基于关联路链组的城市路网短时交通流预测模型

doi:10.13229/j.cnki.jdxbgxb.20211391

吉林大学学报(工学版) ›› 2023, Vol. 53 ›› Issue (11): 3104-3112.doi: 10.13229/j.cnki.jdxbgxb.20211391

• 交通运输工程·土木工程 • 上一篇下一篇

基于关联路链组的城市路网短时交通流预测模型

翁剑成¹(),魏瑞聪^1,²,何寒梅³,徐海辉⁴(),王晶晶^5,⁶

^1.北京工业大学交通工程北京市重点实验室，北京 100124
^2.福建省高速公路联网运营有限公司，福州 350019
^3.北京百度智行科技有限公司智能交通业务拓展部，北京 100085
^4.北京市交通委员会，北京 100161
^5.北京市交通运行监测调度中心，北京 100161
^6.综合交通运行监测与服务北京市重点实验室，北京 100161

收稿日期:2021-12-16 出版日期:2023-11-01 发布日期:2023-12-06
通讯作者: 徐海辉 E-mail:youthweng@bjut.edu.cn;xuhaihui@jtw.beijing.gov.cn
作者简介:翁剑成（1981-），男，教授，博士. 研究方向：智能交通与大数据建模，交通出行行为.E-mail：youthweng@bjut.edu.cn
基金资助:
国家自然科学基金项目(52072011);国家重点研发计划项目(2017YFE0134500)

Urban road network short-term traffic flow prediction model based on associated road chain group

Jian-cheng WENG¹(),Rui-cong WEI^1,²,Han-mei HE³,Hai-hui XU⁴(),Jing-jing WANG^5,⁶

^1.The Key Laboratory of Transportation Engineering，Beijing University of Technology，Beijing 100124，China
^2.Fujian Expressway Network Operation Co. ，Ltd. ，Fuzhou 350019，China
^3.Beijing Baidu Zhixing Technology Co. ，Ltd. ，Beijing 100085，China
^4.Beijing Municipal Commission of Transport，Beijing 100161，China
^5.Beijing Municipal Transportation Operations Coordination Center，Beijing 100161，China
^6.Beijing Key Laboratory of Integrated Traffic Operation Monitoring and Service，Beijing 100161，China

Received:2021-12-16 Online:2023-11-01 Published:2023-12-06
Contact: Hai-hui XU E-mail:youthweng@bjut.edu.cn;xuhaihui@jtw.beijing.gov.cn

摘要/Abstract

摘要：

为更准确预测城市路网交通流状态，通过测算各路段重要度及最短距离路径长度表征路段的空间特征属性，提出了基于密度峰值聚类算法识别交通流时空相关性较强的关联路链集合。以同一路链内所有路段时空二维矩阵作为模型输入，构建基于路链组划分的长短时记忆神经网络（RCGD-LSTMNN）的交通流预测模型。以北京市路网为例，将四环路内骨干路网分为8个关联路链组，模型精度可达95%以上，且皆优于传统的LSTM和BP模型的预测结果，表明本文模型有良好适用性和精度稳定性，适用于不同时空模式的路链组交通状态预测。

关键词: 交通运输系统工程, 路链组划分, 交通预测, 密度峰值聚类, 长短时记忆神经网络, 时空相关性

Abstract:

In order to divide the associated road chains of urban road network and accurately predict the traffic operation state， calculate the importance of each road section and the shortest distance path length to represent the spatial characteristics of the road section， this paper proposes the density peak clustering algorithm to identify the correlation road chain set with strong temporal and spatial correlation of traffic flow. A traffic flow prediction model is constructed by the long short-term memory neural network based on road chain groups division（RCGD-LSTMNN），and takes the spatiotemporal two-dimensional matrix of all sections in the same road chain as the model input. In Beijing road network， for example， the fourth ring road in the backbone network is divided into eight associated road chain group， the model accuracy can reach more than 95%， and is superior to the traditional LSTM and BP model predicted results， show that the presented model has good applicability and accuracy of stability， applicable to different spatial and temporal patterns of road traffic state forecasting chain group.

Key words: engineering of communications and transportation system, road chain groups division, traffic prediction, density peak clustering, long short-term memory neural network, temporal-spatial correlation

中图分类号:

U491.14

翁剑成,魏瑞聪,何寒梅,徐海辉,王晶晶. 基于关联路链组的城市路网短时交通流预测模型[J]. 吉林大学学报(工学版), 2023, 53(11): 3104-3112.

Jian-cheng WENG,Rui-cong WEI,Han-mei HE,Hai-hui XU,Jing-jing WANG. Urban road network short-term traffic flow prediction model based on associated road chain group[J]. Journal of Jilin University(Engineering and Technology Edition), 2023, 53(11): 3104-3112.

图/表 10

表1

表2

图1

图2

表3

图3

图4

表4

关联路链组聚类结果"

类别	路段名称	数量
第1组	东三环北路、东三环北路（辅路）、北三环东路（主路）、东四环北路（主路）、北四环东路（主路）、北四环东路（辅路）、京密路	7
第2组	东二环（建国门桥-广渠门桥）、东二环（朝阳门桥-建国门桥）、东二环（首都机场高速公路-东四十条桥）、东二环（东四十条桥-朝阳门立交）、东二环（广渠门桥-光明桥）、东二环（光明桥-左安门桥）、东三环中路（主路）、东三环中路（辅路）、东四环中路（主路）、朝阳门外大街、建国门内大街、建国门北大街、建国门南大街、建国门外大街、广渠门外大街、广渠路、广渠门内大街、珠市口东大街	18
第3组	南二环（左安门桥-玉蜓桥）、东三环南路（主路）、东三环南路（辅路）、南三环中路（主路）、南三环东路、南三环东路（辅路）、东四环南路、东四环南路（辅路）、南四环东路、南四环东路（辅路）、京沪高速、松榆南路、双龙路	13
第4组	南四环西路、南四环西路（辅路）、南四环中路、南四环中路（辅路）、京开高速	5
第5组	南二环（右安门桥-菜户营桥）、南二环（玉蜓桥-陶然桥）、南二环（右安门桥-陶然桥）、西二环（广安门桥-菜户营桥）、南三环西路、南三环西路（辅路）、西三环中路（主路）、西三环中路（辅路）、西三环南路、西三环南路（辅路）、西四环南路、西四环南路（辅路）、丽泽路、京港澳高速、丰台北路	15
第6组	西二环（复兴门桥-阜成门桥）、西二环（官园桥-阜成门桥）、西二环（复兴门桥-广安门桥）、复兴门内大街、广安门外大街、广安门内大街、三里河路、广安路、复兴路、东长安街、西长安街、骡马市大街、珠市口西大街、复兴门外大街	14
第7组	西三环北路、西三环北路（辅路）、西四环北路（主路）、西四环北路（辅路）、西四环中路（主路）、西四环中路（辅路）、阜成路	7
第8组	西二环（西直门桥-官园桥）、北二环（安定门桥-首都机场高速公路）、北二环（德胜门桥-西直门桥）、北三环西路（主路）、北三环中路、北三环中路（辅路）、北四环西路（主路）、北四环西路（辅路）、北四环中路、北四环中路（辅路）、西直门南大街、安定门外大街、京藏高速公路、安定路	14

表4

图5

表5

参考文献 15

1	邱世崇, 陆百川, 马庆禄, 等. 基于时空特性分析和数据融合的交通流预测[J] . 武汉理工大学学报: 信息与管理工程版, 2015, 37(2): 156-160.
	Qiu Shi-chong, Lu Bai-chuan, Ma Qing-lu, et al. Traffic flow forecasting based on spatio-temporal characteristic analysis and data fusion[J]. Journal of Wuhan University of Technology(Information& Management Engineering), 2015, 37(2): 156-160.
2	Liu L, Zhen J, Li G, et al. Dynamic spatial-temporal representation learning for traffic flow prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 22(11): 7169-7183.
3	陆百川, 李玉莲, 舒芹. 基于时空相关性和遗传小波神经网络的路网短时交通流预测[J]. 重庆理工大学学报: 自然科学版, 2020, 34(5): 25-34.
	Lu Bai-chuan, Li Yu-lian, Shu Qin. Short term traffic flow prediction of road network based on spatiotemporal correlation and genetic wavelet neural network[J]. Journal of Chongqing University of Technology (Natural Science), 2020, 34(5): 25-34.
4	刘钊, 杜威, 闫冬梅, 等. 基于K近邻算法和支持向量回归组合的短时交通流预测[J]. 公路交通科技, 2017, 34(5): 126-132.
	Liu Zhao, Du Wei, Yan Dong-mei, et al. Short-term traffic flow forecast based on combination of k nearest neighbor algorithm and support vector regression[J]. Journal of Highway and Transportation Research and Development, 2017, 34(5): 126-132.
5	陈华伟, 邵毅明, 敖谷昌, 等. 面向在线地图的GCN-LSTM神经网络速度预测[J]. 交通运输工程学报, 2021, 21(4): 183-196.
	Chen Hua-wei, Shao Yi-ming, Ao Gu-chang, et al. Speed prediction by online map-based GCN-LSTM neural network[J]. Journal of Traffic and Transportation Engineering, 2021, 21(4): 183-196.
6	蒲悦逸, 王文涵, 朱强, 等. 基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法[J]. 北京邮电大学学报, 2020, 43(5): 9-14.
	Pu Yue-yi, Wang Wen-han, Zhu Qiang, et al. Urban short-term traffic flow prediction algorithm based on CNN-ResNet-LSTM model[J]. Journal of Beijing University of Posts and Telecommunications, 2020, 43(5): 9-14.
7	陈丹蕾, 陈红, 任安虎. 考虑时空影响下的图卷积网络短时交通流预测[J]. 计算机工程与应用, 2021, 57(13): 269-275.
	Chen Dan-lei, Chen Hong, Ren An-hu. Short term traffic flow prediction based on graph convolution network considering the influence of time and space[J]. Computer Engineering and Application, 2021, 57(13): 269-275.
8	谷远利, 张源, 芮小平, 等. 基于免疫算法优化LSSVM的短时交通流预测[J]. 吉林大学学报: 工学版, 2019, 49(6): 1852-1857.
	Gu Yuan-li, Zhang Yuan, Rui Xiao-ping, et al. Short⁃term traffic flow prediction based on LSSVM optimized by immune algorithm[J]. Journal of Jilin University (Engineering and Technology Edition), 2019, 49(6): 1852-1857.
9	.城市道路工程设计规范 [S].
10	赵建东, 贾卓瑾, 梁营力, 等. 基于浮动车数据的城市区域路网关键路段识别[J]. 北京交通大学学报, 2021, 45(4): 54-60.
	Zhao Jian-dong, Jia Zhuo-jin, Liang Ying-li, et al. Identification of key road sections in urban road network based on floating car data[J]. Journal of Beijing Jiaotong University, 2021, 45(4): 54-60.
11	Zhao Z. A density-peak-based clustering method for multiple densities dataset[J]. ISPRS International Journal of Geo-Information, 2021, 10(9): 10090589.
12	Yang J M, Peng Z R, Lin L. Real-time spatiotemporal prediction and imputation of traffic status based on LSTM and graph laplacian regularized matrix factorization[J]. Transportation Research Part C: Emerging Technologies, 2021, 129: 1-23.
13	贾洪飞, 孟品超, 李学源, 等. 基于滑动平均法的轨道交通短时客流实时预测[J]. 吉林大学学报: 工学版, 2018, 48(2): 448-453.
	Jia Hong-fei, Meng Pin-chao, Li Xue-yuan, et al. Short-time rail transit passenger flow real-time prediction based on moving average[J]. Journal of Jilin University (Engineering and Technology Edition), 2018, 48(2): 448-453.
14	Ryu U, Wang J, Kim T, et al. Construction of traffic state vector using mutual information for short-term traffic flow prediction[J]. Transportation Research Part C: Emerging Technologies, 2018, 96(11): 55-71.
15	Li Y F, Chen M N, Zhao W Z. Investigating long-term vehicle speed prediction based on BP‐LSTM algorithms[J]. IET Intelligent Transport Systems, 2019, 13(8): 1281-1290.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

道路等级	道路名称	道路权值
1	快速路	10
2	主干路	8
3	次干路	6
4	支路	3

指标	道路等级Y₁	路段长度Y₂	路段连接度Y₃
信息熵	0.86	0.96	0.95
指标权重	0.64	0.14	0.21

n_epoch	batch_size=1		batch_size=32		batch_size=64
n_epoch	MRE	RMSE	MRE	RMSE	MRE	RMSE
300	4.655	2.705	4.518	2.446	4.558	2.424
320	4.831	2.721	4.539	2.453	4.585	2.431
340	4.742	2.694	4.475	2.264	4.605	2.436
360	4.603	2.658	4.513	2.438	4.634	2.437

不同预测模型性能	实验（a）		实验（b）
不同预测模型性能	MRE	RMSE	MRE	RMSE
RCGD-LSTMNN	4.291	1.935	4.970	2.246
BP-NN	6.058	4.185	6.865	4.972
LSTM NN	7.120	4.280	8.041	5.164

[1]	张健,李青扬,李丹,姜夏,雷艳红,季亚平. 基于深度强化学习的自动驾驶车辆专用道汇入引导[J]. 吉林大学学报(工学版), 2023, 53(9): 2508-2518.
[2]	郑植,袁佩,金轩慧,魏思斯,耿波. 桥墩复合材料柔性防撞护舷试验[J]. 吉林大学学报(工学版), 2023, 53(9): 2581-2590.
[3]	李建华,王泽鼎. 考虑路径耗时的城市汽车分布式充电桩选点规划[J]. 吉林大学学报(工学版), 2023, 53(8): 2298-2303.
[4]	李洪涛,王琳虹,李俊达. 公路交叉口照明和限速对视觉搜索能力的影响[J]. 吉林大学学报(工学版), 2023, 53(8): 2287-2297.
[5]	巫威眺,曾坤,周伟,李鹏,靳文舟. 基于多源数据和响应面优化的公交客流预测深度学习方法[J]. 吉林大学学报(工学版), 2023, 53(7): 2001-2015.
[6]	程国柱,盛林,赵浩,冯天军. 基于危险度分析的信号交叉口专用相位设置条件[J]. 吉林大学学报(工学版), 2023, 53(7): 1962-1969.
[7]	何永明,陈世升,冯佳,万亚楠. 基于高精地图的超高速公路虚拟轨道系统[J]. 吉林大学学报(工学版), 2023, 53(7): 2016-2028.
[8]	薛志佳,王召阳,张久鹏,晏长根,许子凯,张英立,黄晓明,马涛. 泥石流作用下道路结构韧性分析及提升[J]. 吉林大学学报(工学版), 2023, 53(6): 1773-1781.
[9]	刘振亮,赵存宝,吴云鹏,马迷娜,马龙双. 数据驱动的公路桥梁网络全寿命抗震韧性评估[J]. 吉林大学学报(工学版), 2023, 53(6): 1695-1701.
[10]	贾洪飞,徐英俊,杨丽丽,王楠. 商品车多式联运联盟成员选择及利益分配[J]. 吉林大学学报(工学版), 2023, 53(4): 1060-1069.
[11]	孙超,尹浩为,汤文蕴,褚昭明. 交通需求估计下的检测器布局和手机数据扩样推断[J]. 吉林大学学报(工学版), 2023, 53(4): 1070-1077.
[12]	常玉林,徐文倩,孙超,张鹏. 车联网环境下考虑遵从程度的混合流量逐日均衡[J]. 吉林大学学报(工学版), 2023, 53(4): 1085-1093.
[13]	姚荣涵,徐文韬,郭伟伟. 基于因子长短期记忆的驾驶人接管行为及意图识别[J]. 吉林大学学报(工学版), 2023, 53(3): 758-771.
[14]	肖雪,李克平,彭博,昌满玮. 基于决策-规划迭代框架的智驾车换道行为建模[J]. 吉林大学学报(工学版), 2023, 53(3): 746-757.
[15]	张惠臻,高正凯,李建强,王晨曦,潘玉彪,王成,王靖. 基于循环神经网络的城市轨道交通短时客流预测[J]. 吉林大学学报(工学版), 2023, 53(2): 430-438.

基于关联路链组的城市路网短时交通流预测模型

Urban road network short-term traffic flow prediction model based on associated road chain group

RICH HTML

PDF (PC)

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 15

相关文章 15

Metrics

本文评价

推荐阅读 10