一种融合历史数据和预约数据的高速公路拥挤预测方法

摘要

本发明公开了一种融合历史数据和预约数据的高速公路拥挤预测方法，包括步骤：1）选定研究的高速公路，获取基础资料，总共包括四方面的资料：高速公路用户预约数据、高速公路路网基础数据、高速公路交通流历史数据、高速公路收费政策数据；2）根据路网基础资料和用户预约数据，对高速公路路网进行时空划分处理并确定各路段的预测时段；3）对预测时段内高速公路路网各路段的交通量进行预测；4）预测各路段的拥挤度；5）利用程序设计语言实现拥挤预测结果的可视化输出。本发明能够解决传统的拥挤预测方法未融合预约数据、不能反映预约通行带来的交通量在高速公路路网内分布规律的变化等问题，为出行诱导和高速公路管理工作提供更可靠的依据。

说明书

技术领域

本发明涉及高速公路拥挤预测的技术领域，尤其是指一种融合历史数据和预约数据的高速公路拥挤预测方法。

背景技术

随着交通运输量的不断增加，我国高速公路的拥堵问题(尤其是在节假日高峰期)愈发严重。在2012年国庆首日，全国有16个省份的26条高速公路出现拥堵；而在2015年国庆首日，仅广东省就有31条高速公路出现拥堵。为了解决拥堵问题，高速公路管理部门往往会拥堵发生之后采取一定的疏导措施。虽然这些措施能达到一定效果，但已发生的拥堵还是给出行者和管理者都造成了损失。因此，一些学者提出了在拥堵发生前进行拥堵疏导的设想。近年来逐渐成熟的移动互联网技术使得这一设想成为可能：将移动互联网和高速公路运营管理结合起来，通过预约通行和出行诱导实现拥堵的主动疏导。

要实现这样的目标，对高速公路进行准确的拥挤预测是前提。国内外学者已经对高速公路拥挤预测进行了大量的研究。发达国家对拥挤预测模型的研究始于上世纪中叶。我国在道路交通拥挤预测方面的研究起步较晚且大多数研究都是通过短期交通量或其他指标来评价道路交通拥挤状态。目前应用在拥挤预测方面的主要方法有时间序列模型、卡尔曼滤波模型、神经网络模型、支持向量机模型等。这些方法各有所长，但是都有一个共同点——在历史数据的基础上进行预测。这使得现有方法难以应对高速公路的预约通行为带来的挑战：①预约数据将为拥挤预测工作提供新的数据源，在预测的过程中要考虑预约数据和历史数据的融合。②预约行为将改变交通量在高速公路路网的分布。如果拥挤预测过程中不对这些变化进行考虑而简单地套用现有方法，将会导致拥挤预测精度的下降。

因此，本发明提出了一种融合预约数据和历史数据进行高速公路拥挤预测方法，为出行诱导和高速公路管理工作提供更可靠的依据。

发明内容

本发明的目的在于克服现有技术的缺点和不足，提供一种融合历史数据和预约数据的高速公路拥挤预测方法，突破常规高速公路拥挤预测方法未考虑用户预约数据、无法反映实行预约通行后交通量在路网内重新分布等缺陷，实现了在高速公路预约通行条件下的拥挤预测，能够有效提高预测精度，为高速公路预约通行的实现奠定基础。

为实现上述目的，本发明所提供的技术方案为：一种融合历史数据和预约数据的高速公路拥挤预测方法，包括以下步骤：

1)选定研究的高速公路，获取基础资料，总共包括四方面的资料：高速公路用户预约数据、高速公路路网基础数据、高速公路交通流历史数据、高速公路收费政策数据。

2)根据高速公路用户预约数据和高速公路路网基础数据，对高速公路路网进行时空划分处理并确定各路段的预测时段。

3)对预测时段内高速公路路网各路段的交通量进行预测：首先，利用历史数据对交通总量进行预测；然后，将总交通量按照预约量和非预约量进行分配并用预约数据对非预约量进行修正；最后将分配后预约量和非预约量相加得到各路段的交通量。

4)预测各路段的拥挤度：采用饱和度作为拥挤的评价指标，通过阈值判断各路段的拥挤状态。

5)利用程序设计语言实现拥挤预测结果的可视化输出。

在步骤1)中，所述高速公路用户预约数据包括用户输入的出发地、目的地、进站时段、车型、用户app或微信公众号的市场占有率，通过用户app后台或者微信公众号后台获取。所述高速公路的路网基础数据包括各道路的长度、车道数、车道宽度、设计通行能力、自由流条件下的车辆行驶时间，通过高速公路运营管理部门获取。所述高速公路交通流历史数据包括流量和车速数据，通过高速公路运营管理部门获取。所述高速公路收费政策数据包括基础费率、优惠幅度和旅行时间价值，通过高速公路运营管理部门获取。

在步骤2)中，根据高速公路路网基础资料和用户预约数据，对高速公路路网进行时空划分处理并确定各路段的预测时段，具体包括以下步骤：

2.1)时间的划分：采用与用户app或微信公众号上进站时段划分相一致的单位时间间隔Δt，可根据高速公路运营管理部门的要求取10min，20min，30min，60min，把一天24小时分成m个时间片。

$\left(\begin{array}{c}T=\{t_1,...,t_i,...,t_m\}\\ m=\frac{1440}{\Delta t}\\ i=1,...,m\end{array}\right)$

式中：T——时间片集合；

t_i——第t_i个时间片；

m——时间片个数，个；

Δt——单位时间间隔，min。

2.2)空间的划分：采用与高速公路运营管理部门采集交通流数据的路段划分相一致的单位空间间隔Δs，可根据高速公路运营管理部门的要求取1km，2km，5km，10km等，将路网内的所有高速公路划分成个路段。

$\left(\begin{array}{c}S=\{s_{11},s_{12},...,s_{1k_1},...,s_{j1},s_{j2},...,s_{{\mathrm{jk}}_j},...,s_{n1},s_{n2},...,s_{{\mathrm{nk}}_n}\}\\ k_j=\left[\frac{L_j}{\Delta s}\right]\\ j=1,...,n\end{array}\right)$

式中：S——路段集合；

——第j条高速公路的第k_j个路段；

k_j——第j条高速公路的路段个数，个；

L_j——第j条高速公路的长度，km；

Δs——单位空间间隔，km；

n——高速公路条数，条。

2.3)确定各路段的预测时段：用户到达每一路段终点的时间通过如下公式计算：

$\left(\begin{array}{c}{t}_{s_{{\mathrm{jk}}_j}}=t_{s_{j(k_j-1)}}+\frac{\Delta s}{v_j}\\ t_{s_{j1}}=\frac{t_a+t_b}{2}\end{array}\right)$

式中：——用户达到第j条高速公路的第k_j个路段终点的时间；

——用户达到第j条高速公路的入口的时间；

v_j——第j条高速公路的平均行驶车速；

t_a——用户预约的进站时段的起点；

t_b——用户预约的进站时段的终点。

这样，就可以判断路段的预测时段：若则路段的预测时段为t_i。

在步骤3)中，对预测时段高速公路路网各路段的交通量进行预测，具体包括以下步骤：

3.1)根据历史数据预测各路段的总交通量，采用BP神经网络进行预测，可直接在matlab中调用自带的函数实现。

3.2)计算预约交通总量和非预约交通总量其计算公式为：

$\left(\begin{array}{c}{Q}_{t_i}=\underset{j}{\Sigma }\underset{k_j}{\Sigma }{q}_{{\mathrm{jk}}_j}^{t_i}\\ Q_{t_i,reservation}=Q_{t_i}·\alpha \\ Q_{t_i,non-reseration}=Q_{t_i}-Q_{t_i,reservation}\end{array}\right)$

式中：——预测时段t_i时路网的总交通量；

——预测时段t_i时路网的预约交通总量；

——预测时段t_i时路网的非预约交通总量；

——预测时段t_i时第j条高速公路的第k_j个路段的交通量；

α——用户app或微信公众号的市场占有率。

其余各参数意义如前所述。

3.3)按照车流量的历史分布规律，对非预约交通总量在路网范围内进行分配，得到各路段的非预约量，其计算公式为：

$q_{{\mathrm{jk}}_j,non-reservation}^{t_i}=\frac{q_{{\mathrm{jk}}_j}^{t_i}}{Q_{t_i}}·Q_{t_i,non-reservation}$

式中：——预测时段t_i时第j条高速公路的第k_j个路段的非预约交通量。

3.4)采用用户均衡模型对预约交通总量在路网范围内进行分配，得到各路段的预约量。

$S.t.\left(\begin{array}{c}\underset{j}{\Sigma }{f}_{t_{i}j}=q_{{\mathrm{jk}}_j,non-reservation}^{t_i},\\ f_{t_{i}j}\ge 0,\end{array}\right)$

$q_{{\mathrm{jk}}_j,non-reservation}^{t_i}=\underset{j}{\Sigma }{f}_{t_{i}j},\forall j$

式中：——预测时段t_i时第j条高速公路的流量。

——预约用户在路网中的路阻函数，其具体形式为：

$t_{q_{{\mathrm{jk}}_j,non-reservation}^{t_i}}\left(w\right)=t_o[1+\alpha {\left(\frac{q_{{\mathrm{jk}}_j,non-reservation}^{t_i}+q_{{\mathrm{jk}}_j,reservation}^{t_i}}{C_{{\mathrm{jk}}_j}}\right)}^{\beta }]+\frac{c_o(1-\gamma )}{\tau }$

式中：t_o——自由流条件下的行驶时间，min；

——第j条高速公路的第k_j个路段的道路设计通行能力，pcu/h；

c_o——基础通行费用，元；

γ——优惠幅度，％；

α,β——待标定的参数；

τ——旅行时间价值，元/h。

3.5)采用实际预约量对各路段的预约量进行修正，修正规则如下：

①若则不变。

②若则

式中：——预测时段t_i时第j条高速公路的第k_j个路段的实际预约交通总量；

3.6)将各路段预约量和非预约量进行叠加，得到各路段的交通量。

$q_{{\mathrm{jk}}_j}^{t_i}=q_{{\mathrm{jk}}_j,reservation}^{t_i}+q_{{\mathrm{jk}}_j,non-reservation}^{t_i}$

式中：——预测时段t_i时第j条高速公路的第k_j个路段的预约交通量。

在步骤4)中，预测各路段的拥挤度，具体包括以下步骤：

4.1)计算各路段的饱和度，计算公式为：

$x_{{\mathrm{jk}}_j}^{t_i}=\frac{q_{{\mathrm{jk}}_j}^{t_i}}{C_{{\mathrm{jk}}_j}}$

式中：——预测时段t_i时第j条高速公路的第k_j个路段的饱和度。

4.2)拥挤度等级的划分，通过饱和度阈值将拥挤度划分成不同的等级。可以根据各城市的交通调查数据来确定阈值。在无调查资料的情况下，建议使用下列表格进行分级。

表1

在步骤5)中，利用程序设计语言实现拥挤预测结果的可视化输出。将不同的拥挤度等级与不同的颜色对应，在编写代码时将相应的颜色代码赋予各路段。运行代码，即可输出拥挤预测结果。

本发明与现有技术相比，具有如下优点与有益效果：

1、将移动互联网技术运用到高速公路管理中，借助手机app或者微信公众号获取预约数据，为实现高速公路的预约通行提供基础。

2、将用户预约数据融合到预测算法中，对利用历史数据进行拥挤预测的结果进行修正，能够提高预测工作的精度。

3、算法较简便，建模的过程简单，在训练的过程中不需要大量的学习样本，预测精度较高。

4、便于高速公路运营管理部门通过价格杠杆，利用预约出行方式进行交通疏导，促进高速公路网络的用户均衡，尽量避免形成拥堵，也便于用户避开拥挤路段和拥堵时段错峰出行。

5、有利于高速公路管理部门及时掌握路网交通流信息和拥堵情况，对未来可能形成的拥堵进行预警，及时采取必要的疏解措施。

附图说明

图1为本发明的逻辑流程示意图。

图2为本发明实施例的路网示意图。

图3为本发明实施例的拥挤预测可视化输出结果。

具体实施方式

下面结合具体实施例对本发明做进一步的说明。

如图1所示，本实施例所述的融合历史数据和预约数据的高速公路拥挤预测方法，包括以下步骤：

1)选定研究的高速公路，获取基础资料，总共包括四方面的资料：高速公路用户预约数据、高速公路路网基础数据、高速公路交通流历史数据、高速公路预约费用数据。其中，所述高速公路用户预约数据包括用户输入的出发地、目的地、进站时段、车型、用户app或微信公众号的市场占有率，通过用户app后台或者微信公众号后台获取。所述高速公路的路网基础数据包括各道路的长度、车道数、车道宽度、设计通行能力、自由流条件下的车辆行驶时间，通过高速公路运营管理部门获取。所述高速公路交通流历史数据包括流量和车速数据，通过高速公路运营管理部门获取。所述高速公路收费政策数据包括基础费率、优惠幅度和旅行时间价值，通过高速公路运营管理部门获取。

本实施例所采用的高速公路路网如图2所示。假定从用户app后台获得某用户输入的出发地为A、目的地为B、进站时段为8：00–9:00,车型为一类车；用户app的市场占有率是12％。

根据上述某用户预约的出发地、目的地和进站时段，收集到其余的资料如下：高速公路路网基础数据如表1所示、高速公路1、2的流量历史数据和当前预约用户总量分别如表2、表3所示(由于篇幅所限，只列出了预测时段的历史数据)、高速公路收费政策数据如表4所示，两条高速公路的平均行驶车速为80km/h，自由流条件下的车辆行驶时间分别为1.1h和1.5h。

表1高速公路路网基础数据

表2高速公路1的流量历史数据和当前预约用户总量

8/18/88/158/228/299/59/129/19预约8：00—9：0045134351431544154483433542144377299：00—10：004296402141414113429140614109412114

表3高速公路2的流量历史数据

8/18/88/158/228/299/59/129/19预约8：00—9：00119312101189119811701175116111916869：00—10：0011211144112311741098112411131113570

表4高速公路收费政策数据

2)根据高速公路路网基础资料和用户预约数据，对高速公路路网进行时空划分处理并确定各路段的预测时段，具体包括以下步骤：

2.1)时间的划分：采用与用户app或微信公众号上进站时段划分相一致的单位时间间隔Δt，可根据高速公路运营管理部门的要求取10min，20min，30min，60min，把一天24小时分成m个时间片。

$\left(\begin{array}{c}T=\{t_1,...,t_i,...,t_m\}\\ m=\frac{1440}{\Delta t}\\ i=1,...,m\end{array}\right)$

式中：T——时间片集合；

t_i——第t_i个时间片；

m——时间片个数，个；

Δt——单位时间间隔，min。

在本实施例中，单位时间间隔Δt＝60min，一天24小时分成m＝24个时间片，则T＝{t₁,···,t₁₂,···,t₂₄}。

2.2)空间的划分：采用与高速公路运营管理部门采集交通流数据的路段划分相一致的单位空间间隔Δs，可根据高速公路运营管理部门的要求取1km，2km，5km，10km等，将路网内的所有高速公路划分成个路段。

$\left(\begin{array}{c}S=\{s_{11},s_{12},...,s_{1k_1},...,s_{j1},s_{j2},...,s_{{\mathrm{jk}}_j},...,s_{n1},s_{n2},...,s_{{\mathrm{nk}}_n}\}\\ k_j=\left[\frac{L_j}{\Delta s}\right]\\ j=1,...,n\end{array}\right)$

式中：S——路段集合；

——第j条高速公路的第k_j个路段；

k_j——第j条高速公路的路段个数，个；

L_j——第j条高速公路的长度，km；

Δs——单位空间间隔，km；

n——高速公路条数，条。

在本实施例中，每条高速公路只进行一次流量采集工作，故每条高速公路即为1个路段。各条高速公路的长度即为单位空间间隔，则S＝{s₁₁s₂₁}。

2.3)确定各路段的预测时段：用户到达每一路段终点的时间通过如下公式计算：

$\left(\begin{array}{c}{t}_{s_{{\mathrm{jk}}_j}}=t_{s_{j(k_j-1)}}+\frac{\Delta s}{v_j}\\ t_{s_{j1}}=\frac{t_a+t_b}{2}\end{array}\right)$

式中：——用户达到第j条高速公路的第k_j个路段终点的时间；

——用户达到第j条高速公路的入口的时间；

v_j——第j条高速公路的平均行驶车速；

t_a——用户预约的进站时段的起点；

t_b——用户预约的进站时段的终点。

这样，就可以判断路段的预测时段：若则路段的预测时段为t_i。

在本实施例中，进站时间为(表示8点30分，下同)。用户达到高速公路1各路段的终点时间为9.5，故高速公路1的预测时段为t₉(8:00-9:00)和t₁₀(9:00-10:00)。用户达到高速公路2各路段的终点时间为10.00。故高速公路2的预测时段为t₉(8:00-9:00)和t₁₀(9:00-10:00)。

3)对预测时段高速公路路网各路段的交通量进行预测，具体包括以下步骤：

3.1)根据历史数据预测各路段的总交通量，采用BP神经网络进行预测，可直接在matlab中调用自带的函数实现。

在本实施例中，预测结果为如表5所示。

表5高速公路各路段总交通量预测值

3.2)计算预约交通总量和非预约交通总量其计算公式为：

$\left(\begin{array}{c}{Q}_{t_i}=\underset{j}{\Sigma }\underset{k_j}{\Sigma }{q}_{{\mathrm{jk}}_j}^{t_i}\\ Q_{t_i,reservation}=Q_{t_i}·\alpha \\ Q_{t_i,non-reseration}=Q_{t_i}-Q_{t_i,reservation}\end{array}\right)$

式中：——预测时段t_i时路网的总交通量；

——预测时段t_i时路网的预约交通总量；

——预测时段t_i时路网的非预约交通总量；

——预测时段t_i时第j条高速公路的第k_j个路段的交通量；

α——用户app或微信公众号的市场占有率。

其余各参数意义如前所述。

计算结果如表6所示。

表6预约交通量和非预约交通量计算结果

3.3)按照车流量的历史分布规律，对非预约交通总量在路网范围内进行分配，得到各路段的非预约量，其计算公式为：

$q_{{\mathrm{jk}}_j,non-reservation}^{t_i}=\frac{q_{{\mathrm{jk}}_j}^{t_i}}{Q_{t_i}}·Q_{t_i,non-reservation}$

式中：——预测时段t_i时第j条高速公路的第k_j个路段的非预约交通量。

计算结果如表7所示。

表7非预约量分配结果

3.4)采用用户均衡模型对预约交通总量在路网范围内进行分配，得到各路段的预约量。

$S.t.\left(\begin{array}{c}\underset{j}{\Sigma }{f}_{t_{i}j}=q_{{\mathrm{jk}}_j,non-reservation}^{t_i},\\ f_{t_{i}j}\ge 0,\end{array}\right)$

$q_{{\mathrm{jk}}_j,non-reservation}^{t_i}=\underset{j}{\Sigma }{f}_{t_{i}j},\forall j$

式中：——预测时段t_i时第j条高速公路的流量。

——预约用户在路网中的路阻函数，其具体形式为：

$t_{q_{{\mathrm{jk}}_j,non-reservation}^{t_i}}\left(w\right)=t_o[1+\alpha {\left(\frac{q_{{\mathrm{jk}}_j,non-reservation}^{t_i}+q_{{\mathrm{jk}}_j,reservation}^{t_i}}{C_{{\mathrm{jk}}_j}}\right)}^{\beta }]+\frac{c_o(1-\gamma )}{\tau }$

式中：t_o——自由流条件下的行驶时间，min；

——第j条高速公路的第k_j个路段的道路设计通行能力，pcu/h；

c_o——基础通行费用，元；

γ——优惠幅度，％；

α,β——待标定的参数；

τ——旅行时间价值，元/h。

本实施例中，参数取值为α＝0.5,β＝1。认为走高速公路2的用户为错峰出行，高速公路1的用户非错峰出行。故两条高速公路的阻抗函数分别为：

$t_{q_{11,non-reservation}^{t_i}}\left(w\right)=1.1\times [1+0.5\left(\frac{q_{{\mathrm{jk}}_j,non-reservation}^{t_i}+q_{{\mathrm{jk}}_j,reservation}^{t_i}}{2100}\right)]+0.95,$

$t_{q_{21,non-reservation}^{t_i}}\left(w\right)=1.5\times [1+0.5\left(\frac{q_{{\mathrm{jk}}_j,non-reservation}^{t_i}+q_{{\mathrm{jk}}_j,reservation}^{t_i}}{2000}\right)]+\mathrm{1.03.}$

求解二元一次方程组得到预约量的分配结果如表8所示。

表8预约量分配结果

3.5)采用实际预约量对各路段的预约量进行修正，修正规则如下：

①若则不变。

②若则

式中：——预测时段t_i时第j条高速公路的第k_j个路段的实际预约交通总量；

修正后的结果如表9所示：

表9预约量分配的修正结果

3.6)将各路段预约量和非预约量进行叠加，得到各路段的交通量。

$q_{{\mathrm{jk}}_j}^{t_i}=q_{{\mathrm{jk}}_j,reservation}^{t_i}+q_{{\mathrm{jk}}_j,non-reservation}^{t_i}$

式中：——预测时段t_i时第j条高速公路的第k_j个路段的预约交通量。

最终的预测结果如表10所示：

表10路段交通量最终预测结果

4)预测各路段的拥挤度：采用饱和度作为拥挤的评价指标，通过阈值判断各路段的拥挤状态。具体包括以下步骤：

4.1)计算各路段的饱和度，计算公式为：

$x_{{\mathrm{jk}}_j}^{t_i}=\frac{q_{{\mathrm{jk}}_j}^{t_i}}{C_{{\mathrm{jk}}_j}}$

式中：——用户选择出行时段t_i时第j条高速公路的第k_j个路段的饱和度。

饱和度计算结果如表11所示。

表11饱和度计算结果

4.2)拥挤度等级的划分，通过饱和度阈值将拥挤度划分成不同的等级。可以根据各城市的交通调查数据来确定阈值。在无调查资料的情况下，建议使用表12进行分级。

表22

5)利用程序设计语言实现拥挤预测结果的可视化输出。将不同的拥挤度等级与不同的颜色对应，在编写代码时将相应的颜色代码赋予各路段。运行代码，即可输出拥挤预测结果。输出结果如图3所示。

综上所述，在采用以上方案后，本发明为高速公路拥挤预测提供了新的方法，能够适应高速公路预约通行带来的新变化，在新的条件下有效地预测高速公路的拥挤情况，为高速公路的出行诱导和管理工作提供更可靠的基础，有效推动我国高速公路的发展，具有实际推广价值，值得推广。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。