[发明专利]一种基于路网特性的城市道路车辆行驶速度预测方法

说明书

技术领域

本发明属于智能交通领域，可以应用于预测城市道路在某段时间内的车辆行驶速度，并可以在路段速度检测器故障的情况下，弥补实时数据。

背景技术

城市的不断发展使得交通网络结构和交通运行状态变得越来越复杂，因此随之产生的交通拥堵等问题影响了城市的正常运行，为了更快地应对交通问题，交通运行状态的预测成为近二十年来兴起的一项研究，其通过对当前交通网络状态参数的研究，对照历史数据库，采用科学的统计处理和数据分析方法，从而预报未来交通运行情况。交通预测根据预测时段可分为短期交通预测、中期交通预测和长期交通预测，其中短期交通预测由于预测时间段较短，其预测精度较短提高，可以为人们的出行选择提供便利。

短期交通预测的经典方法包括：历史均值法、时间序列法、神经网络法和非参数回归法等等，其中非参数回归法以更准确的预测精度和更简单的模型基础被许多人所认可。K近邻回归法是非参数回归法的经典模型，其基本思想是利用历史的交通参数(交通量、速度)数据搭建样本数据库，然后根据当前的交通参数的时间序列作为状态向量匹配模板，计算匹配模板和各个匹配样本间的欧式距离确定最近的K个样本数据，最后利用筛选出的K个近邻样本的交通参数的演化情况预测将来的交通状态。然而，过去的预测往往是单步的预测，而且预测只考虑路段本身数据，未能考虑到路网中道路之间交通流连续性的影响。

发明内容

本发明的目的是提出一种预测精度更好、预测时间段更长的城市道路车速预测新方法，用于指导人们的出行。本发明的技术方案如下：

一种基于路网特性的城市道路车辆行驶速度预测方法，包括下列步骤：

1)找出研究的道路路段周围的交通路网作为目标路网区域，将区域中的路段划分等级，预测路段的等级定为第一级，与预测路段直接相连接的路段等级定为第二级，与第二级路段相连接的路段定为第三级，以此类推；

2)采集目标路网区域内路段在一定时间内(多天)的数据作为样本数据库；

3)对采集到的数据进行初处理，计算各个路段一天的时间序列中每个时刻数据85％置信度的置信区间，过滤掉异常的数据，并对部分缺失的数据进行线性插补补齐，最后作中值滤波平滑数据；

4)车速数据当量化处理，通过将每个路段的所有天的数据按从小到大排列，将序列中90％分位的速度值作为该路段的自由流速度，然后将路段所有的车速数据与其自由流速度的比值作为当量车速，比值超过1的将其作为1，因此，所有的当量车速在[0,1]之间；

5)采集目标路网区域内路段的实时车速数据，每个路段应包含多个时间间隔的数据，利用上一步得到的路段自由流速度作当量化处理；

6)用实时数据建立时空状态矩阵V(m,n)，作为匹配模板矩阵，用样本数据库的数据建立大量相同维度的匹配样本矩阵；

7)根据匹配模板矩阵中预测时间差和预测路段级别差，利用高斯函数权重法建立与之相对应的距离权重矩阵，从而计算匹配模板矩阵与所有匹配样本矩阵之间的距离；

8)将所有距离排序，从小到大以此选择前K个匹配样本作为近邻样本，寻找这K个样本的目标预测路段在匹配样本矩阵之后的时间序列的车速数据作为预测车速数据集；

9)将预测车速数据集所有数据加权平均作为预测车速，权重用高斯函数权重法根据其匹配距离来确定。

10)得到的预测车速是当量车速，转化为实际车速。

本发明提出的城市道路车辆行驶速度的预测方法相比以前各类交通预测模型，优势在于考虑道路路网中各路段交通流的连续性，基于路网特性的预测精度更高、预测时间段更长，可以进行单步或多步预测。同时利用该方法还可以在路段的车速检测器故障的情况下，以该路段为目标路段，利用其周边区域内的路网数据来估计该路段的实时车速及预测车速，增加交通信息系统的稳定性。

附图说明

图1预测模型步骤流程图

图2路段ID14403预测结果与实际数据对比(2013年9月10日)

具体实施方式

本发明提出的城市道路车速预测新方法的主要思路是：先对预测路段的车速利用当量车速处理，然后在经典K近邻回归法的基础上，考虑到路网中路段之间的联系，将匹配状态向量的时间序列扩充到二维的时空状态矩阵，两次用到高斯函数权重法对匹配距离和近邻样本整合加权以提高预测精度。