[发明专利]一种全路网交通状态预测方法及装置

说明书

本发明提供了一种全路网交通状态预测方法及装置，涉及智能交通技术领域，包括：获取检测路段的交通流数据和全路网的历史出行OD矩阵；根据交通流数据确定预设时间间隔内检测路段的预测交通流数据，并根据历史出行OD矩阵确定预设时间间隔内全路网的交通流推演运行状态；根据预测交通流数据和推演交通流运行状态确定优化模型；根据优化模型和预设约束条件确定预测OD，进行全路网的状态预测。本发明克服了现有技术中只能对单一种类的交通流参数进行预测的问题，且解决了路网中无检测数据的路段的交通状态预测问题。本发明还可实现OD、速度、流量等多种交通状态预测结果的相互校验，减小单一种类数据的预测偏差，提高交通状态的预测准确度。

技术领域

本发明涉及智能交通技术领域，具体而言，涉及一种全路网交通状态预测方法及装置。

背景技术

随着城市经济的不断发展和私家车的急速增多，传统的交通模式在现代交通中遇到了越来越多的问题，例如交通拥堵加剧、空气污染严重、交通事故频发等。且采用不断修建道路的方法来缓解巨大的交通压力已变得不切实际。为了应对这些棘手问题，智能交通系统（Intelligent Transportation Systems，简称ITS）被引入到动态交通管理中，并且得到了快速发展。结合信息技术和交通理论，智能交通系统被用于道路交通控制、交通诱导等各个方面。在缓解交通拥堵、提高出行效率等方面，ITS显示出了巨大的潜力。作为ITS的一个分支，交通预测在智能化管理和动态控制中始终占有重要地位。对交通路网的动态控制，依赖于短时/中时交通状态预测的效果。对不同时间间隔的实时交通状态的连续预测能力是交通管理系统提供动态交通控制的必要需求。交通状态的准确预测对智能交通管理和控制具有重要作用。然而，交通流复杂的时空相关性和检测设备布设的局限性，使得全路网的交通状态预测极具挑战。

交通状态预测经过了从模型驱动到数据驱动的发展过程。基于交通流模型的解析法对交通状态的预测精度较高，但会随着路网规模的扩大，导致模型过于复杂而无法求解。基于交通流模型的方法在复杂度更高的城市道路网络中也存在建模难的问题。后来，基于统计学和机器学习的方法受到广泛关注。

现有的基于贝叶斯网络的算法，能够有效处理大规模交通路网状态预测问题，同时能够提供交通状态的条件概率，得到可靠的预测结果。而机器学习算法，例如支持向量机（SVM）、自回归移动平均（ARIMA）、卡尔曼滤波（KF）等，能够更好地捕捉时空相关性和非线性关系，提供了一种替代交通流模型的更为灵活的预测方法。然而，数据驱动的方法对检测设备布设条件有较强的依赖，设备类型、布设位置、时空稀疏性等问题都会对预测精度造成影响。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题，为达上述目的，第一方面，本发明提供了一种全路网交通状态预测方法，其包括：

获取检测路段的交通流数据和全路网的历史出行OD矩阵；

根据所述交通流数据确定预设时间间隔内所述检测路段的预测交通流数据，并根据所述历史出行OD矩阵确定所述预设时间间隔内所述全路网的交通流推演运行状态；

根据所述预测交通流数据和所述推演交通流运行状态确定优化模型；

根据所述优化模型和预设约束条件确定预测OD，进行所述全路网的状态预测。

进一步地，所述交通流推演运行状态包括路段速度、路段流出量和路段排队车辆数。

进一步地，所述根据所述历史出行OD矩阵确定所述预设时间间隔内所述全路网的交通流推演运行状态包括：

根据所述预测交通流数据确定所述检测路段的所述路段速度，根据交通流的流-密-速关系确定其他路段的所述路段速度；

根据路段排队模型确定路段最大流出能力；

根据所述路段速度确定车流流出需求量；