[发明专利]一种用于突发交通事件下道路交通流预测的方法

说明书

技术领域

本发明属于城市道路交通流预测分析技术领域，尤其涉及一种用于突发交通事件下道路交通流预测的方法。

背景技术

随着经济的发展和城市道路的复杂化，我国交通领域较为被动的管理方式将会制约社会发展的步伐。海量数据的分析挖掘和管理应用不到位成为现代交通服务的瓶颈，数据分析及具体应用方面裹足不前。

目前，我国突发交通事件信息的获取主要来自于122报警服务台。虽然122报警服务台在日常工作中记录了大量自然语言报警信息，但仅仅将其简单的应用于事故责任分析与事故备案，并没有对这些海量文本报警数据进行系统的结构化分析。针对城市道路交通的管理，不仅需要实时采集的交通流数据，同时也需要通过对道路交通事件历史数据进行梳理与研究，将海量数据中蕴藏着大量的交通事件时空信息用于交通事件原因的探究、统计和预防，通过分析、总结交通事件对交通流的影响规律，预测突发事件情况下路段上交通流的演变趋势，最大限度的减轻或消除交通事件给城市道路交通流带来的冲击和影响，确保城市道路安全、通畅。

交通流预测方法的研究开始于二十世纪六十年代，目前，应用于各个领域的交通流预测方法和模型己达百余种。国内外预测方法总结来看主要有四类：线性预测法、非线性预测法、组合预测法和模拟预测法。在这些方法中，有一些在中长期的交通流预测中能够得到比较令人满意的预测效果，但是，突发事件状态下的交通流具有突变性、偶发性及非线性等特点，一旦正常车道上发生突发交通事件，往往容易引起道路阻塞、车辆排队等影响车道通行能力的情况，很多单一的预测方法难以得到令人满意的预测精确度。道路交通流信息与交通事件有着非常密切的联系，将交通流数据按照有无事件的标准划分成为精准预测交通流变化的基础。

传统的线性预测方法用历史数据线性变化趋势来预测未来交通流趋势，这些预测方法思路简单容易理解，但由于它们不能够体现交通流的非线性，而且预测时只考虑自身路段的历史数据而不考虑相邻路段对其影响，导致其存在局部极小和在线调整参数困难等一些问题，在预测精度上较差。非线性预测方法考虑了交通流非线性的特点，比线性模型更加切合实际，但必须要有大量的历史数据作为支撑，数据量越大，预测精度越高，但运算量也相应变大。

发明内容

为了克服上述现有方法存在的缺陷，提高预测精度，本发明提出了一种用于突发交通事件下道路交通流时空融合的预测方法，包括：

步骤1、对道路交通事件报警信息数据进行预处理，剔除和修复异常数据；

步骤2、建立地名地址空间位置信息数据库并获取交通事件位置信息；

步骤3、根据步骤2所获取的交通事件位置信息将交通流数据分类；

步骤4、根据步骤3所获取的交通流数据分类情况及相邻路段检测器上的交通流数据，分析道路交通流时空分布特征；

步骤5、将交通事件位置信息与事发路段上下游的交通流数据进行标定匹配，分析突发事件下道路交通流时空特征；

步骤6、根据交通事件位置信息及步骤5分析的突发事件下道路交通流时空特征，利用随机森林算法、ARIMA方法、卡尔曼滤波方法对突发事件下的时间序列数据和空间状态数据进行交通流预测；

步骤7、用加权最小二乘法将时间序列数据预测法和空间序列预测法获得的预测结果进行融合处理，最终获得新的预测结果；

步骤8、对步骤6和步骤7所获预测结果进行对比和评价。

所述步骤1中的异常数据包括：数据时间、地点、警情描述，剔除时间异常、位置异常、冗余数据，将数据按事件发生地点的名称进行排列，填充部分缺失数据。

所述步骤3中的交通流分类具体分为以下两类：正常无事件状况下的交通流数据和突发事件情况下的交通流数据。

所述步骤4中道路交通流时空分布特征包括：时变性、周期性、互相关性。

所述时变性的分析步骤具体包括：1)选定路段A-B，时间跨度24小时；2)利用一断面车辆运行速度分析路段A-B时间轨迹变化曲线。

所述周期性的分析步骤具体为：1)选定一个环型线圈检测器，时段跨度设置为n天；2)利用一断面车辆运行速度分析一段时间内速度曲线。

所述步骤5具体包括：

步骤51、突发交通事件下将路段分为上游路段A、事故路段B、下游路段C；

步骤52、统计出三个路段检测器分别对应的车流量数据；

步骤53、统计进入每个区域内车辆通行速度和车辆数；

步骤54、分析三个路段情形下速度变化规律；