[发明专利]交通诱导统计模型校对方法及装置

说明书

本发明公开了一种交通诱导统计模型校对方法及装置，该方法包括：基于预设的交通诱导统计模型，组建模型预测模块；获取车辆的实测路段信息，所属实测路段信息包括车辆的标识信息、对路径的选择信息以及出行时间信息将所述实测路段信息中的出行时间信息输入至所述模型预测模块，得到模型预测值；根据所述模型预测值以及所述实测路段信息，构建贝叶斯校正模型，得到校正预测值。实施本发明能提高交通诱导模型预测准确率。

技术领域

本发明涉及智能交通技术领域，特别涉及一种交通诱导统计模型校对方法及装置。

背景技术

交通诱导依托于电子、计算机、网络、移动通信等科技，根据出行者的出发点和目的地向出行者提供最优路径引导指令，或是通过获得实时交通信息帮助道路使用者找到一条从出发点到目的地的最优路径，然后通过诱导LED屏将信息传递给出行者。交通诱导系统的信息准确率往往非常高，但是不同城市的私家车驾驶者有着各异的行为惯性，这也反映在对交通诱导的遵循程度的不同上。以美国传统大城市华盛顿或洛杉矶为例，大部分出行者习惯于长距离驾车通勤，对于自己熟悉的通勤路线也有着更高的行为惯性，这使得交通诱导的实际选择概率偏低。为了准确评估交通诱导的效果和可行性，需要建立交通诱导模型，来预测车辆驾驶人员遵循诱导改变走行路径的行为。

如图1所示，I-95和I-895为横跨巴尔的摩(Baltimore)港口区的两条交通主干道。两条主干道在进入港口区前十公里处(图中A点所示)分隔开，然后在横跨海港之后再度汇合。由于跨海隧道车道窄限速低，所以极易发生交通拥堵，尤其是车流量偏大的I-95干道。所以交通管理部门在红点所示的分叉处设置了交通诱导显示屏，将车流从已经发生拥堵的路段引向较畅通的路段。

交通规划运营部门会使用数学模型对诱导成功率进行预测，从而分析交通诱导的实施效果。例如，一个通常会使用到的模型是基于效用最大化假设的Logit模型。驾驶者n使用主路段(做出的选择Cn标记为“+”)或诱导路段(做出的选择Cn标记为“-”)的效用值U_n为该路段平均出行时间和出行时间标准差的函数：

其中，β₀，β₁，β₂为模型参数。基于该模型，驾驶者选择接受诱导的预测概率为：

上述模型为进行诱导预测的一个简单模型实例。类似该Logit模型，其他预测模型应用到实时交通诱导时，均会产生预测诱导概率P_n(-)，作为模型输出。这些模型通常由问卷调查数据、实验室模拟驾驶数据等建模标定，收集数据的情境和实际的交通诱导情境相差较大，而被调查者在问卷或实验室环境中的行为和实际驾驶行为也有明显偏差。这使得大部分预测模型的准确性在实际应用中大打折扣，例如前述的Logit模型，应用在巴尔的摩港口区的交通诱导预测中，预测准确性非常低。具体如下表1：

表1

通过实测，可以看出交通诱导的实际诱导率不高。以诱导情况I为例，约10％的蓝牙监测器样本会选择从主路段换到诱导路段。我们基于已有的预测模型(公式(1)及公式(2))，组建模型预测模块，并采用常用于检测机器学习预测准确性的接收者操作特征曲线(Receiver Operating Curve,ROC曲线)来检查Logit模型的准确性。ROC曲线越接近图表左上角表示准确性越高，曲线越接近右下角表示准确性越低。如图2所示，Logit模型的准确性较低，甚至低于随机猜测曲线。该模型预测了较多的假正类(false positives，FP)，意味着模型对交通诱导的预测偏乐观，把大部分不接受诱导的驾驶者预测成了接受诱导。

上述交通诱导模型预测准确率较低，亟待提出一种能提升交通诱导模型预测准确率的方法及模型。

发明内容

有鉴于此，本发明旨在提供一种交通诱导统计模型校对方法，以期提升交通诱导模型预测准确率。