[发明专利]基于最小变异系数评价及推理模型的道路通堵预测方法

摘要

本发明公开了一种基于最小变异系数评价及推理模型的道路通堵预测方法，通过对车载GPS历史数据的样本分析和挖掘，利用变异系数评价法和采样滚动周期道路车流特性推理模型构建技术，解决了通过浮动车数据分析推理出道路短时通堵和未来通堵趋势问题；本发明采用基于GPS典型样本分析，通过道路通堵分析模型参数优化技术获得统计周期具有严谨的数学模型支持和较广泛的适用性；通过构建道路车流特性模型快速得到道路情境属性类型和对应的规则库关系，基于知识推理得到的道路通堵趋势预测能力，极大地提升了其统计效率和服务水平。

主权项

基于最小变异系数评价及推理模型的道路通堵预测方法，其特征在于，包括以下步骤：(1)通过最小变异系数评价方法，基于四个优化模型从海量GPS数据中推导出统计周期，该方法包括如下子步骤：(1.1)通过优化模型1对周车辆数变异系数分析得到各样本路段上的周车辆数最小变异系数γTh和所对应的季节T，该季节T即为典型季；所述优化模型1具体如下：${\mathrm{\&gamma;}}_{\mathrm{th}}=\frac{{\mathrm{\&delta;}}_{\mathrm{th}}}{E_{\mathrm{th}}}$其中，h为路段号，h取值范围1到3；t为季节号，t取值范围1到4，t＝1为春季，t＝2为夏季，t＝3为秋季，t＝4为冬季；E_th为t季、h号路段的周车辆数均值；δ_th为t季、h号路段的周车辆数标准差；γ_th为t季、h号路段的周车辆数变异系数；γ_Th＝min(γ_1h,γ_2h,γ_3h,γ_4h)则T表示路段h上的周车辆数最小变异系数所对应的季节；(1.2)基于优化模型2得到典型月和典型周值，这两个值作为峰区选择的采样时段；所述优化模型2具体如下：$\stackrel{\&OverBar;}{{\mathrm{\&Delta;}}_j}=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;}}_{\mathrm{ij}}{q}_{\mathrm{ij}}/\stackrel{\&OverBar;}{q_j}$其中，i为各季节的序列月份号，i取值范围为1到3；j为各月周次号，j取值范围为1到任意正整数；q_ij为各季节第i月第j周的车流周车辆数；为某季第i月的车流周车辆数；为某季第j周的车流周车辆数，Δ_ij为相对差距，为周相对差距的加权平均值，公式如下:${\stackrel{\&OverBar;}{q}}_i=\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}{q}_{\mathrm{ij}}/J;{\stackrel{\&OverBar;}{q}}_j=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{q}_{\mathrm{ij}}/3;{\mathrm{\&Delta;}}_{\mathrm{ij}}=|q_{\mathrm{ij}}-{\stackrel{\&OverBar;}{q}}_i|/\stackrel{\&OverBar;}{q_i}$作为典型周选择的判据，记则J为典型周号；Δ_ij作为典型月选择的判据，记Δ_Ij＝min(Δ1j,Δ2j,Δ3j)，则I为典型月号；(1.3)基于各路段日车辆数，通过优化模型3，首先得出各路段日车辆数状态值，通过车辆数状态均值汇总得到典型高峰日；其次通过统计方法获得各季节各采样路段的峰区规律情况；所述优化模型3具体如下：$z_j^{\left(h\right)}=\underset{i=1}{\overset{12}{\mathrm{\&Sigma;}}}{z}_{\mathrm{ij}}^{\left(h\right)}/12$其中，为路段h第i月第j星期的日车辆数状态值；h取值范围为1到3，i取值范围为1到12，j取值范围为1到7；第i星期日车辆数状态合计值ZZ_j表示为：${\mathrm{ZZ}}_j=\underset{h=1}{\overset{3}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{Z}}_j^{\left(h\right)}$取ZZ_L＝max{ZZ₁,ZZ₂,...,ZZ₇},L取值范围为1到7，则L为典型高峰日；将ZZ_j，j取值范围为1到7中与ZZ_L差值最小的星期归总作为高峰日，其余星期则作为正常日；(1.4)通过优化模型4，计算得到各采样路段对应峰区的统计周期长度；优化模型4具体为：${\mathrm{\&gamma;}}_{\mathrm{cd}}=\frac{{\mathrm{\&delta;}}_{\mathrm{cd}}}{E_{\mathrm{cd}}}$其中，c为备选的统计周期号，c取值范围为1到5；d为峰区号，d取值范围为1到任意正整数；E_cd为第c号统计周期第d号峰区的车流均速；δ_cd为第c号统计周期第d号峰区的车流速度标准差；γ_cd为第c号统计周期第d号峰区的车流速度变异系数；取γ_Cd＝min(γ_1d,γ_2d,...,γ_5d)时C的值，则备选的统计周期长度S_C＝C+1；车流速度最小变异系数γ_Cd所对应的S_C即为对应峰区d的统计周期长度；(2)根据步骤1得到的典型季、典型月、典型周、峰区时段及统计周期长度，构建道路通堵趋势预测的推理模型，具体包括以下子步骤：(2.1)根据简单算术平均滤波模型，从海量GPS历史数据中得到滤波后的车流平均速度；(2.2)采用线性回归预测方法对步骤2.1滤波后的时间序列缺损数据进行补遗；(2.3)定义采样滚动时区，具体方法为：定义1：T_k为采样滚动时区标识，k为时区号，k取值范围为1到正无穷；p为采样滚动时区内统计周期号，p取值范围为1到任意正整数；t_k(p)为第k号采样滚动时区内时点标识；其中，t_k(1)为k号采样滚动时区的起始时刻，且t_k+p(1)＝t_k(1)+ΔT于是，设定n为p取值范围内的任意正整数，T_k＝{t_k(p)|p＝1,2,...,n}；定义2:为T_k第q号子时区标识，q取值范围1到3取n₁＝n/4n₂＝2n₁n₃＝3n₁于是：$N_1^{\left(k\right)}=\{t_k\left(p\right)/p=\mathrm{1,2},...n_2\},$$N_2^{\left(k\right)}=\{t_k\left(p\right)/p=n_1+1,n_1+1,...,n_3\},$$N_3^{\left(k\right)}=\{t_k\left(p\right)/p=n_2+1,n_2+1,...,n\},$(2.4)构建道路通堵趋势预测的推理模型,包括四个子模型，具体如下：(2.4.1)第一基本模型：基于T_k车流均速的计算模型，得到车流平均速度序列,具体为；记为在时区T_k内，序列为g的车流平均速度序列，g取值范围为1到任意正整数；V1(k)为针对子时区的车流均速；V2(k)为针对子时区的车流均速；V3(k)为针对子时区的车流均速；V0(k)为针对时区T最后一个统计周期的车流均速；V(k)为针对时区T最后两个统计周期的车流均速；显然，$V0\left(k\right)=\stackrel{\&OverBar;}{v}(k,n),$$V1\left(k\right)=\frac{\underset{g=1}{\overset{n_2}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)}{n_2},$$V2\left(k\right)=\frac{\underset{g=n_1+1}{\overset{n_3}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)}{n_2},$$V3\left(k\right)=\frac{\underset{g=n_2+1}{\overset{n}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)}{n_2},$$V\left(k\right)=\frac{\underset{g=n-1}{\overset{n}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)}{2},$(2.4.2)第二基本模型：基于T_k车流均速总体变化率计算模型，得到dV(k)；记dV(k)为针对时区T_k车流均速的总体变化率，显然，dV(k)＝(V3(k)‑V1(k))/n₂若dV(k)>0，代表车流均速呈递增状态；若dV(k)<0，代表车流均速呈递减状态；若dV(k)＝0，代表车流均速总体不变；(2.4.3)第三基本模型：基于Tk车流均速时间序列曲线总体凹性分析模型，得到ddV(K)；记ddV(k)为针对时区T_k车流均速时间序列曲线的总体凹性，显然，ddV(k)＝V 3(k)‑2V2(k)+V1(k)；若ddV(k)>0，代表时区T_k内车流均速时间序列曲线呈凹状；若ddV(k)<0，代表时区T_k内车流均速时间序列曲线呈凸状；若ddV(k)＝0，代表时区T_k内车流均速总体变化趋势不变；(2.4.4)第四基本模型：基于车流运行特征分析特殊模型，得到特殊情况下的车流均速、dV(k)和ddV(K)；第一特殊模型(n＝3)$V0\left(k\right)=\stackrel{\&OverBar;}{v}(k,3),$$V1\left(k\right)=\underset{g=1}{\overset{2}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2,$$V2\left(k\right)=\stackrel{\&OverBar;}{v}(k,2),$$V3\left(k\right)=V\left(K\right)=\underset{g=2}{\overset{3}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2$dV(k)＝(V3(k)‑V1(k))/2,ddV(k)＝V3(k)‑2V2(k)+V1(k)；第二特殊模型(n＝6)$V0\left(k\right)=\stackrel{\&OverBar;}{v}(k,6),$$V\left(k\right)=\underset{g=5}{\overset{6}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2,$$V1\left(k\right)=\underset{g=1}{\overset{3}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/3,$$V2\left(k\right)=\underset{g=3}{\overset{4}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2,$$V3\left(k\right)=\underset{g=4}{\overset{6}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/3,$dV(k)＝(V3(k)‑V1(k))/3,ddV(k)＝V3(k)‑2V2(k)+V1(k)；(2.5)根据步骤4中四个基本模型的构建结果，得出基于GPS实时数据路段状况的情境知识库；具体为：基于第一基本模型，将车流均速的大小划分成快、中等、慢、很慢四个等级，其对应状态值分别是3、2、1、0，车流均速取值范围分别是>V3、(V2,V3]、(V1,V2]、(0,V1]；记K1为对应V(k)的状态变量，K2为对应V0(k)的状态变量,于是，存在如下事实：事实1：K₁∈{3,2,1,0}，事实2：K₂∈{3,2,1,0}；基于第二基本模型与第三基本模型得出的dV(k)，ddV(k)取值的正负，对这两个变量所对应之状态变量K3及K4按0‑1方式进行赋值，具体为dV(k)≥0时，对应状态变量K₃＝1；dV(k)<0，K₃＝0；ddV(k)≥0时：对应状态变量K₄＝1；ddV(k)<0时：K₄＝0，于是，存在如下事实：事实3：K₃∈{0,1}，事实4：K₄∈{0,1},事实1‑事实4构成了基于GPS实时数据路段状况的一类情境知识，将事实1和事实2所构成的情境知识库记为事实库1，将事实3和事实4所构成的情境知识库记为事实库2；(2.6)基于事实库1构建路段短期通堵状况分析的规则库1，基于事实库2构规则库2，具体为：(2.6.1)规则库1的构建如下：规则1：如果K₁+K₂≥5那么“路段通畅”，且KK＝1；规则2：如果K₁+K₂＝4那么“路段基本通畅”，且KK＝1；规则3：如果K₁+K₂＝3那么“路段通堵临界状态”，且KK＝0；规则4：如果K₁+K₂＝2那么“路段有所堵塞”，且KK＝0；规则5：如果K₁+K₂≤1那么“路段堵塞”，且KK＝0；(2.6.2)规则库2的构建如下：规则6：如果(KK＝1)∩(K₃＝1)∩(K₄＝1),那么“路段将继续通畅”；规则7：如果(KK＝1)∩(K₃＝1)∩(K₄＝0),那么“路段通畅度可能降低”；规则8：如果[(KK＝1)∩(K₃＝0)]∪(KK＝0)∩(K₃＝1),那么“路段介于通堵临界状态”；规则9：如果(KK＝0)∩(K₃＝0)∩(K₄＝1),那么“路段堵塞状况可能缓解”；规则10：如果(KK＝0)∩(K₃＝0)∩(K₄＝0),那么“路段将继续堵塞”；(2.7)描述非正常情况是否出现的情境知识构成事实库3；描述非正常情况严重等级的情境知识构成事实库4；设非正常情况包括：第一类非正常情况,出现交通事故或道路破损事故或气候状况恶化，简称情况1，它属于随机出现的非正常情况；第二类非正常情况,因特殊原因封道或道路计划休整封道，简称情况2，它属于计划安排的非正常情况；针对情况1，将其严重等级划分为三级等级：严重、较严重、一般；针对情况2，将其严重等级划分为二级等级：全封道、半封道；设：情况1是否出现的状态变量为F₁；情况2是否出现的状态变量为F₂，这就形成情境知识：事实5：F₁∈{1,0}事实6：F₂∈{1,0}F_i＝1表示对应i的非正常情况出现；反之不出现，i∈{1.2}；事实5和事实6构成事实库3；设：描述情况1严重等级的状态变量为KF₁，描述情况2严重等级的状态变量为KF₂，这就形成情境知识：事实7：KF₁∈{2,1,0}事实8：KF₂∈{1,0}描述非正常情况出现前道路瞬时通堵状况的归纳性情境知识：事实9：KK∈{1,0}KK＝0为非正常情况出现前道路瞬时堵塞；事实7～事实9构成事实库4；(2.8)基于事实库3和事实库4构建规则库3，所述规划库3包括如下规则：规则11：如果KK＝1∩KF₁＝2∩F₁＝1∪F₂＝1，那么“路段将转为严重堵塞”；规则12：如果KK＝1∩KF₁＝1∩F₁＝1∪F₂＝1，那么“路段将转为堵塞”；规则13：如果KK＝1∩KF₁＝0∩F₁＝1∪F₂＝1，那么“路段将可能有所堵塞”；规则14：如果KK＝0∩KF₁＝2∩F₁＝1∪F₂＝1，那么“路段更为堵塞”；规则15：如果KK＝0∩KF₁＝1∩F₁＝1∪F₂＝1，那么“路段继续堵塞”；规则16：如果KK＝0∩KF₁＝0∩F₁＝1∪F₂＝1，那么“路段继续有所堵塞”。(3)将经过过滤和补遗处理的GPS实时数据输入车流运行特性分析推理模型，通过模型的情境知识事实库研判，获得数据所对应的道路通堵状况预测结果。