[发明专利]一种预测模型的可变情报板信息发布方法

摘要

本发明公开了属于城市公共交通管理技术领域的一种预测模型的可变情报板信息发布方法。该方法是在真实道路交通数据的基础上，利用统计推断、机器学习的方法，将多范围旅行时间预测模型与基于预测时间范围的路网动态划分方法相结合，结合城区路网结构与公共诱导设备的自身特点，建立动态化、层次化的交通预测模型；依据可变情报板特点进行信息发布。本发明具有层次化、精细化的特点。针对可变情报板的特点，结合路网结构，从驾驶员的角度出发，提供符合其驾驶行为、决策习惯的诱导信息。帮助驾驶员在途经诱导牌时，获知未来实际行驶到目的路段时目的路段的交通状况，从而做出更为合理的路径决策，使诱导牌附近路网的整体交通状况都能得到改善。

主权项

1.一种预测模型的可变情报板信息发布方法，其特征在于，在真实道路交通数据的基础上，利用统计推断、机器学习的方法，结合城区路网结构与公共诱导设备的自身特点，建立动态化、层次化的交通预测模型；包括如下步骤：步骤1：获取可变情报板所覆盖路网内每一条道路的前1～前8天的道路交通流量、车辆平均速度数据，且数据最大时间间隔不大于1分钟；步骤2：利用多项式回归的方法，根据历史交通数据建立道路流量‐旅行时间关系，建立道路流量‐旅行时间关系模型为n为多项式回归阶数；并利用交叉验证的方式增强模型泛化性，即使用十折交叉验证的方法确定多项式回归阶数，具体方法为将初始采样分割成10个子样本，轮流选取1个单独的子样本作为验证模型的数据，其他9个样本用来训练，交叉验证重复10次并计算其均方根误差的平均值，对不同阶数的多项式模型依次使用十折交叉验证方法，选取均方根误差最小的阶数；步骤3：假设当前时刻为n，在目标道路及与目标道路几何相邻的两条道路中各取第n‐3、第n‐2、第n‐1、第n时刻的车流量作为输入变量,共12个输入变量：x_i，1，x_i，2，x_i，3，x_i，4，x_i，5，x_i，6，x_i，7，x_i，8，x_i，9，x_i，10，x_i，11，x_i，12，以待预测时刻的交通流量y_i作为输出变量来训练多元线性回归模型，其中Y＝[y₁，y₂，...，y_N]，N为数据的组数；计算得到模型参数根据计算得到模型参数在每条道路与其几何邻接道路搭配的基础上，得到道路流量预测模型为其中V为目标道路及与目标道路几何相邻的两条道路的车流量,V＝[1，v₁，v₂，...，v₁₂]；步骤4：在道路流量预测的基础上建立多范围模型，假设当前时刻为n，此处规定为每一天的同一时间对应的时刻标号相同，利用第n‐3、第n‐2、第n‐1、第n时刻的车流量数据，按照步骤3中预测模型，预测出第n+1时刻的数据；利用第n‐2、第n‐1、第n时刻的车流量数据和一周前第n+1时刻的车流量数据作为输入变量；按照步骤3中预测模型，预测出第n+2时刻的数据；利用第n‐1、第n时刻的车流量数据和一周前第n+1、第n+2时刻的车流量数据作为输入变量，按照步骤3中预测模型，预测出第n+3时刻的数据；利用第n时刻的车流量数据和一周前第n+1、第n+2、第n+3时刻的车流量数据作为输入变量，按照步骤3中预测模型，预测出第n+4时刻的数据；如此得到多范围预测模型流量预测效果；步骤5：将步骤4计算得到流量预测数据，代入步骤2中获取的道路流量‐旅行时间关系，即得到旅行时间预测值，其结果为多范围预测模型旅行时间预测效果；步骤6：对路网进行动态划分；其中假设路段编号为i，相应的路段长度为Li；进行第j次迭代时，预测出的路段i旅行时间为tij；第j次迭代内一辆车行驶的平均路程为lij，使用步骤4中多范围预测模型计算得到tij值；lij初始时全赋为零；步骤7假设车辆在同一路段上的旅行时间与行驶距离成正比，故得到道路k旅行时间加权平均值为：计算该式得到需要可变情报板上显示的时间。