面向交通流管控的收费站交通流组合预测方法及系统技术方案

本发明专利技术属于交通管控技术领域，提供了面向交通流管控的收费站交通流组合预测方法及系统，基于预测模型分别预测ETC车道以及HTC车道通过的交通流数量，确定ETC车道和HTC车道基准通行能力，进而计算ETC车道、HTC车道饱和度VC比；基于VC比判断拥堵状态并进行分级预警，分别采取相应的管控措施。结合高速实际交通情况对于车流量低峰期以及高峰期分阶段进行短期中期预测，采用组合预测的方式不仅给交通管制提供更长的反应时间同时提升了预测结果的准确性，为交通管控提供更加及时的预测结果并且具有较高的预测精度。具有较高的预测精度。具有较高的预测精度。

【技术实现步骤摘要】
面向交通流管控的收费站交通流组合预测方法及系统


[0001]本专利技术属于交通管控
，尤其涉及面向交通流管控的收费站交通流组合预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]传统的预测模型是基于统计数理方法来处理交通流数据，主要有历史平均模型、线性回归模型、时间序列模型、卡尔曼滤波模型等。这些模型提出的时间较早，计算量较少但仅使用于交通状况单一，车流量较少的情况；且模型多基于线性方法，对于突发性的交通情况不能进行及时的调整、抗干扰能力差且时效性较差。
[0004]近年基于机器学习的预测模型被广泛提出，SUN提出了一种基于支持向量机的混合模型，利用支持向量机对低高频信息进行学习，来预测目标时段的客流量。谢海红结合交通流特性，针对动态交通流变化问题，提出多元统计回归模型，机器学习模型的性能在很大程度上依赖于人工设计的特征，模型模拟非线性特征的能力有限，对于复杂的动态交通数据的建模不是最佳的。
[0005]目前国内外提出的深度学习预测模型主要分为三类：基于提取时间特征的模型、基于时间特征和欧式空间特征的预测模型以及基于时间特征和非欧式空间特征的预测模型，基于时间特征的模型仅考虑时间维度上的变化，忽略了交通流时间特征与交通道路的空间关系。基于时间特征和欧式空间特征的预测模型适于学习规则性的网格型数据，但路网是非欧式空间，传统的卷积神经网络对于非欧几何型的复杂拓扑结构的空间特征不能很好的提取，将其简化为欧式空间的过程扭曲了路网的实际数据结构，特征提却结果与实际情况存在一定的偏差。
[0006]预测时间的选择对于管理人员反应时长以及预测精度有一定的影响，其中短期预测是指在确定的时间间隙内预测该观测点在下一个时间间隔的交通流量，时间间隔通常为5
‑
15分钟；中期预测时间间隔为30分钟。短时预测可以满足迅速变化的交通情况且精度较高但留给交通管控的时间较短；而中期预测可以尽早地预测结果及时进行交通管控，但预测精度较差。

技术实现思路

[0007]为了解决上述
技术介绍
中存在的至少一项技术问题，本专利技术提供面向交通流管控的收费站交通流组合预测方法，其为一种面向管控的中短期组合式预测方案，根据预测交通流判断拥堵状态，进行分级预警并智能调节预测时长，综合中短期预测各自的优点，为更准确可靠的管控手段提供决策基础。
[0008]本专利技术的研究目的为：
①
明确收费站与上游交通流时空特性，为收费站交通流预测创建更高质量的训练数据；
②
提升预测精度的同时保证预测时长，为收费站交通管控提
供更精准的指导与预留充足的准备时间；
③
明确收费站不同车道类型的交通组成与通行效率，为收费站管理人员提供更精细的拥堵状态预警。
[0009]为了实现上述目的，本专利技术采用如下技术方案：
[0010]本专利技术的第一个方面提供面向交通流管控的收费站交通流组合预测方法，包括如下步骤：
[0011]获取历史交通流数据；
[0012]根据历史交通流数据和训练好的收费站交通流预测模型分别预测ETC车道和HTC车道通过的交通流数量；
[0013]基于ETC车道和HTC车道通过的交通流数量确定ETC车道和HTC车道基准通行能力，得到ETC车道和HTC车道的饱和度VC比；
[0014]基于ETC车道和HTC车道的饱和度VC比判断交通拥堵程度并进行分级预警，分别采取相应的管控措施进行管控；确定下一步预测时长并进行中短期组合预测，当预测到拥堵状态更新时，同步更新预警状态及相应的管控措施。
[0015]本专利技术的第二个方面提供面向交通流管控的收费站交通流组合预测系统，包括：
[0016]数据获取模块，被配置为：获取历史交通流数据；
[0017]交通流数量预测模块，被配置为：根据历史交通流数据和训练好的收费站交通流预测模型分别预测ETC车道和HTC车道通过的交通流数量；
[0018]饱和度计算模块，被配置为：基于ETC车道和HTC车道通过的交通流数量确定ETC车道和HTC车道基准通行能力，得到ETC车道和HTC车道的饱和度VC比；
[0019]组合预测模块，被配置为：基于ETC车道和HTC车道的饱和度VC比判断交通拥堵程度并进行分级预警，分别采取相应的管控措施进行管控；确定下一步预测时长并进行中短期组合预测，当预测到拥堵状态更新时，同步更新预警状态及相应的管控措施。
[0020]本专利技术的第三个方面提供一种计算机可读存储介质。
[0021]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的面向交通流管控的收费站交通流组合预测方法中的步骤。
[0022]本专利技术的第四个方面提供一种计算机设备。
[0023]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的面向交通流管控的收费站交通流组合预测方法中的步骤。
[0024]与现有技术相比，本专利技术的有益效果是：
[0025]本专利技术提出的一种面向管控的中短期组合式预测方案，利用处理好的历史数据对LSTM神经网络模型进行训练得到收费站交通流预测模型；基于预测模型分别预测ETC车道、ETC/MTC混合车道(Hybrid Toll Collection，HTC)通过的交通流数量，确定ETC车道、HTC车道基准通行能力，进而计算ETC车道、HTC车道饱和度VC比；基于VC比判断拥堵状态并进行分级预警，分别采取相应的管控措施。根据预测交通流判断拥堵状态，进行分级预警并智能调节预测时长，综合中短期预测各自的优点，为更准确可靠的管控手段提供决策基础。
附图说明
[0026]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示
意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0027]图1是本专利技术实施例1面向管控的交通流中短期组合预测流程示意图；
[0028]图2是本专利技术实施例1的LSTM模型示意图；
[0029]图3是本专利技术实施例1的中短期组合预测流程图。
具体实施方式
[0030]下面结合附图与实施例对本专利技术作进一步说明。
[0031]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0032]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0033]高速公路是我国经济快速发展的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向交通流管控的收费站交通流组合预测方法，其特征在于，包括如下步骤：获取历史交通流数据；根据历史交通流数据和训练好的收费站交通流预测模型分别预测ETC车道和HTC车道通过的交通流数量；基于ETC车道和HTC车道通过的交通流数量确定ETC车道和HTC车道基准通行能力，得到ETC车道和HTC车道的饱和度VC比；基于ETC车道和HTC车道的饱和度VC比判断交通拥堵程度并进行分级预警，分别采取相应的管控措施进行管控；确定下一步预测时长并进行中短期组合预测，当预测到拥堵状态更新时，同步更新预警状态及相应的管控措施。2.如权利要求1所述的面向交通流管控的收费站交通流组合预测方法，其特征在于，在获取历史交通流数据后进行预处理，包括：对采集到的基础数据进行筛选，提取收费站ETC车道、HTC车道与相关门架的历史交通流数据；对筛选后的数据采用滑动窗口分割的方式重构数据集格式，表示为多维张量；将重构后的数据集按照比例将数据集划分为训练集和测试集。3.如权利要求1所述的面向交通流管控的收费站交通流组合预测方法，其特征在于，所述收费站交通流预测模型采用LSTM神经网络模型。4.如权利要求1所述的面向交通流管控的收费站交通流组合预测方法，其特征在于，所述ETC车道基准通行能力通过ETC车道平均服务时间确定，所述HTC车道基准通行能力按照HTC车道中MTC车道与ETC收费车道的比例计算平均服务时间确定。5.如权利要求1所述的面向交通流管控的收费站交通流组合预测方法，其特征在于，所述ETC车道的饱和度VC比计算公式为：VC
ETC
＝Y
1pre
/C
ETC
式中，Y
1pre
代表ETC车道中ETC交通流，C
ETC
代表ETC车道的基准通行能力。6.如权利要求1所述的面向交通流管控的收费站交通流组合预测方法，其特征在于，所述HTC车道的饱和度VC比计算公式为：VC
HTC
＝(Y
2pre
+Y
3pre
)/C
HTC
式中，C
HTC...

【专利技术属性】
技术研发人员：陈雪珲，薛冰冰，韩子双，常志宏，王旭，康传刚，马晓刚，陈宏，朱香敏，曹蓉，吴晓佩，
申请(专利权)人：山东大学，
类型：发明
国别省市：