本发明属于智能交通技术领域，特别涉及一种高速公路ETC车流量预测方法。
背景技术：
随着社会经济的快速发展以及家庭汽车的逐步普及，人们往返于城市之间的节奏日趋频繁，行驶在高速公路上的车辆也越来越多。对高速公路交通状态的整体变化趋势进行有效把握，是对高速公路运营进行有效管理，防止交通拥堵的必要前提；同时对车辆在城市间的流动趋势的整体把握，有利于提高城市交通的管理，提高城市综合接待能力和服务水平。
交通流量的预测一直是智能交通领域的一个研究热点，国内外学者提出了大量的预测方法，大致可以分为：基于线性系统的预测方法、基于非线性系统的预测方法、基于知识发现的智能预测方法以及基于组合方式的预测方法。这些预测方法基本上以交通流的历史数据和实时数据为基础进行预测，没有考虑车辆的起点和终点对交通的影响。
电子不停车收费系统(Electronic Toll of Collection,ETC)是一种普遍应用于公路、大桥和隧道的电子自动收费系统，可以实现不停车的情况下自动计算费率和扣除通行费用。随着ETC的普及，配置ETC的车辆越来越多。ETC系统记录了大量车辆通行信息，包括行车的路线和时间等，这些信息与高速公路及城市车流量的变化有着密切的相关性，而目前针对ETC的高速公路流量的预测方法研究还比较少。
高速公路流量预测是目前智能交通领域难度较大的核心问题之一，但现有预测方法的精度普遍不足。利用ETC系统的车辆出行信息对高速公路ETC车流量进行预测，可以作为现有交通流量预测方法的一个补充，从而提高流量预测的精度，对于改善高速公路交通管理水平具有重要意义。
技术实现要素：
本发明的目的在于提出了一种高速公路ETC车流量预测方法，该方法利用ETC系统的车辆出行信息对高速公路ETC车流量进行预测，可以作为现有的交通流量预测的一个补充，从而提高流量预测的精度。
为了解决上述技术问题，本发明提供一种高速公路ETC车流量预测方法，包括以下步骤：
步骤一、提取ETC车辆通行的历史数据，将一对出入口数据合并为一条高速出入记录；
步骤二、将高速出入记录按时间排序，筛选记录中的往返路线；
步骤三、将时间分段，统计各时间段内车辆出入城的分布数据，具体为：
首先，计算出日期D的时间区间s内，从城市CIni至城市COutj的车辆数量Num(D,s,CIni,COutj)，计算方法如下，
Num(D,s,CIni,COutj)＝NumW(D,s,CIni,COutj)+NumO(D,s,CIni,COutj)
其中，NumW(D,s,CIni,COutj)为构成往返路线的车辆数量；
NumO(D,s,CIni,COutj)为不构成往返路线的车辆数量，1≤i≤IN，1≤j≤JN，IN为入口城市数量，JN为出口城市数量，1≤s≤SN，SN为将一天分成的时间区间数；
然后，计算出日期D的时间区间s内，从城市CIni驶出的车辆数量NumCOut(D,s,CIni)、达城市COutj的车辆数量NumCIn(D,s,COutj)、从城市CIni驶出的往返车辆数量、达城市COutj的往返车辆数量NumCInW(D,s,COutj)，计算方法分别如下，
步骤四、根据待预测时间区间的特点，选择相似时间区间的流量作为预测参照样本；
步骤五、根据预测参照样本以及最近时间范围内流量，对待预测时间区间内的流量进行估计；待预测时间区间内的流量为，在待预测日期Dpre时间区间s内，从城市CIni驶出的车辆数量NumCOut(Dpre,s,CIni)、到达城市COutj的车辆数量NumCIn(Dpre,s,COutj)、从城市CIni驶出的往返车辆数量以及到达城市COutj的往返车辆数量NumCInW(Dpre,s,COutj)，计算方法分别如下所示，
NumCOut(Dpre,s,CIni)＝α×NumCOut(Dref,s,CIni)
其中，
NumCIn(Dpre,s,COutj)＝β×NumCIn(Dref,s,COutj)
其中，
NumCOutW(Dpre,s,CIni)＝γ×NumCOutW(Dref,s,CIni)
其中，
NumCInW(Dpre,s,COutj)＝λ×NumCInW(Dref,s,COutj)
其中，
其中，待预测日期为Dpre，预测参照样本的日期为Dref，当前日期为Dnow，当前日期Dnow对应的参照样本日期为Drnow＝Dref-Dpre+Dnow，最近时间范围为DN天。
较佳地，所述ETC车辆通行的历史数据是指车辆通过ETC专用通道出入高速公路时，ETC系统自动记录的车辆行驶信息；
所述一对出入口数据是指同一车辆一次高速公路通行时驶入和驶出收费站的车辆行驶信息，一对出入口数据具体包括以下信息：
在时间TIn经入口收费站PortIn驶入高速,，收费站PortIn所在城市为CIn；
在时间TOut经出口收费站PortOut输出高速，收费站PortOut所在城市为COut，行驶时间为TOut-TIn，行驶距离为Dist；
所述一条高速出入记录包括：车辆标识CarID、入口城市CIn、驶入时间TIn、出口城市COut、驶出时间TOut、行驶时间TOut-TIn、行驶距离Dist。。
本发明与现有技术相比，其显著优点在于，本发明基于ETC通行的历史信息对高速公路ETC出行车辆进行预测，对车辆在城市之间的行驶趋势、预测城市车辆的出行情况、预测城市车辆的驶入情况、预测各地假期驾车短途游城市情况进行分析，有利于提高公路管理部门和城市管理部门服务水平，可以作为现有交通流量预测的一个补充。
附图说明
图1为本发明高速公路ETC车流量预测方法的流程示意图。
具体实施方式
容易理解，依据本发明的技术方案，在不变更本发明的实质精神的情况下，本领域的一般技术人员可以想象出本发明高速公路ETC车流量预测方法的多种实施方式。因此，以下具体实施方式和附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。
结合附图，本发明基于ETC系统中车辆出行的历史信息，检测通行记录中的城市往返环形路线，依据相同时间段流量存在相关性的特点选择预测参照样本，并根据实时流量和预测参照样本对指定时间区间的流量进行预测。ETC车流量预测时即考虑相似参照样本的流量，也考虑参照样本与预测流量的差异性。通过最近时间范围内流量与参照样本对应时间范围内流量的比例系数对预测的差异性进行修正。
如图1所示，本实施例所述高速公路ETC车流量预测方法的流程图，包括以下基本步骤：
步骤101，提取ETC车辆通行的历史数据，将一对出入口数据合并为一条高速出入记录。按照本具体实施方式，
所述ETC车辆通行的历史数据是指车辆通过ETC专用通道出入高速公路时，ETC系统自动记录的车辆行驶信息；
所述一对出入口数据是指同一车辆一次高速公路通行时驶入和驶出收费站的行驶数据，即一次收费的高速公路起点(入口)和终点(出口)所对应的车辆行驶信息。例如车辆Car1的一次通行的历史数据所包含的一对出入口数据为：
入口：在时间TIn经入口收费站PortIn驶入高速,，收费站PortIn所在城市为CIn；
出口：在时间TOut经出口收费站PortOut输出高速，收费站PortOut所在城市为COut，行驶时间为TOut-TIn，行驶距离为Dist；
那么合并后的一条高速出入记录为：车辆标识CarID、入口城市CIn、驶入时间TIn、出口城市COut、驶出时间TOut、行驶时间TOut-TIn、行驶距离Dist。所述车辆标识用于唯一标识一辆汽车，时间单位采用分钟，距离单位采用公里。
步骤102，将高速出入记录按时间排序，筛选记录中的往返路线。
假期自驾出行一般为短途出行，路线的一个特点是途径的城市构成往返的环形路线，即从某个城市出发最终回到出发的城市。
按照本具体实施方式，假设车辆Car1的高速出入记录按时间排序后，连续的KN条高速出入记录的途径高速入口城市为CInk、高速出口城市COutk和高速驶入时间TInk，其中，1≤k≤KN，如果满足以下条件，则这KN条高速出入记录构成一个往返路线：
(1)行驶的天数小于指定的天数，即(TInKN-TIn1)/(24×60)<DayNum+1，其中DayNum假期时取假期的天数，非假期取常数3天；
(2)CInk＝COutk-1，其中，2≤k≤KN；
(3)CIn1＝COutKN。
步骤103，将时间分段，统计各时间段内车辆出入城的分布数据。
按照本具体实施方式，按30分钟一个区间将时间分段，一天24小时分为SN＝48个时间区间。假设在日期D区间为s(1≤s≤SN)的时间区间，从城市CIni至COutj的车辆数量记为Num(D,s,CIni,COutj)：
Num(D,s,CIni,COutj)＝NumW(D,s,CIni,COutj)+NumO(D,s,CIni,COutj)
其中，NumW(D,s,CIni,COutj)为构成往返路线的车辆数量；
NumO(D,s,CIni,COutj)为不构成往返路线的车辆数量，1≤i≤IN，1≤j≤JN，其中IN为入口城市数量，JN为出口城市数量。则有，
(1)在日期D区间为s的时间区间，从城市CIni驶出车辆数量记为：
(2)在日期D区间为s的时间区间，到达城市COutj车辆数量记为：
(3)在日期D区间为s的时间区间，从城市CIni驶出的往返车辆数量记为：
(4)在日期D区间为s的时间区间，到达城市COutj的往返车辆数量记为：
步骤104，根据待预测时间区间的特点，选择相似时间区间的流量作为预测参照样本。
按照本具体实施方式，将日期分为节日假期、周末假期和工作日三种，预测参照样本分别选取的相似时间区间为：节日假期取上一年相同节日假期数据，周末假期取上一周末假期数据，工作日取上一周相同工作日数据。记待预测日期Dpre的预测参照样本的日期为Dref。
步骤105，根据参照样本以及最近时间的流量，对待预测时间区间内的流量进行估计。
预测即考虑相似参照样本的流量，也考虑参照样本与预测流量的差异性。按照本具体实施方式，通过最近时间范围内流量与参照样本对应时间范围内流量的比例系数对预测的差异性进行修正。假设当前日期Dnow，则其对应的参照样本日期为Drnow＝Dref-Dpre+Dnow，最近时间范围选择DN天，则
(1)在日期Dpre区间为s的时间区间，从城市CIni驶出(高速入口)车辆数量预测为：
NumCOut(Dpre,s,CIni)＝α×NumCOut(Dref,s,CIni)
其中，比例系数
(2)在日期Dpre区间为s的时间区间，到达城市COutj(高速出口)车辆数量记为：
NumCIn(Dpre,s,COutj)＝β×NumCIn(Dref,s,COutj)
其中，比例系数
(3)在日期Dpre区间为s的时间区间，从城市CIni驶出的往返车辆(度假出行)数量记为：
NumCOutW(Dpre,s,CIni)＝γ×NumCOutW(Dref,s,CIni)，其中比例系数
(4)在日期Dpre区间为s的时间区间，到达城市COutj的往返车辆(度假接待)数量记为：
NumCInW(Dpre,s,COutj)＝λ×NumCInW(Dref,s,COutj)，其中比例系数