一种动态路网交通需求预测方法及其系统与流程

本发明涉及一种动态路网交通需求预测的方法及其系统，用于交通分析，属于交通控制领域。

背景技术：

在交通控制领域中，大部分的交通分析主要针对已经采集的交通流数据，分析数据质量，并借助路网数据，分析拥堵状态及数据短时预测，并没有结合交通事件、施工占道、交通管制等交通管理数据，进行综合分析，分析及预测精度相对来讲不是很高。

在现代的交通控制系统中，交通需求预测的准确性，直接影响了拥堵热点分析及信号优化模型参数，从而间接影响了警力部署及信号优化方案生成，会导致拥堵发生时，警力调度不及时，也可能引发交通事故。为此，本领域技术人员致力于融合各类交通数据，形成完善的预测分析模型，以提高预测的准确性，更好地服务于指挥调度及信号控制。

技术实现要素：

发明目的：为了克服现有分析模型中存在的不足，本发明提供采集并融合多源交通数据的方法，将交通流数据、地理信息数据、交通管理信息叠加到路网上，形成动态的网格数据，在动态路网数据基础上，建立数据预测模型，具有数据实时性高、准确度高等特点，能够有效的提高拥堵研判精度，从而为信号优化提供较为合理的交通需求数据(排队、流量、速度、占有率等)，改善优化模型、缓解交通拥堵。

技术方案：为实现上述目的，本发明采用的技术方案包括数据采集、数据预处理、数据预测及反馈三大步骤，

其中，数据采集主要采集来自各自交通流检测设备的数据(流量、速度、占有率)；采集来自第三方交通管控数据(交通管制、施工占道、交通事件、信号灯态、信号实时方案等)。

数据预处理包括以下四个环节：数据清洗、数据弥合、数据融合、数据路网叠加。

数据预测及反馈，包含建立数据预测模型，并对数据预测结果与下一时刻的采集数据进行对比分析，分析数据偏差度，修正数据预测模型。

动态路网交通需求分析的方法，包括以下步骤：

步骤一：S1数据采集

采集来自各种交通流检测设备的交通流数据，并写入交通流原始数据库；

采集地理信息数据，写入地理信息数据库。主要采集以下地理信息数据：道路、路口、路段，其中道路需要包含道路等级，路段至少需要包含行驶方向、路段一般行驶速度、路段长度、路段起止路口编号等。

采集来自第三方系统的交通管理信息数据，主要是交通管制信息、施工占道信息、交通事件信息、交通信号控制信息等。

步骤二：数据预处理

数据预处理包括以下四个环节：数据清洗、数据弥合、数据融合、数据路网叠加。

S2.数据清洗：对于采集的交通流数据，首先需要根据数据所处时间段、设备类型、设备位置，进行异常识别，并对于异常数据进行清洗过滤。

S3.数据弥合：对于经过清洗过滤后的数据，根据弥合规则，进行数据弥合。

S4.数据融合：将数据根据设备特点及其埋设位置，进行像素级融合，形成断面采集数据，每个采集断面仅存在一组数据，保证预测模型的应用，以提高交通数据精度。

S5.数据路网叠加：将断面交通数据叠加到道路网相关采集点，路网叠加包含了交通流数据，同时也包含交通管理数据，交通管理数据的叠加可以有效的修正地理信息系统(GIS)道路网的矢量拓扑连通情况、路段的有效车道情况，便于精准化数据分析。

步骤三：数据预测及反馈

S6.建立数据预测模型：根据道路网两点之间的通达性(路段通行许可性)、行驶速度、距离、路侧是否存在小区、停车场等影响车辆行驶的信息，构建路网动态模型；结合各采集点的交通流数据、交通灯态、交通信号方案，构建交通需求预测模型，预测路段可能的排队长度、路段各车道流量。

S7.评估数据预测模型：将预测的交通数据，与下一时刻的实际检测数据，进行偏差分析，评估预测准确度，并根据评估结果，对数据预测模型及其参数进行修订，优化预测模型。

本发明涉及一种动态路网交通需求预测系统，该系统包括数据采集模块、数据预处理模块、数据预测及反馈模块，其中：

数据采集模块分别将采集到的地理信息数据写入地理信息数据库，将来自交通流检测设备的交通流数据写入交通流原始数据库，将来自第三方系统的交通管理信息数据写入交通管理信息库；然后通过通讯链路将采集到的这几类数据分别传递到数据采集中心；

数据预处理模块，包括：

数据清洗单元，完成对所采集的交通流数据所处时间段、设备类型、设备位置进行异常识别，并根据经验阈值进行清洗过滤；

数据弥合单元，完成对清洗过滤后的数据根据弥合规则进行数据弥合，以完善数据系列；

数据融合单元，根据设备特点及其埋设位置，将多种设备的采集数据进行像素级融合，形成虚拟化的断面交通流数据；

数据路网叠加单元，将融合后的断面交通流数据和交通管理数据叠加到道路网相关采集点，实时修正道路网的通行情况；

数据预测及反馈步骤模块，包括：

建立数据预测模型单元，用于根据道路网两点之间的影响车辆行驶的信息完成路网动态模型的构建，以及结合各采集点的交通流数据、交通管理信息完成交通需求预测模型的构建；

评估数据预测模型单元，根据偏差分析法修正数据预测模型，以形成闭环学习。

有益效果：

本发明提供的动态路网交通需求预测方法及其系统，相对于现有技术，具有以下优点：

1.采集数据种类多，且可以通过像素级融合，形成断面流量，可以提高交通数据精度；

2.通过接入多类别交通管理数据，可以对道路网动态修订，有助于预测准确度提高；

3.通过结合信号方案数据、实时灯态数据，大大提高了排队长度及交通流量推算精度，从而降低预测偏差可能；

4.本发明具有研判分析数据种类丰富、算法简单、使用及维护方便、实时性好等特点，能够有效提供交通需求，为交通信号优化、交通拥堵研判提供支撑数据，从而改善路网优化，缓解交通拥堵。

附图说明

图1为本发明实施例中动态路网交通需求预测方法流程图；

图2为本发明实施例中数据弥合方法流程图；

图3为本发明实施例中数据预测模型建立的流程图。

具体实施方式

下面结合附图1及实施例对本发明作更进一步的说明。

一种动态路网交通需求预测的方法，包括以下步骤：

步骤一：S1.数据采集

采集来自各种交通流检测设备的交通流数据，并写入交通流原始数据库；交通流检测数据来源于路面的交通检测设备，主要包含：视频检测器、地磁检测器、微波检测器、卡口、信号机、路口信号设备等，设备采集交通流数据通过通讯链路传递到采集中心。

采集地理信息数据，写入地理信息数据库。主要采集以下地理信息数据：道路、路口、路段，其中道路需要包含道路等级，路段至少需要包含行驶方向、路段一般行驶速度、路段长度、路段起止路口编号等。

采集来自第三方系统的交通管理信息数据，主要是交通管制信息、施工占道信息，并写入交通管理信息库；订阅来自指挥调度系统的交通事件报警信息，例如恶劣天气、交通拥堵事件、交通事故等，写入交通管理信息库；订阅来自交通信号控制系统的信号方案及实时灯态，存储到交通管理信息库。交通事件、施工占道、交通管制、交通信号控制等交通管理信息，来自第三方软件系统，通过通讯链路传递到采集中心。

交通流数据、地理信心数据以及交通管理信息数据通过通讯链路传递到采集中心。

步骤二：数据预处理

数据预处理包括以下四个环节：数据清洗、数据弥合、数据融合、数据路网叠加。

S2.数据清洗：采集进来的交通流数据因受到设备及环境等影响，会产生一些异常数据，需要根据经验阈值进行清洗过滤，以保证预测的准确度。对于采集的交通流数据，首先需要根据数据所处时间段、设备类型、设备位置，进行异常识别，并对于异常数据进行清洗过滤.上述数据异常识别需要参照的数值异常门限值。异常门限值主要依据历史经验，通过人工设定。可以对不同类型设备、不同属性，按照时段分别设定异常阀值。这样可以精细化对交通流检测设备所采集的数据进行清洗，从而可以有效规避因原始数据问题带来的预测偏差，提高预测精度。

S3.数据弥合：对于经过清洗过滤后的数据，根据弥合规则，进行数据弥合。随着数据清洗及设备漏报等情况的发生，数据的完整性将会出现问题，数据的不连续性将导致数据趋势及数据预测模型精度下降，为此需要通过弥合算法，完善数据系列。

弥合规则如下：

S3-1.先判断持续弥合时间长度，持续弥合时间长度一般通过配置来设置，以分钟为单位，例如设置为30分钟；如果超过设定的弥合时间上限，则不做弥合，转到S3-5；否则进入S3-2；

S3-2.当前时刻是否处于假日期间，如果是进入S3-3；否则进入S3-4；

S3-3.对于假日数据，采用去年同期历史数据进行弥合；假定去年同期历史数据为x1，当前时刻数据记为y，则y＝x1；转S3-5；

S3-4.常规工作日的检测数据，采用上周同期数据进行弥合；假定上周同期数据为x2，当前时刻数据记为y，则y＝x2；转S3-5；

S3-5.结束弥合处理。

S4.数据融合：将数据根据设备特点及其埋设位置，进行像素级融合，形成断面采集数据，每个采集断面仅存在一组数据，保证预测模型的应用，以提高交通数据精度。当同一个车道上安装多个采集设备时，为了预测模型应用就需要对数据进行融合。传统的融合方式，主要是采用求均值的融合方法。这种融合方法不足在于没有充分应用不同设备的特点。经分析发现不同类型设备在数据采集方面各有其优势特点，为此我们采取将多种设备的采集数据进行像素级融合的方法，形成虚拟化的断面交通数据，以提高交通数据精度。

传统的数据融合方法，大部分采用的是均值融合，即虚拟化的断面交通数据，各属性值分别求平均。

所谓像素级融合，也是对检测同一车道的检测设备数据融合到虚拟检测断面的一种数据融合方法。因每类设备采集数据都有多个参数(诸如：流量、速度、占有率、排队长度等)，且设备有其各自优劣势，取设备检测优势参数，弱化其劣势参数，形成优优联合的检测数据。因我们把每个参数称之为一个像素，所以这种融合方式就被称为“像素级融合”。

下面以实际车道举例说明两种融合方法的差异化。

假设车道La，上面埋设三个检测设备，一个微波检测器D1，一个视频检测器D2，一个地磁检测器D3(挂靠在信号机D3上)。检测数据分别定义为：流量LLi(La)、速度SDi(La)、占有率ZYLi(La)、排队长度PDCDi(La)；虚拟检测断面数据记为：流量LL(La)、速度SD(La)、占有率ZYL(La)、排队长度PDCD(La)。i＝1，2，3分别对应检测设备号D1、D2、D3。

传统融合方法：

像素级融合方法：

(1)划分时段：

按照季节、假日、工作日分别设定。

黎明时段：夏季4:00-5:00，春秋4:30-5:30，冬季5:00-6:00；记为PERIOD1；

黄昏时段：17:00-18:00，记为PERIOD2；

高峰时段：不同城区、不同日期有差别，可以根据历史交通流数据分析而得。以北京为例，早高峰大约在7:00-9:00；晚高峰(周五)大约在16:00-20:00，其他工作日大约在16:40-19:30。高峰时段数据特性接近，记为一个时段记为PERIOD3；

对于大型车较多时段，记为PERIOD4；

说明：在时段PERIOD3、PERIOD4时间范围内，路段上架设的微波检测器测速精度较低；对于PERIOD1、PERIOD2时段，路段的视频检测器检测速度及流量精度较低；地磁设备检测流量不受时段影响，但是因为安装位置在停车线附近，速度基本不可用。

排队长度数据只有视频检测器可以提供。

(2)数据融合：

根据划分的几个时段及各时段检测设备的检测的数据特点，对虚拟检测断面数据记为：流量LL(La)、速度SD(La)、占有率ZYL(La)、排队长度PDCD(La)进行融合，步骤如下：

S4-1.判断当前是否处于PERIOD1、PEROID2时段范围，若是，则：

LL(La)＝LL1(La)*0.6+LL3(La)*0.4，其中0.6和0.4表示相应检测设备所对应的权重值；

SD(La)＝SD1(La)；

PDCD(La)＝PDCD2(La)；

否则，转入S4-2；

S4-2.判断当前是否处于PERIOD3、PERIOD4时段围，若是，则：

LL(La)＝LL2(La)*0.8+LL3(La)*0.2，其中0.8和0.2表示相应检测设备所对应的权重值；

SD(La)＝SD2(La)；

PDCD(La)＝PDCD2(La)；

否则，转入S4-3；

-S4-3.

LL(La)＝LL2(La)*0.7+LL3(La)*0.2+LL1(La)*0.1，其中0.7、0.2和0.1表示相应检测设备所对应的权重值；

SD(La)＝SD2(La)；

PDCD(La)＝PDCD2(La)。

S5.数据路网叠加：将断面交通数据叠加到道路网相关采集点。路网叠加包含了交通流数据，同时也包含交通管理数据。交通管理数据的叠加可以有效的修正地理信息系统(GIS)道路网的矢量拓扑连通情况、路段的有效车道情况，便于精准化数据分析。为了准确描绘道路网，将交通管理信息，例如交通管制、施工占道以及实时的交通事件等信息叠加到道路网，实时修正道路网的通行情况，为数据预测模型提供更为精准的路网信息。对于采集的交通管理信息，需要根据管理信息所在的经纬度坐标，叠加到道路网，并修改路网中各路段是否允许通行、通行车道等属性。

路网叠加分两个层面，首先是对交通管理数据叠加，修正路网静态属性；然后叠加交通流数据，为预测模型准备初始数据。

交通管理数据叠加方式如下：对于交通管制、施工占道、交通事件等信息，修正管制、占道、事件所影响路段的通行属性。下面分别举例说明影响情况：

假设路口A到路口B，路段名称记为Road，其通行方向为I，表示由A行驶到B；有左转车道1条、直行车道2条、右转车道1条；最大排队记为Queue_max。

1)管制整个Road，则通行方向改为II，表示禁行。这样后续路口B排队就会为最大值，因为车辆都排在路段Road上无法通过。

2)管制左转车道，则，通行方向不变，依然是I。但是因为左转车道无法通行，路段通行能力降低25％以上。左转车会在Road上形成排队，其他车道排队长度略有增加。

3)施工占道在左转车道，则，通行方向不变，依然是I。因施工影响，左转车道与紧邻直行车道都无法通行，路段通行能力降低50％以上。路段各流向排队长度有增加。

4)施工占道为直行车道时，则通行方向不变，依然是I。因施工影响，紧邻直行的两侧车道都无法通行，路段通行能力降低75％以上。路段各流向排队会明显增加。

5)交通事件与施工占道情形类似，不再描述。

交通流数据叠加，按照采集断面，叠加在对应路段，以供预测使用。

步骤三：数据预测及反馈

所述数据预测及反馈，包含建立数据预测模型，并对数据预测结果与下一时刻的采集数据进行对比分析，分析数据偏差度，修正预测模型。预测模型建立会结合路口信号方案及实时灯态，可以更为准确的推算出交通流数据以及下游路段的预期排队，可以提高交通需求预测的精度。

S6.建立数据预测模型：如根据道路网两点之间的通达性(路段通行许可性)、行驶速度、距离、路侧是否存在小区、停车场等影响车辆行驶的信息，构建路网动态模型；结合各采集点的交通流数据、交通管理信息，构建交通需求预测模型，预测路段可能的排队长度、路段各车道流量。

相应的数据预测模型建立过程如下：

S6-1.判断路段是否完全管制：

若是，路段排队可以认定为路段最大排队Queue_max，

车道交通流＝Queue_max/平均车头间距，

平均车头间距一般为6米，然后再转入S6-7；

否则，进入S6-2。

S6-2.判断路段是否部分车流管制:

若是，管制车道排队视为Queue_max，

管制车道交通流＝Queue_max/平均车头间距，

平均车头间距一般为6米，然后转入S6-3；

否则，转入S6-5。

S6-3.判断未管制车道是否有施工占道影响或者交通事故：

若有，转入S6-4；

若无，则，

未管制车道排队长度＝上一时刻排队长度*α，α为经验参数，大于等于1；

其中，不同管制时间段情况如下：

1)刚进入管制时段时：

2)已经管制一段时间：

未管制车道车流量＝路口A流量/未管制车道数；

然后，转入S6-7。

S6-4.假设施工占道或者交通事件影响车道数占未管制车道数权重为β，则，

不受占道等影响车道排队为Queue＝(1+β)*Queue_last，

占道影响车道流量＝Queue_max/平均车头间距，

其它为占道车道流量，分情况如下：

1)刚进入施工时段时，

2)已施工一段时间，

不受占道影响车道流量＝路口A流量/不受占道影响车道数；

然后，转入S6-7。

S6-5.无管制车辆情形下，判断路段各车道是否有施工占道影响或者交通事故：

若有，转S6-6；

若无，即路段各车道无施工占道影响或者交通事故：

各占道排队＝上一时刻排队*α₁，α₁为经验参数，

α₁＝路段当前交通流量/路段上一时刻交通流量，

车道流量＝车道排队/平均车头间距，

然后转入S6-7。

S6-6.假设施工占道或者交通事件影响车道数占总车道数权重为β₂，

则不受占道等影响车道排队为：Queue＝(1+β₂)*Queue_last，

占道影响车道流量＝Queue_max/平均车头间距，

其它的占道车道流量，分情况如下：

1)刚进入施工时段时：

2)已经施工一段时间：

不受占道影响车道流量＝路口A流量/不受占道影响车道数；

然后转入S6-7；

S6-7.预测结束。

S7.评估数据预测模型：为优化预测模型，引入模型评估，根据偏差分析，修正预测模型，形成闭环学习。将预测的交通数据，与下一时刻的实际检测数据，进行偏差分析，评估预测准确度,并根据评估结果，对数据预测模型及其参数进行修订，优化预测模型。预测排队长度、交通流需求与实际的排队长度、交通流检测数据进行比对，计算出偏差度，根据偏差度，修订预测模型及参数，以形成闭环学习。

具体评估方式示例如下：

S7-1.计算偏差

排队偏差＝实际排队-预测排队；

交通流偏差＝实际交通流量-预测交通流量。

S7-2.分析偏差趋势

当前偏差与紧邻的历史前四个偏差绘制折线，横轴评估时刻，纵轴偏差值。

如果偏差值大于0，说明预测数据低于实际数据，需要增加预测系数，以靠近实际数据，每次调整步阶根据需求进行设定。

如果偏差值小于0，则说明预测数据高于实际数据，需要降低预测数据，减小预测系数，每次调整步阶根据需求进行设定。

以上实施例是以交通管理信息采集的交通管制、施工占道及交通事故等信息进行说明本发明的交通需求数据预测模型。基于动态路网修订下游路段的通行能力，进一步的，还可以根据下游路口的信号方案及当前灯态，推算出下游路段可以放行出去的车辆数据以及下下游路段是否会达到满溢；之后结合当前路口放行的交通流数据，预测出下游路段的排队长度、交通流需求，提供给交通信号控制系统作为其中一类交通需求，调整信号方案。

相应的，本发明涉及一种动态路网交通需求预测系统，该系统包括数据采集模块、数据预处理模块、数据预测及反馈模块，其中：

数据采集模块分别将采集到的地理信息数据写入地理信息数据库，将来自交通流检测设备的交通流数据写入交通流原始数据库，将来自第三方系统的交通管理信息数据写入交通管理信息库；然后通过通讯链路将采集到的这几类数据分别传递到数据采集中心；

数据预处理模块，包括：

数据清洗单元，完成对所采集的交通流数据所处时间段、设备类型、设备位置进行异常识别，并根据经验阈值进行清洗过滤；

数据弥合单元，完成对清洗过滤后的数据根据弥合规则进行数据弥合，以完善数据系列；

数据融合单元，根据设备特点及其埋设位置，将多种设备的采集数据进行像素级融合，形成虚拟化的断面交通流数据；

数据路网叠加单元，将融合后的断面交通流数据和交通管理数据叠加到道路网相关采集点，实时修正道路网的通行情况；

数据预测及反馈步骤模块，包括：

建立数据预测模型单元，用于根据道路网两点之间的影响车辆行驶的信息完成路网动态模型的构建，以及结合各采集点的交通流数据、交通管理信息，完成交通需求预测模型的构建；

评估数据预测模型单元，根据偏差分析法修正数据预测模型，以形成闭环学习。

当然，该系统各模块和各模块中的各功能单元可根据需求按前述方法实现相应的功能，这里不再赘述。尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下，在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。