《電子技術應用》
您所在的位置:首頁 > 其他 > 設計應用 > 一種基于改進的馬爾可夫鏈的交通狀況預測模型
一種基于改進的馬爾可夫鏈的交通狀況預測模型
2022年電子技術應用第5期
周明升1,劉抒揚2
1.上海外高橋保稅區(qū)聯(lián)合發(fā)展有限公司,上海200131;2.上海商學院 商務信息學院,上海201400
摘要: 城市交通日益擁堵的今天,為用戶推薦最快行駛路線成為一個研究熱點。行駛路線推薦的核心問題是對路線將來某段時間(途徑這段線路時)交通狀況的預測。交通狀況受到路線本身狀況、行駛時間、天氣狀況、駕駛員習慣等多種因素影響,其變化快、變化方式復雜,難以準確預測。對多階馬爾可夫鏈模型進行了改進,提高了運算效率和響應速度,建立一種高效的交通狀況預測模型,經(jīng)北京市實際交通數(shù)據(jù)的檢驗,得到了比較好的預測效果。
中圖分類號: TP391
文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.211928
中文引用格式: 周明升,劉抒揚. 一種基于改進的馬爾可夫鏈的交通狀況預測模型[J].電子技術應用,2022,48(5):27-30,36.
英文引用格式: Zhou Mingsheng,Liu Shuyang. A prediction model for traffic conditions based on an improved Markov chain[J]. Application of Electronic Technique,2022,48(5):27-30,36.
A prediction model for traffic conditions based on an improved Markov chain
Zhou Mingsheng1,Liu Shuyang2
1.Shanghai Waigaoqiao Free Trade Zone United Development Co.,Ltd.,Shanghai 200131,China; 2.Faculty of Business Information,Shanghai Business School,Shanghai 201400,China
Abstract: With the growth of urban traffic jam, how to recommend the fastest driving route for end users has become a research focus. The core problem of route recommending is how to forecast the traffic condition of the route in future, when the user will drive on this route section. The traffic condition is influenced by many factors, like road condition itself, passing time, weather conditions and habits of the driver. Because traffic condition changes very fast and complicated, it is difficult to accurately predict directly. This paper proposed a traffic condition prediction model based on an improved M-order Markov chain, which is more efficient. The model was tested with the actual traffic data in Beijing, and got a good result.
Key words : Markov chain;traffic condition;routes recommending;prediction model

0 引言

    確定了用戶的出發(fā)地和目的地后,準確預測各條可能路線未來某段時間(行駛到達路段時)的交通狀況,可以為用戶推薦最優(yōu)出行線路,減少行駛時間,也方便用戶私家車與公共交通的選擇。某段線路上的行駛時間應綜合考慮以下幾個因素:路線本身的情況、行駛到該路線上時的交通流量和駕駛員的駕駛習慣等。當前對交通狀況、路線推薦的研究主要有以下幾類:(1)基于交通分析的方法[1-2]:通過道路上的識別器及車流量信息,通過“識別器-車流量-行駛方向”的范式來研究交通狀況推薦路線,這種方法準確性的前提是要有足夠的識別器和車流量信息,數(shù)據(jù)獲取比較困難[3]。通過獲取車輛信息,估計實時交通流量,預測將來的交通狀況[4-6],其基于路段的分析需要借助大量數(shù)據(jù)進行分析,當采樣率低、數(shù)據(jù)稀疏時無法準確估計。(2)基于交通模式學習的方法:給出了概率為基礎的方法,通過用戶歷史GPS軌跡數(shù)據(jù),預測駕駛員的目的地和行車路徑[7-8]。其通過學習GPS軌跡數(shù)據(jù)來獲取駕駛和速度模式計算最快路線[9-10]。(3)智能推薦:試圖挖掘駕駛員道路選擇的傾向,通過人機交互或推理模型推薦個性化路線,其推薦路線沒有隨行駛時間而優(yōu)化[11]。其通過GPS軌跡數(shù)據(jù),尋找關鍵節(jié)點和關鍵路線,結(jié)合用戶行為,推薦最快線路[12-13]。




本文詳細內(nèi)容請下載:http://theprogrammingfactory.com/resource/share/2000004271。




作者信息:

周明升1,劉抒揚2

(1.上海外高橋保稅區(qū)聯(lián)合發(fā)展有限公司,上海200131;2.上海商學院 商務信息學院,上海201400)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。