下载文档原格式
基于概率分布估计的私家车和出租车行程时间可变性度量王召月; 袁绍欣【期刊名称】《《计算机应用与软件》》【年(卷),期】2019(036)012【总页数】8页(P232-238,255)【关键词】行程时间可变性; 有限混合模型; 异常数据; 对数正态分布; 出行决策【作者】王召月; 袁绍欣【作者单位】长安大学信息工程学院陕西西安710064【正文语种】中文【中图分类】TP3910 引言随着城市交通拥堵的日益严重，出行者不仅关心出行时间，也关心行程时间可变性。
虽然二者都与出行成本有关，但对于前者，出行者关心如何节省，而对于后者，出行者则关注它的可预测性以降低可变性带来的风险[1-2]，这是因为不稳定的行程时间会迫使出行者预留出更多的时间以求准时到达目的地[2]。
私家车和出租车是两种重要的出行方式，对它们的行程时间可变性进行度量，可提升对这两种出行方式可靠程度的认识，最终有利于城市出行者进行出行方式选择决策和交通管理者制定相应的管理政策[3-5]。
对私家车和出租车的行程时间可变性进行度量，需要相同路段、相同时间段两类车的行程时间数据，这有助于通过对比研究从这两类共享相同车道的出行方式中发现它们在行程时间可变性方面的差异。
当前能满足这方面数据要求的主要是城市自动车牌识别(Automatic Number Plate Recognition，ANPR)数据。
自动车牌识别系统实现了对车辆闯红灯和超速等违规行为的检测[6]。
该系统在城市重要的道路卡口安装摄像头，识别车辆经过卡口时的车牌号码、通过时刻以及速度等信息。
通过上下游两个卡口的信息就可获得车辆通过两个卡口间路段的行程时间和平均速度等数据[7]。
与具有路网覆盖能力广但采集精度低的GPS数据[8]相比，ANPR数据具有采样精度高、数据量大且可通过车牌信息区分车型的优点，已是城市车辆道路行程时间估计的一个重要数据源。
值得注意的是，并不是所有的ANPR数据都适合于研究私家车和出租车的行程时间可变性，这是因为ANPR系统采集到的一些行程时间观测数据并不能反映特定时空下大概率出现的通常交通状况[9-10]。
第38卷第3期2024年5月山东理工大学学报(自然科学版)Journal of Shandong University of Technology(Natural Science Edition)Vol.38No.3May 2024收稿日期:20230306基金项目:山东省自然科学基金项目(ZR2021MF109)第一作者:唐莺萍,女,tangyingping0810@;通信作者:商强,男,shangqiang@文章编号:1672-6197(2024)03-0014-06基于GPS 数据的高速公路行程时间估计与可靠性分析唐莺萍,商强(山东理工大学交通与车辆工程学院,山东淄博255049)摘要:准确地进行高速公路行程时间估计与可靠性分析对交通规划与缓解交通拥堵具有重要意义㊂针对目前行程时间估计准确性不高㊁可靠性分析不够全面的问题,提出基于BP 神经网络的高速公路行程时间估计模型,并利用该模型计算的行程时间分析高速公路上车辆行驶的行程时间可靠性㊂以广州机场高速公路GPS 浮动车数据为例进行实例验证,结果表明,与速度-时间积分法和位置-时间内插法相比,本文提出的模型提高了行程时间估计的准确度,同时能多方面地分析车辆行程时间的可靠性㊂关键词:GPS 浮动车数据;行程时间估计;行程时间可靠性;对数正态分布中图分类号:U491文献标志码:AExpressway travel time estimation based on GPS data and reliability analysisTANG Yingping,SHANG Qiang(School of Transportation and Vehicle Engineering,Shandong University of Technology,Zibo 255049,China)Abstract :Accurate highway travel time estimation and reliability analysis is of great significance fortraffic planning and traffic congestion alleviation.Aiming at the current problems of low accuracy of travel time estimation and insufficiently comprehensive reliability analysis,this paper proposes a highway travel time estimation model based on BP neural network,and uses the travel time calculated by this model to analyze the travel time reliability of vehicles traveling on highways.Taking the GPS floating car data ofGuangzhou Airport Expressway as an example for verification,the model proposed in this paper improves the accuracy of travel time estimation compared to the speed time integration method and the position time interpolation method,and can analyze the reliability of vehicle travel time in multiple aspects.Keywords :GPS floating vehicle data;travel time estimation;travel time reliability;lognormal distribution㊀㊀莜随着我国社会和科技的不断发展,居民的出行量和汽车的保有量逐年攀升,交通拥堵问题也日益严重㊂准确地进行行程时间估计与可靠性分析是解决交通拥堵的关键㊂行程时间估计与可靠性分析能帮助交通管理者及时发现交通拥堵问题,制定有效的解决方案,还能帮助出行者及时了解交通状况,做出合理的出行决策㊂目前,采集交通数据的交通检测器主要分为固定型交通检测器和移动型交通检测器㊂Horvath等[1]用单个线圈检测器数据推导行程时间,吴俏[2]以环形线圈检测器交通流数据为研究对象,提出数据预处理方法㊂固定检测器覆盖率低㊁不灵活㊁维修难度大㊁易受外界环境影响,因此移动型交通检测器开始广泛使用,其中移动检测器中的GPS 浮动车技术因具有覆盖率广㊁可靠性高㊁检测的连续性强等特点而被广泛应用㊂起初利用GPS 浮动车数据进行行程时间估计的方法有速度-时间积分法和位置-时间内插法㊂Byon [3]提出速度-时间积分法估计行㊀程时间,常安德[4]在位置-时间内插法的基础上,提出了假设车辆匀加速或者匀减速行驶来估计行程时间的方法㊂随着计算机技术的发展,研究者们开始采用更先进的方法来改进传统的行程时间估计与可靠性分析方法㊂宋承波等[5]采用加权融合的方法来融合速度-时间积分法和位置-时间内插法计算的行程时间,伊峰[6]针对位置-时间插值法和速度-时间积分法存在的不足,采用牛顿插值法和切比雪夫多项式拟合法设计了相应的改进方法㊂在行程时间可靠性方面,许必承[7]分析了路段行程时间分布特征,选择95%分位行程时间路段建立交通运行状态可靠性度量方法;陈伟[8]建立了VMS 信息下路径行程时间可靠性评价体系,路段行程时间可靠性评价指标选取为可容忍的行程时间边界,可靠性模型采用概率型指标㊂针对目前采用传统的行程时间估计方法准确度不高㊁先进的模型复杂㊁分析数据方法繁琐以及行程时间可靠性分析指标单一的问题,本文提出基于BP 神经网络的高速公路行程时间估计模型,采用传统与概率型指标相结合的方法对行程时间可靠性进行多角度评价,并利用广州机场高速公路GPS 浮动车数据进行实例验证㊂1㊀基于BP 神经网络的高速公路行程时间估计模型1.1㊀坐标-时间内插法坐标-时间内插法[9]假定起点与终点之间车辆是匀速行驶的,通过估算车辆到达起点与终点的时间,利用起终点的时间相减即可得到行程时间㊂如图1所示,GPS 浮动车行驶的路线上会有i 到j 的定位点,按照式(1)的方法计算车辆通过终点的时刻t N ,即t N =L '2(j -1)t (j )+L '2(j )t (j -1)L '2(j -1)+L '2(j ),(1)图1㊀坐标-时间内插法示意图式中:t N 为当前高速公路路段终点N 边界时刻,t (j )为第j 个定位点的定位时刻,t (j -1)为第j -1个定位点的定位时刻,L '2(j -1)为第j -1个定位点与当前路段终点边界的距离,L '2j ()为第j 个定位点与当前路段终点边界的距离㊂同理,可计算出车辆通过路段起点时刻t N -1,利用公式t =t N -t N -1可得到高速公路路段行程时间㊂1.2㊀速度-时间积分法速度-时间积分法[9]算法原理如图2所示,它用一系列连续的GPS 浮动车采集的瞬时速度来估计高速公路平均行程速度,并用高速公路路段长度除以行程速度得到行程时间的估计值㊂图2㊀速度-时间积分法示意图车辆在t i 到t j 时间段内行驶的距离为㊀㊀d '=ʏjiv d t ʈv i (t i +1-t i2)+ðj -1g =1v g (t g +1-t g -12)+㊀㊀㊀㊀v j (t j +t j -12)㊂(2)如果采用固定的GPS 采样间隔,式(2)可简化为d '=t c (vt 2+ðj -1g =1v g +v j2),(3)车辆在t i 到t j 时间段内行驶的平均速度为u =d 't j -t i ,(4)长为L 的高速公路路段,单车的行程时间为T =L u㊂(5)1.3㊀BP 神经网络BP 神经网络是一种按误差逆传播算法训练的多层前馈神经网络,在自主学习㊁非线性和容错性等多个方面有很大的优势,其组成如图3所示,包括指定数量的输入层㊁输出层以及隐含层㊂BP 神经网络51第3期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀唐莺萍,等:基于GPS 数据的高速公路行程时间估计与可靠性分析的原理是在不断的训练过程中,通过学习正向反馈信息与反向反馈信息,不断减小误差来调整不同神经元的权重㊂不同层之间的神经元通过非线性计算寻找输入与输出之间的关系㊂图3㊀BP 神经网络拓扑结构每个输入输出层㊁隐含层与输入的函数关系为:x j =ðki =1w ij o i ,(6)o j =sigmod(x l )=11+e -xl,(7)式中:k 为隐藏层神经元个数,w ij 表示神经元i 与神经元j 之间连接的权重;o j 代表神经元j 的输出;sig-mod 是一个特殊函数,用于将任意实数映射到(0,1)之间㊂1.4㊀基于BP 神经网络的高速公路行程时间估计模型设计㊀㊀坐标-时间内插法和速度-时间积分法行程时间估计的原理和优势不同,可以利用BP 神经网络对2种行程时间估计方法的结果进行融合,提高行程时间估计的精确度㊂本文提出的基于BP 神经网络的高速公路行程时间估计模型框架如图4所示,用速度-时间积分法与位置-时间内插法的行程时间估计结果作为BP 神经网络的输入变量,当训练的均方误差达到要求即输出行程时间估计的结果㊂2㊀高速公路行程时间可靠性指标2.1㊀累积分布函数用累积分布函数表示的百分位数行程时间是一种常用的行程时间表示方法,可以用一些特殊的行程时间百分位数来计算行程时间的可靠性,例如15%㊁50%㊁90%等㊂累积分布函数为图4㊀行程时间估计方法框架F (t )=ʏt 0f (t )d t =1σ2πʏTexp -12(ln t -μσ)2éëêêùûúúd t =Φ(t -μσ)㊂(8)2.2㊀基于佛罗里达算法的行程时间可靠性㊀㊀佛罗里达算法[10]将行程时间可靠性定义为:出行者使用的行程时间小于该时间下路段的平均行程时间与可接受延误时间的和的概率㊂佛罗里达算法的行程时间可靠性公式为R φ(t )=P (t <t -+φt -),(9)式中:R φt ()为行程时间可靠性;t -为平均值;φt -为可接受的行程时间延误;φ为系数,一般取5%㊁10%㊁15%或20%;t -+φt -为可接受的行程时间阈值㊂2.3㊀变异系数CV变异系数[10]能较为清晰地反馈行程时间的离散程度与不确定性,可排除量纲的影响㊂变异系数一般不超过0.15,其计算公式为CV =σμ,(10)式中:σ为标准差,μ为均值㊂2.4㊀缓冲指数BTI缓冲指数[11]指一般条件下,出行者为了能在90%的分位行程时间内到达目的地要额外预留的缓冲时间,其计算公式为BTI =F (0.9)-t mt m,(11)61山东理工大学学报(自然科学版)2024年㊀式中:F (0.9)为90%分位行程时间,t m 为平均行程时间㊂2.5㊀单位距离平均行程时间行程时间反映了一定时间段内单位路段长度交通流的平均状况和运行效率㊂单位距离平均行程时间计算公式为t -=ðni =1t in ㊃l,(12)式中:t i 为第i 辆车行程时间,l 为车辆行驶的路段长度,n 为该路段上通过的车辆数㊂3㊀实例验证3.1㊀行程时间估计3.1.1㊀数据来源OpenData [12]开放的广州机场高速公路GPS 数据为地图配后的结果,可用来进行高速公路行程时间与可靠性分析研究㊂删除速度异常的GPS 浮动车数据,对数据进行排序分类,对浮动车的行驶方向㊁行驶地点和行驶时间㊁路段编号进行筛选,选出实验需要用的GPS 浮动车数据㊂高速公路行程时间估计实例验证的路段为新市-黄石㊂BP 神经网络融合方法的输入变量为速度-时间积分法与位置-时间内插法计算的行程时间,输出变量为行程时间估计值,共有125组数据,前96组数据作为训练集,97到101组数据为验证集,最后24组数据为测试集,输入层神经元设置为2个,隐藏层神经元设置为10个,输出层神经元设置为1个㊂3.1.2㊀评价指标本文采用相对误差(δRE )㊁平均相对误差(δARE )㊁最大相对误差(δMRE )来评估模型的有效性㊂评价指标越小,则模型的预测性能越好,各自的数学表达式如下:δRE=y (t )-y ɡ(t )y (t ),(13)δARE=1n ðn i =1y (t )-y ɡ(t )y (t ),(14)δMRE =max(y (t )-y ɡ(t )y (t )),(15)式中:y t ()为行程时间真实值,y ɡt ()为行程时间估计值㊂3.1.3㊀行程时间估计结果与分析3种方法估计的行程时间如图5所示㊂由图5可以看出,每辆GPS 浮动车分别采用速度-时间积分法㊁坐标-时间内插法㊁基于BP 神经网络模型的行程时间估计结果,为了检验本文提出模型的估计效果,采用真实值与3种方法估计结果的相对误差㊁平均相对误差与最大相对误差来分析㊂图5㊀3种方法估计的行程时间3种方法估计的行程时间与真实值的相对误差如图6所示,平均相对误差㊁最大相对误差如表1所示㊂由图6和表1可知,速度-时间积分法的5㊁6㊁15㊁19㊁21,24号车辆的估计误差较大,坐标-时间内插法的4㊁8㊁12㊁21㊁23号车辆的估计误差较大,基于BP 神经网络模型的3㊁11㊁12号车辆的估计误差较大,其他车辆的相对误差都较小㊂可以明显看出无论是相对误差还是平均相对误差与最大相对误,基于BP 神经网络的行程时间估计模型效果明显优于图6㊀3种行程时间估计方法的相对误差表1㊀3种行程时间估计方法的平均相对误差与最大相对误差方法名称δARE δMRE 速度-时间积分法0.08070.1681坐标-时间内插法0.08120.1717神经网络融合法0.05240.120971第3期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀唐莺萍,等:基于GPS 数据的高速公路行程时间估计与可靠性分析速度-时间积分法㊁坐标-时间内插法的估计效果且其结果与真实值偏差更小㊁吻合度更高㊂3.2㊀行程时间可靠性分析根据本文提出的基于BP 神经网络的高速公路行程时间估计模型对三元里-黄石㊁黄石-平沙㊁平沙-蚌湖路段的387辆GPS 浮动车的行程时间进行估计,并利用估计的行程时间进行可靠性分析,以下以三元里-黄石路段为例进行分析㊂3.2.1㊀行程时间频数统计如图7所示,对三元里-黄石路段车辆的行程时间进行频数统计以进行行程时间分布拟合计算㊂3.2.2㊀行程时间分布拟合对行程时间的频数统计数据进行正态分布㊁威布尔分布㊁伽玛分布㊁对数正态分布模型拟合,分布拟合的结果如图8所示㊂利用三元里-黄石路段的4种模型的函数表达式进行误差平方和的计算,其计算公式为δSSE =ðni =1w i (y i -y -i )2,(16)式中:y i 为实际值;y -i 为拟合值;w i 为权重㊂图7㊀三元里至黄石南行程时间频数统计㊀㊀由表2拟合函数的误差平方和可知,对数正态分布的误差平方和最小,所以广州机场高速公路三元里-黄石路段的车辆行程时间分布由对数正态分布拟合效果最佳㊂㊀㊀对数正态分布的概率密度函数为f t ()=10.57073t 2πexp -12(ln t -2.64230.57073)2éëêêùûúú㊂(17)(a)正态分布㊀㊀(b)威布尔分布(c)伽玛分布㊀㊀(d)对数正态分布图8㊀拟合分布函数图81山东理工大学学报(自然科学版)2024年㊀表2㊀4种拟合函数的误差平方和路段正态分布威布尔分布伽玛分布对数正态分布三元里-黄石0.02280.02080.02050.02043.2.3㊀行程时间可靠性分析1)累积分布函数㊂三元里至黄石累积分布函数为F (t )=ʏtf (t )d t =10.57073t 2πexp -12ln t -2.64230.57073()2éëêêùûúú=φt -2.64230.57073()㊂(18)2)佛罗里达算法指标㊂由表3可以看出,在可接受的延误时间为概率统计拟合行程时间的20%的情况下,三元里-黄石与黄石-平沙两个路段的佛罗里达算法指标均未超过50%,说明两段路的行程时间可靠性较低,平沙-蚌湖路段的佛罗里达算法指标超过50%,说明该路段的行程时间可靠性较好㊂㊀表3㊀基于佛罗里达算法的行程时间可靠性㊀单位:%路段可接受延误时间的系数5%10%15%20%三元里-黄石31.1036.1241.1546.10黄石-平沙34.9438.8242.6446.36平沙-蚌湖39.3644.0148.5352.88㊀㊀3)其它行程时间可靠性指标㊂由表4变异系数CV 值可以看出,平沙-蚌湖的离散程度较低,说明车辆在该路段可用相对平稳的速度行驶,且对比全国高速公路单位距离的平均行程时间可知该路段的交通流运行速度较快,路段的行程时间可靠性高㊂三元里-黄石㊁黄石-平沙路段的离散程度较高,且交通流运行速度较慢,说明这两个路段的行程时间可靠性较差㊂表4㊀其他行程时间可靠性指标路段变异系数CV 缓冲指数BTI 单位距离平均行程时间/(min /km)三元里-黄石0.7594 1.2625 2.031黄石-平沙0.2955 1.5354 1.198平沙-蚌湖0.14581.73321.2844㊀结论针对目前行程时间估计准确性不高与可靠性分析不够全面的问题,提出了基于BP 神经网络的高速公路行程时间估计模型,并采用传统与概率型指标相结合的方法分析行程时间可靠性,在此基础上进行实例验证,得出以下结论:1)本文提出的模型能提高行程时间估计的准确性,与原有方法相比,相对误差㊁平均相对误差与最大相对误差均有大幅降低㊂2)采用传统与概率型指标相结合的方法分析行程时间的可靠性,可以改善行程时间可靠性分析指标单一的问题,多角度全面分析行程时间可靠性㊂3)对高速公路上车辆行驶的路段进行行程时间估计与可靠性分析,可以反映存在的交通问题,准确获得实时的交通信息,方便交通管理者发现并解决问题,帮助出行者及时采取正确的出行决策㊂参考文献:[1]HORVATH M T,TETTAMANTI T.Real-time queue length estimationapplying shockwave theory at urban signalized intersections[J].Pe-riodica Polytechnica Civil Engineering,2021,65(4):1153-1161.[2]吴俏.基于城市路网的行程时间估计及预测方法研究[D].杭州:浙江大学,2015.[3]BYON Y J.GISTT:GPS -GIS integrated system for travel time surveys [D].Toronto:University of Toronto,2005.[4]常安德.基于GPS 浮动车的路段行程时间采集方法研究[D].长春:吉林大学,2009.[5]宋承波,燕雪峰.一种浮动车技术的道路行程时间估计方法[J].小型微型计算机系统,2018,39(9):2098-2102.[6]伊峰.基于车载GPS 数据的交通流路段平均行程时间估计与预测方法研究[D].长春:吉林大学,2012.[7]许必承.城市路网交通运行状态可靠性度量[D].南京:东南大学,2021.[8]陈伟.VMS 信息下驾驶路径选择行为特性及行程时间可靠性分析[D].青岛:青岛理工大学,2021.[9]马超锋.基于低频采样GPS 数据的路段行程时间估计[D].北京:北方工业大学,2015.[10]蒲珂慧.高速公路行程时间可靠性计算方法研究[D].西安:长安大学,2015.[11]KAPARIAS I,BELL M G H,BELZNER H.A new measure of traveltime reliability for in-vehicle navigation systems[J].Journal of In-telligent Transportation Systems,2008,12(4):202-211.[12]OpenITS 联盟.OpenData V1.0-广州机场高速公路开放数据[EB /OL].[2023-02-16].https:// /openData1/626.jhtml.(编辑:郝秀清)91第3期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀唐莺萍,等:基于GPS 数据的高速公路行程时间估计与可靠性分析。
基于行程-时间域的路段行程时间预测张安泰;柴干;丁闪闪【摘要】In order to improve the real-time and accuracy of the highway link travel time prediction, a travel time prediction algorithm based on travel-time field traversing was proposed. Based on the real-time traffic data detection and predicting every time unit space mean speed of link units by BP neural network, the algorithm constructed the travel-time field. The predicted travel time was obtained by traversing the travel-time field. Data detected by highway traffic detector was taken full advantage of by the travel-time field traversing. Through simulation research, the fact that travel-time field traversing is superior to traditional neural network prediction algorithm was revealed by comparison. Taking the link of Shanghai-Nanjing Freeway as background and based on Vissim simulation software, the accuracy and feasibility of the proposed algorithm was verified.%为了提高高速公路路段行程时间预测的实时性与准确性,提出了基于行程-时间域的路段行程时间预测算法.该算法依据实时检测的交通数据和BP神经网络预测路段单元在不同时间单元的空间平均车速,构建车辆出行的行程-时间域,通过车辆穿越行程-时间域获得路段的预测行程时间.通过比较行程-时间域算法与传统神经网络预测算法,揭示了行程-时间域算法在预测精度上优于传统神经网络算法.以沪宁高速公路路段作为示例背景,基于Vissim仿真软件,验证了所提算法的准确性与可行性.【期刊名称】《交通信息与安全》【年(卷),期】2013(031)002【总页数】5页(P59-63)【关键词】行程时间;行程-时间域;BP神经网络;高速公路【作者】张安泰;柴干;丁闪闪【作者单位】东南大学智能运输系统研究中心南京210096【正文语种】中文【中图分类】U491.1+40 引言随着现代信息技术在高速公路智能运输系统（intelligent transportation system，ITS）的广泛应用，动态路径诱导系统作为高速公路ITS的重要组成部分，目前正得到深入研究与开发。
路段容量随机下降路网的行程时间可靠性
况爱武;欧阳媛;李炳林
【期刊名称】《交通科学与工程》
【年(卷),期】2007(023)003
【摘要】基于均匀分布的路段容量,分析了退化路网中路段行程时间的随机变动,构建了概率用户均衡交通分配模型,证明了等价数学规划模型解的等价性,设计了模型求解算法.在此基础上,建立了路段、路径及OD对行程时间可靠性计算模型.最后,在一简单网络上进行了计算分析.
【总页数】5页(P15-19)
【作者】况爱武;欧阳媛;李炳林
【作者单位】长沙理工大学,交通运输学院,湖南,长沙,410076;湖南娄底路桥建设有限责任公司,湖南,娄底,417000;长沙理工大学,交通运输学院,湖南,长沙,410076【正文语种】中文
【中图分类】U491
【相关文献】
1.基于路段走行时间可靠性的路网容量可靠性 [J], 刘海旭;蒲云
2.ATIS环境下随机动态路网行程时间可靠性 [J], 郭洪洋;张玺;刘澜;马亚峰
3.随机需求条件下道路网行程质量评估--行程时间可靠性 [J], 熊志华;邵春福
4.考虑服务水平的路段随机动态行程时间可靠性 [J], 智路平;周溪召
5.基于路段相关的路网行程时间可靠性 [J], 熊志华;姚智胜;邵春福
因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的城市路网行程时间预测方法研究基于深度学习的城市路网行程时间预测方法研究随着城市化进程的加速，交通拥堵问题日益凸显，给人们的出行带来了极大的困扰。
因此，准确地预测城市道路的行程时间，对于合理规划出行路线、减少交通拥堵具有重要意义。
基于深度学习的城市路网行程时间预测方法，因其可以自动学习并提取数据中的隐含特征，正受到越来越多研究者的关注。
深度学习作为一种机器学习的分支，通过构建具有多层非线性变换的神经网络，可以从原始数据中学习到更加抽象的特征表示。
在城市路网行程时间预测中，深度学习可以利用大量的历史行程时间数据，从而更好地捕捉不同时间段和路段之间的影响因素。
首先，对于城市路网数据的预处理，深度学习方法需要将原始的地理位置和行程时间数据转化为神经网络可以处理的格式。
一般来说，地理位置数据可以通过经纬度或者节点编号进行表示，同时，需要将行程时间离散化为合适的时间粒度，如5分钟或15分钟。
其次，建立合适的神经网络架构。
常见的神经网络结构包括前馈神经网络、循环神经网络和卷积神经网络等。
针对城市路网行程时间预测任务，可以根据具体的问题选择合适的网络结构。
例如，前馈神经网络可以使用全连接层和激活函数实现对时间序列数据的建模，循环神经网络可以更好地处理序列数据，卷积神经网络则适用于图像数据。
第三，利用训练数据对神经网络进行训练。
深度学习模型的训练需要大量的数据样本，可以采用监督学习的方式，通过最小化预测值与实际值之间的差异来调整神经网络的参数。
在城市路网行程时间预测中，可以将历史行程时间数据作为输入，将未来一段时间内的行程时间作为输出，通过反向传播算法进行优化。
最后，对训练好的神经网络模型进行测试和评估。
在测试阶段，可以利用现有的道路网络数据进行预测，并与实际的行程时间进行对比。
评估指标可以包括均方根误差（RMSE）、平均绝对误差（MAE）等，用于衡量预测结果与实际结果之间的差异。
如果预测结果与实际结果吻合较好，则说明基于深度学习的城市路网行程时间预测方法取得了较好的效果。
基于时空贝叶斯模型的行程时间可靠性预测杨庆芳;韦学武;林赐云;李志林;刘翔宇【期刊名称】《华南理工大学学报（自然科学版）》【年(卷),期】2016(044)004【摘要】为了全面、准确地分析路段行程时间的时空分布,将路段的时间序列和空间关联关系纳入两个邻近路段的行程时间可靠性预测过程.在时间维度上,通过广泛使用的卡尔曼滤波预测行程时间;在空间维度上,根据离散马尔科夫链构建上下游路段行程时间的关联模型.进而构建了时空贝叶斯模型(ST-BM),将时间维度和空间维度的行程时间分布进行融合,从而预测路段行程时间可靠性.实例分析结果表明,相比于先验分布数据,文中模型将两个实测邻近路段的可靠性预测误差分别降低了45.7％和29.2％,验证了ST-BM模型的有效性.【总页数】8页(P115-122)【作者】杨庆芳;韦学武;林赐云;李志林;刘翔宇【作者单位】吉林大学汽车仿真与控制国家重点实验室,吉林长春130022;吉林大学交通学院,吉林长春130022;吉林大学吉林省道路交通重点实验室,吉林长春30022;吉林大学交通学院,吉林长春130022;吉林大学汽车仿真与控制国家重点实验室,吉林长春130022;吉林大学交通学院,吉林长春130022;吉林大学吉林省道路交通重点实验室,吉林长春30022;吉林大学交通学院,吉林长春130022;吉林大学交通学院,吉林长春130022【正文语种】中文【中图分类】U491【相关文献】1.哪些文化因素影响了国家创新力?——基于时空层次贝叶斯模型的估计 [J], 杨修;宋超;朱晓暄2.基于时空贝叶斯模型的快速地图匹配算法 [J], 程元晖;温熙华;韦学武;刘彦斌3.基于均值和标准差的高速公路行程时间可靠性预测 [J], AREZOUMANDI Mahdi4.考虑行程时间不确定性的服务设施时空可达性度量 [J], 付晓;李梦瑶;陆欣;蔡先华5.引入时空特征的高速公路行程时间预测方法 [J], 林培群;夏雨;周楚昊因版权原因，仅展示原文概要，查看原文内容请购买。
第27卷 第4期2010年4月公 路 交 通 科 技Journal of Highw ay and Transportatio n Research and Develo pmentVol 127 No 14 Ap r 12010文章编号:1002O 0268(2010)04O 0116O 06收稿日期:2009O 09O 01基金项目:国家高科技研究发展计划(八六三计划)资助项目(2007AA12Z242,2007A A11Z218,2007AA11Z245)作者简介:杨兆升(1939-),男,辽宁大连人,教授,研究方向为智能运输系统1(yangz s@jlu 1edu 1cn)基于影响因素分类的路段行程时间融合研究杨兆升,高学英(吉林大学 交通学院,吉林 长春 130022)摘要:对基于固定检测信息和浮动车G PS 信息的路段行程时间估计方法进行介绍和分析,明确了对基于以上两种检测信息进行路段行程时间估计方法有重要影响的因素,并设计试验对影响因素进行量化分析。
在影响因素量化分析基础上,讨论两种估计方法的适用条件。
对影响因素进行组合分类,并在分类的基础上对两种估计方法采用加权融合进行处理,分析了最优权重的分配原则。
最后,用试验数据对融合方法进行验证,结果令人满意。
关键词:交通工程;行程时间估计;加权融合;城市道路路段;最优估计中图分类号:U491 文献标识码:ARese arch on Travel Time Fusion Ba sed on Influencing Factors Classif icationY A NG Zhaosheng,G A O X ueying(College o f Transportatio n,Jili n Uni versity,Changchun Jili n 130022,Chi na)A bstract:A detailed description and analysis of the methods of travel time estimation based on the data collected by fixed detector and floating car were made 1The main factors influencing the accuracy of the above mentioned two methods were clearly defined,and the experiment was designed to make quantization analysis of these influencing factors 1Based on this analysis,the applicable conditions of the tw o methods were discussed 1The influencing factors were grouped and classified,the weighting f usion method was applied to the two results of the abovementioned estimations,and the distribution principle f or optimal weighted value was analyzed 1At last,the abovementioned f usion method w as verified by the experimental data 1The result was encouraging 1Key words:traffic engineering;estimation of travel time;weighting f usion;urban road section;the optimal es 2timation 0 前言路段行程时间是反映路段交通状况的重要指标,准确的路段行程时间估计,是交通诱导系统、交通信息服务系统以及交通协调控制系统的重要基础。
行程时间的估计方法有很多,目前常用的方法有基于检测线圈的路段行程时间估计方法、基于G PS 浮动车的路段行程时间估计方法、牌照法、手机定位法等。
目前,国内应用最广泛的路段行程时间估计方法主要是基于布设在道路上的线圈检测数据和浮动车GPS 数据进行估计。
由于技术及经济等方面的原因,国内城市道路大都采用的是单线圈布设方案,基于固定检测数据估计的路段行程时间主要也是基于单线圈检测数据进行。
单线圈检测数据,能较为真实地反映其布设地点附近的交通状况,但对于整个路段的交通状况存在一定程度的失真,且这种失真随着交通状态及车辆行驶方向等因素的变化而不同,这直接导致基于此类信息的行程时间估计出现不同程度的偏差。
另外,国内各个城市都拥有相当规模的出租车保有量,且很多出租车都装有G PS 接收机,由于出租车出行在时间和空间上的随机性和分散性,能在很大程度上覆盖城市道路,积累的G PS 信息越来越丰富,这些信息完全可用来估计路段行程时间。
但同样由于出租车分布的随机性,会导致某些路段的某些时间段能获得GPS 信息的出租车样本量过少,甚至没有,这会导致路段行程时间估计的准确性下降甚至无法估计路段行程时间[1-3]。
鉴于以上这两种估计方法各有优缺点,且存在一定的互补性,本文将对以上两种估计方法有重要影响的因素,如交通状态、车辆行驶方向和浮动车样本量展开深入分析,对两种估计方法根据影响因素分类融合,以提高估计的准确性。
1路段行程时间估计方法111单检测线圈的路段行程时间估计方法布设在路段上的单线圈检测器能检测到布设地点的交通流量、占有率和速度等数据[4],可以利用这些数据,对路段行程时间进行估计。
本文将路段行程时间分为路段行驶时间、交叉口延误时间和交叉口通过时间3部分,路段行程时间是此3部分的和。
(1)路段行驶时间的计算路段行驶时间的计算,首先是通过检测数据估计路段平均行驶速度,用路段长度,除以路段平均行驶速度,即可得到路段行驶时间。
单线圈可以提供地点车速v t,该检测速度反映的是线圈附近的交通状况,需要将其转化成反映路段情况的行程速度,转化公式如下:v s=v t-R2t/v t,(1)式中,v s为路段行驶速度;v t为地点车速;R2t为地点车速观测方差。
(2)交叉口平均通过时间交叉口平均通过时间T p为交叉口长度L与饱和流率L和平均车长l k之比[5],表示如下:T P(k)=L/(L#l k),(2)式中,T P(k)为第k时段交叉口通过平均时间;L为交叉口车辆行驶路段长度;L为车辆通过交叉口的饱和流率;l k为第k时段平均车长。
(3)交叉口延误时间计算对于交叉口延误的计算,本文根据HC M2000方法,基本公式如下:d=d1(PF)+d2+d3,(3)d1=PFC(1-g/C)2/21-XgC,X[1,PFC(1-g/C)2/21-gC,X>1,(4)式中,PF为均匀延误修正系数;d1为均匀控制延误;d2为增量延误;d3为初始排队延误;C为信号周期;g为车道组的有效绿灯时长;X为车道组饱和度。
d2=900T(X-1)+(X-1)2+8klXc T,(5)d3=1800Q b(1+u)t/(c T),Q b>0,0,Q b=0。
(6)式中,c为修正的通行能力;Q b为初始排队长度;u为延误系数;t为时段T内需求大于通行能力的时间;l为交叉口上游限流修正系数。
112基于浮动车的路段行程时间估计基于浮动车GPS信息的路段行程时间估计可大体分为以下几个步骤:(1)将出租车的G PS信息匹配到车辆行驶的道路上[6-7]。
(2)根据匹配信息估算车辆通过路段上下游节点时间差,剔除车辆在路段中的干扰停车来获取单车路段行程时间,计算如下:t i j T=t ij O-t ij I-D,(7)式中,t ij T为在i时间段内通过路段j的某车辆的行程时间;t i j O为在i时间段内驶出路段j的时间;t i j I为在i时间段内驶入路段j的时间;D为在i时间段内出租车在路段j上的干扰停车,主要是出租车服务停车时间。
服务停车是指车辆在路段中出租车载客时间,且一般出租车在一个路段仅有一次服务停车,因此将发生在路段的非信号停车排队区域之前,G PS检测到的第一个停车在5~3s之间的停车间隔作为服务停车时间剔除。
(3)对估计时段内采集到的所有车辆的单车路段行程时间平均处理,将该值记为路段行程时间。
2行程时间估计影响因素分析基于固定检测信息和浮动车信息估计路段行程时间受到很多因素影响,其中,交通状态、车辆行驶方向以及浮动车样本量的影响相对较为明显。
本文将交通状态分为畅通状态、一般拥堵状态和严重拥堵状态。
畅通状态,交通量相对较小,车辆间影响可以忽略,车辆个体行为突出,分析时段开始前没有排队现象,车辆没有二次排队通过交叉口现象,交叉口延误较小;一般拥堵状态,交通量相对较大,车辆间相互影响较大,个体行为受到一定影响,某些分析时段开始前会出现初始排队现象,会出现二次停车,交叉口延误时间有比较明显的增加;严重拥堵状117第4期杨兆升,等:基于影响因素分类的路段行程时间融合研究态,路段上车辆数量非常大,车辆间相互影响严重,个体行为受到极大限制,呈车队行驶,运行速度较低,分析时段开始前有较长的排队,车辆要经过几个信号周期方能通过交叉口,会出现多次排队现象,交叉口延误增加严重,而且随着严重拥堵状态的延续,排队及延误将持续增加。
由于单线圈对其布设点附近的交通状况反映较为准确,而对远离布设点的部分的交通状况反映有一定误差,随着交通状态的恶化,车辆的运行受到环境影响越来越严重,单线圈对远离其布设点的交通状况的估计的误差越来越大,加之在严重拥堵状况下,HC M2000的延误估计误差的增加,导致随着交通状况的恶化,单线圈估计路段行程时间的准确性越来越差。
车辆行驶方向指的是车辆在交叉口处的直行、左转和右转,由于不同形式方向车辆运行受到路段中其他车辆影响程度的不同,导致不同行驶方向上路段行程时间估计准确性的不同。
例如,当路段中车流量较大时,左转车辆的运行会受到大量直行车辆的影响。
尤其是在交叉口出口处,由于大量直行车辆在停车线前排队,导致左转车辆无法及时进入左转弯待转区,导致车辆的实际延误比估计值偏大的现象,同样的估计误差也会出现在其他行车方向上,这最终导致了不同行车方向上行程时间估计准确度不同。
基于浮动车信息估计的单车路段行程时间,是车辆的个体行为,由于车辆自身性能、行车目的、方向、驾驶员心里等差异,并不能完全真实反映路段的平均行程时间。
