[发明专利]一种全天时全路网的交通流量估计方法

权利要求书

1.一种全天时全路网的交通流量估计方法，其特征在于，包括以下步骤：

步骤1：利用路网卡口监测交通流量数据和路网特征，基于梯度提升决策树的集成学习方法，建立和训练城市全路网基础交通流量模拟模型；

步骤2：对步骤1得到的交通流量模拟进行基于统计分析的异常处理；

步骤3：从互联网相关位置采集实时交通态势，并结合城市路网，建立交通态势路网匹配模型，提取路网的实时交通态势信息；

步骤4：结合路网交通态势数据和对应监测卡口数据，分析发现交通态势和交通流量之间的对应关系，并建立应用该对应关系的基础流量修正模型，得到基于实时交通态势的修正流量；

步骤5：引入POI数据、天气事件信息、交通突发事件信息的相关辅助信息，与监测卡口数据作对比分析，建立交通流量的辅助信息影响模型，并应用该辅助信息影响模型对步骤4得到的交通流量进行修正。

2.根据权利要求1所述的一种全天时全路网的交通流量估计方法，其特征在于：步骤1中的建模表达为：

路段机动车流量～f(路网特征,日期特征,时刻特征)

其中，路段机动车流量指某小时内，某特定路段经过的机动车数量，且按种类分为大型汽车和小型汽车；

路网特征指路段的车道数、宽度的几何特征；日期特征指当日是否为节假日，是否为周末的特性；

时刻特征指当小时属于一日中的某个特定分段包括：早晚高峰。

3.根据权利要求2所述的一种全天时全路网的交通流量估计方法，其特征在于：步骤1的具体子步骤如下：

a)获取目标城市的路网地理数据，并对路网数据进行特征提取，路网特征包括：路段宽度、路段车道数、路段到城市中心的距离、路段等级编码和路段的起止经纬度；

b)处理卡口监测交通流量数据；

卡口数据包括：车牌号、车速、车辆类型，在后续使用时，首先按照每个小时统计大小型车辆分组的经过总数和分别的平均速率；

c)建立机器学习模型所需的数据集；

以路段小时车辆数NUM和路段小时车辆平均速度SPEED_MEAN为目标，使用同一套数据集拟合；将路网特征和卡口数据按照路网唯一识别标识关联起来；在一小时内，建立特征与NUM和SPEED_MEAN的一一对应关系；模型表达为：

NUM＝MODEL(FEATURES) (1)

SPEED_MEAN＝MODEL(FEATURES) (2)

依据实际需要，还要对基本特征进行一定的运算和扩展，得到一些组合特征，即特征工程；完成上述操作后，数据集的字段数被扩展到数十个；

d)训练和测试机器学习模型；

采用梯度提升决策树的实现框架，即CatBoost，取历史卡口监测数据，按照随机原则划分训练集和测试集，并将训练集输入到框架中，以AUC和RMSE为评价指标，迭代优化模型，直到评价指标达到实用需求的标准。

4.根据权利要求1所述的一种全天时全路网的交通流量估计方法，其特征在于：步骤2具体为：根据卡口数据统计得到城市车流量，并制定合适的规则处理模型输出；在监测卡口数据中统计路段历史上每个路段的历史车流量趋势，当路段模型模拟车流量极大偏离历史趋势时，对模拟值施加特定的值以减少其对历史车流量趋势的偏移。

5.根据权利要求1所述的一种全天时全路网的交通流量估计方法，其特征在于：步骤3中具体子步骤如下：

a)下载互联网交通态势地图；

对指定城市范围内实时交通态势地图进行下载，并存储；

b)提取交通态势；

对交通态势地图自动识别，得到与图片相同大小的交通态势等级矩阵；并根据图像下载时的关于位置的请求参数，得到矩阵所有元素的位置信息；

c)匹配路网数据，得到路网交通态势数据；

交通态势等级矩阵元素的位置，与路网中路段进行空间匹配，将每个矩阵元素按照空间临近性，合并到其最近的路段上，每小时得到路网交通态势数据。