[发明专利]一种考虑路网OD流量贡献时变性的收费站流量预测方法

说明书

本发明公开了一种考虑路网OD流量贡献时变性的收费站流量预测方法，S1：统计分析路网中构成各收费站90％出口流量的入口站点数，拟合其区间分布，在此基础上得到降维阈值；S2：通过分析不同天中同一预测时间区间的流量贡献率，拟合其概率分布，估计预测时段的贡献率；S3：结合不同天中在同一预测区间的流量贡献率的变化程度，确定在预测区间路网中各收费站的权重；S4：结合各收费站的实时上道流量数据，建立考虑OD间贡献时变性的下道流量预测模型，得到初步预测结果；S5：根据上一时间窗口的预测结果与实际结果的误差，对本时间窗口的预测结果进行修正，得到最终的预测结果。本发明减小了计算的规模，提高了精度，值得在本领域大量推广。

技术领域

本发明涉及智能交通领域，具体的，涉及一种考虑路网OD流量贡献时变性的收费站流量预测方法。

背景技术

智能交通系统作为智慧城市的重要组成部分，能够有效缓解交通拥堵，减少空气污染，为人们提供更安全的交通条件。交通流量预测作为智能交通的关键技术之一，在智能交通系统领域中占据着举足轻重的地位。它可以根据路网历史交通状态预测未来一段时间内的交通状况。不仅能让旅行者及时了解交通状况，也可以为交通管理部门提供管控依据。例如：通过可靠的预测数据，交通管理人员可以及早发现路网中存在的潜在风险，并采取有效的措施来确保交通正常运行。对于出行者而言，可以及时得到未来交通状况的实时、动态的估计结果，并在拥堵形成之前，做出调整出发时间或调整出行路线的决定。因此，及时而准确的交通流量预测无论对于出行者还是对于交通管理部门，都有着很重要的作用和意义。

通过查阅相关专利和论文，发现现有高速公路路段交通状态检测方法主要有：

现有技术一：专利CN104269055A中使用ARMA模型对收费站的时间序列进行回归预测，这种方法比较简单，在流量趋势较为稳定时，预测效果良好，但是因为其只是利用所预测收费站的历史数据的趋势进行预测，并未考虑到路网中其他收费站点对其的影响，因此在复杂情况下精度不高，应用受限。

现有技术二：专利CN108597227A中考虑了路网中收费站点的时空联系，利用状态转移矩阵对收费站点下道流量进行预测。但仅适用于小型路网，当路网较大时，转移矩阵就会过于庞大。计算规模过大，预测时间也会随之急剧增加，在实时的流量预测中效率较低。

发明内容

有鉴于此，本发明的目的是提供

本发明的目的是通过以下技术方案实现的：

一种考虑路网OD流量贡献时变性的收费站流量预测方法，

S1：统计分析路网中构成各收费站90％出口流量的入口站点数，拟合其区间分布，在此基础上得到降维阈值；

S2：通过分析不同天中同一预测时间区间的流量贡献率，拟合其概率分布，估计预测时段的贡献率；

S3：结合不同天中在同一预测区间的流量贡献率的变化程度，确定在预测区间路网中各收费站的权重；

S4：结合各收费站的实时上道流量数据，建立考虑OD间贡献时变性的下道流量预测模型，得到初步预测结果，具体为：

式中，Q_jpre(k,k+τ)为k到k+τ时间段收费站j的下道流量预测值；

δ_ij为收费站i到收费站j之间的平均行程时间；

W_ij(k,k+τ)为k到k+τ时间段收费站i的权重；

Q_Oi(k-δ_ij,k+τ-δ_ij)为k-δ_ij到k+τ-δ_ij时间段收费站i的上道流量；

为k到k+τ时间段各入口收费站所占权重的总和；