一种基于车联网大数据的区域短时交通流预测方法及系统技术方案

本发明专利技术公开了一种基于车联网大数据的区域短时交通流预测方法及系统，实现对流经目标区域内的多类型车辆的类型、数量进行预测，提高了园区交通管控能力、商用车的资源利用效率以及为商家生产安排提供指导，同时将单位时间预测的量，划分为若干个时区段，采用分时区法进行预测，稀释了预测准确率较低的时区段，从而使其单位时间的预测准确率有了明显提高。

【技术实现步骤摘要】
一种基于车联网大数据的区域短时交通流预测方法及系统
本专利技术涉及车流量预测
，特别是一种基于车联网大数据的区域短时交通流预测方法及系统。
技术介绍
商用车联网通过北斗/GPS、RFID、传感器、摄像头图像处理等装置，完成自身环境和状态信息的采集，通过互联网将车辆自身的各种信息传输汇聚到服务器(云端)，这些带有大量车辆位置和运行状态的信息，构成了商用车联网大数据，利用大数据分析技术，通过计算机去分析和处理这些信息，可以延伸出众多的、有价值的应用场景，例如在ITS领域可以做商用车辆的最佳路线规划、及时路况信息汇报，危险品运输车行进路线上交通信号灯动态调整等等。ITS是智能交通系统(IntelligentTransportationSystem)的简称，交通流量是指在选定时区段内通过某一区域、某一道路断面或某一车道的交通实体数。交通流量的预测信息是ITS中进行智能交通管控、动态交通状态辨识与预测和实时交通流动态诱导的关键。目前交通流量预测技术方法主要有两类：一是基于人工智能即机器学习算法的模型；二是统计预测算法模型，如移动平均、自回归本文档来自技高网...

【技术保护点】
1.一种基于车联网大数据的区域短时交通流预测方法，其特征在于，包括：/nS100基于车联网大数据获取目标区域内连续X个周期的车辆情况，X大于1；/nS200将车辆情况分为m个类型的车辆，得到每个类型车辆的数量，m大于或等于1；/nS300采用统计矩阵法进行预测，计算X个周期车辆类型及相应数量的平均情况，并考虑车辆受不可控因素影响，得到下一个周期的车辆类型及相应数量的初步预测结果；其中，所述不可控因素包括天气、车辆故障、装卸设备故障；/nS400针对一个或多个类型的车辆，根据所述下一个周期的初步预测结果，采用分时区法进行预测，将X个周期的每一个周期划分为若干时区，计算出各个时区段的X个周期的平均...

【技术特征摘要】
1.一种基于车联网大数据的区域短时交通流预测方法，其特征在于，包括：
S100基于车联网大数据获取目标区域内连续X个周期的车辆情况，X大于1；
S200将车辆情况分为m个类型的车辆，得到每个类型车辆的数量，m大于或等于1；
S300采用统计矩阵法进行预测，计算X个周期车辆类型及相应数量的平均情况，并考虑车辆受不可控因素影响，得到下一个周期的车辆类型及相应数量的初步预测结果；其中，所述不可控因素包括天气、车辆故障、装卸设备故障；
S400针对一个或多个类型的车辆，根据所述下一个周期的初步预测结果，采用分时区法进行预测，将X个周期的每一个周期划分为若干时区，计算出各个时区段的X个周期的平均值，各个时区段的X个周期的平均值与X个周期的平均值的比值乘以下一个周期的初步预测结果，得到各个时区段的初步预测值，然后将各个时区段的初步预测值乘以相应的预测准确率后进行求和，得到下一个周期内的车辆数量的最终预测结果。


2.根据权利要求1所述的一种基于车联网大数据的区域短时交通流预测方法，其特征在于，所述步骤S200包括：
将车辆情况分为m个类型的车辆，用车流量集合V表示：
V＝{V11，V12,…,V1i；V21，V22,…,V2j；…；Vm1，Vm2,…,Vmk}
将一个周期划分为n个时区段，n大于或等于1，用时区段结合表示：
T＝{T1，T2,…,Tn}
第k周期的车辆类型及相应数量Pk：



其中，表示为第k周期Tj时区段Vi类型车辆出现的数量。


3.根据权利要求2所述的一种基于车联网大数据的区域短时交通流预测方法，其特征在于，所述步骤S300包括：
S310进行无偏估计，得到第k+1周期的车辆类型及相应数量的无偏预测结果
S320引入偏差因子，得到第k+1周期的车辆类型及相应数量的初步预测结果；其中，偏差因子表示车辆受不可控因素影响的影响程度。


4.根据权利要求3所述的一种基于车联网大数据的区域短时交通流预测方法，其特征在于，所述步骤S310包括：
进行无偏估计时，...

【专利技术属性】
技术研发人员：刘剑，秦飞龙，黄兆飞，谢三山，
申请(专利权)人：成都工业学院，
类型：发明
国别省市：四川;51