一种多因素的高速交通流量智能预测方法与流程

本发明属于机器学习领域，具体涉及一种多因素的高速交通流量智能预测方法。

背景技术：

1、随着经济的发展和人民生活水平的提高，私家车的数量随之增加，高速交通流量也不断提高。在上下班及节假日等出行高峰时刻，交通拥堵情况屡见不鲜。交通拥堵增加了通勤时间、影响驾驶人情绪，同时汽车频繁启动停止也产生了燃料浪费和排气污染。交通拥堵的解决依赖于道路拓宽、发展公共交通等，但这些方法通常从计划到完成需要较长的时间且耗费大量财力物力。交通流量预测是交通拥堵的另一种快速、低成本的解决方式，通过灵活准确的交通流量预测，有利于分析道路通行和负载情况，合理地进行交通调度和拥堵预警，从而降低交通事故率和拥堵率，提升出行效率。但交通通行情况受多种因素影响，如天气、节假日、突发事故等，使得交通流量短时预测难度较大。因此，综合考虑多因素的高精度交通流量预测方法的研究势在必行。

技术实现思路

1、为了更好的预测交通流量，本发明提出一种多因素高速交通流量预测算法，该算法在时间维度上分析了预测目标门架的历史天气、节假日及流量信息，在空间维度上分析了该门架距相邻门架的距离及流量信息，结合以上信息对流量进行精准预测。

2、本发明为实现上述目的所采用的技术方案是：一种多因素的高速交通流量智能预测方法，时间维度上分析待测目标门架的影响因素及流量信息，空间维度上分析该门架的邻接门架及流量信息，对未来时间节点通过该门架的车流量进行精准预测；包括以下步骤：

3、步骤1、采集车流量数据、影响因素数据，建立邻接门架表；

4、步骤2、数据处理，拼接得到门架流量及其影响因素的综合数组；

5、步骤3、采用有监督网络初始化网络参数，以综合数组为输入、车流量预测值oi为输出，迭代训练网络、优化网络参数；并以均方误差收敛为截止条件得到最优网络结构用于预测；

6、步骤4、实际采集车流量数据，输入步骤3获取的最优网络结构，自动输出车流量预测值。

7、所述车流量数据为每个方向每个门架设定采样时间的车流量。

8、所述影响因素数据包括：

9、天气数据：为对应各坐标位置门架对应时间日期的天气属性：温度、风速、能见度、降雨量数据；

10、节假日数据：为对应时间日期的节假日类型：工作日、周末、寒暑假、短假、小长假。

11、所述建立邻接门架表包括：

12、选定待观测的高速公路区域，统计域内所有门架；计算任意两门架之间的直线距离s，选取距离当前门架最近的两个门架i、ii作为其邻接门架；建立该区域内所有门架的邻接门架表，表内记录两个邻接门架的编号及距离。

13、所述两门架之间的直线距离s计算如下：

14、

15、a＝lat1-lat2，b＝lng1-lng2

16、其中，lat1和lng1分别为门架i的经纬度，lat2和lng2分别为门架ii的经纬度。

17、所述数据处理包括：

18、a.将温度数据与设定值做差值取绝对值；

19、b.将风速数据统一至相同单位；

20、c.将能见度、降雨量数据归一化。

21、所述综合数组为：门架k在t时刻行驶方向为d的门架流量及其影响因素；

22、{temperature，wind_speed，visibility，rainfall，holiday，distance_1，flow_1，distance_2，flow_2，flow}；其中，十个属性分别为温度、风速、能见度、降雨量、节假日数据、与门架i的距离、门架i在t时刻d方向流量、与门架ii的距离、门架ii在t时刻d方向流量、门架k在t时刻d方向流量。

23、所述有监督网络为rnn网络；

24、所述初始化参数包括序列长度sequence_length，每一批训练样本数据batch_size，单条数据的维度input_size，隐藏层输出的隐藏状态的维度hidden_size；

25、所述迭代训练为：网络每次对时间上相邻的sequence_length条数据按照如下公式进行拟合，输出预测结果oi；

26、ht＝σ(uxt+wht-1+b)

27、oi＝σ(vhsequence_length+c)

28、其中，参数u、v、w、b、c都是随机初始化参数；

29、所述预测值oi与真实值yi之间的均方误差为：

30、

31、所述车流量预测为：预先采集待测门架在k时刻之前的sequence_length条d方向历史流量和天气数据，执行步骤1和步骤2进行预处理后输入最优网络结构，输出预测门架在k时刻d方向的流量预测值。

32、本发明具有以下有益效果及优点：

33、1.本发明考虑了天气对高速公路交通流量的影响，增加对应各坐标位置门架对应时间日期的温度、风速、能见度、降雨量等天气属性数据，作为影响数据，结合车流量参与预测，提升流量预测准确性。

34、2.本发明考虑了时间维度上历史门架流量对当下门架流量的影响，增加对应时间日期的工作日、周末、寒暑假、短假、小长假等节假日类型数据，作为影响数据，结合车流量参与预测，提升流量预测准确性。

35、3.本发明考虑了空间维度上门架之间距离对门架流量的影响，选定待观测的高速公路区域，统计域内所有门架；计算该区域内所有门架的邻接门架表，结合车流量参与预测，提升流量预测准确性。

技术特征：

1.一种多因素的高速交通流量智能预测方法，其特征在于，时间维度上分析待测目标门架的影响因素及流量信息，空间维度上分析该门架的邻接门架及流量信息，对未来时间节点通过该门架的车流量进行精准预测；包括以下步骤：

2.根据权利要求1所述的一种多因素的高速交通流量智能预测方法，其特征在于，所述车流量数据为每个方向每个门架设定采样时间的车流量。

3.根据权利要求1所述的一种多因素的高速交通流量智能预测方法，其特征在于，所述影响因素数据包括：

4.根据权利要求1所述的一种多因素的高速交通流量智能预测方法，其特征在于，所述建立邻接门架表包括：

5.根据权利要求4所述的一种多因素的高速交通流量智能预测方法，其特征在于，所述两门架之间的直线距离s计算如下：

6.根据权利要求1所述的一种多因素的高速交通流量智能预测方法，其特征在于，所述数据处理包括：

7.根据权利要求1所述的一种多因素的高速交通流量智能预测方法，其特征在于，所述综合数组为：门架k在t时刻行驶方向为d的门架流量及其影响因素；

8.根据权利要求1所述的一种多因素的高速交通流量智能预测方法，其特征在于，所述有监督网络为rnn网络；

9.根据权利要求1所述的一种多因素的高速交通流量智能预测方法，其特征在于，所述车流量预测为：预先采集待测门架在k时刻之前的sequence_length条d方向历史流量和天气数据，执行步骤1和步骤2进行预处理后输入最优网络结构，输出预测门架在k时刻d方向的流量预测值。

技术总结
本发明提出了一种多因素的高速交通流量智能预测方法，属于机器学习领域。该方法以门架历史流量为基础，综合考虑影响高速交通流量的多种因素，包括天气、节假日、周围门架距离和流量。通过拟合以上因素历史记录数据提取流量变化规律，结合各因素的实时时序变化数据预测每个门架的未来流量。本发明将机器学习应用在高速交通流量预测问题中，非常具有实际应用价值，它改变了高速流量预测复杂、实时性、准确性差的劣势，为交通拥堵和调度提供了灵活、低成本的解决方案，具有很高的经济效益和社会效益。

技术研发人员：展恩宁,朱瑞新,李超凡,侯晓旭,张航,马天明
受保护的技术使用者：辽宁高速通智慧出行有限责任公司
技术研发日：
技术公布日：2024/1/15