一种基于交通流量特征提取与分类的交通拥堵预测方法

摘要

本发明公开了一种基于交通流量特征提取与分类的交通拥堵预测方法，步骤依次为：数据提取与划分，绘制交通流量时序图，拥堵阶段分类，图像特征提取与分类以及交通拥堵识别及预测。本发明解决了在现有交通拥堵预测方法中实时性不强、便捷度不高、准确性不佳而带来的误差问题，既适用于城市交通，又适用于公路交通，具有一定的推广应用价值，可为交通拥堵预测提供参考。

权利要求

1.一种基于交通流量特征提取与分类的交通拥堵预测方法，其特征在于，包括以下步骤：(1)数据提取与划分：提取路侧基站记录的交通数据，包括日期、时刻、交通流量和空间占有率，根据日期对提取的交通数据进行划分；

(2)绘制交通流量时序图：包括交通流量序列提取、时序特征矩阵提取和热力图图像转化；

(3)拥堵阶段分类：根据步骤(1)采集的空间占有率将交通流量时序图划分为拥堵发生前、拥堵过程和未发生拥堵三类图像；

(4)图像特征提取与分类：将交通流量时序图作为卷积神经网络的输入，将步骤(3)得到的拥堵阶段分类作为卷积神经网络的输出，训练卷积神经网络能够充分提取图像特征并识别交通拥堵阶段；

(5)交通拥堵识别及预测：将目标流量时序图输入训练好的卷积神经网络模型，识别目标流量时序图所处的交通拥堵阶段，并预测未来时段是否会发生交通拥堵；

步骤(2)的具体过程如下：

(2‑1)交通流量序列提取：将步骤(1)中每个日期检测到的交通流量按照时刻进行排序，得到交通流量序列；

(2‑2)时序特征矩阵提取：对交通流量序列进行连续小波变换，提取交通流量的时序特征矩阵；

(2‑3)热力图图像转化：将时序特征矩阵转化为热力图图像，得到的热力图图像即为交通流量时序图；

步骤(3)的具体过程如下：

(3‑1)将道路空间占有率超过30％且持续时长超过30分钟的时段作为拥堵时段，其对应的交通流量时序图为拥堵过程的图像；

(3‑2)拥堵时段前30分钟的时段作为拥堵发生前时段，其对应的交通流量时序图为拥堵发生前的图像；

(3‑3)将除去拥堵时段和拥堵发生前时段的剩余时段作为未发生拥堵时段，其对应的交通流量时序图为未发生拥堵的图像。

2.根据权利要求1所述基于交通流量特征提取与分类的交通拥堵预测方法，其特征在于，在步骤(1)中，时刻数据精确至秒，交通流量以当量标准小汽车为单位，空间占有率的数据格式为精确至百分位的小数。

3.根据权利要求1所述基于交通流量特征提取与分类的交通拥堵预测方法，其特征在于，所述热力图图像采用RGB色彩模式，通过红、绿、蓝三种原色的叠加得到各种颜色，每个热力图图像都对应一个大小为255*255*3的矩阵数组。

4.根据权利要求1所述基于交通流量特征提取与分类的交通拥堵预测方法，其特征在于，在步骤(5)中，如果目标流量时序图属于拥堵发生前的图像，则在未来时段会发生交通拥堵。

说明书

一种基于交通流量特征提取与分类的交通拥堵预测方法

技术领域

[0001] 本发明属于交通工程领域，特别涉及了一种交通拥堵预测方法。

背景技术

[0002] 近年来，经济社会发展不断加快，国民人均小汽车保有量迅速增加，交通拥堵现象日益加剧；与此同时，为了更有效地获取相关交通数据以感知交通系统的状态，大量的监测设备被安放在了公共场所和交通设施中，例如微波雷达、感应线圈、车辆电子标签等。这些设备可以精确、海量地获取交通流量数据，为交通流量预测工作带来诸多便利。在此背景下，为了减少交通拥堵对经济社会发展带来的不利影响，进而灵活主动地进行拥堵疏导，有必要提出一种便捷准确的交通拥堵预测方法。

[0003] 然而，尽管以往提出的交通拥堵预测方法取得了不少成果，但它们仍然存在着各种各样的局限性。现有的交通拥堵预测相关研究主要集中在监控设备的视频图像处理方面，基于监控设备获取的视频图像进行车辆识别，进而计算车辆密度、道路空间占有率等相关指标来判断交通运行状态。但是由于视频图像数据量大、清晰度参差不齐，导致图像传输时延较大、图像识别精度不高，使拥堵预测的实时性、便捷性、准确性有所降低。此外，基于短时交通流预测的研究也涉及到拥堵预测的研究，但是由于实际的交通流量对时间尺度的波动较大，预测精度不高；大多数算法局限于特定路段或路网，普适性不强。

[0004] 另一方面，卷积神经网络是深度学习众多算法中被广泛采纳的一种算法，其结构建模难度适中却性能优异，在图像识别领域已有广泛应用。由于卷积神经网络共享卷积核，易于对高维数据的处理，因此可以直接将图像数据作为输入；其特有的细粒度特征提取方式，使得对图像处理达到人眼水平。利用卷积神经网络对交通流量时序图进行分类，识别不同流量时序图对应的不同交通状态，使得以流量时序图为基础的交通拥堵预测方法成为可能。

发明内容

[0005] 为了解决上述背景技术提到的技术问题，本发明提出了一种基于交通流量特征提取与分类的交通拥堵预测方法，解决在现有交通拥堵预测方法中实时性不强、便捷度不高、准确性不佳而带来的误差问题。

[0006] 为了实现上述技术目的，本发明的技术方案为：

[0007] 一种基于交通流量特征提取与分类的交通拥堵预测方法，包括以下步骤：

[0008] (1)数据提取与划分：提取路侧基站记录的交通数据，包括日期、时刻、交通流量和空间占有率，根据日期对提取的交通数据进行划分；

[0009] (2)绘制交通流量时序图：包括交通流量序列提取、时序特征矩阵提取和热力图图像转化；

[0010] (3)拥堵阶段分类：根据步骤(1)采集的空间占有率将交通流量时序图划分为拥堵发生前、拥堵过程和未发生拥堵三类图像；

[0011] (4)将交通流量时序图作为卷积神经网络的输入，将步骤(3)得到的拥堵阶段分类作为卷积神经网络的输出，训练卷积神经网络能够充分提取图像特征并识别交通拥堵阶段；

[0012] (5)交通拥堵识别及预测：将目标流量时序图输入训练好的卷积神经网络模型，识别目标流量时序图所处的交通拥堵阶段，并预测未来时段是否会发生交通拥堵。

[0013] 进一步地，在步骤(1)中，时刻数据精确至秒，交通流量以当量标准小汽车为单位，空间占有率的数据格式为精确至百分位的小数。

[0014] 进一步地，步骤(2)的具体过程如下：

[0015] (2‑1)交通流量序列提取：将步骤(1)中每个日期检测到的交通流量按照时刻进行排序，得到交通流量序列；

[0016] (2‑2)时序特征矩阵提取：对交通流量序列进行连续小波变换，提取交通流量的时序特征矩阵；

[0017] (2‑3)热力图图像转化：将时序特征矩阵转化为热力图图像，得到的热力图图像即为交通流量时序图。

[0018] 进一步地，所述热力图图像采用RGB色彩模式，通过红、绿、蓝三种原色的叠加得到各种颜色，每个热力图图像都对应一个大小为255*255*3的矩阵数组。

[0019] 进一步地，步骤(3)的具体过程如下：

[0020] (3‑1)将道路空间占有率超过30％且持续时长超过30分钟的时段作为拥堵时段，其对应的交通流量时序图为拥堵过程的图像；

[0021] (3‑2)拥堵时段前30分钟的时段作为拥堵发生前时段，其对应的交通流量时序图为拥堵发生前的图像；

[0022] (3‑3)将除去拥堵时段和拥堵发生前时段的剩余时段作为未发生拥堵时段，其对应的交通流量时序图为未发生拥堵的图像。

[0023] 进一步地，在步骤(5)中，如果目标流量时序图属于拥堵发生前的图像，则在未来时段会发生交通拥堵。

[0024] 采用上述技术方案带来的有益效果：

[0025] 首先，本发明基于交通流量时序图的图像特征分类的预测方法可以减小图像处理的数据量，增强拥堵预测的实时性，同时可以降低预测工作的成本；其次，本发明提出的预测方法实用性更强，特别是在路况复杂且交通流量在时间尺度变化较大的路段上预测效果明显优于现有的预测方法；此外，本发明有较大的升级优化前景，通过大量的图像训练和逐步细化的分类标准，可以广泛地应用在各等级的城市道路和公路上，并且能够识别包括拥堵在内的多种交通运行状态。

附图说明

[0026] 图1是本发明的方法流程图；

[0027] 图2是实施例中未发生拥堵时段的交通流量时序图；

[0028] 图3是实施例中拥堵时段的交通流量时序图。

具体实施方式

[0029] 以下将结合附图，对本发明的技术方案进行详细说明。

[0030] 本实施例采用2018年3月至2018年5月美国明尼苏达州双子城的交通流量数据和空间占有率数据，按照技术方案中的数据处理步骤，提取并分类交通流量特征，实现道路交通拥堵识别与预测。方法流程见图1，包括以下5个步骤：

[0031] 1、获取道路交通数据，本实施例采用美国明尼苏达州双子城2018年3月至5月路侧基站检测的道路交通数据。路侧基站每30s记录一条数据，每天记录的数据量为2880条。最终，本实施例共采集264940条道路交通数据，包括日期、时刻、交通流量和空间占有率四个字段。获取的交通数据数值及格式如表1所示。

[0032] 表1路侧基站检测的道路交通数据

[0033] 日期 时刻 交通流量(辆) 空间占有率(％)2018.03.05 15:25:30 1528 50.93
2018.03.18 8:17:00 1245 41.50
2018.04.03 11:00:30 1412 47.07
… … … …
2018.05.23 20:32:30 1131 37.70

[0034] 将道路交通数据按日期进行划分，将同一时间检测的交通流量数据和空间占有率进行组合，得到成对的组合数据。

[0035] 2、将步骤1中每个日期检测到的交通流量按照时刻进行排序，得到交通流量序列；对交通流量序列进行连续小波变换，提取交通流量的时序特征矩阵，将三维的小波变换特征矩阵通过热力图的形式进行二维展示，输出的二维RGB图像反映了不同拥堵阶段的交通流量时序变化特征，完成交通流量时序图的绘制。

[0036] 3、根据空间占有率数据识别道路交通的拥堵特征，具体过程如下：将道路空间占有率超过30％且持续时长超过30分钟的时段作为拥堵时段，其对应的交通流量时序图为拥堵过程的图像；拥堵时段前30分钟的时段作为拥堵发生前时段，其对应的交通流量时序图为拥堵发生前的图像；拥堵时段后30分钟的时段作为拥堵消散时段，其对应的交通流量时序图为拥堵消散的图像；最终，共识别拥堵发生前时段113734个，拥堵时段13722个，拥堵发生前时段的数量与拥堵时段的数量相同。图2、图3分别表示未发生拥堵时段和拥堵时段的交通流量时序图。相对于未发生拥堵时段，拥堵时段的交通流量时序图上半部分的热度较高且形态相对统一，下半部分的热度明显高于未发生拥堵时段。

[0037] 4、将步骤3中获得的拥堵发生前阶段、拥堵阶段和未发生拥堵阶段的交通流量时序图输入卷积神经网络模型‑‑GoogleNet进行分类训练，最终获得能够识别不同交通拥堵阶段对应的交通流量时序图的神经网络模型。其中，GoogleNet的隐藏层设为144层，分为9个inception模块，同时设置两个额外的softmax层用于向前传导梯度。相比其他卷积神经网络模型，GoogleNet能够在保证网络表达能力的同时减少参数数量、提高训练速度。由于本实例需要进行大量交通流量时序图的处理，GoogleNet在模型构建和训练速度方面是最佳选择。在训练时，本实施例选取80％的图片作为训练集，20％的图片作为验证集，每300张训练图片进行一次参数迭代，每10次迭代进行一次验证。本实施例设计进行两轮，每轮339次迭代，共计最大迭代次数678次。在实际训练过程中，验证准确度在第二次验证后就稳定在了89.24％，验证损失稳定在0.328，所以在第290次训练后迭代结束，完成卷积神经网络模型的构建。

[0038] 5、将目标流量时序图输入步骤4中的卷积神经网络模型，可以识别目标流量时序图所处的交通拥堵阶段，并预测未来时段是否会发生交通拥堵。如果目标流量时序图属于拥堵发生前的图像，在未来时段会发生交通拥堵。

[0039] 实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。