一种场景自适应的交通流量预测方法技术

本发明专利技术提供的一种场景自适应的交通流量预测方法，将交通状态分为三类场景，针对每个场景的特点选用不同的交通流量算法，分别构建交通流量预测模型，确保能够覆盖到所有的交通状态；交通流量预测时，将当前时刻的交通流量与指定监测周期的历史数据进行比较，通过同期流量合集的流量对比上限阈值和流量对比下限阈值，来判断当前时刻的交通流量所处的交通状态，然后使用不同的交通流量预测模型进行下一时刻的交通流量预测，确保在任何一种场景下都能得到准确的交通流量预测结果。能得到准确的交通流量预测结果。能得到准确的交通流量预测结果。

【技术实现步骤摘要】
一种场景自适应的交通流量预测方法


[0001]本专利技术涉及智能交通控制
，具体为一种场景自适应的交通流量预测方法。

技术介绍

[0002]交通流量是指在选定时间段内通过道路某一地点、某一断面或某一车道的交通实体数。交通流量是表征交通流特性的一个重要指标。在实际生活中，对于出行者而言，知晓实时准确的交通流量预测信息能避免盲目出行和交通拥堵所导致的时间、经济损失。对于管理者而言，知晓实时准确的交通流量预测信息有利于制定交通控制策略进而缓解交通拥挤，从而达到路网畅通、高效运行的目的。对于交通流量预测的研究也是技术人员的重点方向，特别是突发事件下交通流预测更是研究的重点方向。
[0003]现有技术中，针对交通流预测普遍使用的是机器学习预测模型，其在正常交通状态和非周期性拥堵场景下都能取得较好的预测效果，但并没有考虑重大事件发生时交通管制等因素导致交通流量急剧减小的场景，所以导致现有的交通流量预测方法无法确保在所有的交通场景中都得到准确的预测结果。

技术实现思路

[0004]为了现有的交通流量预测方法无法适用于所有的交通场景的问题，本专利技术提供一种场景自适应的交通流量预测方法，其可以覆盖到所有交通场景，确保在任何一种场景下都能得到准确的交通流量预测结果。
[0005]本专利技术的技术方案是这样的：一种场景自适应的交通流量预测方法，其特征在于，其包括以下步骤：
[0006]S1：确定待预测路段，将交通状态场景分为三种交通状态，包括：
[0007]无突发事件下的正常交通状态、突发事件下导致的非周期性交通拥堵状态和突发事件下导致的交通流量锐减状态；
[0008]S2：针对三种交通状态，分别构建交通流量预测模型：
[0009]针对所述无突发事件下的正常交通状态，基于自回归积分滑动平均模型，构建常规状态流量预测模型，记作：ARIMA模型；
[0010]针对所述突发事件下导致的非周期性交通拥堵状态，基于长短期记忆神经网络模型，构建非周期拥堵状态流量预测模型，记作：LSTM模型；
[0011]针对所述突发事件下导致的交通流量锐减状态，基于卡尔曼滤波算法，构建非周期锐减状态流量预测模型，记作：KF模型；
[0012]S3：基于所述待预测路段的卡口轨迹数据的历史数据作为训练数据，分别对三种交通流量预测模型进行训练，得到训练好的交通流量预测模型；
[0013]S4：指定交通流量预测开始时刻，实时对所述待预测路段进行车流量数据采集；
[0014]S5：实时地运行训练好的LSTM模型、ARIMA模型和KF模型模型；
[0015]S6：实时判断采集到的所述车流量数据所处的交通状态，并对选择交通流量预测模型对后一刻的交通流量进行预测；
[0016]详细包括以下步骤：
[0017]a1：预先指定时间段td为一个监测时刻，将所述交通流量预测开始时刻设置为监测时刻0；
[0018]a2：获取当前时刻t的车流量数据在历史上同样时间段的流量对比集合Q
t
；
[0019]流量对比集合Q
t
＝[q
t
‑
1*T
,q
t
‑
2*T
,...,q
t
‑
m*T
][0020]其中：T为监测周期，T＝n*td，即，将当前时刻t的车流量数据与历史上n个td之前的数据进行横向比对，用以判断当前时刻t的交通状态，其中n为正整数；
[0021]q
t
为当前时刻监测车流量；m为需要比对的历史上的监测周期的数量；q
t
‑
m*T
为m个监测周期前的监测车流量；
[0022]a3：实时计算流量对比集合Q
t
的上四分位数q
t
3和下四分位数q
t
1；
[0023]设，IOR＝q
t3‑
q
t
1；
[0024]计算得到流量对比上限阈值q
tup
和流量对比下限阈值q
tdo
：
[0025]流量对比上限阈值q
tup
＝q
t
3+1.5*IOR，
[0026]流量对比下限阈值q
tdo
＝q
t1‑
1.5*IOR；
[0027]a4：将q
t
的值分别与q
tup
和q
tdo
的值进行比较；
[0028]如果q
t
≥q
tdo
且q
t
≤q
tup
，表示当前时刻t的车流量数据处于所述无突发事件下的正常交通状态下，则：t+1时刻的流量预测值选用ARIMA模型的预测值；
[0029]如果q
t
>q
tup
，表示当前时刻t的车流量数据处于所述突发事件下导致的非周期性交通拥堵状态下，则：t+1时刻的流量预测值选用LSTM模型的预测值；
[0030]如果q
t
<q
tdo
，表示当前时刻t的车流量数据处于所述突发事件下导致的交通流量锐减状态下，则：t+1时刻的流量预测值选用KF模型的预测值。
[0031]其进一步特征在于：
[0032]其还包括步骤S8：每当t能整除T时，将t
‑
T至T时刻的流量作为历史数据重新训练ARIMA模型，并以最新的训练好的ARIMA模型预测下一个周期内的交通流量；
[0033]所述监测时刻td和所述监测周期T的单位包括：分钟、小时、天、周、月或年；
[0034]所述监测时刻td＝15分钟，所述监测周期T为1天，m取值为7。
[0035]本专利技术提供的一种场景自适应的交通流量预测方法，将交通状态分为三类场景，针对每个场景的特点选用不同的交通流量算法，分别构建交通流量预测模型，确保能够覆盖到所有的交通状态；交通流量预测时，将当前时刻的交通流量与指定监测周期的历史数据进行比较，通过同期流量合集的流量对比上限阈值和流量对比下限阈值，来判断当前时刻的交通流量所处的交通状态，然后使用不同的交通流量预测模型进行下一时刻的交通流量预测，确保在任何一种场景下都能得到准确的交通流量预测结果。
附图说明
[0036]图1为本专利技术中场景自适应的交通流量预测方法的流程图。
具体实施方式
[0037]如图1所示，本专利技术包括一种场景自适应的交通流量预测方法，其包括以下步骤。
[0038]S1：确定待预测路段，将交通状态场景分为三种交通状态，确保覆盖到路段交通的所有交通状态，具体包括：
[0039]无突发事件下的正常交通状态，如由于上下班导致的周期性拥堵；
[0040]突发事件下导致的非周期性交通拥堵状态，如因为交通事故等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种场景自适应的交通流量预测方法，其特征在于，其包括以下步骤：S1：确定待预测路段，将交通状态场景分为三种交通状态，包括：无突发事件下的正常交通状态、突发事件下导致的非周期性交通拥堵状态和突发事件下导致的交通流量锐减状态；S2：针对三种交通状态，分别构建交通流量预测模型：针对所述无突发事件下的正常交通状态，基于自回归积分滑动平均模型，构建常规状态流量预测模型，记作：ARIMA模型；针对所述突发事件下导致的非周期性交通拥堵状态，基于长短期记忆神经网络模型，构建非周期拥堵状态流量预测模型，记作：LSTM模型；针对所述突发事件下导致的交通流量锐减状态，基于卡尔曼滤波算法，构建非周期锐减状态流量预测模型，记作：KF模型；S3：基于所述待预测路段的卡口轨迹数据的历史数据作为训练数据，分别对三种交通流量预测模型进行训练，得到训练好的交通流量预测模型；S4：指定交通流量预测开始时刻，实时对所述待预测路段进行车流量数据采集；S5：实时地运行训练好的LSTM模型、ARIMA模型和KF模型模型；S6：实时判断采集到的所述车流量数据所处的交通状态，并对选择交通流量预测模型对后一刻的交通流量进行预测；详细包括以下步骤：a1：预先指定时间段td为一个监测时刻，将所述交通流量预测开始时刻设置为监测时刻0；a2：获取当前时刻t的车流量数据在历史上同样时间段的流量对比集合Q
t
；流量对比集合Q
t
＝[q
t
‑
1*T
,q
t
‑
2*T
,...,q
t
‑
m*T
]其中：T为监测周期，T＝n*td，即，将当前时刻t的车流量数据与历史上n个td之前的数据进行横向比对，用以判断当前时刻t的交通状态，其中n为正整数；q
t
为当前时刻监测车流量；m为需要比对的历史上的监测周期的数量；q
t
‑
m*T
为m个监测周期前的监测车流量；a3：实时计算流量对比集合Q
t
的上四分位数q...

【专利技术属性】
技术研发人员：蔡岗，黄淑兵，童刚，孔晨晨，张沛，张东辉，周云龙，
申请(专利权)人：公安部交通管理科学研究所，
类型：发明
国别省市：