基于多重-正反溯源的高速路网交通流预测方法及系统与流程

本发明涉及智能交通，尤其涉及基于多重-正反溯源的高速路网交通流预测方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、随着高速公路通车里程的持续增长和汽车的拥有量快速提升，高速公路交通拥堵问题日益严峻，已成为制约出行品质的突出瓶颈，智能交通系统作为缓解交通拥堵、提升路网运行效率的有效手段受到广泛关注。

3、目前，高速路网短时交通流预测方法主要分为两类，一类是基于经典物理模型的方法，如运动波理论，其物理意义明确，但是存在严重的理想化假设，参数标定困难；另一类是基于纯数据驱动的深度学习方法，虽然拟合度高，但是属于黑盒模型，缺乏对交通拥堵成因的机理解释；而且现有基于数据驱动的模型，通常默认时间步长具有同步性，然而在物理世界中，车流传播存在显著的物理时滞，且由于驾驶行为的异质性，会导致车队出现色散效应。例如，从上游a点到下游b点物理耗时10分钟，如果预测步长为5分钟，则a点在第t个时段的状态主要影响b点在第t+2个时段的状态，而非第t+1个时段，这种时序失配导致现有模型面对长距离路段或拥堵时，因果链条断裂，预测精度大幅衰减。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了基于多重-正反溯源的高速路网交通流预测方法及系统，旨在解决现有技术中存在的由时空非平稳性和异步传播所导致的交通流预测精度低以及可解释性差的问题。

2、为了实现上述目的，本发明提供的技术方案如下：

3、第一方面，本发明提供了基于多重-正反溯源的高速路网交通流预测方法，包括：

4、构建路网有向拓扑模型，获取车辆轨迹数据并投影至路网有向拓扑模型中，生成边流量矩阵和边行程矩阵；

5、基于边流量矩阵和边行程矩阵，标定平均行程时间矩阵、正向流量转移矩阵和反向溯源贡献矩阵；基于平均行程时间矩阵构建时序对齐核函数；

6、基于正向流量转移矩阵、反向溯源贡献矩阵和时序对齐核函数建立物理导向的预测模型，对多源上游车流进行推演，输出目标时段的交通流。

7、作为进一步的技术方案，所述平均行程时间矩阵中的元素为所有车辆到达下游节点的时间与车辆离开上游节点的时间差值之和的平均，表示为：

8、；

9、其中，表示历史观测周期内从上游节点行驶至下游节点的车辆轨迹样本总数；表示第辆车离开上游节点的时间；表示第辆车到达下游节点的时间。

10、作为进一步的技术方案，所述正向流量转移矩阵中的元素为上游节点流向下游节点的流量与上游节点总流出量的比值，表示为：

11、；

12、其中，表示上游节点流向下游节点的流量；表示上游节点总流出量。

13、作为进一步的技术方案，所述反向溯源贡献矩阵中的元素为经上游节点到达下游节点的加权流量与所有上游邻居节点到达下游节点的加权总流量之比，表示为：

14、；

15、其中，k表示历史观测周期内从上游节点行驶至下游节点的车辆轨迹样本总数，表示指示函数，当第条轨迹经过上游节点后到达下游节点时取值为1，否则为0；表示上游节点在第个时段的观测流量；表示上游邻居节点的索引变量；表示下游节点的上游邻居节点集合；表示上游邻居节点在第个时段的观测流量。

16、作为进一步的技术方案，所述基于平均行程时间矩阵构建时序对齐核函数，表示为：

17、；

18、其中，表示最大值函数，表示上游节点到下游节点的平均行程时间，对应滑动视窗的滚动间隔；表示待预测的时间步长；表示预测的时间滞后步数，在滑动视窗范围内取值，；m表示滑动视窗的最大步长。

19、作为进一步的技术方案，基于正向流量转移矩阵、反向溯源贡献矩阵和时序对齐核函数建立物理导向的预测模型，对多源上游车流进行推演，输出目标时段的交通流，表示为：

20、；

21、其中，表示下游节点在未来时段的预测流量，表示下游节点的上游邻居节点集合，表示反向溯源贡献矩阵中上游节点到下游节点的元素值，表示上游节点到下游节点预测时间滞后步数的时序对齐核函数，表示正向流量转移矩阵中上游节点流向下游节点的元素值，表示上游节点在历史时段的观测流量，表示时段索引，表示待预测的时间步长，表示预测的时间滞后步数，在滑动视窗范围内取值，；m表示滑动视窗的最大步长。

22、作为进一步的技术方案，还包括：通过预测流量与真实观测流量的加权平均绝对百分比误差动态调整反向溯源贡献矩阵，所述误差表示为：

23、；

24、其中，表示下游节点后第个时段真实观测流量，表示下游节点后第个时段预测流量，表示取绝对值。

25、第二方面，本发明提供了基于多重-正反溯源的高速路网交通流预测系统，包括：

26、路网构建与数据获取模块：用于构建路网有向拓扑模型，获取车辆轨迹数据并投影至路网有向拓扑模型中，生成边流量矩阵和边行程矩阵；

27、预测模块：基于边流量矩阵和边行程矩阵，标定平均行程时间矩阵、正向流量转移矩阵和反向溯源贡献矩阵；基于平均行程时间矩阵构建时序对齐核函数；

28、基于正向流量转移矩阵、反向溯源贡献矩阵和时序对齐核函数建立物理导向的预测模型，对多源上游车流进行推演，输出目标时段的交通流。

29、第三方面，本发明提供了一种电子设备，包括处理器和存储器，其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如上述第一方面所述的基于多重-正反溯源的高速路网交通流预测方法中的步骤。

30、第四方面，本发明提供了一种计算机可读存储介质，用于存储计算机程序；其中所述计算机程序被处理器执行时实现如上述第一方面所述的基于多重-正反溯源的高速路网交通流预测方法中的步骤。

31、从以上技术方案可以看出，本发明具有以下有益效果：

32、本发明的上述技术方案提供了基于多重-正反溯源的高速路网交通流预测方法及系统，通过多重上游关联域，将预测视野向外层推进，捕捉远端交通波的早期传播征兆；通过正向流量转移矩阵从有因到果的视角描述车流从上游向下游流动的物理路径与分流概率，反向溯源贡献矩阵以执果索因的方式量化下游拥堵对不同上游源头的依赖权重，增强了模型的可解释性；通过时序对齐函数精确计算模型滞后步数与实际物理行程时间之间的非线性匹配关系，在数据驱动模型内部有效还原车流在传播过程中的色散物理特性；从而提高了交通流预测的精度和可解释性。

1.基于多重-正反溯源的高速路网交通流预测方法，其特征在于，包括：

2.如权利要求1所述的基于多重-正反溯源的高速路网交通流预测方法，其特征在于，所述平均行程时间矩阵中的元素为所有车辆到达下游节点的时间与车辆离开上游节点的时间差值之和的平均，表示为：

3.如权利要求1所述的基于多重-正反溯源的高速路网交通流预测方法，其特征在于，所述正向流量转移矩阵中的元素为上游节点流向下游节点的流量与上游节点总流出量的比值，表示为：

4.如权利要求1所述的基于多重-正反溯源的高速路网交通流预测方法，其特征在于，所述反向溯源贡献矩阵中的元素为经上游节点到达下游节点的加权流量与所有上游邻居节点到达下游节点的加权总流量之比，表示为：

5.如权利要求1所述的基于多重-正反溯源的高速路网交通流预测方法，其特征在于，所述基于平均行程时间矩阵构建时序对齐核函数，表示为：

6.如权利要求1所述的基于多重-正反溯源的高速路网交通流预测方法，其特征在于，基于正向流量转移矩阵、反向溯源贡献矩阵和时序对齐核函数建立物理导向的预测模型，对多源上游车流进行推演，输出目标时段的交通流，表示为：

7.如权利要求1所述的基于多重-正反溯源的高速路网交通流预测方法，其特征在于，还包括：通过预测流量与真实观测流量的加权平均绝对百分比误差动态调整反向溯源贡献矩阵，所述误差表示为：

8.基于多重-正反溯源的高速路网交通流预测系统，其特征在于，包括：

9.一种电子设备，其特征在于，包括处理器和存储器，其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1-7任一项所述的基于多重-正反溯源的高速路网交通流预测方法中的步骤。

10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的基于多重-正反溯源的高速路网交通流预测方法中的步骤。