[go: up one dir, main page]

CN106600993B - 一种基于rfid数据的路口车辆分流量预测方法 - Google Patents

一种基于rfid数据的路口车辆分流量预测方法 Download PDF

Info

Publication number
CN106600993B
CN106600993B CN201710086397.4A CN201710086397A CN106600993B CN 106600993 B CN106600993 B CN 106600993B CN 201710086397 A CN201710086397 A CN 201710086397A CN 106600993 B CN106600993 B CN 106600993B
Authority
CN
China
Prior art keywords
data
prediction
period
vehicle
rfid
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710086397.4A
Other languages
English (en)
Other versions
CN106600993A (zh
Inventor
许国良
罗林
雒江涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201710086397.4A priority Critical patent/CN106600993B/zh
Publication of CN106600993A publication Critical patent/CN106600993A/zh
Application granted granted Critical
Publication of CN106600993B publication Critical patent/CN106600993B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于RFID数据的路口车辆分流量预测方法，包括：步骤1、收集RFID数据；步骤2、数据预处理去除重复数据；步骤3、基于时间相位划分的车辆转向判别计算路口转向车流量；步骤4、提取特征构建特征集；步骤5、使用训练数据集训练预测模型；步骤6、以测试数据集作为预测模型输入预测其输出。本发明主要根据车辆的RFID数据，采用机器学习算法实现路口车辆分流量的预测，为智能交通信号灯的智能控制提供决策依据。

Description

一种基于RFID数据的路口车辆分流量预测方法
技术领域
本发明涉及智能交通领域，一种基于RFID数据的路口车辆分流量预测方法。
背景技术
现如今评判一个城市的宜居性很大程度上是依赖城市的交通状况，城市糟糕的交通给人们的出行带来了极大的不便。如何更加智能的治理规划城市交通成为当今社会的研究热点，因此智能交通应运而生。本发明借助机器学习算法以车辆RFID数据为基础通过模型训练预测路口车辆分流量大小，目的是为实现交通信号灯的智能控制提供决策依据。目前公开发表的文章或者专利主要的数据来源是GPS数据、磁感应线圈数据和图像数据，对RFID数据研究较少。另外对路口车流量的预测大都停留在路口单一方向上的流量预测，对每个路口各个方向的分流量预测很少有人涉及。
发明内容
有鉴于此，本发明的目的在于提供一种基于RFID数据的路口车辆分流量预测方法，以实现对路口各个方向上车辆分流量大小进行预测，最终为交通信号灯的智能控制提供决策依据。
本发明的目的是通过以下技术方案来实现的，一种基于RFID数据的路口车辆分流量预测方法，主要步骤为：
步骤1、收集车辆RFID数据；
步骤2、数据预处理，去除重复和奇异数据；
步骤3、以预处理后的数据为基础，基于时间相位划分方法判断路口车辆转向，并计算每个信号周期内路口各个方向车流量大小；
步骤4、根据步骤3所计算得到的各个方向车流量大小再结合公有数据构建特征集，该特征集的每条特征数据最后一个字段为标记字段，标识不同时间段下每个转向的车流量大小；
步骤5、以步骤4所得数据作为训练集，使用机器学习算法训练一个预测路口各个方向车流量大小的预测模型；
步骤6、对于一个新的信号周期，根据步骤4构建特征集并将新构建的特征集作为预测模型的输入，预测模型输出即为预测信号周期内对应方向的车辆分流量大小。
进一步，车辆转向识别方法具体步骤为：
步骤a、规定每个信号周期为T，信号周期为信号灯某个方向上的绿灯开始计时到下一次绿灯开始之间的时间间隔；
步骤b、规定在每个信号周期内红绿灯时长会被划分为多个相位，表示为p1,p2…pn；
步骤c、每个路口按方向划分东、西、南、北，每个方向上有一个RFID采集点分别用RE、RW、RS、RN表示，通过在特定的相位时间段内各RFID采集点获取到的车辆信息可以判断其转向；
步骤d、根据步骤c识别车辆转向，并按每个信号周期T统计各个方向上的车流量大小。
进一步，步骤4中，特征集的构建过程为：
步骤4.1、从时间序列出发充分考虑历史数据对预测周期的影响，ft+1表示预测周期t+1某转向车流量大小，考虑预测周期前五个信号周期车流量大小：ft、ft-1、ft-2、ft-3、ft-4；考虑预测结果与前一天相同时间段之间的关联性，选取前一天预测周期和预测周期前五个周期车流量大小：考虑预测结果与一周前相同时间段之间的关联性，选取一周前预测周期和预测周期前五个周期车流量大小：
步骤4.2、考虑时间因素、天气因素、工作日因素和气温因素对预测结果的影响构建特征time、min_temp、max_temp、weather、weekday、month，分别代表预测周期小时数、预测日最低气温、预测日最高气温、预测日天气、预测工作日或周末和预测日月份；
步骤4.3、结合步骤4.1和步骤4.2所选取的特征然后加上方向标识最终特征集包含24个特征。
由于采用以上技术方案，本发明具有以下优点：
1.使用车辆的RFID数据，信息获取准确简单。
2.通过先进的数据挖掘技术较为准确的预测路口转向车流量的大小。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1是路口车辆分流量预测方法整体流程图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
图1是本发明关于路口车辆分流量预测方法整体流程图。所述方法包括：
步骤1、收集车辆RFID数据，数据主要包括RFID采集点编号、车辆唯一标识、RFID采集点位置信息和RFID数据采集时间戳。
步骤2、RFID数据清洗，去除重复和奇异数据。将每个RFID采集点下同一辆车的数据按时间序列排序，设定一个较小的时间阈值，当相邻数据时间间隔小于阈值时删除重复数据保留第一条数据。去奇异操作清除明显异常数据。
步骤3、以预处理后的数据为基础，基于时间相位划分方法判断路口车辆转向，并计算每个信号周期内路口各个方向车流量大小。该方法具体计算步骤为：
a、规定每个信号周期为T，即信号灯某个方向上的绿灯开始计时到下一次绿灯开始之间的时间间隔。
b、规定在每个信号周期内红绿灯时长会被划分为多个相位，表示为p1,p2…pn(一般n＝2、4、8)。其中最常见的为四相位(n＝4)划分，如p1为东西直行加右转，p2为南北直行加右转，p3为东西向左转，p4为南北向左转。每个相位的通行时间不重叠。
c、每个路口按方向划分(通常为四方向)东(E)，西(W)，南(S)，北(N)。每个方向上有一个RFID采集点分别用RE、RW、RS、RN表示，因为多个相位之间的通行时间不重叠，所以在特定的相位时间段内各RFID采集点获取到的车辆信息可以判断其转向。例如在p1相位规定东西直行加右转方向车辆通行，于是在p1相位的通行时间段内RE获取的车辆信息为由西向东直行的车辆，用W-E表示。又如p4相位规定南北方向左转方向车辆通行，于是在p4相位的通行时间段内RE获取的车辆信息为由北向东的车辆，用N-E表示。
d、根据步骤c识别车辆转向，并按每个信号周期T统计各个方向上的车流量大小。
步骤4、根据步骤3所计算得到的各个方向车流量再结合公有数据构建特征集，每条特征数据最后一个字段为标记字段，标识不同时间段下每个转向的车流量大小。公有数据主要包括天气、温度、日期、是否周末等。
特征集的构建过程为：
a、从时间序列出发充分考虑历史数据对预测周期的影响。ft+1表示预测周期t+1某转向车流量大小，考虑预测周期前五个信号周期车流量大小：ft、ft-1、ft-2、ft-3、ft-4。考虑预测结果与前一天相同时间段之间的关联性选取前一天预测周期和预测周期前五个周期车流量大小：考虑预测结果与一周前相同时间段之间的关联性选取一周前预测周期和预测周期前五个周期车流量大小：
b、考虑时间因素、天气因素、工作日因素和气温因素对预测结果的影响构建特征time、min_temp、max_temp、weather、weekday、month。分别代表预测周期小时数、预测日最低气温、预测日最高气温、预测日天气、预测工作日或周末和预测日月份。
c、结合步骤a和步骤b所选取的特征然后，加上方向标识最终特征集包含24个特征。
步骤5、以步骤4所得数据作为训练集，主要数据来源是车辆RFID和能够公开获取的天气、温度和日期等数据。使用机器学习算法训练一个可以预测路口各个方向车流量大小的预测模型。
步骤6、对于一个新的信号周期可以根据步骤4构建特征并将新构建的特征集作为预测模型的输入，预测模型输出即为预测信号周期内对应方向的车辆分流量大小。
本发明提供的一种基于RFID数据的路口车辆分流量预测方法，主要利用路口车辆的RFID数据通过数据预处理、特征集的构建等过程然后再结合相应的预测模型实现对新的交通信号周期内路口车辆分流量的预测。目的是为交通信号灯的智能控制提供决策依据。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (2)

1.一种基于RFID数据的路口车辆分流量预测方法，其特征在于：主要步骤为：
步骤1、收集车辆RFID数据；
步骤2、数据预处理，去除重复和奇异数据；
步骤3、以预处理后的数据为基础，基于时间相位划分方法判断路口车辆转向，并计算每个信号周期内路口各个方向车流量大小；
步骤4、根据步骤3所计算得到的各个方向车流量大小再结合公有数据构建特征集，该特征集包含24个特征，每一个特征用一个字段表示，其中最后一个字段为标记字段，标识不同时间段下每个转向的车流量大小，所述公有数据包括天气、温度、日期和是否周末；
步骤5、以步骤4所得数据作为训练集，使用机器学习算法训练一个预测路口各个方向车流量大小的预测模型；
步骤6、对于需要预测的信号周期即当前信号周期的下一个周期，使用步骤4的方法构建一条特征数据，但是这条特征数据不包含最后一个标识车流量大小的字段，然后使用这条特征数据作为步骤5所训练的预测模型的输入，预测模型输出即为预测信号周期内对应方向的车辆分流量大小；
步骤4中，特征集的构建过程为：
步骤4.1、从时间序列出发充分考虑历史数据对预测周期的影响，ft+1表示预测周期t+1某转向车流量大小，考虑预测周期前五个信号周期车流量大小：ft、ft-1、ft-2、ft-3、ft-4；考虑预测结果与前一天相同时间段之间的关联性，选取前一天预测周期和预测周期前五个周期车流量大小：考虑预测结果与一周前相同时间段之间的关联性，选取一周前预测周期和预测周期前五个周期车流量大小：
步骤4.2、考虑时间因素、天气因素、工作日因素和气温因素对预测结果的影响构建特征time、min_temp、max_temp、weather、weekday、month，分别代表预测周期小时数、预测日最低气温、预测日最高气温、预测日天气、预测工作日或周末和预测日月份；
步骤4.3、结合步骤4.1和步骤4.2所选取的特征然后加上方向标识最终特征集包含24类字段。
2.根据权利要求1所述的一种基于RFID数据的路口车辆分流量预测方法，其特征在于：车辆转向识别方法具体步骤为：
步骤a、规定每个信号周期为T，信号周期为信号灯某个方向上的绿灯开始计时到下一次绿灯开始之间的时间间隔；
步骤b、规定在每个信号周期内红绿灯时长会被划分为多个相位，表示为p1，p2…pn；步骤c、每个路口按方向划分东、西、南、北，每个方向上有一个RFID采集点分别用RE、RW、RS、RN表示，通过在特定的相位时间段内各RFID采集点获取到的车辆信息判断其转向；
步骤d、根据步骤c识别车辆转向，并按每个信号周期T统计各个方向上的车流量大小。
CN201710086397.4A 2017-02-17 2017-02-17 一种基于rfid数据的路口车辆分流量预测方法 Active CN106600993B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710086397.4A CN106600993B (zh) 2017-02-17 2017-02-17 一种基于rfid数据的路口车辆分流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710086397.4A CN106600993B (zh) 2017-02-17 2017-02-17 一种基于rfid数据的路口车辆分流量预测方法

Publications (2)

Publication Number Publication Date
CN106600993A CN106600993A (zh) 2017-04-26
CN106600993B true CN106600993B (zh) 2019-10-01

Family

ID=58587664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710086397.4A Active CN106600993B (zh) 2017-02-17 2017-02-17 一种基于rfid数据的路口车辆分流量预测方法

Country Status (1)

Country Link
CN (1) CN106600993B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730890B (zh) * 2017-11-09 2021-04-20 一石数字技术成都有限公司 一种基于实时场景下车流车速预测的智能交通方法
CN108205890B (zh) * 2017-12-29 2021-03-09 迈锐数据（北京）有限公司 一种交通数据处理方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2351453A1 (fr) * 1976-05-11 1977-12-09 Thomson Csf Simulateur de circulation en temps accelere
CN101833867A (zh) * 2010-04-22 2010-09-15 赵乎 基于射频识别技术的交通管理系统及其方法
CN102637365A (zh) * 2011-02-15 2012-08-15 成都西谷曙光数字技术有限公司 利用i-RFID技术实现城市交通智能化的系统和方法
CN103310057A (zh) * 2013-06-14 2013-09-18 广州市公共交通数据管理中心 交通微观仿真运行方法和装置
CN103927891A (zh) * 2014-04-29 2014-07-16 北京建筑大学 一种基于双贝叶斯的路口动态转向比例两步预测方法
CN105046956A (zh) * 2015-06-24 2015-11-11 银江股份有限公司 一种基于转向系数的交通流模拟及预测方法
CN106023621A (zh) * 2016-07-22 2016-10-12 山东交通学院 基于rfid和微信平台的城市智能交通诱导方法
CN106205150A (zh) * 2016-07-20 2016-12-07 安徽建筑大学 一种车联网路况监测系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9349288B2 (en) * 2014-07-28 2016-05-24 Econolite Group, Inc. Self-configuring traffic signal controller

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2351453A1 (fr) * 1976-05-11 1977-12-09 Thomson Csf Simulateur de circulation en temps accelere
CN101833867A (zh) * 2010-04-22 2010-09-15 赵乎 基于射频识别技术的交通管理系统及其方法
CN102637365A (zh) * 2011-02-15 2012-08-15 成都西谷曙光数字技术有限公司 利用i-RFID技术实现城市交通智能化的系统和方法
CN103310057A (zh) * 2013-06-14 2013-09-18 广州市公共交通数据管理中心 交通微观仿真运行方法和装置
CN103927891A (zh) * 2014-04-29 2014-07-16 北京建筑大学 一种基于双贝叶斯的路口动态转向比例两步预测方法
CN105046956A (zh) * 2015-06-24 2015-11-11 银江股份有限公司 一种基于转向系数的交通流模拟及预测方法
CN106205150A (zh) * 2016-07-20 2016-12-07 安徽建筑大学 一种车联网路况监测系统
CN106023621A (zh) * 2016-07-22 2016-10-12 山东交通学院 基于rfid和微信平台的城市智能交通诱导方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于BP神经网络的路口短时交通流量预测方法;尚宁 等;《计算机应用与软件》;20060228;第23卷(第2期);正文第32-34页 *
集成BP神经网络预测模型的研究与应用;赵会敏 等;《电信科学》;20160228(第2期);正文第60-67页 *

Also Published As

Publication number Publication date
CN106600993A (zh) 2017-04-26

Similar Documents

Publication Publication Date Title
CN103198104B (zh) 一种基于城市智能公交系统的公交站点od获取方法
Li et al. Studying the benefits of carpooling in an urban area using automatic vehicle identification data
CN109544908B (zh) 一种实时预测公交到站时间的方法、电子设备及存储介质
CN108831149B (zh) 一种基于历史od信息定制公交线路开行方法及系统
CN102324128B (zh) 基于ic卡记录的公交站间od客流预测方法及装置
CN105096643B (zh) 基于多线路前车运行数据的实时公交到站时间预测方法
CN104157142B (zh) 一种基于浮动车数据的城市路径行程时间预测方法
CN104123841B (zh) 一种车辆到站时间的获取方法及系统
Liu et al. Exploiting heterogeneous human mobility patterns for intelligent bus routing
CN110390349A (zh) 基于XGBoost模型的公交车客流量预测建模方法
CN103714696B (zh) 高速交通信息接入处理系统
CN104916129A (zh) 基于大规模卡口过车数据的道路实时通行速度计算方法
CN110008872A (zh) 一种结合车辆轨迹和遥感图像的路网提取方法
CN104269059A (zh) 一种基于多源数据融合的城市路径行程时间预测方法
CN108281033A (zh) 一种停车诱导系统及方法
CN116030654A (zh) 交通拥堵调节方法、装置、电子设备及介质
CN106600993B (zh) 一种基于rfid数据的路口车辆分流量预测方法
CN106846891B (zh) 一种基于序列分解的公共停车场泊位多步预测方法
Khekare et al. The smart accident predictor system using internet of things
Hosseinlou et al. Evaluation of transit signal priority for bus rapid transit in heterogeneous traffic flow
CN110379159A (zh) 基于机动车电子标识数据的出行链提取方法
Song et al. Public transportation service evaluations utilizing seoul transportation card data
CN108269411B (zh) 一种高速公路etc车流量预测方法
CN114036411A (zh) 一种路线规划方法、装置、设备及介质
CN113724494A (zh) 一种定制公交需求区域识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant