)异常值的处理：异常值表现为某单个属性的值过大或者过小；(a)速度的异常值，车辆速度大于200km/h认为是异常值，处理方式是用其相连的前后两个时段车辆速度的平均值来替代；(b)流量和占有率的异常值，剔除流量和占有率为负值的数据；
步骤2：偶发性拥堵事件的提取
步骤2.1拥堵事件的判定
道路拥挤度用道路的实际交通需求量与相应道路最大通行能力的比值来衡量，即道路饱和度V/C，通常认为当V/C取值为0.8，1.0，1.1，为道路拥挤度的三个拐点；
根据速度-饱和度的关系，计算出道路拥挤度三个拐点对应的速度临界值，基于速度临界值判定拥堵事件是否发生；
速度-饱和度的关系模型如公式(1)所示：



式中，V/C为道路饱和度，为基于速度-饱和度关系模型拟合的车辆速度值，Us为道路设计速度，α1，α2，α3，β均为回归参数；
其中α1根据道路具体情况有所变化，根据各个断面的实际车速U，取实际车速U的85％分位数作为每个断面的设计速度值U′S，根据各个断面的设计速度值U′S对参数α1进行修正，修正后的回归参数α′1为：



式中，α′1为修正后的回归参数，Us为道路设计速度，U′S为每个断面的设计速度值，
当V/C取值分别为0.8，1.0，1.1时，给定α′1，α2，α3和Us的值，根据公式(1)计算得到三个速度临界值，分别为和根据道路交通信息实时监测系统获取的实际车速U来判定道路拥堵状态，当时，道路交通顺畅；当时，道路轻微拥堵；当时，道路中度拥堵；当时，道路严重拥堵；
步骤2.2偶发性拥堵事件的判定
在步骤2.1的基础上，进一步判定拥堵事件是否为偶发性拥堵；若拥堵开始时刻造成道路交通流参数的突变，则该次拥堵事件为偶发性拥堵事件，否则为常发性拥堵事件；
运用标准差法，通过构造占有率的标准正态变差SND来判定偶发性拥堵事件是否发生，SND的数学表达式如下所示：



其中，X为拥堵开始时段的占有率，为X对应时段的前m个时段占有率的平均值，Sm为前m个时段的标准差；
当拥堵开始连续两个时段的标准正态变差SND都大于设定阈值Y时，认为发生了偶发性拥堵事件，其中，m和Y的取值为整数，基于历史数据进行试算得到，令m取5，Y取4；
步骤3：构造偶发性拥堵事件持续时间的样本数据
在步骤2的基础上，基于历史数据，以每个偶发性拥堵事件为一个观测样本，统计每个偶发性拥堵事件发生的断面编号、日期、开始时间、结束时间和拥堵持续时间，所述拥堵持续时间为拥堵事件的结束时间与开始时间的差值；
通过交通检测系统获取偶发性拥堵事件发生时...

【专利技术属性】
技术研发人员：杨小宝，夏方林，高自友，闫学东，四兵锋，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11