专利名称：一种道路交通流量采集及预测方法
技术领域：
本发明属于ITS (智能交通系统)技术领域，具体涉及一种道路交通流量数据采集装置的设计、并可对采集的数据进行去噪预处理和对道路交通流量进行预测的方法。
背景技术：
交通流量是交通信息中一个重要的参数，交通流量采集及预测是控制车流出入， 确保道路安全畅通的重要手段，对城市交通控制与管理有着重要的作用和意义。通常，交通流量的获取是靠各种交通流量检测设备来完成的，交通流量检测设备以机动车辆为检测目标，检测车辆的存在或通过状况。现有的交通流量检测主要有感应线圈检测、微波检测和视频检测等多种方法，其中，感应线圈车辆检测由于其准确度、可靠性高和成本低等优点而被广泛使用。采用感应线圈的车流量检测系统是一种基于电磁感应原理的检测系统。当被检测车辆通过感应线圈时，就会引起线圈回路电感量的变化，检测系统通过微处理器检测出这个电感变化量，就能检测出车辆的通过或存在状况。通常，检测电感变化量的方式有两种 第一种是利用相位锁存器和相位比较器来检测相位的变化；另一种是利用耦合振荡电路对其振荡频率进行检测。第二种方式的耦合振荡电路设计简单，成本更低。传统的感应线圈车流量检测系统在检测时存在的缺陷在对多个车道的感应线圈进行检测时，检测系统采用设置振荡电路产生不同振荡频率的方法来避免各车道的感应线圈间的藕合效应。这样，将对不同环境下的检测频率的设置有所限制，从而影响检测精度。道路交通流量的预测属于交通信号控制系统的一个重要组成部分，道路交通流量数据的准确采集是道路交通流量预测准确的前提和保证，道路交通流量预测又是提高交通信号控制系统性能的一个关键。目前，大多数的交通流量预测方法，都没有对交通流量中的噪声进行处理。而交通流量数据本身的振荡性就比较大，传统的数据处理方法对噪声数据的处理都是对相对平稳的信号进行处理的，因此使用传统的方法将使得大量的真实数据被剔除，造成对预测效果产生更大的影响。目前，常用的预测方法有kalman滤波、非参数回归、人工神经网络以及支持向量机等多种方法。在这些方法中，大多数是针对固定时间间隔(5 10分钟)的短时交通流量预测，数据平稳度大于以交叉路口信号周期为时间间隔采集的数据，预测的方法相对简单。 所以，在实际的应用中就会造成预测精度不高、运算时间长等问题，使其难以应用在道路交通信号控制系统中。
发明内容
本发明为了解决上述问题，提出一种对多车道的感应线圈进行逐个扫描的道路交通流量采集装置及预测的方法，获得规定周期内的车流量、平均车速、占有率和交通密度等道路交通参数，实现对道路交通流量的预测，提高数据采集和预测的准确性。本发明专利的技术方案如下
一种道路交通流量采集与预测方法，包含交通流量采集和交通流量数据预处理与预测两部分；其特征在于包括以下步骤(1)交通流量采集将道路交通流量采集装置中的环形感应线圈通过馈线与车辆检测模块的输入端相连，车辆检测模块的输出通过RS-485串口与交通流量采集模块的输入相连，并得到道路交通流量数据；交通流量采集模块的输出通过RJ-45网络接口与上位机(PC机)相连，将采集到的交通流量数据提供给上位机进行预处理及交通流量的预测；(2)交通流量数据预处理与预测在上位机中，预处理模块采用小波分析结合最小二乘法实现对采集数据中的异常数据进行剔除；预测模块采用改进的BP神经网络算法实现对交通流量的预测a)交通流量数据预处理首先将采集到的交通流量数据进行2层DB4小波分解， 把分解后的2层低频分量进行完全重构，以此重构序列为依据，作为异常数据剔除的基准线；然后将原始交通流量序列与基准线即重构序列求得绝对差值序列，再结合最小二乘法找出绝对差值序列中出现异常的位置定为原始交通流量序列的异常点，使用原始数据中的前后平均值加以修复；b)交通流量预测采用变步长算法来弥补传统BP神经网络的缺陷，对传统的BP 神经网络进行改进，在改进的BP神经网络中，以预测断面自身的历史数据为BP神经网络的输入，预测断面的下一个时段的流量为输出来训练网络，将训练好的网络作为交通流量预测模型。本发明提供了一种道路交通流量采集装置，包括感应线圈、车辆检测模块、交通流量采集模块三部分。车辆检测模块的输入端通过馈线与感应线圈相连，其输出通过RS-485串口与交通流量采集模块的输入相连，将检测到的有无车辆通过的状态信号传输给交通流量采集模块进行处理，从而得到交通流量数据。交通流量采集模块的输出通过网络接口与上位机(PC机)相连，并将采集到的交通流量数据提供给上位机进行预处理及交通流量预测。在上位机运行的软件中，首先将交通流量数据采集装置采集的数据进行预处理， 之后再对交通流量数据进行预测。所述的交通流量数据预处理部分首先将采集的交通流量数据作为一个序列S， 用DB4小波进行分析，对其进行二层小波分解；将分解后的2层低频分量％进行完全重构； 以重构序列Sra为依据，用原始序列与其求得一个绝对差值序列d。d(i) = S(i)_Srec(i)，i = 1，2，...，N (1)再使用最小二乘法找出这个差值序列中的异常数据位置，先求出差值序列的标准
权利要求
1.一种道路交通流量采集与预测方法，包含交通流量采集和交通流量数据预处理与预测两部分，其特征在于(1)交通流量采集将道路交通流量采集装置中的环形感应线圈通过馈线与车辆检测模块的输入端相连， 车辆检测模块的输出通过RS-485串口与交通流量采集模块的输入相连，并得到道路交通流量数据；交通流量采集模块的输出通过RJ-45网络接口与上位机(PC机)相连，将采集到的交通流量提供给上位机进行数据预处理及交通流量的预测。(2)交通流量数据预处理与预测在上位机中，预处理模块采用小波分析结合最小二乘法实现对采集数据中的异常数据进行剔除；预测模块采用改进的BP神经网络算法实现对交通流量的预测a)交通流量数据预处理首先将采集到的交通流量数据进行二层DB4小波分解，把分解后的二层低频分量进行完全重构，以此重构序列为依据，作为异常数据剔除的基准线然后将原始交通流量序列与基准线即重构序列求得绝对差值序列，再结合最小二乘法找出绝对差值序列中出现异常的位置定为原始交通流量序列的异常点，使用原始数据中的前后平均值加以修复；b)交通流量预测采用变步长算法弥补传统BP神经网络的缺陷，对传统的BP神经网络进行改进，在改进的BP神经网络中，以预测断面自身的历史数据为BP神经网络的输入， 预测断面的下一个时段的流量为输出来训练网络，将训练好的网络作为交通流量预测模型。
2.根据权利要求1所述的道路交通流量采集与预测方法，其特征在于所述车辆检测模块依据实际路口的车道数通过馈线连接相应个数的环形感应线圈。
3.根据权利要求1所述的道路交通流量采集与预测方法，其特征在于交通流量采集模块依据实际路口的车道数通过RS-485串口连接相应个数的车辆检测模块。
4.根据权利要求1所述的道路交通流量采集与预测方法，其特征在于道路交通流量采集装置可将采集到的交通流量数据按规定周期存储在大容量SD卡中，为后期的交通流量数据处理、预测提供方便。
5.根据权利要求1所述的交通流量数据预处理方法，其特征在于所述交通流量数据预处理的具体方法是将采集的交通流量数据作为一个序列S，用DB4小波进行分析，对其进行二层小波分解；将分解后的二层低频分量％进行完全重构；以重构序列Sra为依据，用原始序列与其求得一个绝对差值序列d d(i) = S(i)-Srec(i), i = 1,2, ...，N (1)再使用最小二乘法找出这个差值序列中的异常数据位置，先求出差值序列的标准差
6.根据权利要求1所述的交通流量数据预处理方法，其特征在于所述交通流量预测的具体方法是以步长Π算法来弥补传统BP神经网络的缺陷，在训练过程中，当网络误差e增大，减小步长以减小误差，误差膨胀系数α取值为0.8。 n (π) = α X n (n-1) (4) 式中，η (n)表示第n次迭代时的步长。当网络误差减小时，增大步长以加快收敛速度，误差收缩系数β取值为1.25。 n (n) = β X n (n-1) (5)以预测断面的5个历史数据为BP神经网络的输入，预测断面下一个时段的流量值为网络的输出，对网络进行训练；网络训练好后，以预测前的5个历史数据为输入，以网络响应值作为流量预测值。
全文摘要
一种道路交通流量采集及预测方法，包括环形感应线圈、车辆检测模块、交通流量采集模块、交通流量数据预处理和预测，道路交通流量数据预处理和预测软件在上位机(PC机)上进行，并通过网络接口读取采集模块(SD卡)中的交通流量数据。为提高预测的可靠性，在道路交通流量数据预处理和预测方法中，首先采用小波分析结合最小二乘法对交通流量数据进行噪声剔除；然后采用改进的BP神经网络建立交通流量预测模型，实现对交通流量的预测，为优化道路交通的控制配时方案和道路交通规划提供依据。本发明可获得规定周期内的车流量、平均车速、占有率和交通密度等道路交通参数，从而实现对道路交通流量的预测，提高数据采集和道路交通流量预测的准确性。
文档编号G08G1/01GK102496284SQ20111043943
公开日2012年6月13日 申请日期2011年12月24日 优先权日2011年12月24日
发明者刘林佳, 易良友, 李志敏, 黄凯梁 申请人:重庆大学