更新时间:2017-06-07 13:26
旺旺:王乔
对于现有的路况信息实现两方面的能力加强,一、更多的路网覆盖能力,在有限的数据集合上,扩充路网覆盖度;二、未来路况的把控能力,实现5,10,15分钟到1个小时,至更长期的路况预测能力,提升交通指挥决策能力。
对于交通行业相关客户,实现实时预判当前的拥堵持续市场, 当前拥堵可能蔓延的范围, 量化当前拥堵的影响,支持交管部门优化实时诱导方案。同时,方便用户基于未来路况智慧规划出行路径,不仅躲避眼前的拥堵路段,还能够提前决策躲避将要遇到的拥堵路段;减小发布的“实时路况“与用户体验的当前路况之间的差异, 减少由于信息滞后导致用户错误决策的可能性。
预测准确率85%以上,预测更新与实时路况的更新同步(滞后短于10秒)。
路况服务的范围包括4类等级道路: 高速,国道,城市快速路,及地面主要道路。 项目建设分为两个部分:
预测路况可以通过多种渠道输出:点亮道路上的路况大屏, 交通广播,移动APP, 指挥中心大屏。
路况大数据预测系统是创新应用,结合了预测模型的算法创新与云计算系统层面的技术创新。
项目所依据的预测模型原理是基于“数据流形”的理论。这是一个传统概率论与微分几何交叉的新兴领域。通俗的看,在许多领域,实时收集的数据反映了在不同网络节点之间的一种信息互动, 而这种信息互动是基于网络结构的路径按照一定的速率传递的。例如:城市道路网络上的交通流数据反映了车辆在网络上的“流动“, 环境监测点网络观察的大气污染指数反映了空气在3维空间的流动,互联网各级单口访问数反映了在路由器之间交互访问的数据流量。数据流形有共同的特性:动力学特征上有复合型的周期性与空间维度上长程相关性,同时还有局部的马尔可夫随机过程特性。另外一方面,尽管网络的节点数目可能很高(上万个), 但是其流程是有隐藏的一个或几个低维度的流形结构决定的。然而,由于在固定节点观测的数据是一个时间序列,属于非平稳型并且变差随时间而变,导致传统的统计学方法不能用来描述数据流形的动力学特性,更无法确定隐藏的低维度流形结构。
而系统实现层面需要充分考虑到实时更新的要求,对算法的复杂度及稳固性有很高要求。 系统总体框架分为离线与在线部分。离线部分负责高计算量高复杂度的模型训练,耗时久但是调用次数不频繁(每天一次); 在线部分负责实时计算预测结果,调用次数频繁,计算复杂度相当较低以保证预测结果及时完成与实时路况同步更新,此次的建设方案可以分解为以下几项技术任务:
本套解决方案目前支持三种服务方式,一、只依赖高德数据提供城市及高速路网的未来路况预测;二、客户自己的交通数据加高德数据的路况预测;三、高德加手机信令数据的路况预测。不同的数据源的优劣比较如下。
方案 | 描述 | 特点 | 问题 |
---|---|---|---|
高德数据 | 以出租车和app用户的浮动车数据为主 | 不需要硬件投入,车辆密集区域数据质量完好,时效性高 | 路网覆盖度不完整,不同路段数据可信度不同 |
交通数据 | 线圈、摄像头 | 检测数据准确、丰富,包含速度、流量、占有率。 | 需要硬件投入,覆盖度有限 |
手机信令 | 运营商的基站服务数据 | 数据采样率高 | 运营商数据成本较高,覆盖的路网受定位精度限制 |
以浙江高速未来路况预测为例,数据源以手机信令为主,系统由阿里云ODPS、RDS、ECS产品搭建,采取公有云的方式提供服务。整体实施架构如下图:
在文档使用中是否遇到以下问题
更多建议
匿名提交