【成果推荐】基于多时段热点聚类的交通拥堵预测方法- 大数跨境

科技牛咨讯

2023-12-27

导读：【成果推荐】基于多时段热点聚类的交通拥堵预测方法

01 项目简介

城市人口密度的增大和城市空间的扩张使交通拥堵成为一个亟待解决的问题。交通量预测方法有很多种，包括基于深度学习的方法和基于多尺度时空特征的方法。这些方法大多基于数据的时空特性。然而，当时空数据对拥堵影响较大时，其他因素也会在一定程度上对拥堵产生影响，比如是否是工作日、车辆角度等。

我们的方法利用 Spark 对城市路网信息和出租车运行轨迹数据进行预处理。处理后的数据分为 96 个 15 分钟的时段。不同时间段的热点聚类充分反映了交通在时间和空间维度上的变化。采用 PageRank 算法和中间轨迹相结合的方法来挖掘每个时间段内区域的吸引力，并使用 K 均值聚类算法根据每个时间间隔内的吸引力值对区域进行聚类。然后，利用基于转移概率的最短距离匹配算法对出租车的轨迹点进行地图匹配，计算出道路平均车速，确定出租车的行驶方向。把道路平均车速、出租车的行驶方向输入到 XGBoost_-SVM 、 Dual-XGBoost 和 XGBoost_-BP 神经网络模型，用于交通拥堵预测。

热点地区是城市中对人有吸引力、人口密度高的地区。区域被赋予一个值来衡量其吸引力，在吸引力值较高的区域更容易发生交通拥堵。我们提出了 PageRank-K 算法来计算区域的吸引力，然后根据吸引力对区域热点和潜在热点进行挖掘。

隐马尔可夫模型常用于预测具有时间序列特征的轨迹点。最短距离匹配算法和基于 HMMs 的地图匹配算法是两种最常用的地图匹配算法。然而，现有的地图匹配方法存在两个缺点。首先，出租车轨迹是低频数据，因此采用最短距离匹配算法来匹配出租车轨迹并不十分准确。第二，虽然改进的 HMM 可以有效地提高地图匹配的准确率，但是需要较长的时间。另外，基于隐马尔可夫模型的方法存在延迟问题，因此它们的在线地图匹配效果并不理想。

基于这两点，我们提出了一种基于隐马尔可夫模型转移概率的最短距离匹配算法。它具有速度快、精度高的特点。

最后将工作日指标、时间、角度和区域聚类变量输入XGBoost 模型，对平均道路速度进行预测，并将平均道路速度预测结果与角度、区域聚类、时间和工作日指标相结合，作为道路拥堵预测的最终数据。最后，将最终数据输入 BP 网络、支持向量机或 XGBoost 模型，分析道路拥堵状况，选择最佳预测方法。

图 1 中 C 区作为出发地和目的地，吸引力较低，但由于 A 区、B 区、D 区与 E、F、G 区的路径相交于 C 区，C 区仍然容易发生交通拥堵，与 C 区类似的，吸引力较低的交通枢纽区域，被称为潜在热点区。

图 1 热点和潜在热点。A、 B、D、E、F、G 是热点，C 是交通枢纽图中的箭头线代表交通流

如图 2 所示，每个相邻点被看作一个状态，并且一条道路由多个状态组成。

图 2 多个状态组成一条道路。连接两个相邻的 GPS 点以形成一个状态。将相邻状态首尾相连，形成一条道路

在图 3 中，假设状态 1 是与前一个点 G1 匹配的状态，与下一个要匹配的点（G2）与状态 5 和状态 9 之间的距离是相同的。显然，状态 5 是正确的候选状态。状态 5 的 ID 与状态 1 的 ID 之间的差值的绝对值为 4，状态 9 的 ID 与状态 1 的 ID 之间的差值的绝对值为 8。状态 ID 之间的计算可以防止一条道路上的点与其他道路上的点匹配。