基于SCATS线圈数据的交通状态在线定量评价与预测方法

摘要

一种基于SCATS线圈数据的交通状态在线定量评价与预测方法，涉及交通技术领域中的交通状态在线定量评价与预测方法，SCATS线圈采集交通参数上传至交通信息中心，计算机对实测数据进行质量评价与控制，对质量评价与控制后的实测数据进行交通参数虚拟时间序列构建，对虚拟时间序列数据进行质量评价与控制，对参数的虚拟时间序列数据进行交通拥挤自动识别，对交通参数的虚拟时间序列数据进行短时多步预测及数虚拟时间序列数据短时多步预测的基础上进行交通拥挤扩散范围和持续时间预测，并向交通管理部门发布预测结果，为其提供更有力的决策依据。

主权项

1.一种基于SCATS线圈数据的交通状态在线定量评价与预测方法，其特征在于包括如下步骤：(1)SCATS线圈自动采集交通参数并通过网络连接上传至交通信息中心；(2)交通信息中心通过计算机对SCATS线圈实测数据进行质量评价与控制，具体步骤如下：1)计算t时刻实测流量数据前n个采样周期的均值及均方差，并在此基础上计算流量的正态偏差值，当连续3个采样间隔流量的正态偏差值超过设定阈值时，将该时刻数据标记为“发生交通事件数据”，无须对交通事件影响数据进行修复控制，向交通管理部门发布检测结果；2)通过判断流量0值是否在由均值和均方差构成的有效区间内识别丢失数据，下限为均值减去两倍的均方差，上限为均值加上两倍的均方差，当流量0值不在此区间内，视为丢失数据，采用当前时刻相邻时段流量数据的平均值对流量丢失数据进行修复，采用相位时长与修复后的流量的比值对平均车头时距进行修复；(3)交通信息中心通过计算机对质量评价与控制后的SCATS线圈实测数据进行交通参数虚拟时间序列构建，具体步骤如下：1)构建一个时间长度为固定值的虚拟采样间隔，并将此虚拟采样间隔根据插值法插入时间轴；2)流量从实际采样间隔到虚拟采样间隔的映射关系为：定义平均交通流量为流量与信号周期的比值，虚拟采样间隔被其跨越实际采样间隔所分时段与相应的平均交通流量乘积之和；平均车头时距从实际采样间隔到虚拟采样间隔的映射关系为：虚拟采样间隔被其跨越实际采样间隔所分时段与相应的平均交通流量以及平均车头时距乘积之和，除以虚拟采样间隔被其跨越实际采样间隔所分时段与相应的平均交通流量乘积之和；3)单个交叉口虚拟采样间隔的确定方法：选取延误作为虚拟采样间隔的确定指标，定义数据提取点时间为每个周期结束的时间，决策点时间为每个虚拟采样间隔结束的时间，定义数据提取点延迟为决策点时间先于数据提取点时间的时间差，决策点延迟为数据提取点时间先于决策点时间的时间差，每个决策点的延迟等于本决策点的数据提取点延迟与决策点延迟之和，定义一天24小时所有决策点的延迟之和为延迟因子，每个虚拟采样间隔对应着一个延迟因子，延迟因子最小的虚拟采样间隔就是此方法确定的值；4)采用系统延迟因子最小和虚拟时间序列数据的稳定性两个因素确定系统统一虚拟采样间隔；(4)交通信息中心通过计算机对SCATS交通参数的虚拟时间序列数据进行质量评价与控制，当历史数据充足时，利用前n天t时刻数据由均值和均方差构造的有效区间评价错误数据，下限为均值减去三倍的均方差，上限为均值加上三倍的均方差，当交通参数不在此区间内时，对错误数据的控制方法为输出历史数据的均值；当历史数据不充足时，利用当天前n个采样周期由均值和均方差构造的有效区间评价和控制错误数据，下限为均值减去三倍的均方差，上限为均值加上三倍的均方差，对错误数据的控制方法为输出移动平均值；(5)交通信息中心通过计算机对SCATS交通参数的虚拟时间序列数据进行交通拥挤自动识别，以t时刻流量与扩大系数的乘积除以平均车头时距作为交通拥挤指数，并与相应的阈值对比识别交通状态，当交通拥挤指数小于或等于阻滞状态阈值时，确定车道交通状态为顺畅状态；当交通拥挤指数大于阻滞状态阈值时，确定车道交通状态为阻滞状态，并向交通管理部门发布判别结果；(6)交通信息中心通过计算机对SCATS交通参数的虚拟时间序列数据进行长期趋势预测，具体步骤如下：1)获得同当天相同日期的历史时间序列数据，2)根据需预测时间尺度进行数据合成，3)选择需预测的时间尺度，4)进行前面选择时间尺度下的历史数据更新，5)获取预测时刻的交通参数数据纵向时间序列，6)采用简单移动平均法进行预测，7)利用模型进行相应的预测，然后判断是否完成全部预测，如果完成进行下一步，如果没有，返回步骤5)，8)判断是否完成所有时间尺度预测，如果完成，则输出预测结果，如果没完成，则返回步骤3)；进行中期趋势预测时，自适应指数平滑预测模型对当前时段第二步及以后各步预测模型为，${\hat{y}}_{t+i}^d={\alpha }_{t+i-1}{\bar{y}}_{t+i-1}^d+(1-{\alpha }_{t+i-1}){\hat{y}}_{t+i-1}^d,$α_1+i-1＝|E_t+i-1/A_1+i-1|、$E_{t+i-1}={\mathrm{re}}_{t+i-1}^d+(1-r)E_{t+i-2},$$A_{t+i-1}=r\left|e_{t+i-1}^d\right|+(1-r)A_{t+i-2},$$e_{t+i-1}^d={\alpha }_{d-1}^{\prime }{e}_{t+i-1}^{d-1}+···+{\alpha }_{d-i}^{\prime }{e}_{t+i-1}^{d-i}+···+{\alpha }_{d-N}^{\prime }{e}_{t+i-1}^{d-N},$${\bar{y}}_{t+i-1}^d={\alpha }_{d-1}^{\prime }{y}_{t+i-1}^{d-1}+···+{\alpha }_{d-i}^{\prime }{y}_{t+i-1}^{d-i}+···+{\alpha }_{d-N}^{\prime }{y}_{t+i-1}^{d-N},$${\alpha }_{d-i}=\frac{L_{d-i}}{L_{d-1}+···+L_{d-i}···L_{d-n}},$其中，i为预测步数，i≥2；为检测器当前第d天t+i时段交通参数预测值，为流量和/或平均车头时距；为检测器第d，d-i天t+i-1时段第一步自适应指数平滑预测误差；α_t+i-1、α′_d-i为权重系数；为检测器第d-i天t+i-1时段的实际交通参数历史数据；L_d-i为相似搜索计算得到过去第d-i天的累计相似距离的倒数；具体步骤如下：1)判断当前交通流是非事件影响数据的中期趋势数据，2)利用已获得数据进行一步预测，计算可预测步数，3)判断是否完成本时段多步预测，如果完成，进行下一时段的多步预测，如果没有，进入下一步，4)进行相似时间序列搜索，计算指数平滑预测误差以及信号误差，5)重置平滑系数，令i＝i+1，返回步骤3)；进行交通参数短期现势性预测，具体步骤如下：1)获得事件数据标记的数据，2)输入预测平均权重系数，3)利用移动平均模型进行预测，判断是否完成预测，如果完成，输出预测结果，如果没有完成，用预测值代替实际值，进行下一步预测。