一种数据驱动的城市快速路宏观交通流建模方法技术

本发明专利技术公开了一种数据驱动的城市快速路交通流建模方法，该方法使用包含道路上各个路段速度信息的时间序列数据对快速路宏观交通流的速度演化进行建模。首先，将各个子路段的速度作为道路的状态量，收集道路上状态量的数据信息；然后，用最小二乘法对一段时间内的状态量数据进行拟合，得到道路上状态演化的初始线性状态空间模型；最后，随着获取到新的数据，对系统矩阵进行更新得到系统矩阵的更新率，进而得到道路上速度演化动态更新的状态空间模型。通过该动态更新的模型对快速路交通数据进行预测，能准确的预测交通流演化趋势,验证了该建模方法的有效性和准确性。该建模方法的有效性和准确性。该建模方法的有效性和准确性。

【技术实现步骤摘要】
一种数据驱动的城市快速路宏观交通流建模方法


[0001]本专利技术涉及一种数据驱动的城市快速路宏观交通流建模方法，属于智能交通领域。

技术介绍

[0002]随着机动车数量的增加，处于较高车流量的快速路上在道路发生局部变化处如匝道出入口、弯路等处由于车辆的换道率和速度的改变都会对交通造成干扰，在受到干扰时往往会引发交通瓶颈甚至该瓶颈往上游传播造成交通拥堵，随后伴随时间推移拥堵被消散。这种频繁的交通波动也使得其交通流系统表现出一些复杂的非线性和动态特性，从而使得建立稳健的交通分析模型更加困难。
[0003]目前，常用的交通流建模方法是将交通动力系统中交通流视为一个连续的流体，并利用基于流体力学的偏微分方程来描述交通流参数，如速度、密度等的时空演化关系是这种交通流建模的核心思想。但是这类模型基于一些人为假设，其描述车流行为的方程呈现强非线性，而且这种模型的建立和求解都较为复杂。随着信息技术和数据科学的发展，交通数据的获取方式越来越多样，分析真实场景中的数据从中直接获取信息可以使得分析结果更贴合实际。动态模式分解方法就是一种基于实测数据的数据驱动的分析方法，与基于机理的偏微分方程模型不同，省略了人为假设与复杂的物理机理推导过程。该方法能从流体的时空数据中提取重要的流体演化的时空模式，由于交通流数据呈现高度的时间空间的相关特性，且交通流具有流体性质，因此合理的运用动态模式分解的方法分析交通流。
[0004]然而，对于在不均质道路上由于换道或速度改变等干扰引起的交通动态变化的情况，通过对较长一段时间内的所有数据进行动态模式分解建立静态模型的方式并不能捕获到发生瓶颈时的交通信息，不适合这种动态的交通系统的实时监控和识别，并且需要对此时间段内的数据进行存储。为了适应交通流的动态特性且更好的识别和监控交通信息，本专利技术提出了一种数据驱动的城市快速路的宏观交通流建模方法，该方法借助于动态模式分解的线性化思想，通过历史数据建立的初始条件和最新的数据快照动态求解系统的线性模型。该方法最大的特点是随着数据的更新对模型进行更新，同时在模型求解中增加一个惩罚项保证模型泛化能力。此种方法的优势是能在动态的交通中实时识别出动态交通系统的交通流信息，并以此来进行交通状况监控。

技术实现思路

[0005]本专利技术提出了一种数据驱动的城市快速路宏观交通流建模方法。该方法通过对获取的交通数据进行动态更新，同时借助于动态模式分解的思想，依赖于动态数据建立基于预测误差增量的动态模型，该方法建立的模型随着数据的变化呈现动态变化。本专利技术提供的动态的建模方法能够准确的识别出交通信息，为交通管理者分析交通状态提供依据。
[0006]本专利技术旨在通过实时获取的交通数据对快速路上交通流进行建模，随着数据更新来建立动态的系统模型，
[0007]S1、收集整条道路上交通状态的速度量数据；根据交通流的时变特性，收集道路上交通状态信息随时间变化的数据，即收集每个采样时刻的道路上的速度数据。
[0008]S2、对S1中每个采样时刻的道路上的速度数据，建立两个时延的数据快照集合，并对历史旧数据引入一个数据权重，距离当前时刻越远的数据其数据权重越小，且该权重随时间的变化呈指数减小趋势。
[0009]S3、应用S2中时延的数据快照集合设计两个数据快照集合线性拟合的代价函数，求解此代价函数的最小二乘解，得到交通流模型的状态空间表达式。
[0010]S4、对S3中的交通流模型的状态空间表达式进行更新，并且建立基于前一时刻模型参数和新数据的动态的模型。
[0011]具体如下：
[0012]步骤一、采集交通数据
[0013]城市快速路交通数据呈现一种随时间和空间变化的状态，对于这种时间和空间变化的状态数据信息，按时间序列进行处理，收集其随时间变化的城市快速路交通快照数据，则每一个城市快速路交通快照数据则涵盖空间位置信息。那么获取的一组顺序随时间演变的二维城市快速路交通流数据快照集合表示为：
[0014]{x1,x2,
…
,x
i
}(1)
[0015]其中n代表了空间位置的维度，m则代表了时间序列。
[0016]步骤二、对获取的交通流数据进行处理
[0017]为了捕获更精确的当前时刻的二维城市快速路交通流数据信息，识别交通流的的动态特性，于是对于旧数据，希望其产生较小的影响，因此，给旧数据增加一个权重且该权重呈指数减小趋势，也就是说距离当前时刻越久远的数据其权重值越小，而距离此刻较近的数据权重值越大，当前时刻数据的权重值为1。
[0018]因此对两个时延的数据矩阵X
k
和X
k+1
引入权重矩阵如下式(2)、(3)所示
[0019][0020][0021]其中，η表示数据的权重，满足0＜η＜1，k表示时间信息，T为矩阵的转置符号。
[0022]接着，定义权重矩阵
[0023][0024]其中λ＝η2，λ为两个数据乘积的权重，用于步骤三的代价函数中。
[0025]步骤三、求解系统矩阵A
k
[0026]在上述数据快照(1)中相邻数据快照之间满足x
k+1
＝f(x
k
)，k＝1,2,
…
,m，标准的动态模式分解在于得到一个线性模型x
k+1
＝Ax
k
，那么定义两个数据快照集合X
k
＝[x1,x2,
…
,x
k
]，X
k+1
＝[x2,x3,
…
,x
k+1
]上述数据快照集合动态模式分解旨在得到一个线性映射A，使其满足
[0027]X
k+1
＝AX
k
+r(4)
[0028]其中，r代表线性化误差。
[0029]标准的动态模式分解求解线性映射A可以看作是最小化以下代价函数
[0030][0031]其中||
·
||
F
指的是Frobenius范数，X
k
＝UΣV
*
,
[0032]本专利技术旨在获得动态的系统模型的矩阵A
k
，因此，期望通过代价函数求解得到一个随时间变化的A
k
，考虑到系统的动态特性引入Λ
k
，Λ
k
的作用是减少旧数据快照对当前时刻模型的影响，为了保证在求解过程中矩阵的可逆性且保证模型的泛化能力，加入惩罚项那么代价函数表示为
[0033][0034]在求解A
k
的过程中，通过求解上述最小二乘问题(6)获得线性模型的解，其中，μ是一个正数，对于上述代价函数其最小值点即一阶导数为0的点。设使得J最小，则有
[0035][0036]整理可得，
[0037]Y
k
Λ
k
X
kT
＝A
k本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的城市快速路宏观交通流建模方法，其特征在于，该方法包括如下步骤，S1、收集整条道路上交通状态的速度量数据；根据交通流的时变特性，收集道路上交通状态信息随时间变化的数据，即收集每个采样时刻的道路上的速度数据；S2、对S1中每个采样时刻的道路上的速度数据，建立两个时延的数据快照集合，并对历史旧数据引入一个数据权重，距离当前时刻越远的数据其数据权重越小，且该权重随时间的变化呈指数减小趋势；S3、应用S2中时延的数据快照集合设计两个数据快照集合线性拟合的代价函数，求解此代价函数的最小二乘解，得到交通流模型的状态空间表达式；S4、对S3中的交通流模型的状态空间表达式进行更新，并且建立基于前一时刻模型参数和新数据的动态的模型。2.根据权利要求1所述的一种数据驱动的城市快速路宏观交通流建模方法，其特征在于，步骤一的采集交通数据中，城市快速路交通数据呈现随时间和空间变化，对于这种时间和空间变化的状态数据信息，按时间序列进行处理，收集其随时间变化的城市快速路交通快照数据，则每一个城市快速路交通快照数据则涵盖空间位置信息；那么获取的一组顺序随时间演变的二维城市快速路交通流数据快照集合表示为：{x1,x2,
…
,x
i
}(1)其中n代表空间位置的维度，m则代表时间序列。3.根据权利要求2所述的一种数据驱动的城市快速路宏观交通流建模方法，其特征在于，步骤二的对获取的交通流数据进行处理中，为捕获更精确的当前时刻的二维城市快速路交通流数据信息，识别交通流的的动态特性，对于旧数据，给旧数据增加一个权重且该权重呈指数减小趋势，当前时刻数据的权重值为1；因此对两个时延的数据矩阵X
k
和X
k+1
引入权重矩阵如下式(2)、(3)所示重矩阵如下式(2)、(3)所示其中，η表示数据的权重，满足0＜η＜1，k表示时间信息，T为矩阵的转置符号；定义权重矩阵
其中λ＝η2，λ为两个数据乘积的权重，用于步骤三的代价函数中。4.根据权利要求3所述的一种数据驱动的城市快速路宏观交通流建模方法，其特征在于，步骤三的求解系统矩阵A
k
中，在上述数据快照(1)中相邻数据快照之间满足x
k+1
＝f(x
k
)，k＝1,2,
…
,m，标准的动态模式分解在于得到一个线性模型x
k+1
＝Ax
k
，那么定义两个数据快照集合X
k
＝[x1,x2,
…
,x
k
]，X
k+1
＝[x2,x3,
…
,x
k+1
]上述数据快照集合动态模式分解旨在得到一个线性映射A，使其满足X
k+1
＝AX
k
+r(4)其中，r代表线性化误差；标准的动态模式分解求解线性映射A是最小化以下代价函数其中||
·
||
F
指的是Frobenius范数，X
k
＝UΣV
*
,为获得动态系统模型的矩阵A
k
，期望通过代价函数求解得到一个随时间变化的A
k
，考虑到系统的动态特性引入Λ
k
，加入惩罚项那么代价函数表示为在求解A
k
的过程中，通过求解上述最小二乘问题(6)获得线性模型的解，其中，μ是一个正数，对于上述代价函数其最小值点即一阶导数为0的点；设使得J最小，则有整理可得，Y
k
Λ
k
X
kT
＝A
k
(X
k
Λ
k
X
k
+μI)(8)Λ
k
矩阵为正定的，(X
k
Λ

【专利技术属性】
技术研发人员：张利国，刘清，邓恒，王淑齐，庞子昂，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：