[发明专利]一种自学习的路网交通状态分析及预测方法

权利要求书

1.一种自学习的路网交通状态分析及预测方法，其特征在于，包括以下步骤：

(1)构建城市道路网络模型，配置路段、交叉口、车道基础数据，并建立城市路网拓扑结构；

(2)获取实时的车辆经过信息，根据路口上下游关系计算车辆通行数据；

(3)重新分组管理车辆通行数据，分析上下游路口之间的路段交通运行状态；

(31)将车辆通行数据以路口编码、路口方向、当前车道类型进行分组，按照当前路口经过时间进行排序，将同一个信号灯周期内通过路口停止线的车辆提取出来作为一个车辆通行数据集{v₁,…,v_n}；

(32)提取车辆通行数据集中每辆车的通行时间t，并按照从小到大的顺序建立通行时间队列{t₁,…,t_n}；

(33)计算通行时间中位数t_0.5；

当通行时间队列长度n为奇数时，t_0.5＝t_(n+1)/2

当通行时间队列长度n为偶数时，

(34)计算平均延误时间t_a，平均延误时间比α；

平均延误时间计算公式：

平均延误时间比计算公式：α＝(t_a÷t_0.5)×100％

(35)根据车流量以及平均延误时间分析相邻路口之间路段的交通状态；

(4)分析当前城市路网整体交通状态，计算各种指标，包括路网承载车流量、交通运行指数；

(41)将路网中最近p分钟的车辆通行数据汇总到一个数据队列中，相同号牌号码的通行数据只保留经过时间最新的一条，这个队列中的数据量即为当前路网所承载的车流量；

(42)根据路段的车辆旅行时间、自由流时间、车流量计算出路网交通运行指数c，计算公式为；

其中，

c：路网交通运行指数；

t_i：路段i的最近p分钟车辆旅行时间中位数，单位为秒；

n_i：路段i的最近p分钟车流量，单位为辆；

d_i：路段i的上下游路口距离，单位为米；

s_i：路段i的自由流速，单位为千米/小时；

(43)根据路网交通运行指数c分析城市路网整体交通状态；

(5)预测未来城市路网整体交通状态，基于历史交通数据进行统计学习，自动优化预测模型；

(51)根据当日的城市路网交通运行指数序列{c₁,…,c_k}以及基准序列{cb₁,…,cb_n}来预测下一个统计周期城市路网的交通运行指数c_k+1；

(52)从路网交通运行指数历史数据集中提取最近90天的当前时间点i的交通运行指数，并按照由小到大的顺序排列{c_i1,…,c_ij}，计算当前时间点i的交通运行指数基准值cb_i；

当数据样本数j为奇数时，k＝(j+1)/2，cb_i＝c_ik

当数据样本数j为偶数时，m＝j/2，cb_i＝(c_im+c_in)/2

(53)自动更新交通运行指数基准序列{cb₁,…,cb_n}中cb_i的值，用于下一次预测分析。

2.根据权利要求1所述的自学习的路网交通状态分析及预测方法，其特征在于，所述步骤(1)包括以下步骤：

(11)配置城市路网范围内所有路口，路口对象的属性包括编码、名称、类型、地理坐标；

(12)配置城市路网范围内所有道路路段的属性；

(13)配置城市路网范围内所有交叉口进口方向车道的属性；

(14)建立城市路网拓扑结构，配置路口上下游关系。

3.根据权利要求2所述的自学习的路网交通状态分析及预测方法，其特征在于：所述道路路段的属性包括编码、名称、类型、前方路口编码、所在路口方向、限速、车道数量、长度、地理坐标。