一种基于多源异构数据的机场陆侧区域交通态势预测方法

摘要

一种基于多源异构数据的机场陆侧区域交通态势预测方法，采集机场陆侧区域内交通流检测点位或待预测路段的交通流数据，同时获取机场陆侧区域内其他多源异构数据，利用特征选择算法进行特征重要度排序；基于筛选后的多特征数据集，采用深度学习算法对机场陆侧区域交通流状态进行预测；建立判别机场陆侧区域交通态势的评价指标，确定每个评价指标的影响权重及其交通态势隶属函数；根据交通流状态预测结果，计算评价指标，确定各评价指标对应于每一种交通态势的隶属度；最终根据各评价指标的隶属度和权重进行模糊综合评估，按照最大隶属度原则确定交通态势等级结果。本发明工程实用性强，能够有效挖掘机场陆侧区域交通态势演化规律。

说明书

技术领域

本发明涉及机场陆侧区域交通态势预测领域，具体是一种基于多源异构数据的机场陆侧区域交通态势预测方法。

背景技术

随着我国客流、货流的需求不断增加，尤其是远距离运输的需求日益增加，中国航空事业得到了高速发展，飞机逐渐成为远距离出行的首选交通工具。然而，在机场陆侧交通管制地区频繁出现的交通拥堵现象，以及随之产生的延误和环境污染会给出行者、管理者乃至社会带来巨大的经济损失。因此，有必要对机场陆侧区域的交通态势进行预测，从而使出行者能够提前规划路径并决定出发时间，使交通管理者能提前感知拥堵路段，第一时间做好交通疏导工作。

机场作为典型的综合交通枢纽，是空中运输与地面运输的转换结点，本身具备丰富的交通态势预测数据基础，比如卡口数据、网约车停车场数据、出租车停车场数据、私家车停车场数据、航班数据、机场大巴客流量数据、货流数据、交叉口信号相位数据、交通事件数据、道路施工作业数据、天气数据等等。如何利用这些多源异构数据进行交通态势预测显得尤为重要，这将有助于缓解机场陆侧道路的拥堵问题，提高乘客出行效率，进而提升机场的竞争力。

目前关于交通态势预测的研究存在以下问题：(1)大部分研究以城市路网为交通态势预测对象，而重点关注机场陆侧交通态势预测的研究较少；(2)当前机场陆侧区域交通态势预测大多基于单一数据源或人为经验：基于单一数据源判别的方式未能充分利用现有多源异构数据的有效信息，基于人为经验判别的方式具有较大的主观性和不确定性，两者均不能够实现实时、高精度的交通态势预测，存在着应用局限性。

发明内容

为了克服已有技术的不足，本发明提供一种基于多源异构数据的机场陆侧区域交通态势预测方法，利用特征重要度排序方法从大量多源异构数据中筛选出关键特征用于预测，并采用模糊综合评价方法判别机场陆侧区域的交通态势，工程实用性强，能够克服人工特征选择与态势评价的弊端，能够有效挖掘机场陆侧区域交通态势演化规律。

本发明解决其技术问题所采用的技术方案是：

一种基于多源异构数据的机场陆侧区域交通态势预测方法，包括以下步骤：

(1)采集机场陆侧区域内所有交通流检测点位或待预测路段的交通流数据；

(2)获取机场陆侧区域中其他多源异构数据；

(3)利用特征选择算法对于上述多源异构数据进行特征重要度排序；

(4)基于选择后的特征采用深度学习算法对机场陆侧区域交通流状态进行预测，得到t时刻对应的预测结果：

其中，

(5)构建模糊综合评价指标体系，选择畅通、轻度拥堵、严重拥堵作为交通态势判断集；选择路段平均行程速度、车辆延误时间指数、道路饱和度作为判别机场陆侧区域交通态势的评价指标集，对应A＝[a

(6)将步骤(4)得到的交通流状态预测结果转化为评价指标，然后根据隶属函数计算隶属度，再利用权重集A进行模糊变换，得到每个检测点位或路段的模糊综合评价结果B：

R为隶属矩阵，r

(7)根据步骤(6)得到的模糊综合评价结果向量，按照最大隶属度原则选择最大系数对应的交通态势作为该检测点位或路段的交通态势等级；

(8)对每个检测点位或路段均重复步骤(6)和步骤(7)，得到最终的机场陆侧区域交通态势预测结果。

进一步，所述步骤(1)中，交通流数据包括流量、速度和行程时间等。

所述步骤(2)中，其他多源异构数据包括卡口数据、各类停车场数据、航班数据、机场大巴数据、交叉口信号相位数据、交通事件数据、道路施工作业数据和天气数据等。

所述步骤(3)中，所述特征选择算法为XGBOOST。

所述步骤(4)中，所述深度学习算法为LSTM。

所述步骤(4)中，所述机场陆侧区域交通流状态包括速度、流量和行程时间等，所述预测值包括流量、速度和行程时间等。

本发明的技术构思为：首先采集机场陆侧区域内检测点位或待预测路段的交通流数据，如流量、速度、行程时间等，同时获取机场陆侧区域内其他多源异构数据，如停车场数据、航班数据、机场大巴数据、交通事件数据、天气数据等；利用特征选择算法对上述数据进行特征选择，然后采用深度学习算法(如LSTM)对机场陆侧区域交通流状态(如速度、流量、行程时间等)进行预测；建立判别机场陆侧区域交通态势(畅通、轻度拥堵、严重拥堵)的评价指标(路段平均行程速度、车辆延误时间指数、道路饱和度)，确定每个评价指标的影响权重及其交通态势隶属函数，从而构建模糊综合评价指标体系；根据交通流状态预测结果，计算评价指标，确定各指标对应于每一种交通态势的隶属度；基于各评价指标隶属度和权重进行模糊综合评估，按照最大隶属度原则确定交通态势等级。本发明利用特征重要度排序方法从大量数据中筛选出重要特征用于预测，并采用模糊综合评价方法判别机场陆侧区域的交通态势，实现了多源异构数据情况下的机场陆侧区域交通态势预测，能够有效挖掘机场陆侧区域交通态势演化规律。

本发明的有益效果主要表现在：采用特征选择思想，用重要度排序方法从大量特征数据中筛选出重要特征对机场陆侧区域交通状态进行预测，并基于预测结果，采用模糊综合评价方法判别机场陆侧区域的交通态势，实现了多源异构数据情况下的机场陆侧区域交通态势预测。本发明能够避免复杂数据环境下模型过拟合的问题，可以提升模型性能，缩短训练时间，提高预测精度，高效判别大型交通枢纽交通态势。

附图说明

图1是特征重要度排序图；

图2是路段平均行程速度隶属函数示意图；

图3是车辆延误时间指数隶属函数示意图；

图4是道路饱和度隶属函数示意图。

图5是基于多源异构数据的机场陆侧区域交通态势预测方法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图5，一种基于多源异构数据的机场陆侧区域交通态势预测方法，以浙江省杭州市萧山机场陆侧区域为例，机场陆侧区域含有重要信号交叉口4个，重要卡口点位4个，重要路段3个。区域内含有卡口数据、网约车停车场数据、P4、P5停车场数据、出租车停车场数据、航班数据、机场大巴客流量数据、交叉口信号相位数据、交通事件数据、施工占道数据、天气数据等近20种多源异构数据。通过以下方法对该陆侧交通的重点区域进行交通态势预测。

(1)采集机场陆侧区域内所有交通流检测点位或待预测路段的交通流数据，如流量、速度、行程时间等。

(2)获取机场陆侧区域内其他多源异构数据，如停车场数据、航班数据、机场大巴数据等近20种特征数据，对数据进行清洗，为下一步特征选择做准备。

(3)使用XGBOOST算法进行特征选择，对各特征按重要度排序，如图1所示。

(4)基于选择后的特征采用LSTM算法对机场陆侧区域交通流状态(如速度、流量、行程时间等)进行预测，得到t时刻对应的预测结果：

其中，

(5)构建模糊综合评价指标体系。选择畅通、轻度拥堵、严重拥堵作为交通态势判断集；选择路段平均行程速度、车辆延误时间指数、道路饱和度作为判别机场陆侧区域交通态势的评价指标集，对应A＝[a

(6)构造每个评价指标的隶属函数，根据我国城市道路交通流的运行特点，平均行程速度和平均行程延误与交通态势之间的关系与梯形函数特征相符合。综合常用的线性三角形函数与梯形函数，利用线性分析法，对应标准化公式，进行定量分析，从而构造出路段平均行程速度、车辆延误时间指数、道路饱和度三个指标因素对应于三个态势判断集的隶属函数，分别如图2、图3、图4所示。

(7)将步骤(4)得到的交通流状态预测结果转化为评价指标，然后根据隶属函数计算隶属度，再利用权重集进行模糊变换，得到模糊综合评价结果B：

R为隶属矩阵，r

(8)根据步骤(7)得到的模糊综合评价结果向量，按照最大隶属度原则选择最大系数对应的交通态势作为该检测点位或路段的交通态势等级。

(9)对每个检测点位或路段均重复步骤(6)到步骤(8)，得到最终的机场陆侧区域预测结果。

上述实施方式为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的修改、替代、组合、裁剪，均应为等效的置换方式，都包含在本发明的保护范围之内。