一种道路交通流量预测方法与流程

本发明涉及数据处理，具体为一种道路交通流量预测方法。

背景技术：

1、随着经济社会的高速发展，人民生活水平得到了显著提高，我国机动车数量也在逐年递增，道路所承担的压力越来越大，尽可能准确预测道路交通流量对于交通出行、调度及管制等工作具有重要的指导意义，传统的交通流量预测方法通常基于历史数据、传感器和模型，但存在一些问题，第一，传统方法通常依赖于有限数量的传感器数据和历史流量信息，这些数据在某些情况下可能不足以准确预测未来的交通流量，第二交通流量在城市环境中具有高度动态性，传统方法往往难以处理交通状况的快速变化，为此本领域技术人员提出一种道路交通流量预测方法来解决上述问题。

技术实现思路

1、针对现有技术的不足，本发明提供了一种道路交通流量预测方法，解决了的传统交通流量预测方法通常依赖于有限数量的传感器数据和历史流量信息，这些数据在某些情况下可能不足以准确预测未来的交通流量问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：一种道路交通流量预测方法，包括以下步骤

3、s1、获得目标时间段内目标区域的卡口车辆数据集合；

4、s2、获得所述目标区域内的各卡口对应的起点地块及终点地块；

5、s3、根据所述卡口车辆数据集合、各卡口对应的起点地块及终点地块，得到在所述目标时间段所述目标区域内出现的各车辆每次出行对应的出行时间、出行路径经过卡口、出行起点地块及出行终点地块；

6、s4、根据所述各车辆每次出行对应的出行时间、出行路径经过卡口、出行起点地块及出行终点地块，得到各出行起点地块至出行终点地块的出行量和出行路径集合，包括所有车辆、所有出行对应的出行时间、到达时间、出行路径经过卡口及经过时间；

7、s5、根据当前时间窗各出行起点地块至出行终点地块的出行量，得到未来时间窗各出行起点地块至出行终点地块的出行量；

8、s6、根据所述各出行起点地块至出行终点地块的所有车辆、所有出行对应的出行时间、出行路径经过卡口集合，得到各出行起点地块至出行终点地块的每条出行路径的选择概率；

9、s7、根据所述各出行起点地块至出行终点地块的每条出行路径的选择概率及未来时间窗各出行起点地块至出行终点地块的出行量，得到未来时间窗各路段的预测交通流量结果。

10、优选的，所述s1步骤中卡口车辆数据集合包括每条卡口车辆数据卡口标识、车辆标识、车辆经过卡口的时间。

11、优选的，所述s5步骤中包括以下步骤；

12、s501、获取各出行起点地块至出行终点地块的时序特征值，包括：前一时间窗(历史15分钟)、前二时间窗(历史30分钟—15分钟)、前三时间窗(历史45分钟—30分钟)、前四时间窗(历史60分钟—45分钟)的出行量，获取从各出行起点地块出发的前一时间窗(历史15分钟)、到达各出行终点地块的前一时间窗(历史15分钟)的出行量；

13、s502、获取各出行起点地块至出行终点地块的未来时间窗(15分钟)时间特征值，包括：是否节假日、是否周末、是否工作日、是否早高峰、是否晚高峰、是否夜间、是否平峰；

14、s503、获取各出行起点地块至出行终点地块的未来时间窗(15分钟)周期特征值，包括：前一周同时间窗的出行量、前一个月同时间窗的出行量；

15、s504、获取各出行起点地块至出行终点地块的空间特征值，包括：起点地块类型、终点地块类型(居住、行政办公、娱乐休闲、医院、学校、其他)；

16、s505、针对各出行起点地块至出行终点地块的时序特征值、时间特征值、周期特征值、空间特征值，建立长短时记忆神经网络模型，得到未来时间窗的出行量预测值。

17、优选的，所述s6步骤包括以下步骤：

18、s601、针对出行路径集合，得到每次出行的特征参数；

19、s602、针对各出行起点地块至出行终点地块(od)的出行路径集合的特征参数，建立logit模型函数，得到函数参数标定结果矩阵θij＝[αij,βij,γij,δij,λij,μij,ηij]，θij为第i个od中第j条路径的各决策变量(车牌类别、车辆类别、路径时间、路径长度、经过交叉口数量、转向次数、路径道路等级)的对应的参数结果；

20、s603、根据函数参数标定结果，使用如下公式得到各出行起点地块至出行终点地块(od)的每条出行路径的选择概率；

21、

22、优选的，所述s603步骤中公式的各个字母代表如下含义：

23、odpij为第i个od选择第j条路径的概率；

24、mi为第i个od所有备选路径集的数量；

25、θij＝[αij,βij,γij,δij,λij,μij,ηij]，θij为第i个od中第j条路径的各决策变量的参数矩阵；

26、zij＝[cpij,ctij,tij,lij,nij,uij,dij],zij为第i个od中第j条路径的各决策变量的属性矩阵；

27、cp为车牌类别；

28、ct为车辆类别；

29、t为路径行程时间；

30、l为路径长度；

31、n为经过交叉口数量；

32、u为转向次数；

33、d为路径道路等级。

34、优选的，所述s7步骤中包括以下步骤：

35、s701、针对未来时间窗(15分钟)各出行起点地块至出行终点地块的出行量，按照各出行起点地块至出行终点地块的每条出行路径的选择概率，得到每条出行路径的出行量；

36、s702、针对各出行路径的出行量，得到该路径上所有路段的出行量，把所有路径、同一路段的出行量相加，得到各路段的预测道路交通流量。

37、优选的，所述s1步骤中获得目标时间段内目标区域的卡口车辆数据集合具体包括以下步骤：

38、s101、获取目标时间段内的卡口数据：通过交通管理部门或相关机构获取目标时间段内目标区域的卡口数据；

39、s102、数据清洗和筛选：对获取的卡口数据进行清洗和筛选，去除异常数据和无效数据，以确保数据的准确性和可靠性；

40、s103、数据整理和汇总：将清洗和筛选后的卡口数据按照时间顺序进行整理和汇总，形成目标时间段内目标区域的卡口车辆数据集合。

41、优选的，所述s2步骤中具体包括以下步骤：

42、s201、获取目标区域内的卡口数据：通过交通管理部门或相关机构获取目标区域内的卡口位置信息，包括卡口编号、经纬度坐标等；

43、s202、地块划分：将目标区域按照地理位置划分为多个地块，每个地块可以是一个街区、一个路段或其他合适的地理单元，其中划分地块时可以考虑交通网络、道路网格等因素，以确保每个地块的大小和形状合理；

44、s203、确定卡口所在地块：根据卡口的经纬度坐标，确定每个卡口所在的地块；

45、s204、关联起点和终点地块：根据车辆的行驶轨迹数据或其他可用数据，将每个卡口与其对应的起点地块和终点地块进行关联；

46、s205、记录起点和终点地块信息：将每个卡口与其对应的起点地块和终点地块的关联信息记录下来，形成起点地块和终点地块的对应关系表格或数据结构。

47、优选的，所述s4步骤中具体包括以下步骤；

48、s401、对每辆车辆进行出行路径的提取：根据卡口车辆数据集合中的每辆车辆的出行时间、出行路径经过卡口等信息，提取出每辆车辆的出行路径；

49、s402、确定出行起点地块和出行终点地块：根据提取的出行路径，确定每辆车辆的出行起点地块和出行终点地块，出行起点地块表示车辆出发时所在的地块，出行终点地块表示车辆到达时所在的地块；

50、s403、统计每条出行路径的出行量和相关信息：对于每个出行起点地块至出行终点地块的组合，统计所有车辆中出现的次数，得到各出行起点地块至出行终点地块的出行量，同时，记录所有出行对应的出行时间、到达时间、出行路径经过卡口及经过时间等相关信息。

51、优选的，所述步骤s601中的特征参数为车牌类别、车辆类别、路径时间、路径长度、经过交叉口数量、转向次数、路径道路等级等。

52、本发明提供了一种道路交通流量预测方法。具备以下有益效果：

53、1、本发明通过获得目标时间段内目标区域的卡口车辆数据集合，并结合起点地块和终点地块信息，得到各出行起点地块至出行终点地块的出行量和出行路径集合，然后根据当前时间窗的出行量，预测未来时间窗各出行起点地块至出行终点地块的出行量，进而得到各路段的预测交通流量结果，从而准确的把握城市道路交通运行状态。

54、2、本发明通过预测交通流量，交通管理部门和规划者可以根据预测结果进行合理的交通信号配时、交通管制等措施，以优化交通流动性，这将提高道路的通行效率，减少交通拥堵，节省出行时间，提升城市交通的整体效率。

55、3、本发明根据各出行起点地块至出行终点地块的时序特征值、时间特征值、周期特征值和空间特征值，建立长短时记忆神经网络模型，用于预测未来时间窗的出行量。这样可以综合考虑历史出行量、节假日、工作日、高峰时段等因素对交通流量的影响。

56、4、本发明根据出行路径集合的特征参数，建立logit模型函数，得到每条出行路径的选择概率，这样可以根据选择概率和未来时间窗各出行起点地块至出行终点地块的出行量，得到未来时间窗各路段的预测交通流量结果，有助于交通管理者和规划者了解交通拥堵状况，优化交通信号配时、交通管制等措施，从而提高道路通行效率，减少交通拥堵。