面向交通流管控的收费站交通流组合预测方法及系统

1.本发明属于交通管控技术领域，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。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.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。
4.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。
5.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。
6.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。


技术实现要素：

7.为了解决上述背景技术中存在的至少一项技术问题，本发明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。
8.本发明的研究目的为：
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。
9.为了实现上述目的，本发明采用如下技术方案：
10.本发明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：
11.获取历史交通流数据；
12.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；
13.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；
14.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。
15.本发明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：
16.数据获取模块，被配置为：获取历史交通流数据；
17.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；
18.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；
19.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。
20.本发明的第三个方面提供一种计算机可读存储介质。
21.一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。
22.本发明的第四个方面提供一种计算机设备。
23.一种计算机设备，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。
24.与现有技术相比，本发明的有益效果是：
25.本发明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
26.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示
意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
27.图1是本发明实施例1面向管控的交通流中短期组合预测流程示意图；
28.图2是本发明实施例1的lstm模型示意图；
29.图3是本发明实施例1的中短期组合预测流程图。
具体实施方式
30.下面结合附图与实施例对本发明作进一步说明。
31.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
32.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发明的示例性实施方式。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。
33.高速公路是我国经济快速发展的重要因素和客观反映，也是中国交通现代化的重要标志。随着车辆数量的增加高速公路的交通量也出现了巨大的变化。私家车自驾出行以及跨区域运输的快速发展使高速公路交通量达到饱和，高速公路收费站出现了严重的拥堵现象。拥堵造成的等待有可能引发驾驶员临时变更车道等不安全行为，造成交通安全事故；道路不畅导致车辆频繁的启停、长时怠速等会加速燃油的消耗以及尾气排放，加剧空气污染。
34.最初的纯人工收费需收费员在录入车牌号、对现金进行真假识别等操作耗时较长且在收费过程由于工作人员业务不娴熟,操作程序不规范,可能影响放行速度。随着出行车辆的增多纯人工收费已经逐渐从我国的收费体系中淘汰，现有大部分收费站是人工半自动收费(mtc，manual toll collection)与电子不停车收费(etc，electronic toll collection)相结合的混合收费模式。随着移动支付的普及，人工半自动收费多为以微信、支付宝为主的移动支付，以及人工发卡、自动发卡和刷卡进站等多元化收费方式，服务时间有所降低。而etc系统车辆可在无需停车的情况下完成整个缴费过程，其通行能力是人工收费的3-8倍,在美国、欧洲、日本都得到了广泛应用，其不仅能够提高收费站的通行能力、缓解收费站因缴费延误而产生的拥堵、节省收费站的扩建成本，而且还可以减轻收费人员的劳动强度，减少因停车缴费导致的环境污染，提高收费管理水平。
35.不同收费方式车辆的服务时间不同，车道间通行能力存在较大差异；驾驶员在收费站区域的驾驶行为复杂，在不规范、不明显的标志标线下可能驶入错误车道，加剧拥堵状况；静态车道配置根据历史流量设置车道类型及数量，无法适应交通需求的动态变化，供需不平衡引起的车道闲置加重了基础设施的资源。根据未来交通流变化情况，进行不同类型车道的配置管理对于合理运用资源、缓解高速收费站拥堵具有重大意义。
36.实施例一
37.本文研究目的为：
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。
38.如图1所示，本实施例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：
39.s101:获取历史交通流数据；
40.s102:对采集的历史交通流数据进行预处理；
41.s103:根据处理后的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；
42.s104: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；
43.s105: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，到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；
44.s106:对预测效果进行评价。
45.其中，s102中，所述对采集的历史交通流数据进行预处理包括：
46.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；
47.采用滑动窗口分割的方式重构数据集格式为[样本量，时间步，特征向量]的多维张量；
[0048]
按照一定的比例将数据集划分为训练集和测试集。
[0049]
为更好满足lstm模型的输入要求，本发明采用线性归一化方法将原始数据等比例缩放至[0，1]区间，在得到预测结果后，再将数据进行逆转缩放反归一化恢复至原始区间，公式如下：
[0050][0051]
x
new
＝x
nom
×
(x
max-x
min
)+x
min
(2)
[0052]
式中，x为原始数据，x
nom
为归一化后的数据，x
new
为反归一化后的数据，x
max
与x
min
分别为数据集中的最大值与最小值。
[0053]
如图2所示，s103中，所述收费站交通流预测模型采用lstm神经网络模型，所述lstm(long-short-timememory)是一种特殊的递归神经网络(rnn)。
[0054]
lstm由四层组成：遗忘门层、输入门层、输出门层和单元状态。如图2所示，lstm的关键是单元状态，即贯穿图顶部的水平线。每个时间点tn都有相应的状态。c
t-1
记录之前的信息，可以通过调整输入的权重来不断纠正状态c
t
。
[0055]
所述lstm神经网络模型构建的过程包括：
[0056]
第一步通过遗忘门f
t
选择性遗忘上一步单元状态中的信息，以上一步的h
t-1
和这一步的x
t
作为输入，为c
t-1
中每个元素输出f
t
∈[0,1]；
[0057]
第二步通过输入门i
t
选择性的将新信息记录到单元状态中，以上一步的h
t-1
和这一步的x
t
作为输入得到i
t
，将其与f
t
，c
t-1
结合更新单元状态c
t
；
[0058]
最后通过输出门o
t
输出预测结果，以上一步的h
t-1
和这一步的x
t
作为输入得o
t
，并进一步控制单元状态c
t
得到输出信息h
t
。
[0059]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)(3)
[0060]it
＝σ(wi·
[h
t-1
,x
t
]+bi)(4)
[0061][0062][0063]ot
＝σ(wo·
[h
t-1
,x
t
]+bo)(7)
[0064]ht
＝o
t
*tanh(c
t
)(8)
[0065]
s104中，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车道中人工半自动收费(mtc，manualtollcollection)车道与电子不停车收费(etc，electronictollcollection)车道的比例计算平均服务时间确定。
[0066]
所述etc车道以及htc车道的饱和度vc比的计算方式为：
[0067]
vc
etc
＝y
1pre
/c
etc
(9)
[0068]
vc
htc
＝(y
2pre
+y
3pre
)/c
htc
(10)
[0069][0070]ehtc
＝e
etc
*α+e
mtc
*(1-α)(12)
[0071]
α＝y
2pre
/(y
2pre
+y
3pre
)(13)
[0072]
式中，vc
etc
,vc
htc
分别代表etc车道、htc车道饱和度vc比；y
1pre
,y
2pre
,y
3pre
分别代表etc车道中etc交通流、htc车道中etc交通流、htc车道中mtc交通流预测结果；c
etc
,c
htc
分别代表etc车道、htc车道基准通行能力；α为htc车道交通流中etc交通流所占比例。
[0073]
如图3所示，s105中，基于etc车道以及htc车道的饱和度vc比判断拥堵状态并进行分级预警包括：
[0074]
当饱和度vc比小于第一阈值时，处于交通畅通阶段，无预警，采用第一时长作为预测时长；
[0075]
当饱和度vc比大于第一阈值小于第二阈值时，发出蓝色预警，交通基本畅通，采用第一时长+第二时长组合式预测时长，通知管理人员开始准备；
[0076]
当饱和度vc比大于第二阈值小于第三阈值时，发出黄色预警，交通拥堵，采用第一时长+第三时长组合式预测时长，通知管理人员尽快准备完成；
[0077]
当饱和度vc比大于第三阈值时，发出橙色预警，交通严重拥堵，保持采用第一时长+第三时长组合式预测时长，准备实施管控手段。
[0078]
其中，《公路通行能力手册》中以vc比作为评价指标将收费站服务水平划分为六级，vc比分级阈值分别为0.3、0.5、0.75、0.95、1.00。
[0079]
本发明参照该《公路通行能力手册》以及驾驶人与乘客在不同服务水平下的出行感受，将vc比作为评价收费站拥堵预警状态的指标，并分别选取0.3、0.5、0.75作为vc比分级阈值将预警状态划分为四个等级，分别为：无预警、蓝色预警、黄色预警、橙色预警，各级预警下的状态描述与相应管控措施如表所示：
[0080]
表1收费站预警状态等级划分
[0081][0082]
在交通畅通阶段，采用30min作为预测时长；
[0083]
当饱和度vc比达到蓝色预警阈值时，预测交通流处于基本畅通阶段，将采用30min+15min组合式预测时长；
[0084]
当判断vc比达到黄色预警时，预测交通流处于拥堵阶段，将采用30min+5min组合式预测时长；
[0085]
当判断vc比达到橙色预警时，预测交通流处于严重拥堵状态，将保持30min+5min组合式预测时长，并准备实施管控手段。
[0086]
在管控准备及实施过程中，将持续进行交通流实时预测以跟踪管控效果，当预测到拥堵状态更新时将同步更新预警状态及相应的管控措施。
[0087]
s106中，所述对预测效果进行评价中，采用平均绝对误差(mean absolute error,mae)和平均绝对百分比误差(mean absolute percentage error,mape)作为评价指标，对中短期组合预测模型的预测效果进行评估。mae和mape的计算方式分别如下所示，其中与分别代表交通流实际值和交通流预测值：
[0088][0089][0090]
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。
[0091]
实施例二
[0092]
本实施例提供面向交通流管控的收费站交通流组合预测系统，包括：
[0093]
数据获取模块，被配置为：获取历史交通流数据；
[0094]
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；
[0095]
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；
[0096]
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。
[0097]
实施例三
[0098]
本实施例提供了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。
[0099]
实施例四
[0100]
本实施例提供了一种计算机设备，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。
[0101]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0102]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0103]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0104]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0105]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0106]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。