本发明专利技术提出了一种多因素的高速交通流量智能预测方法，属于机器学习领域。该方法以门架历史流量为基础，综合考虑影响高速交通流量的多种因素，包括天气、节假日、周围门架距离和流量。通过拟合以上因素历史记录数据提取流量变化规律，结合各因素的实时时序变化数据预测每个门架的未来流量。本发明专利技术将机器学习应用在高速交通流量预测问题中，非常具有实际应用价值，它改变了高速流量预测复杂、实时性、准确性差的劣势，为交通拥堵和调度提供了灵活、低成本的解决方案，具有很高的经济效益和社会效益。益。益。
【技术实现步骤摘要】
一种多因素的高速交通流量智能预测方法
[0001]本专利技术属于机器学习领域，具体涉及一种多因素的高速交通流量智能预测方法。
技术介绍
[0002]随着经济的发展和人民生活水平的提高，私家车的数量随之增加，高速交通流量也不断提高。在上下班及节假日等出行高峰时刻，交通拥堵情况屡见不鲜。交通拥堵增加了通勤时间、影响驾驶人情绪，同时汽车频繁启动停止也产生了燃料浪费和排气污染。交通拥堵的解决依赖于道路拓宽、发展公共交通等，但这些方法通常从计划到完成需要较长的时间且耗费大量财力物力。交通流量预测是交通拥堵的另一种快速、低成本的解决方式，通过灵活准确的交通流量预测，有利于分析道路通行和负载情况，合理地进行交通调度和拥堵预警，从而降低交通事故率和拥堵率，提升出行效率。但交通通行情况受多种因素影响，如天气、节假日、突发事故等，使得交通流量短时预测难度较大。因此，综合考虑多因素的高精度交通流量预测方法的研究势在必行。
技术实现思路
[0003]为了更好的预测交通流量，本专利技术提出一种多因素高速交通流量预测算法，该算法在时间维度上分析了预测目标门架的历史天气、节假日及流量信息，在空间维度上分析了该门架距相邻门架的距离及流量信息，结合以上信息对流量进行精准预测。
[0004]本专利技术为实现上述目的所采用的技术方案是：一种多因素的高速交通流量智能预测方法，时间维度上分析待测目标门架的影响因素及流量信息，空间维度上分析该门架的邻接门架及流量信息，对未来时间节点通过该门架的车流量进行精准预测；包括以下步骤：
[0005]步骤1、采集车流量数据、影响因素数据，建立邻接门架表；
[0006]步骤2、数据处理，拼接得到门架流量及其影响因素的综合数组；
[0007]步骤3、采用有监督网络初始化网络参数，以综合数组为输入、车流量预测值o
i
为输出，迭代训练网络、优化网络参数；并以均方误差收敛为截止条件得到最优网络结构用于预测；
[0008]步骤4、实际采集车流量数据，输入步骤3获取的最优网络结构，自动输出车流量预测值。
[0009]所述车流量数据为每个方向每个门架设定采样时间的车流量。
[0010]所述影响因素数据包括：
[0011]天气数据：为对应各坐标位置门架对应时间日期的天气属性：温度、风速、能见度、降雨量数据；
[0012]节假日数据：为对应时间日期的节假日类型：工作日、周末、寒暑假、短假、小长假。
[0013]所述建立邻接门架表包括：
[0014]选定待观测的高速公路区域，统计域内所有门架；计算任意两门架之间的直线距离S，选取距离当前门架最近的两个门架I、II作为其邻接门架；建立该区域内所有门架的邻
接门架表，表内记录两个邻接门架的编号及距离。
[0015]所述两门架之间的直线距离S计算如下：
[0016][0017]a＝lat1
‑
lat2，b＝lng1
‑
lng2
[0018]其中，lat1和lng1分别为门架I的经纬度，lat2和lng2分别为门架II的经纬度。
[0019]所述数据处理包括：
[0020]a.将温度数据与设定值做差值取绝对值；
[0021]b.将风速数据统一至相同单位；
[0022]c.将能见度、降雨量数据归一化。
[0023]所述综合数组为：门架k在t时刻行驶方向为d的门架流量及其影响因素；
[0024]{temperature，wind_speed，visibility，rainfall，holiday，distance_1，flow_1，distance_2，flow_2，flow}；其中，十个属性分别为温度、风速、能见度、降雨量、节假日数据、与门架I的距离、门架I在t时刻d方向流量、与门架II的距离、门架II在t时刻d方向流量、门架k在t时刻d方向流量。
[0025]所述有监督网络为RNN网络；
[0026]所述初始化参数包括序列长度sequence_length，每一批训练样本数据batch_size，单条数据的维度input_size，隐藏层输出的隐藏状态的维度hidden_size；
[0027]所述迭代训练为：网络每次对时间上相邻的sequence_length条数据按照如下公式进行拟合，输出预测结果o
i
；
[0028]h
t
＝σ(Ux
t
+Wh
t
‑1+b)
[0029]o
i
＝σ(Vh
sequence_length
+c)
[0030]其中，参数U、V、W、b、c都是随机初始化参数；
[0031]所述预测值o
i
与真实值y
i
之间的均方误差为：
[0032][0033]所述车流量预测为：预先采集待测门架在k时刻之前的sequence_length条d方向历史流量和天气数据，执行步骤1和步骤2进行预处理后输入最优网络结构，输出预测门架在k时刻d方向的流量预测值。
[0034]本专利技术具有以下有益效果及优点：
[0035]1.本专利技术考虑了天气对高速公路交通流量的影响，增加对应各坐标位置门架对应时间日期的温度、风速、能见度、降雨量等天气属性数据，作为影响数据，结合车流量参与预测，提升流量预测准确性。
[0036]2.本专利技术考虑了时间维度上历史门架流量对当下门架流量的影响，增加对应时间日期的工作日、周末、寒暑假、短假、小长假等节假日类型数据，作为影响数据，结合车流量参与预测，提升流量预测准确性。
[0037]3.本专利技术考虑了空间维度上门架之间距离对门架流量的影响，选定待观测的高速
公路区域，统计域内所有门架；计算该区域内所有门架的邻接门架表，结合车流量参与预测，提升流量预测准确性。
附图说明
[0038]图1为本专利技术方法流程图；
[0039]图2为本专利技术实施例中门架基础数据格式；
[0040]图3为本专利技术实施例中通行数据格式；
[0041]图4为本专利技术实施例中常规流量数据折线图；
[0042]图5为本专利技术实施例中门架不同天气下流量折线图；
[0043]图6为本专利技术实施例中节假日流量折线图；
[0044]图7为本专利技术实施例中相邻门架流量折线图；
[0045]图8为本专利技术实施例中输入数据格式；
[0046]图9为本专利技术实施例中预测结果展示。
具体实施方式
[0047]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本专利技术的具体实施方法做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术。但本专利技术能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背专利技术内涵的情况下做类似改进，因此本专利技术不受下面公开的具体实施的限制。
[0048]除本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种多因素的高速交通流量智能预测方法，其特征在于，时间维度上分析待测目标门架的影响因素及流量信息，空间维度上分析该门架的邻接门架及流量信息，对未来时间节点通过该门架的车流量进行精准预测；包括以下步骤：步骤1、采集车流量数据、影响因素数据，建立邻接门架表；步骤2、数据处理，拼接得到门架流量及其影响因素的综合数组；步骤3、采用有监督网络初始化网络参数，以综合数组为输入、车流量预测值o
i
为输出，迭代训练网络、优化网络参数；并以均方误差收敛为截止条件得到最优网络结构用于预测；步骤4、实际采集车流量数据，输入步骤3获取的最优网络结构，自动输出车流量预测值。2.根据权利要求1所述的一种多因素的高速交通流量智能预测方法，其特征在于，所述车流量数据为每个方向每个门架设定采样时间的车流量。3.根据权利要求1所述的一种多因素的高速交通流量智能预测方法，其特征在于，所述影响因素数据包括：天气数据：为对应各坐标位置门架对应时间日期的天气属性：温度、风速、能见度、降雨量数据；节假日数据：为对应时间日期的节假日类型：工作日、周末、寒暑假、短假、小长假。4.根据权利要求1所述的一种多因素的高速交通流量智能预测方法，其特征在于，所述建立邻接门架表包括：选定待观测的高速公路区域，统计域内所有门架；计算任意两门架之间的直线距离S，选取距离当前门架最近的两个门架I、II作为其邻接门架；建立该区域内所有门架的邻接门架表，表内记录两个邻接门架的编号及距离。5.根据权利要求4所述的一种多因素的高速交通流量智能预测方法，其特征在于，所述两门架之间的直线距离S计算如下：a＝lat1
‑
lat2，b＝lng1
‑
lng2其中，lat1和lng1分别为门架I的经纬度，lat2和lng2分别为门架II的经纬度。6.根据权利要求1所述的一种多因素的高速交通流量智能预测方法，其特征在于，所述数据处理包括：a.将温度数据与设定...
【专利技术属性】
技术研发人员：展恩宁，朱瑞新，李超凡，侯晓旭，张航，马天明，
申请(专利权)人：辽宁高速通智慧出行有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。