專利名稱：：一種快速路行程時間預測方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及智能交通領(lǐng)域，尤其涉及一種用于道路的行程時間預測方法。利用本發(fā)明可以對快速路的行程時間進行預測，從而能夠引導車輛合理利用快速路出行，緩解大城市交通擁堵問題。
背景技術(shù)：
：在ITS(IntelligentTransportationSystems)智能交通研究領(lǐng)域，以實現(xiàn)道路交通的信息化、智能化為目標的動態(tài)交通流信息采集系統(tǒng)的開發(fā)與應用正以歐洲、美國、日本為中心迅速展開，為行程時間預測打下了硬件基礎(chǔ)。許多其他國家和地區(qū)也紛紛投入力量開展行程時間預測的研究活動，目前行程時間預測已成為國際研究的熱點問題之一。隨著ITS研究的深入，行程時間預測已有了一些成果。如美國交通預測.COM公司研究的《一種提供旅行時間預測的方法》的專利(CN1434946,2003.08.06)，此發(fā)明是一種利用基于互聯(lián)網(wǎng)的采集和發(fā)布信息的技術(shù)來預測旅行時間的交通信息系統(tǒng)。這個系統(tǒng)可以說明車輛類型、駕駛員特定的行為以及對未來交通狀況的預測，主要考慮到可預測事件及特殊天氣狀況對交通方式的影響；浙江工業(yè)大學研究的《城市交通行程時間智能化分析系統(tǒng)》的專利(CN101017609,2007.08.15)，是一種城市交通行程時間智能化分析系統(tǒng)，考慮車流量、行程時間帶來的約束、能夠應用到城市復雜網(wǎng)絡(luò)、適用性好的城市交通行程時間智能化分析系統(tǒng)。這些發(fā)明側(cè)重點都在于整個智能交通系統(tǒng)中行程時間所起的輔助作用或外界事件對其的影響。而沒有具體針對快速路上精確計算預測行程時間的方法。
發(fā)明內(nèi)容本發(fā)明提出了一種快速路行程時間預測方法。根據(jù)快速路上安裝的固定型檢測器獲取的各車道速度和流量信息，實現(xiàn)對行程時間的預測。具體計算方法是先根據(jù)檢測器的位置將快速路在空間上劃分為若干路段。利用路段中檢測器獲得的信息計算出檢測斷面的平均速度，并利用神經(jīng)網(wǎng)絡(luò)對速度的未來值進行預測。采用數(shù)據(jù)融合的方法將檢測斷面的速度進行融合，得到路段的空間平均速度。然后利用時空離散的方法，計算出路段的行程時間。依次計算出各路段的行程時間并將其累加，得到整個快速路的行程時間。根據(jù)本發(fā)明，提出了一種快速路行程時間預測方法，包括下列步驟步驟l，將快速路在空間上劃分為多個路段，每個路段中含有多組檢測器，每組檢測器在各個檢測周期時刻獲得各檢測斷面各個車道的速度和流量信息；步驟2，從第一個路段開始，利用檢測器獲得各個車道車輛通過的速度信息，通過各個車道的速度和流量信息計算出各個檢測斷面的平均速度；以某一時刻ti(其中i=0,1,2,3...)為起始時間，計算出各個檢測斷面在、時刻的平均速度；步驟3，根據(jù)歷史測量得到的、時刻之前的檢測斷面平均速度和、時刻的檢測斷面平均速度，利用神經(jīng)網(wǎng)絡(luò)預測各個檢測斷面在、時刻之后的速度；步驟4，進行數(shù)據(jù)融合，利用各個檢測斷面的速度融合出整個路段在各個時刻的空間平均速度，并以此計算出車輛通過整個路段的行程時間Tj，j=1，2,3…；步驟5，以駛出路段的時刻tw二ti+Tj為下一個路段的起點，計算第一個路段結(jié)束時、=^+1，重復上述步驟2-5，計算下一個路段的行程時間，如此重復，直到計算完最后一個路段為止；步驟6，對各路段的行程時間進行累加，得到對快速路行程預測時間為<formula>formulaseeoriginaldocumentpage7</formula>根據(jù)本發(fā)明的一個方面，步驟1中將快速路劃分為若干路段的具體方法是在快速路上以一定間距布設(shè)一組檢測器，將快速路劃分為m個路段，每個路段包含n組相鄰檢測器，每組檢測器檢測r個車道。根據(jù)本發(fā)明的一個方面，步驟2中計算檢測斷面的平均速度的具體步驟是步驟2-l，給第i個路段(l^、m)中n個檢測器組編號為D;，1S乂S"，設(shè)第i個路段中n個檢測斷面的平均速度為V^，1Sj'S";步驟2-2，計算n個檢測斷面的平均速度V;如下<formula>formulaseeoriginaldocumentpage7</formula>其中，/^是第j組檢測器處第k個車道單位時間的流量，KA:^r;《是第j組檢測器處第k個車道的流速。根據(jù)本發(fā)明的一個方面，步驟3中預測各個檢測斷面未來速度的具體步驟是步驟3-l，建立具有多輸入、單輸出和單隱層的三層BP網(wǎng)絡(luò)，根據(jù)己知的多個時刻的速度作為輸入，求出作為輸出的未來某一時刻的速度；步驟3-2，采用試湊法訓練網(wǎng)絡(luò)，根據(jù)經(jīng)驗公式確定隱層的神經(jīng)元個數(shù)S;步驟3-3，選取訓練參數(shù)，觀察訓練效果；步驟3-4，確定使得網(wǎng)絡(luò)的MSE的值達到最小的神經(jīng)元個數(shù)S;步驟3-5，利用確定的神經(jīng)元個數(shù)S及所述神經(jīng)網(wǎng)絡(luò)預測各個檢測斷面的速度。根據(jù)本發(fā)明的一個方面，步驟4中進行數(shù)據(jù)融合，計算路段空間平均速度的具體步驟是，利用加權(quán)平均算法，計算出第i個路段在t時刻(t為任意檢測時刻)的速度Vi(t)，其中(1S/Sw)，如下步驟4-l，n個檢測斷面的平均速度V;總體服從iV(A,of)的正態(tài)分布，且相互獨立；步驟4-2，引入加權(quán)因子",，Z"y=1，則空間平均速度的數(shù)據(jù)融合值為，=t"^;j=i其總的均方誤差為^=D(2>,Vci)=5"/;j=ij=步驟4-3，利用柯西不等式的定義，當(2/)(1:4)"1>》2=1j=]j=ij=i等式成立時，總的均方誤差達到最小。而等式當且僅當^c^2=a2<r22=…二acr/時成立。代入可得/n1《n=1/Z!~"/j=l步驟4-4，此時，可以得到等式步驟4-5，于是，總的均方誤差達到最小的空間平均速度的數(shù)據(jù)融合值為j=l根據(jù)本發(fā)明的一個方面，步驟5中計算通過路段的行程時間的方法是使用時間離散法，具體步驟是步驟5-1，假設(shè)目標路段檢測器的數(shù)據(jù)采集時間間隔為A/，目標路段的長度為L;步驟5-2，假設(shè)一輛車在時刻t進入這個路段，通過預測和數(shù)據(jù)融合可以得到目標路段在未來時刻"込幣、0,1,2,3...)的空間平均速度v,.,/二0,1，2,3…；步驟5-3，車輛在A^時間內(nèi)的行駛距離為/,;v,xA"而車輛在目標路段的累計行駛長度為丄,=/0+A+…+/,;步驟5-4，當丄,—,SZ^丄,時，車輛在時刻^+込^駛出目標路段，從而路段行程時間Tj，j=l，2,3，行程時間7;^(/xAO+(丄-A-!)/",(/〉0);步驟5-5，當丄?！祦A即/。>￡時，車輛在第一個時間間隔AZ內(nèi)駛出目標路段，貝|」/=0，行程時間刁.=丄"。。本發(fā)明提出的方法可取得以下有益效果由于實現(xiàn)了對快速路的行程時間進行預測，從而能夠引導車輛合理利用快速路出行，對于緩解大城市交通擁堵具有重要作用。實測的交通流數(shù)據(jù)的計算實例表明，本發(fā)明所提出的方法是非常有效的。為了進一步說明本發(fā)明的原理及特性，以下結(jié)合附圖和具體實施方式對本發(fā)明進行詳細說明。圖1是按照本發(fā)明的一個實施方式的快速路行程時間預測方法的流程示意圖2是按照本發(fā)明的一個實施方式的快速路路段分段方式示意圖。圖3是按照本發(fā)明的一個實施方式的計算快速路行程時間的流程圖。圖4是按照本發(fā)明的一個實施方式的仿真結(jié)果和真實數(shù)據(jù)的對比圖。圖5是按照本發(fā)明的一個實施方式的仿真分析絕對誤差和相對誤差。圖6是按照本發(fā)明的一個實施方式的速度預測效果圖。圖7是按照本發(fā)明的一個實施方式的速度預測效果圖。圖8是按照本發(fā)明的一個實施方式的試驗路段融合后的速度曲線對比圖。圖9是按照本發(fā)明的一個實施方式的試驗路段融合后的速度曲線對比圖。圖10是按照本發(fā)明的一個實施方式的時間離散法的計算示意圖。圖11是按照本發(fā)明的一個實施方式的時間離散法的計算示意圖。圖12是按照本發(fā)明的一個實施方式的時間離散法方法的誤差分析曲線圖。圖13是按照本發(fā)明的一個實施方式的時間離散法方法的誤差分析曲線圖。具體實施例方式下面結(jié)合附圖詳細描述本發(fā)明的具體實施方式。圖1是按照本發(fā)明的一個實施方式的快速路行程時間預測方法的流程示意圖。在該方法中，包括6個步驟第1步將快速路在空間上劃分為多個路段；第2步利用檢測器獲得的信息計算出檢測斷面的平均速度；第3步利用BP神經(jīng)網(wǎng)絡(luò)對檢測斷面速度的未來值進行預測；第4步利用數(shù)據(jù)融合的方法，得到各路段的空間平均速度；第5步利用時空離散的方法，計算出路段的行程時間；第6步，各路段的行程時間進行累加，得到對快速路行程時間。圖2是按照本發(fā)明的一個實施方式的快速路路段分段方式示意圖。下面結(jié)合圖1、2描述按照本發(fā)明的一個實施方式的快速路行程時間預測的方法。第l步將快速路在空間上劃分為多個路段。劃分路段是根據(jù)檢測器的位置進行的。本發(fā)明適用于所有能檢測到流量和速度信息的檢測器，而在本實施方式中，采用遠程微波交通檢測器RTMS(RemoteTrafficMicrowaveSensor)來實現(xiàn)流量和速度信息的采集。根據(jù)在快速路卜-設(shè)置的RTMS的位置，將快速路在空間上劃分為多個路段。每個路段中含有多組檢測器，每組檢測器所在的路面稱為檢測斷面。優(yōu)選地，第1步中將快速路劃分為多個路段的具體方法是檢測器在快速路上以一定間距布設(shè)，每隔幾百米設(shè)一組檢測器。將快速路劃分為m個路段，每個路段包含n組相鄰檢測器，每組檢測器檢測r個車道。優(yōu)選地，如圖2所示，按照本發(fā)明的一個實施方式，選擇入口和出口之間的快速路作為研究對象。在入口和出口之間的快速路可以分成m個路段，即路段l、路段2……路段m。路段1中含有3組檢測器，具有3個檢測斷面；路段2含有若干組檢測器，具有若干個斷面，以此類推；路段m含有4組檢測器，具有4個檢測斷面。第2步利用檢測器獲得的信息計算出檢測斷面的平均速度。遠程微波交通檢測器RTMS是一種多功能的交通檢測器，這種檢測器屬于現(xiàn)有技術(shù)，其獲得的數(shù)據(jù)包括斷面上每一個車道的速度，流量，占有率等。從第一個路段(即圖2中所示的路段1)開始，利用該路段內(nèi)的檢測器獲得各個車道車輛通過的即時速度信息和流量信息，通過這些信息計算出各個檢測斷面的平均速度。以某一時刻、(其中1=0,1,2,3...)為起始時間，計算出各個檢測斷面在ti時刻的平均速度，計算第一個路段時i二0。優(yōu)選地，在第2步中計算檢測斷面的平均速度的具體步驟是步驟2-l，給第i個路段(l《^m)中n個檢測器組編號為Dii，1SJS"，設(shè)第i個路段中n個檢測斷面的平均速度為Vi，1S乂S";步驟2-2，計算n個檢測斷面的平均速度Vi，具體公式如下f尸V其中，力-是第j組檢測器處第k個車道單位時間的流量，lSA^r;V^是第j組檢測器處第k個車道的流速，即單位時間內(nèi)通過的車流量。第3步利用BP神經(jīng)網(wǎng)絡(luò)對檢測斷面速度的未來值進行預測。在該步驟中，利用訓練過的神經(jīng)網(wǎng)絡(luò)對檢測斷面速度的未來值進行預測。根據(jù)歷史測量得到的ti時刻之前的檢測斷面平均速度和ti時刻的檢測斷面平均速度，利用神經(jīng)網(wǎng)絡(luò)預測各個檢測斷面在ti時刻之后的速度。優(yōu)選地，該神經(jīng)網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)。優(yōu)選地，在第3步中預測各個檢測斷面未來速度的具體步驟是步驟3-1，建立一個速度預測的BP網(wǎng)絡(luò)本網(wǎng)絡(luò)使用單步預測網(wǎng)絡(luò)的單步輸出作為網(wǎng)絡(luò)的輸入，從而迭代實現(xiàn)網(wǎng)絡(luò)的多步預測，所以可以確定網(wǎng)絡(luò)的輸出節(jié)點個數(shù)為l。考慮到交通流的特性，過去10組數(shù)據(jù)就可以進行對未來值的預測，將網(wǎng)絡(luò)的輸入節(jié)點個數(shù)定為10。又由于旅行時間預測的實時性，設(shè)計一個單隱層的神經(jīng)網(wǎng)絡(luò)。綜上，確定網(wǎng)絡(luò)的基本結(jié)構(gòu)為具有io輸入、單輸出和單隱層的三層BP網(wǎng)絡(luò)。則未來某一時刻的速度作為輸出，可由之前時刻己知的IO個時刻的速度作為輸入求出；步驟3-2，根據(jù)經(jīng)驗公式S=Vw+m+"(其中n，S，m分別為輸入層、隱層、輸出層的神經(jīng)元個數(shù)，"為1到10)確定中間隱層的神經(jīng)元個數(shù)S。優(yōu)選地，確定S的過程中，采用試湊法，"從l開始訓練網(wǎng)絡(luò)；步驟3-3，選取訓練參數(shù)，觀察訓練效果；步驟3-4，確定使得神經(jīng)網(wǎng)絡(luò)的MSE(相對均方差)的值達到最小的S;步驟3-5，利用確定的S及神經(jīng)網(wǎng)絡(luò)預測各個檢測斷面的速度。第4步利用數(shù)據(jù)融合的方法，得到各路段的空間平均速度。優(yōu)選地，采用加權(quán)平均法進行數(shù)據(jù)融合，利用各個檢測斷面的速度融合出整個路段在各個時刻的空間平均速度。并以此計算出車輛通過整個路段的行程時間Tj，j=1,2,3...，計算第一個路段時j二l。優(yōu)選地，在第4步中進行數(shù)據(jù)融合，計算路段空間平均速度的具體步驟是，利用加權(quán)平均算法，計算出第i個路段在t時刻(t為任意檢測時刻)的速度V,(t)，其中(1S/Sm)，具體公式如下(1)n個檢測斷面的平均速度V;總體服從W(A,of)的正態(tài)分布，且相互獨立；(2)引入加權(quán)因子""S=1，則空間平均速度的數(shù)據(jù)融合值為戶lj=l其總的均方誤差為"2^D(Z^V^hS"/^2;j=ij=i(3)利用柯西不等式的定義，當(Z"/^"/)(Zl)^(Z"/二i等式j(luò)=lj=l.j=l成立時，總的均方誤差達到最小。而等式當且僅當^o",2="2o"22==^0""2時成立。代入可得/W1°iin=1/Z^^/J=l。；(4)此時，可以得到等式J=l.；(5)于是，總的均方誤差達到最小的空間平均速度的數(shù)據(jù)融合值為^1)=乂^鍾=￡咖^;j=i第5步利用時空離散的方法，計算出路段的行程時間。優(yōu)選地，以駛出路段的時刻t^二ti+Tj即為下一個路段的起點，計算第一個路段結(jié)束時^二t。+T"重復上述第2-5步，計算下一個路段的行程時間，如此重復，直到計算完最后一個路段(如圖2中的路段m)為止。優(yōu)選地，第5步中計算車輛通過路段的行程時間的方法是使用時間離散法，具體步驟是步驟5-l，假設(shè)目標路段檢測器的數(shù)據(jù)采集時間間隔為A"目標路段的長度為L;步驟5-2，假設(shè)一輛車在時刻t進入這個路段，通過預測和數(shù)據(jù)融合可以得到目標路段在未來時刻？+=0,1,2,3...)的空間平均速度v,,/=0,1,2,3...;步驟5-3，車輛在AZ時間內(nèi)的行駛距離為/,.=v,xA"而車輛在目標路段的累計行駛長度為A=/。+/,+...+/,;步驟5-4，當i^《KA時，說明車輛在時刻^+込駛出了目標路段，從而路段行程時間Tj，j=1，2，3…可以由計算得到7;=(/xAO+(丄—丄卜,)/v,,(/>0);步驟5-5，但是這種方法有一個特例，當丄。〉^即/。>￡時，車輛在第一個時間間隔A內(nèi)就駛出了目標路段，貝^'=0，行程時間為第6步，對各路段的行程時間進行累加，得到對快速路行程時間的預測。m優(yōu)選地，預測的快速路行程時間是1=2^1。圖3是按照本發(fā)明的一個實施方式的計算快速路行程時間的流程圖。步驟l:從第一個路段開始，令1=0，j=l;歩驟2:以時刻ti為路段起始時間，計算檢測斷面在時刻ti的平均速度；步驟3:根據(jù)歷史速度和ti時刻的速度，利用神經(jīng)網(wǎng)絡(luò)預測檢測斷面在ti時刻之后的速度；步驟4:采用加權(quán)平均法進行數(shù)據(jù)融合，計算路段空間平均速度Vi(t);步驟5:計算出車輛通過整個路段的行程時間Tj;步驟6:判斷最后一個路段行程時間計算是否完畢；如果計算完畢，進入步驟7;否則i加l，j加l，返回步驟2;歩驟7:計算快速路行程時間T=Stj。j=i下面結(jié)合附圖4-13，說明按照本發(fā)明的預測方法的具體實驗效果。本具體實施方式所用的數(shù)據(jù)是來源于北京市三環(huán)外環(huán)車道的4個檢測器的數(shù)據(jù)，采集數(shù)據(jù)的周期均為2分鐘。這4個檢測器的ID分別為RTMS03053、RTMS03054、RTMS03055、RTMS03056，這些檢測器之間的路段構(gòu)成快速路的一個路段，路段的長度為1586.5m。下面將以本路段為例，進行單個路段的行程時間Tj二T'，j"，2,3…的計算及分析。15計算和分析的前提是通過檢測器組獲得的數(shù)據(jù)，計算得出了四個檢測斷面的平均速度。首先建立速度預測的BP網(wǎng)絡(luò)，網(wǎng)絡(luò)的基本結(jié)構(gòu)為具有10輸入、單輸出和單隱層的三層BP網(wǎng)絡(luò)，其中要確定的是中間隱層的神經(jīng)元個數(shù)S。根據(jù)經(jīng)驗公式SW"+w+"(其中n，S，m分別為輸入層、隱層、輸出層的神經(jīng)元個數(shù)，"為1到10)將神經(jīng)元個數(shù)S確定在[4，13]之間，為了確定最佳的中間隱層的祌經(jīng)元個數(shù)，采用試湊法，從S=4開始訓練網(wǎng)絡(luò)，以求在訓練速度和訓練精度之間達到平衡。選取2007年11月16日到11月29日的歷史數(shù)據(jù)作為訓練數(shù)據(jù)，以11月29日(以下日期均為2007年)全天數(shù)據(jù)作為仿真數(shù)據(jù)，測試網(wǎng)絡(luò)的訓練效果。選取的訓練參數(shù)如下動量常數(shù)mc=0.9;學習速率lr=0.01;訓練次數(shù)印ochs二1000;性能函數(shù)的最小梯度min—grad=10-9;以RTMS03054為例，列舉出隱層的神經(jīng)元個數(shù)S不同時的訓練效果圖和指標。S代表隱層神經(jīng)元個數(shù)。表lRTMS03054指標神經(jīng)元個數(shù)訓練次數(shù)MSE梯度141000/10000.0017470.001171131000/10000.0017520.001067121000/10000.0020630,000892111000/10000.0017750.000870101000/10000.0017690.00085091000/10000.0020770.00111881000/10000.0015020.00065471000/10000.0014600.00120761000/10000.0014270.00109451000/10000.0015370.000694<table>tableseeoriginaldocumentpage17</column></row><table>從表l中可以看出，S二6時，網(wǎng)絡(luò)的MSE(相對均方差)的值達到最小，當S二7時，次之。確定了隱層的神經(jīng)元個數(shù)后，完成對BP網(wǎng)絡(luò)的訓練。為了測試BP網(wǎng)絡(luò)的預測性能，優(yōu)選地選取各個檢測器11月29日的數(shù)據(jù)作為測試樣本。與處理訓練數(shù)據(jù)一樣，將測試數(shù)據(jù)輸入訓練好的BP網(wǎng)絡(luò)，計算出檢測斷面速度的未來值。得到RTMS03053RTMS03056的仿真結(jié)果和真實數(shù)據(jù)的對比。圖4顯示的是RTMS03053的仿真結(jié)果和真實數(shù)據(jù)的對比橫坐標表示的是時間，縱坐標表示的是速度，通過此圖可以得到真實速度和預測速度的對比。同時也可以得出RTMS03053RTMS03056仿真分析絕對誤差AAE(AbsoluteAverageError)禾口相對誤差RAE(RelativeAverageError)。圖5顯示的是RTMS03053預測速度的誤差。上面是絕對誤差曲線，下面是相對誤差曲線。從圖4中，可以很清楚的看到，預測的速度趨勢和實際的速度是非常吻合的。再結(jié)合用于分析仿真誤差的圖5可以看出，當速度曲線變化較大時，其絕對誤差和相對誤差都比較大；而速度曲線變化平緩時，相對誤差和絕對誤差非常??；但是平均誤差是比較理想的，在四組對比中，RTMS03053波動最大，其平均相對誤差也只有6.761%，表明預測的精度是比較高的，預測的效果是理想的。接下來采用訓練好的BP網(wǎng)絡(luò)預測試驗時間段的速度數(shù)據(jù)，為行程時間的計算提供數(shù)據(jù)。給出的是四個檢測器的誤差分析表。表2RTMS0305303056的仿真誤差分析表<table>tableseeoriginaldocumentpage17</column></row><table>利用訓練好的神經(jīng)網(wǎng)絡(luò)來進行單步的迭代預測，從而預測出未來若干個時段的檢測斷面的速度值?？紤]到試驗路段的長度為1586.5m，故利用網(wǎng)絡(luò)預測未來5個時刻的檢測器速度值。優(yōu)選地，選用試驗路段11月30日上午7:009:30，下午15:2616:56共107組數(shù)據(jù)，因為是迭代預測，為了計算和觀察迭代預測的效果，可以給出了4個檢測器不同時刻(當前時刻向后順延5個AZ，A/為2分鐘)速度的對比圖、絕對誤差曲線和相對誤差曲線，以RTMS03053為例，如圖6、圖7所示。圖6是上午時段的速度的對比圖、絕對誤差曲線和相對誤差曲線，圖7是下午時段的速度的對比圖、絕對誤差曲線和相對誤差曲線。其橫坐標均為時間。同時可以得出具體的誤差分析，優(yōu)選11月30日上午的各個檢測器速度預測為例，誤差分析如表3、表4所示。表311月30日上午的各個檢測器速度預測絕對誤差分析表<table>tableseeoriginaldocumentpage18</column></row><table>表4ll月30日上午的各個檢測器速度預測相對誤差分析表<table>tableseeoriginaldocumentpage18</column></row><table>從給出的這些圖表中，可以清楚地看到預測速度和實際速度的曲線是比吻合的。通過對預測結(jié)果的分析，可以看到，利用BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)的迭代多步預測的效果是比較好的，并且在大多數(shù)情況下能夠滿足實時預測的需要。本發(fā)明之所以選擇迭代預測未來5個時刻的速度，是出于以下三點考慮(1)從圖表中可以看到誤差隨著時刻的增加而增大，預測5個時刻以上的速度的誤差就會比較人，不能滿足預測的精度要求；(2)同時因為RTMS的數(shù)據(jù)采集周期時2分鐘，IO分鐘后的速度完全可以由這IO分鐘新的數(shù)據(jù)作為輸入進行迭代預測，從而提高精度；(3)試驗路段的長度為1.586公里，在沒有事故發(fā)生的情況下車輛在10分鐘內(nèi)應該能夠通過路段。下面可以利用預測出來的檢測斷面的速度進行預測行程時間的計算，進而與真實行程時間進行比較。而在本具體實施方式中真實行程時間的獲得采用現(xiàn)有的基于視頻采集的車牌自動識別技術(shù)(LicensePlateRecognition,LPR)，可以獲取試驗路段精確的行程時間數(shù)據(jù)。實現(xiàn)方法是通過車牌識別技術(shù)記錄下每一輛車通過上游和下游斷面的時間，上下游斷面的時間差就是車輛真實行程時間。將車牌自動識別技術(shù)獲取的真實行程時間與本發(fā)明方法預測的行程時間進行比較，可以對本發(fā)明的效果進行驗證。下面利用預測出來的檢測斷面未來5個時刻的速度計算預測行程時間。在進行計算之前，需要通過加權(quán)平均算法融合出試驗路段的空間平均速度。同樣分為11月30日上午和下午兩個時段的數(shù)據(jù)。表5中給出了兩個時段的4個檢測器速度融合后的誤差分析，圖8和圖9中是兩個時段的融合速度曲線圖。圖8是上午時段的融合后速度曲線圖，圖9是下午時段的融合后速度曲線圖。其中包括真實融合速度和預測融合速度。橫坐標表示時間，縱坐標表示速度。表5融合后速度誤差分析表融合后速度誤差分析表時亥uTlT2T3T4T5上午AAE0.921.562.152.713.31(AM)RAE2.12%3.59%4.95%6.23%7.59%下午AAE1.402.383.304.104.78(PM)RAE3.65%6.31%8.98%11.29%13.09%從圖表中可以看出來，經(jīng)過數(shù)據(jù)融合后的速度誤差相對于融合之前有所減小，最大絕對誤差為4.78km/h，最大相對誤差為13.09%，在比較好的誤差范圍內(nèi)。下面計算路段的行程時間，通過與實驗路段采集的實測行程時間數(shù)據(jù)進行對比，來驗證該算法的可行性和精確度。首先，通過從實驗的數(shù)據(jù)中選取兩組數(shù)據(jù)來具體說明時間離散法的計算過程。圖10中是15:46時刻向后5個時刻的速度分段曲線圖和時間離散法計算示意圖。橫坐標是時間，縱坐標是速度值，V0V5是不同時刻的速度。從圖中可以清楚地看出來在15:46時刻的速度和預測出來的未來5個時刻的速度，并且根據(jù)下面的計算公式(1)預測出該時刻路段的行程時間為282秒。也就是說，在此時刻進入路段的車輛將第三個A/內(nèi)行駛出實驗路段。又如圖11中所示，在15:32進入實驗路段的車輛將在第二個^內(nèi)行駛出實驗路段，根據(jù)下面的計算公式(2)，同樣可以計算出此時實驗路段的行程時間為148秒。(注圖中的速度單位已經(jīng)轉(zhuǎn)換為m/s)T'=120x2+[L-120x(V0+Vl)]/V2(1)T'=120+[L-120xV0]/V1(2)同理，可以計算出實驗時段的任意時刻的路段行程時間，即預測的路段行程時間。如圖12和圖13所示，圖12是11月30日上午時段各時刻的預測行程時間和真實行程時間的對比圖，圖13是11月30日下午時段各時刻的預測行程時間和真實行程時間的對比圖?？梢钥吹筋A測行程時間與真實行程時間的曲線趨勢是一致的，比較均勻的分布在真實行程時間曲線的兩側(cè)，其中上午的預測效果要好于下午的數(shù)據(jù)。從圖13中可以很清楚的分析出，當行程時間比較大時，圖中的駝峰區(qū)的誤差比較大，最大達到186秒，相對誤差為54.77%，上午和下午的預測平均相對誤差分別為7.15%和13.76%，所有數(shù)據(jù)的絕對誤差和相對誤差為29秒和10.45%，基本滿足預期的預測精度，能達到比較理想的預期效果。綜上所述，本發(fā)明中的行程時間預測算法是可行的，而且仿真結(jié)果的相對誤差在10%左右，說明該方法能夠做到實時的、準確的快速路行程時間預測。雖然以上描述了本發(fā)明的具體實施方式，但是本領(lǐng)域的技術(shù)人員應當理解，這些具體實施方式僅是舉例說明，本領(lǐng)域的技術(shù)人員在不脫離本發(fā)明的原理和實質(zhì)的情況下，可以對上述方法和系統(tǒng)的細節(jié)進行各種省略、替換和改變。例如，合并上述方法步驟，從而按照實質(zhì)相同的方法執(zhí)行實質(zhì)相同的功能以實現(xiàn)實質(zhì)相同的結(jié)果則屬于本發(fā)明的范圍。因此，本發(fā)明的范圍僅由所附權(quán)利要求書限定。權(quán)利要求1.一種快速路行程時間預測方法，其特征在于，該方法包括下列步驟步驟1，將快速路在空間上劃分為多個路段，在每個路段中設(shè)置多組檢測器，每組檢測器在各個檢測周期時刻獲得各檢測斷面各個車道的速度和流量信息；步驟2，從第一個路段開始，利用檢測器獲得各個車道車輛通過的速度信息，通過各個車道的速度和流量信息計算出各個檢測斷面的平均速度；以某一時刻ti(其中i＝0，1，2，3...)為起始時間，計算出各個檢測斷面在ti時刻的平均速度；步驟3，根據(jù)歷史測量得到的ti時刻之前的檢測斷面平均速度和ti時刻的檢測斷面平均速度，利用神經(jīng)網(wǎng)絡(luò)預測各個檢測斷面在ti時刻之后的速度；步驟4，進行數(shù)據(jù)融合，利用各個檢測斷面的速度融合出整個路段在各個時刻的空間平均速度，并以此計算出車輛通過整個路段的行程時間Tj，其中j＝1，2，3...；步驟5，以駛出路段的時刻ti+1＝ti+Tj為下一個路段的起點，計算第一個路段結(jié)束時t1＝t0+T1，重復上述步驟2-5，計算下一個路段的行程時間，如此重復，直到計算完最后一個路段為止；步驟6，對各路段的行程時間進行累加，得到對快速路行程預測時間為2.根據(jù)權(quán)利要求1所述的快速路行程時間預測方法，其特征在于，所述的步驟1中將快速路劃分為多個路段的具體方法是在快速路上以一定間距設(shè)置一組檢測器，將快速路劃分為m個路段，每個路段包含n組相鄰檢測器，每組檢測器檢測r個車道。3.根據(jù)權(quán)利要求1所述的快速路行程時間預測方法，其特征在于，所述的步驟2中計算檢測斷面的平均速度的具體步驟是步驟2-l，給第i個路段(l"《m)中n個檢測器組編號為D;，1《y'《"，設(shè)第i個路段中n個檢測斷面的平均速度為Vi，1S7'S";步驟2-2，計算n個檢測斷面的平均速度Xi，如下<formula>formulaseeoriginaldocumentpage3</formula>其中，力-是第j組檢測器處第k個車道單位時間的流量，1SA:S?！秠是第j組檢測器處第k個車道在單位時間內(nèi)通過的車流量。4.根據(jù)權(quán)利要求1所述的快速路行程時間預測方法，其特征在于，所述的步驟3中預測各個檢測斷面未來速度的具體步驟是步驟3-l，建立具有多輸入、單輸出和單隱層的三層BP網(wǎng)絡(luò)，根據(jù)已知的多個時刻的速度作為輸入，求出作為輸出的未來某一時刻的速度；步驟3-2，采用試湊法訓練網(wǎng)絡(luò)，根據(jù)經(jīng)驗公式確定隱層的神經(jīng)元個數(shù)S;步驟3-3，選取訓練參數(shù)，觀察訓練效果；步驟3-4，確定使得網(wǎng)絡(luò)的MSE的值達到最小的神經(jīng)元個數(shù)S;步驟3-5，利用確定的神經(jīng)元個數(shù)S及所述神經(jīng)網(wǎng)絡(luò)預測各個檢測斷面的速度。5.根據(jù)權(quán)利要求1所述的快速路行程時間預測方法，其特征在于，所述的步驟4中進行數(shù)據(jù)融合并計算路段空間平均速度的具體步驟是，利用加權(quán)平均算法，計算出第i個路段在t時刻的速度乂(t)。6.根據(jù)權(quán)利要求1所述的快速路行程時間預測方法，其特征在于，所述的步驟5中計算通過路段的行程時間的方法是使用時間離散法，具體步驟是步驟5-l，假設(shè)目標路段檢測器的數(shù)據(jù)采集時間間隔為Af，目標路段的長度為L;步驟5-2，假設(shè)一輛車在時刻t進入這個路段，通過預測和數(shù)據(jù)融合可以得到目標路段在未來時刻"込""0,1,2,3…)的空間平均速度v,，/二0，1,2,3…；步驟5-3，車輛在A/時間內(nèi)的行駛距離為(=v,xA"而車輛在目標路段的累計行駛長度為A=/。+A十…+(;歩驟5-4，當Z^《K丄,時，車輛在時刻^+込f駛出目標路段，從而路段行程時間Tj，j=l，2,3，行程時間"=(/><△/)+(￡—A一0/v,，(/〉0);步驟5-5，當丄。>丄即/0>丄時，車輛在第一個時間間隔"內(nèi)駛出目標路段，貝lj"0，行程時間乃=丄"0。全文摘要本發(fā)明提出了一種快速路行程時間預測方法。根據(jù)快速路上安裝的檢測器獲取各車道速度和流量信息，可以實現(xiàn)對行程時間的計算和預測。具體方法是首先根據(jù)檢測器的位置將快速路在空間上劃分為若干路段。利用路段中檢測器獲得的信息計算出檢測斷面的平均速度，并利用神經(jīng)網(wǎng)絡(luò)對速度的未來值進行預測。采用數(shù)據(jù)融合的方法將檢測斷面的速度進行融合，得到路段的空間平均速度。然后利用時空離散的方法，計算出路段的行程時間。依次計算出所有路段的行程時間并將其累加，就得到整個快速路的行程時間。利用本發(fā)明可以對快速路的行程時間進行預測，從而能夠引導車輛合理利用快速路出行，對于緩解大城市交通擁堵具有重要作用。文檔編號G08G1/01GK101436347SQ20081023941公開日2009年5月20日申請日期2008年12月9日優(yōu)先權(quán)日2008年12月9日發(fā)明者陳德旺,魏天磊申請人:北京交通大學