本发明属于高架道路交通领域，具体涉及一种基于卡口的高架道路车辆行程时间短时预测方法。
背景技术：
车辆数目的增加，给城市带来了交通拥堵、交通事故、交通污染等一系列问题，而智能交通系统的提出，就是为了有效地解决上述问题。发展智能交通系统，最基础、最关键的问题是如何采集道路交通的实时动态数据，从而方便智能交通的上层系统和模块进行数据处理、分析和预测，实现交通信息的实时调控。目前已有的交通数据采集方式有很多，较为成熟的实时交通数据采集方法有两种：第一种为基于传感器的实时交通数据采集方法，包含主动监测方法和被动探测方法。传感器包含压电传感器、地埋式线圈检测器、微波雷达、超声波、摄像头等，能够采集和计算出的路况信息包含车速、车流量、车道占用率、车辆类别信息等。虽然各种传感器的原理和适用场合不同，但大都存在对安装场所和环境的依赖，且面临初期投资巨大、维护成本高、覆盖率小、数据精度较低、实时性较差等问题，有较大的局限性。第二种为基于浮动车的实时交通数据采集方法。浮动车即为安装了GPS和无线通信模块的出租车和公交车，当浮动车在路面上行驶时，周期性采集自身的GPS数据并发送至服务器端，由服务器通过地图匹配技术估计出浮动车的驾驶路线，进而得到浮动车辆的行程时间、行程速度以及所通过道路的平均速度。相对于第一种方法，该方法虽然在成本和覆盖率上都有所改善，且设备易于维护，不会受到天气、行人等其他无关因素的干扰，但仍需要较大的一次性投资，数据精度也受地图匹配技术的限制。考虑到通信成本，浮动车辆GPS数据的采集频率往往都较低，通常在15min左右，而服务器端由于缺乏交通上下文信息也仅能利用GPS数据对无效数据进行甄别和过滤，这就给数据预处理和地图匹配带来了很大的难度，在加大服务器负担的同时降低了数据的实时性。
技术实现要素：
本发明的目的为克服上述现有技术的不足，提供一种高效快捷的基于卡口的高架道路车辆行程时间短时预测方法；本发明能够根据卡口设备获取的交通信息，准确实时的实现高架道路车辆平均行程时间的准确预测，进而为出行者提供未来的交通状况及变化趋势，诱导出行者选择合理的出行时间、出行路径，改善交通流分布的时空不均匀性。
为实现上述目的，本发明采用了以下技术方案：
一种基于卡口的高架道路车辆行程时间短时预测方法，其特征在于包括以下步骤：
1)、在高架道路的入口匝道和出口匝道处安装卡口设备并调试；
2)、获取卡口数据；
所述卡口数据至少包括卡口编号、卡口位置信息、卡口所在匝道类型、经过卡口的车牌信息以及各车辆经过卡口时所对应的时间；
3)、根据车牌信息，对高架道路出口匝道与入口匝道的数据记录进行匹配；匹配过程为：
将各卡口检测到的车牌信息与该段高架桥相应的入口匝道和出口匝道进行逐一信息匹配，如果该车牌信息既有能匹配的入口匝道，又有能匹配的出口匝道，则该车牌信息所对应的卡口数据保留；如果车牌信息只有能匹配的入口匝道或只有能匹配的出口匝道，则该车牌信息所对应的卡口数据剔除；
4)、设定一个统计周期，计算单个统计周期内高架道路车辆平均行程时间；子步骤如下：
(4a)、根据步骤3)中保留的数据记录，计算单个统计周期内车辆经过出入口匝道的时间差，得到单个统计周期内高架道路上每个车辆的行程时间；
(4b)、对所有的子步骤(4a)中得到的单个统计周期内高架道路上每个车辆的行程时间求平均值，得到单个统计周期内高架道路车辆平均行程时间；
5)、计算高架道路车辆行程时间预测值；子步骤如下：
(5a)、利用当前统计周期的数据和历史数据构建状态向量A：
A＝[t(i),t(i-1),t(i-2),t(i-3),th(i),th(i-1),th(i-2),th(i-3)]
其中：
t(i)是第i个统计周期的高架道路车辆平均行程时间；
t(i-1)是第(i-1)个统计周期的高架道路车辆平均行程时间；
t(i-2)是第(i-2)个统计周期的高架道路车辆平均行程时间；
t(i-3)是第(i-3)个统计周期的高架道路车辆平均行程时间；
th(i)是历史数据中第i个统计周期的高架道路车辆平均行程时间；
th(i-1)是历史数据中第(i-1)个统计周期的高架道路车辆平均行程时间；
th(i-2)是历史数据中第(i-2)个统计周期的高架道路车辆平均行程时间；
th(i-3)是历史数据中第(i-3)个统计周期的高架道路车辆平均行程时间；
(5b)、根据以下公式，获得实时数据和历史数据中对应组数据的距离d：
其中，dj是实时数据和历史数据中第j组数据的距离；d的值越小，则实时数据和该组历史数据的匹配度越高；
(5c)、根据子步骤(5b)的计算结果，选取与实时数据匹配度最高的10组历史数据；
(5d)、根据子步骤(5c)中获得的历史数据，通过下式计算高架道路车辆行程时间预测值：
其中：
t(i+1)是第(i+1)个统计周期的高架道路车辆行程时间预测值；
thj(i+1)是子步骤(5c)中选取的10组历史数据中第j组数据的第(i+1)个统计周期的高架道路车辆平均行程时间。
步骤4)中的统计周期为5分钟。
本发明的有益效果在于：
1)、通过上述方案，本发明避免了传统交通采集方式因高额的数据获取成本、高投资负担以及低数据采集实时性等缺陷而导致的无法实时准确实现高架道路交通状况判定的问题。本发明通过卡口设备获取交通信息，并基于历史数据，在历史数据中查找与当前的实时状态相似的历史状态，并把与当前的实时状态匹配的历史状态应用于状态预测，从而准确而实时的实现高架道路车辆行程时间的预测，其计算方式简单而便捷，应用范围十分广泛，并显然对于分析高架道路的交通运行状态具有十分重要的意义。
附图说明
图1为本发明的方法流程框图。
具体实施方式
为便于理解，此处结合图1对本发明的具体工作流程作以下描述：
如图1所示的，本发明的基于卡口的高架道路车辆行程时间短时预测方法所包含的步骤为：
(1)、在高架道路的入口匝道和出口匝道处安装卡口设备并调试；
(2)、获取卡口数据；
(3)、根据所获得的卡口数据中的车牌信息，对高架道路出口匝道与入口匝道的数据记录进行匹配；
(4)、以5分钟为一个统计周期，计算单个统计周期内高架道路车辆平均行程时间；
(5)、计算高架道路车辆行程时间预测值。
所述步骤2)中，所述卡口数据至少包括卡口编号、卡口位置信息、卡口所在匝道类型、经过卡口的车牌信息以及各车辆经过卡口时所对应的时间。
所述步骤3)中，具体的匹配过程为：将各卡口检测到的车牌信息与该段高架桥相应的入口匝道和出口匝道进行逐一信息匹配。如果该车牌信息既有能匹配的入口匝道，又有能匹配的出口匝道，则该车牌信息所对应的卡口数据保留；如果车牌信息只有能匹配的入口匝道或只有能匹配的出口匝道，则该车牌信息所对应的卡口数据剔除。
所述步骤4)中，计算单个统计周期内高架道路车辆平均行程时间的子步骤如下：
(4a)、根据步骤3)中保留的数据记录，计算单个统计周期内车辆经过出入口匝道的时间差，得到单个统计周期内高架道路上每个车辆的行程时间；
(4b)、对所有的子步骤(4a)中得到的单个统计周期内高架道路上每个车辆的行程时间求平均值，得到单个统计周期内高架道路车辆平均行程时间。
所述步骤5)中，计算高架道路车辆行程时间预测值的子步骤如下：
(5a)、利用当前统计周期的数据和历史数据构建状态向量A：
A＝[t(i),t(i-1),t(i-2),t(i-3),th(i),th(i-1),th(i-2),th(i-3)]
其中：
t(i)是第i个统计周期的高架道路车辆平均行程时间；
t(i-1)是第(i-1)个统计周期的高架道路车辆平均行程时间；
t(i-2)是第(i-2)个统计周期的高架道路车辆平均行程时间；
t(i-3)是第(i-3)个统计周期的高架道路车辆平均行程时间；
th(i)是历史数据中第i个统计周期的高架道路车辆平均行程时间；
th(i-1)是历史数据中第(i-1)个统计周期的高架道路车辆平均行程时间；
th(i-2)是历史数据中第(i-2)个统计周期的高架道路车辆平均行程时间；
th(i-3)是历史数据中第(i-3)个统计周期的高架道路车辆平均行程时间。
(5b)、根据以下公式，获得实时数据和历史数据中对应组数据的距离d：
其中，dj是实时数据和历史数据中第j组数据的距离；d的值越小，则实时数据和该组历史数据的匹配度越高；
(5c)、根据子步骤(5b)的计算结果，选取与实时数据匹配度最高的10组历史数据；
(5d)、根据子步骤(5c)中获得的历史数据，通过下式计算高架道路车辆行程时间预测值：
其中：
t(i+1)是第(i+1)个统计周期的高架道路车辆行程时间预测值；
thj(i+1)是子步骤(5c)中选取的10组历史数据中第j组数据的第(i+1)个统计周期的高架道路车辆平均行程时间。
为进一步加深对本发明的理解，此处提供了以下实施例，以对本发明作进一步的具体论述：
实施例1：
在试验路段的入口匝道a和出口匝道b进行卡口设备的安装与调试，入口匝道a和出口匝道b之间的距离为3.4km。
1)、取采样周期为8:00:00-8:05:00的入口匝道a和出口匝道b的卡口数据，通过车牌信息匹配，有6辆车从入口匝道a驶入试验路段，从出口匝道b驶出试验路段；对应的时间分别是：
车辆1：经过入口匝道a的时间8:00:00，经过出口匝道b的时间8:03:55；
车辆2：经过入口匝道a的时间8:00:06，经过出口匝道b的时间8:04:00；
车辆3：经过入口匝道a的时间8:00:11，经过出口匝道b的时间8:04:10；
车辆4：经过入口匝道a的时间8:00:45，经过出口匝道b的时间8:04:30；
车辆5：经过入口匝道a的时间8:01:00，经过出口匝道b的时间8:04:58；
车辆6：经过入口匝道a的时间8:01:03，经过出口匝道b的时间8:04:59。
计算试验路段在采样周期8:00:00-8:05:00的行程时间：
t＝(235+234+239+225+238+230)/6＝233.5s
2)、获得前三个采样周期7:55:00-8:00:00、7:50:00-7:55:00、7:45:00-7:50:00的行程时间分别是：235.9s，236.3s，238.8s。
3)、在历史数据中检索采样周期8:00:00-8:05:00、7:55:00-8:00:00、7:50:00-7:55:00、7:45:00-7:50:00的行程时间，计算实时数据和历史数据的匹配程度，选取与实时数据匹配度较高的前10组历史数据。这10组历史数据在采样周期8:05:00-8:10:00的行程时间分别是：231.8s，231.3s，230.1s，231.7s，230.9s，231.5s，230.2s，231.7s，229.7s，230.5s。
4)行程时间的预测值：
(231.8+231.3+230.1+231.7+230.9+231.5+230.2+231.7+229.7+230.5)/10＝230.94s
通过预测得到采样周期8:05:00-8:10:00的行程时间是230.94s。
通过获取的卡口数据计算得到采样周期8:05:00-8:10:00的实际行程时间是233.1s，与预测值的误差是0.93％，误差值在允许范围内。