基于多源异构数据的高速公路流量短时预测方法及系统与流程

摘要: 本发明涉及交通信息与计算机。更具体地说,本发明涉及一种基于多源异构数据的高速公路流量短时预测方法及系统。背景技术:1、高速公路交通流量预测是交通管理与控制的基础...
基于多源异构数据的高速公路流量短时预测方法及系统与流程

本发明涉及交通信息与计算机。更具体地说,本发明涉及一种基于多源异构数据的高速公路流量短时预测方法及系统。

背景技术:

1、高速公路交通流量预测是交通管理与控制的基础性工作,准确的短时流量预测对于拥堵预警、应急处置和路网运行效率提升具有重要作用,随着etc门架系统、车载gps设备和路侧感知设施的普及,高速公路已具备多源异构数据的采集能力,为流量预测提供了更丰富的数据支撑。

2、现有交通流预测方法主要分为以下几类,第一类是传统时间序列分析方法,如差分整合移动平均自回归模型及其变体,基于历史流量数据自身的统计规律进行外推,计算效率较高,但难以捕捉交通流中复杂的非线性特征;第二类是机器学习方法,如支持向量回归和随机森林,通过构建特征与流量之间的非线性映射关系,在一定程度上提升了预测精度;第三类是深度学习方法,包括循环神经网络、长短期记忆网络以及近年来兴起的图神经网络与transformer结合的架构,能够同时建模路网的空间拓扑依赖和时间序列相关性,代表了当前的主流技术方向,例如,专利公开号为cn121564994a的中国专利申请一种基于微观轨迹重构与时频图谱融合的etc交通流预测方法通过构建车辆微观轨迹张量,利用图注意力机制和transformer编码器提取时空特征,并引入频域滤波和物理修正层来增强预测的鲁棒性,专利分开号为cn122157503a的中国专利申请基于多源数据的高速车辆车速计算与轨迹预测方法融合etc实时数据、历史通行数据和路网基础数据,通过驾驶行为归一化、时空特征修正和lstm-attention模型预测车辆轨迹和出口。

3、部分研究关注特定场景下的交通调控,专利分开号为cn115331443a的中国专利申请一种高速公路入口匝道纵断面交通流量管控方法及系统通过对比匝道入口处与前方一定距离内的交通流量,制定分级的车辆通行引导策略,属于匝道管控领域。

4、现有方法均基于历史规律可外推的基本假设,即未来交通状态与历史同期具有相似性,这一假设在常态交通条件下基本成立,但在突发交通事故场景中面临根本性挑战,具体表现为以下几方面,事故导致交通流数据分布的平稳性假设被打破,突发事故会造成车道封闭或通行能力骤降,上游车流迅速形成排队,流量在短时间内出现断崖式下跌或剧烈波动,数据分布发生显著偏移,传统统计学模型和多数机器学习模型假定训练集与测试集服从同一分布,在分布偏移发生时其预测结果严重失真,难以捕捉流量的突变拐点;纯数据驱动模型缺乏对事故因果关系的显式建模,深度学习方法通过大量历史样本学习流量变化模式,但其本质仍是统计关联而非因果推断,当模型观察到流量异常变化时,只能将其视为数值波动,无法知晓该变化是由前方事故引起的交通需求重新分配或排队回溢所致,导致模型在事故发生后需要多个时间步的历史数据才能适应新状态,预测结果存在明显滞后,无法满足应急处置对实时性的要求;严重交通事故在历史数据中属于小概率事件,样本量极为有限,深度学习模型的性能高度依赖于大量代表性训练样本,对于这类长尾分布的极端场景,模型难以从中有效学习其演化规律,往往倾向于将其作为噪声忽略或过度平滑,进而低估流量波动的幅度和速度。

5、现有方法在路阻估算和路径选择行为刻画方面也存在不足,基于断面检测器的路阻函数通常采用固定的速度-流量关系曲线,难以实时响应事故造成的速度离散性增加和通行效率的非线性下降,在分流行为预测上,多数模型假设驾驶员掌握完全信息并基于最短行程时间进行理性决策,忽略了事故信息在驾驶员群体中逐步扩散的过程以及驾驶员对陌生绕行路径的心理阻抗,导致分流率估计偏差,进而影响对事故点到达流量的准确推算。

6、因此,如何在不依赖大量历史事故样本的前提下,通过引入事故因果逻辑、动态路阻感知和信息渗透过程,实现突发事故场景下高速公路流量短时预测,是当前亟待解决的技术问题。

技术实现思路

1、本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。

2、为了实现根据本发明的这些目的和其它优点,提供了一种基于多源异构数据的高速公路流量短时预测方法,包括:

3、s1、获取事故位置及路网拓扑,自事故位置向上游遍历,根据实时路段平均速度识别拥堵尾部位置,确定动态影响半径,取拥堵尾部位置上游该半径内的收费站或收费门架为边界节点集,提取边界节点集至事故位置的连通路径,剔除自由流行程时间超限的远端节点,构成动态子网;

4、s2、获取动态子网内车辆gps轨迹,经地图匹配与速度平滑滤波,计算各路段的调和平均速度和速度变异系数,融合实时观测与历史基准数据估算各路段行程时间,作为动态子网的路阻;

5、s3、基于动态子网及路阻生成上游节点至事故点的候选路径,计算各候选路径的广义阻抗,建立时变信息渗透率模型,将驾驶员分为不知情组与知情组,按信息渗透率混合加权两组选择结果,得各上游节点动态分流率;广义阻抗包括行程时间、陌生度惩罚和事故风险感知,信息渗透率自事故时递增,不知情组按历史习惯选路,知情组按广义阻抗离散选择;

6、s4、根据上游节点原始需求与动态分流率计算有效需求,基于事故点剩余通行能力进行排队动力学模拟并更新排队长度,若排队尾部阻断上游汇入,则截断相应需求并重置相关路阻,返回s1~s3迭代至收敛,输出事故点到达流量及排队长度预测结果。

7、优选的是,步骤s1中识别拥堵尾部位置的方法为:从事故位置沿上游方向逐路段遍历,将实时路段平均速度低于预设速度阈值的连续路段序列的末端位置确定为拥堵尾部位置;若当前不存在低于预设速度阈值的路段,则以事故位置作为拥堵尾部位置。

8、优选的是,步骤s1中动态影响半径按以下公式确定:

9、

10、其中,dmax表示动态影响半径,lqueue表示当前排队长度,vf表示自由流速度,tlookahead表示预设预测视界。

11、优选的是,步骤s2中调和平均速度按以下公式计算:

12、

13、其中,表示调和平均速度,n表示路段eij上当前时间窗内经地图匹配和速度平滑滤波后保留的有效gps样本数量,vk表示第k个样本车辆的瞬时速度;

14、速度变异系数按以下公式计算:

15、

16、其中,cvij表示速度变异系数,σv,ij表示有效gps样本车辆速度的标准差;

17、对于有效gps样本数量低于预设最小样本阈值的路段,采用时空克里金插值或基于上游路段速度波传递模型估算对应路段的调和平均速度。

18、优选的是,步骤s2中估算各路段的行程时间按以下公式计算:

19、

20、其中,tij(t)表示行程时间,lij表示路段eij的长度,表示当前时刻的调和平均速度,cvij(t)表示当前时刻的速度变异系数,cvref表示自由流状态下的基准变异系数,qhist表示历史同期流量,qobs表示实时观测流量,qcap表示路段通行能力,ω1表示第一权重系数,ω2表示第二权重系数。

21、优选的是,步骤s3中候选路径通过对每个上游节点至事故位置的起讫点对执行k-最短路径算法生成,并标记每条候选路径是否经过事故位置以及是否为绕行路径。

22、优选的是,步骤s3中时变信息渗透率模型为:

23、

24、其中,表示时刻t驾驶员知晓事故发生的信息渗透率,t表示当前时刻,tacc表示事故发生时刻,λ表示信息扩散速率常数,βvms表示可变情报板覆盖系数,βnav表示导航app覆盖系数。

25、优选的是,步骤s3中不知情组基于历史习惯选择路径k的概率为预设的固定概率分布;

26、知情组基于广义阻抗进行离散选择的具体方式为:采用logit模型,知情组选择路径k的概率按以下公式计算:

27、

28、其中,ci,k(t)表示上游节点i至事故位置的第k条候选路径在时刻t的广义阻抗,θ表示预设灵敏度系数,k表示候选路径总数;

29、混合加权的方式为:

30、候选路径k的最终选择概率按以下公式计算:

31、

32、将各绕行路径的最终选择概率累加,得到上游节点i在时刻t的动态分流率ηi(t):

33、

34、其中,rbypass表示候选路径中绕行路径的集合。

35、优选的是,步骤s4中排队动力学模拟的具体方式为:

36、计算净流入率qnet(t):

37、

38、其中,表示上游节点i经时延τi后到达的有效需求,cinc(t)表示事故点在时刻t的剩余通行能力;

39、更新排队长度lqueue(t+δt):

40、

41、其中,δt表示时间步长,lveh为平均车头间距;

42、判断更新后的排队尾部是否阻断上游节点vi的具体方式为:

43、计算上游节点vi的位置至拥堵尾部位置ptail之间的拓扑距离dist(vi,ptail),若满足下式:

44、

45、则判定所述上游节点vi被阻断,其有效需求被截断修正,修正后的实际需求为:

46、

47、其中,γblock为阻塞系数,其取值范围为[0,1],完全阻断时取0。

48、本发明提供一种用于所述的基于多源异构数据的高速公路流量短时预测方法的系统,包括:

49、数据获取模块,其用于获取事故位置及路网拓扑,以及车辆gps轨迹数据、历史基准数据、可变情报板和导航app的信息发布状态;

50、动态子网构建模块,其用于自事故位置向上游遍历,根据实时路段平均速度识别拥堵尾部位置,确定动态影响半径,取拥堵尾部位置上游该半径内的收费站或收费门架为边界节点集,提取边界节点集至事故位置的连通路径,剔除自由流行程时间超限的远端节点,构成动态子网;

51、路阻计算模块,其用于获取动态子网内车辆gps轨迹,经地图匹配与速度平滑滤波,计算各路段的调和平均速度和速度变异系数,融合实时观测与历史基准数据估算各路段行程时间,作为动态子网的路阻;

52、路径选择模块,其用于基于动态子网及路阻生成上游节点至事故点的候选路径,计算各候选路径的广义阻抗,建立时变信息渗透率模型,将驾驶员分为不知情组与知情组,按信息渗透率混合加权两组选择结果,得各上游节点动态分流率;广义阻抗包括行程时间、陌生度惩罚和事故风险感知,信息渗透率自事故时递增,不知情组按历史习惯选路,知情组按广义阻抗离散选择;

53、流量预测与反馈模块,其用于根据上游节点原始需求与动态分流率计算有效需求,基于事故点剩余通行能力进行排队动力学模拟并更新排队长度,若排队尾部阻断上游汇入,则截断相应需求并重置相关路阻,触发动态子网构建模块、路阻计算模块和路径选择模块依次迭代至收敛,输出事故点到达流量预测结果及排队长度预测结果。

54、本发明至少包括以下有益效果:

55、第一、本发明通过实时识别排队尾部位置,并结合当前排队长度与预设预测视界确定动态影响半径,使事故影响范围的划定能够随拥堵状态自动调整,既避免了固定范围过小导致远端绕行路径被遗漏,也避免了范围过大引入无关节点造成计算冗余,同时剔除自由流行程时间过长的远端节点进一步缩减子网规模,在保证预测精度的前提下有效控制了计算资源的消耗。

56、第二、本发明采用调和平均速度表征路段通行效率,能够合理凸显低速拥堵状态对行程时间的影响,有效抑制瞬时速度波动对均值估算的干扰;结合速度变异系数量化车流离散程度,并融合历史基准数据修正实时观测,使路阻在gps样本稀疏或流量接近饱和时仍保持稳定可靠,为后续路径选择提供了连续且可信的输入。

57、第三、本发明通过时变信息渗透率模型刻画事故信息从发生到广泛传播的渐进过程,将驾驶员分为不知情组和知情组,不知情组基于历史习惯决策,知情组依据包含行程时间、陌生度惩罚和事故风险感知的广义阻抗进行logit离散选择,通过混合加权得到动态分流率,使绕行行为预测更贴近实际交通中信息滞后和心理阻抗的影响,避免了完全理性假设导致的分流率偏差。

58、第四、本发明将排队动力学模拟与分流结果耦合,通过判定排队尾部是否阻断上游节点,对有效需求施加阻塞系数截断,并将截断节点至事故点间路阻重置为极大值,触发动态子网重新划定、路阻重新估算和分流率重新计算的迭代过程,使排队溢出效应能够在系统中连环传递,最终输出的到达流量和排队长度预测结果在全过程保持自洽。

59、本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。