面向车联网的区域交通流量预测系统及方法

摘要

本发明公开了一种面向车联网的区域交通流量预测系统及方法。该系统包括：外部影响数据模块(1)、车联网数据模块(2)、数据处理模块(3)和支持向量回归机模块(4)。数据处理模块(3)利用外部影响数据模块(1)和车联网数据模块(2)的数据生成包含天气、节假日、日期和时间的行向量数据；支持向量回归机模块(4)利用这些数据训练学习出预测模型，利用预测模型结合下一周期时刻的行向量数据，完成对下一周期时刻的区域交通流量的预测。本发明综合考虑天气、节假日、日期和时间对区域交通流量的影响，能有效地预测出区域交通流量。可用于对交通进行疏导和对车联网资源进行分配，提高交通管控的能力和车联网资源的利用效率。

说明书

技术领域

本发明属于交通预测技术领域，特别涉及一种区域交通流量预测方法，可用于交通管控和车联网资源分配。

背景技术

车联网IoV是把车辆内网、车载移动互联网和车际网作为基础，在车与车、车与路、车与行人、车与互联网以及车与云端之间，通过统一协定的通信协议与数据交互标准来进行无线通讯和信息交互的大系统网络，是能够进行智能化交通的管理、智能动态的信息服务和车辆智能化的控制等的一体化网络。该网络通过GPS、RFID、传感器、摄像头图像处理等装置，完成自身环境和状态信息的采集；通过互联网技术，所有的车辆将自身的各种信息传输汇聚到中央处理器；通过计算机技术，这些大量车辆的信息被分析和处理，从而计算出不同车辆的最佳路线、及时汇报路况和安排信号灯周期。交通流量是指在选定时间段内通过某一区域、某一道路断面或某一车道的交通实体数。交通流量的预测信息是ITS中进行智能交通管控、动态交通状态辨识与预测和实时交通流动态诱导的关键。

目前交通流量预测技术方法主要有两类：一是统计预测算法模型，如移动平均、自回归滑动平均、卡尔曼滤波以及线性回归等；二是基于人工智能即机器学习算法的模型。但现有的交通流量的技术方法主要集中在某一道路断面或某一车道的交通流量预测，很少有技术方法用于区域交通流量预测。然而现实的交通环境中，由于车辆的移动，在同一周期时刻，有些区域会出现较高的交通流量，而有些区域的交通流量则较低，这些区域交通流量的不均衡会给交通管控和车联网资源利用效率带来严重的影响。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种面向车联网的区域交通流量预测系统及方法，以提高交通管控的能力和车联网资源的利用效率。

本发明的技术思路是：通过车联网搜集的每个车辆用户的GPS数据信息，综合考虑天气、节假日、日期、时间，利用支持向量回归机训练学习出预测模型，为区域交通流量提供较为准确的预测。

根据上述思路，本发明面向车联网的区域交通流量预测系统，其特征在于包括：

外部影响数据模块，其记录每一天的天气状况与每一天是否为节假日的数据信息，用于作为数据处理模块的外部影响数据源；

车联网数据模块，其记录车联网中所有行驶的车辆用户的GPS数据信息，用于作为数据处理模块的内部影响数据源；

数据处理模块，用于通过对外部影响数据模块输入的外部影响数据和车联网数据模块输入的内部影响数据进行数值量化处理，产生多维的行向量并输入到支持向量回归机模块；

支持向量回归机模块，用于利用由数据处理模块输入的多维行向量进行训练预测，学习出预测模型，以对未来周期时刻的交通流量进行预测。

根据上述思路，本发明利用上述系统进行区域交通流量的预测方法，其特征在于，包括以下步骤：

1)初始化：确定基准年份、预测的周期T以及训练样本数m；

2)数据处理模块根据初始化的结果和外部影响数据模块与车联网数据模块提供的数据生成当前周期时刻以及其前m-1个周期时刻共m个周期时刻的数据；

3)支持向量回归机模块利用数据处理模块生成的数据训练学习出预测模型，利用该预测模型预测输出第m+1周期时刻的交通流量；

4)当预测的第m+1周期时刻成为历史时刻时，将第m+1周期时刻更新为当前周期时刻；

5)循环执行步骤2)-4)，完成不间断预测下一周期时刻的区域交通流量。

本发明具有如下优点：

第一，本发明结合外部影响数据和车联网中车辆的GPS数据，通过数据处理模块特殊的量化处理，产生多维的行向量，并利用支持向量回归机对这些行向量进行分析、训练和学习得到区域交通流量与天气、节假日、日期和时间的内在关系，可构建出预测模型；

第二，利用本发明构建的预测模型能多个区域进行交通流量预测，可以分析多区域未来周期时刻的交通流量状况，并获得多区域未来周期时刻的预测结果；

第三，利用本发明的预测结果可指示交通疏导和并对车联网资源进行分配，从而提高交通管控的能力和车联网资源的利用效率。

附图说明

图1本发明面向车联网区域交通流量预测的系统图；

图2本发明面向车联网区域交通流量预测方法的流程图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

参照图1，本发明面向车联网区域交通流量预测系统，包括：外部影响数据模块1、车联网数据模块2、数据处理模块3和支持向量回归机模块4。其中：

外部影响数据模块1,其记录每一天的天气状况与每一天是否为节假日的数据信息，并将该数据信息输入到数据处理模块3，作为数据处理模块3的外部影响数据源；

车联网数据模块2，其记录车联网中所有行驶的车辆用户的GPS数据信息，并将该数据信息输入到数据处理模块3，作为数据处理模块3的内部影响数据源；

数据处理模块3，用于通过对外部影响数据模块1输入的外部影响数据和车联网数据模块2输入的内部影响数据进行数值量化处理，产生多维的行向量并输入到支持向量回归机模块4，作为支持向量回归机模块4的训练数据；

支持向量回归机模块4，用于利用由数据处理模块3输入的多维行向量进行训练预测，学习出预测模型，以对未来周期时刻的交通流量进行预测，并输出预测结果。

所述外部影响数据模块1记录的数据，其内容至少包括日期、时间、天气状况，且将节假日标记为1，非节假日标记为0。

所述车联网数据模块2记录车联网中每一个行驶中的车辆用户的GPS数据，其数据格式至少包括日期、时间和经纬度。

所述数据处理模块3产生的多维行向量，表示为：

其中：

x_weather代表天气状况的量化值，其值根据天气状况设定，当天气状况为雷雨大风、冰雹、龙卷风、局部强降雨、暴雪这些其中之一的恶劣天气时，设为1；当天气状况为非恶劣天气时，设为0；

x_hday代表是否为节假日的量化值，其值根据是否为节假日设定，当日期为节假日时，设为1；当日期为非节假日，设为0，其中节假日包括周末和法定假期；

x_year代表日期的年份的量化值，其值根据选定的基准年份设定，选定的基准年份设为1，其他年份的量化值等于其年份与基准年份的差值加上1；

x_week代表一年内周数的量化值，其值根据一年内的第几周设定，第一周设为1，其后周数的量化值依次递增；

x_day代表一周七天的量化值，其值根据一周内的周几设定，周一设为1，其后的量化值依次递增；

x_time代表一天的预测时刻量化值，其值根据预测周期T设定，则一天共有个预测时刻，其中第一个预测时刻的量化值为1，其后预测时刻的量化值依次递增，最后一个预测时刻的量化值为其中，T的单位为分钟；

代表一天中第k个预测时刻区域i的车辆用户数的量化值，其量化方式为：

其中，i代表某一区域的标识，代表一天内第(k-1)个和第k个预测时刻都在区域i车辆数；代表一天内第(k-1)个预测时刻不在区域i，但第k个预测时刻在区域i的车辆数；代表一天内第(k-1)个预测时刻在区域i，但第k个预测时刻又不在区域i的车辆数；

具体计算式如下：

其中，g代表某一辆车辆用户的GPS数据；G代表所有车辆用户的GPS数据；Region_i代表统计区域i；g_k代表一天内第k个预测时刻某一车辆用户的GPS数据。

所述支持向量回归机模块4，利用由数据处理模块3输入的多维行向量进行训练预测，学习出的预测模型表示如下：

其中，m为训练数据的样本数；其函数表达式为：在本实例选择高斯核函数，其表达式为：κ(x_i,x)＝exp(-g·||x_i-x||²)，||x_i-x||²代表向量x_i与向量x之间的欧式距离，设定训练时的惩罚常数C＝80、高斯核参数g＝20以及间隔ε＝0.1；为训练学习出的预测模型的权重参数，b为训练学习出的预测模型偏置参数。

参考图2，本发明面向车联网区域交通流量预测方法，包括以下步骤：

步骤1：初始化。

确定基准年份、预测周期T和训练样本数m。本实例的基准年份设为2015年、预测周期T＝15分钟、训练样本数

步骤2：数据处理模块3根据初始化的结果和外部影响数据模块1与车联网数据模块2提供的数据生成当前周期时刻以及其前959个周期时刻共960个周期时刻的数据。

本步骤的具体实现如下：

2a)对每一个周期时刻数据进行如下量化：

2a1)根据天气状况设定天气状况的量化值x_weather：若当天气状况为雷雨大风、冰雹、龙卷风、局部强降雨、暴雪这些其中之一的恶劣天气时，设x_weather为1；若当天气状况为非恶劣天气时，设x_weather为0；

2a2)根据节假日设定是否为节假日的量化值x_hday：当日期为节假日时，则设x_hday为1；当日期为非节假日，设x_hday为0；

2a3)根据年份设定日期年份的量化值x_year：选定的基准年份的量化值x_year设为1，其他年份的量化值x_year等于其年份与基准年份的差值加上1；

2a4)根据一年内的第几周设定一年内周数的量化值x_week：将一年内的第一周的量化值x_week设为1，其后周数的量化值x_week依次递增；

2a5)设定一周七天的量化值x_day：将周一的量化值x_day设为1，其后的量化值x_day依次递增；

2a6)根据一天内的第几个预测时刻和预测周期T设定一天的预测时刻量化值x_time：将一天内的第一个预测时刻的量化值x_time设为1，其后预测时刻的量化值x_time依次递增，一天内最后一个预测时刻的量化值x_time设为96；

2a7)计算一天内第k个预测时刻区域i的车辆用户数

设k∈{1,2,3,...,96}，i代表某一区域的标识，g代表某一辆车辆用户的GPS数据；G代表所有车辆用户的GPS数据；Region_i代表统计区域i；g_k代表一天内第k个预测时刻某一车辆用户的GPS数据。

将一天内第(k-1)个和第k个预测时刻都在区域i车辆数记为其计算式为：

将一天内第(k-1)个预测时刻不在区域i，但第k个预测时刻在区域i的车辆数记为其计算式为：

将7一天内第(k-1)个预测时刻在区域i，但第k个预测时刻又不在区域i的车辆数记为其计算式为：

将一天内第k个预测时刻区域i的车辆用户数记为并根据计算出的数值:

2b)根据步骤2a)的量化结果，对每一个周期时刻的数据进行格式规范化处理，即将步骤2a)中每一个周期时刻对应的x_weather、x_hday、x_year、x_week、x_day、x_time和处理形成多维行向量的格式，表示为：

步骤3：支持向量回归机模块4利用数据处理模块3生成的数据训练学习出预测模型。

3a)将步骤2中生成的960个周期时刻的数据输入到支持向量回归机模块4，该模块对这些数据进行[0,1]归一化处理；

3b)支持向量回归机模块4利用步骤3a)中归一化处理后的数据训练学习出预测模型，该预测模型为：

其中，κ(x_i,x)为高斯核函数，表达式为：κ(x_i,x)＝exp(-g·||x_i-x||²)；g为高斯核参数，g＝20；||x_i-x||²代表向量x_i与向量x之间的欧式距离；为训练学习出的预测模型的权重参数；b为训练学习出的预测模型偏置参数。

步骤4：利用支持向量回归机模块4学习的预测模型，对训练数据中的当前周期时刻的下一周期时刻进行区域交通流量进行预测，并完成当前周期时刻的更新。

4a)利用步骤3中训练学习出的基于支持向量回归机的预测模型，结合第961周期时刻的向量数据，预测输出第961周期时刻的区域交通流量的结果，完成对第961周期时刻的区域交通流量预测；

4b)当预测的第961周期时刻成为历史时刻时，将第961周期时刻更新为当前周期时刻。

步骤5：循环执行步骤2-步骤4，完成不间断预测下一周期时刻的区域交通流量。

以上描述仅是本发明的一个具体实例，并不构成对本发明的任何限制，显然对于本领域的专业人员来说，还可以对本发明做各种修改、等同替换、变化等等，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。