Anton Agafonov and Vladislav Myasnikov - An algorithm for traffic flow parameters prediction with the use of adaptive elementary predictions combination
06 Архитектура информационных систем. Паттерны и фреймворки
Similar to Anton Agafonov and Vladislav Myasnikov - An algorithm for traffic flow parameters prediction with the use of adaptive elementary predictions combination
Similar to Anton Agafonov and Vladislav Myasnikov - An algorithm for traffic flow parameters prediction with the use of adaptive elementary predictions combination (20)
Artyom Makovetskii - An Efficient Algorithm for Total Variation Denoising
Anton Agafonov and Vladislav Myasnikov - An algorithm for traffic flow parameters prediction with the use of adaptive elementary predictions combination
1. Алгоритм прогнозирования параметров транспортных
потоков с использованием адаптивной комбинации
элементарных прогнозов
An algorithm for traffic flow parameters prediction with
the use of adaptive elementary predictions combination
АИСТ-2015
2. 2/16
Классификация задач для транспортных сетей:
- задачи анализа
- задачи прогнозирования
- задачи оптимизации
- задачи управления
3. 3/16
Задачи прогнозирования
Статическое прогнозирование транспортных потоков (моделирование)
Прогнозные модели: четырехшаговая модель (Гасников, Lohse, Якимов)
Имитационные модели
Микроскопические: модели следования за лидером (Pipes, Gazis, Krauss), модели
клеточных автоматов (Nagel, Wu), модели частиц (Van Aerde, Hoogendoorn)
Мезоскопические: кинетические модели (Пригожин, Hoogendoorn)
Макроскопические: LWR-модель (Lighthill), модели Пэйна (Payne), модель Хельбинга
(Helbing)
Динамическое прогнозирование транспортных потоков
Оценка матриц корреспонденций в течение дня (Wu)
Распределение транспортных потоков по сети в течение дня (Sherali)
Краткосрочное прогнозирование транспортных потоков (обзор Bolshinsky, 2012)
Прогноз событий (прибытие ОТС, прогноз дорожных заторов, оптимального времени выезда
и т.п.), (Bin, Sun)
Навигационные задачи (прогноз времени проезда, кратчайшего пути и т.д.) (Liu)
4. 4/16
Краткосрочное прогнозирование транспортных
потоков: современное состояние
Источники данных: дорожные датчики, видеокамеры, оснащенные GPS ТС, мобильные
устройства.
Модели на основе архивных данных (Smith B., 1993)
Линейные регрессионные модели (Rice, 2004; Sun H., 2007; Yandex)
Модели временных рядов ARIMA (Williams B., 2003; Fambro D., 2007), VARMA (Stathopoulos
A., 2003), ST-ARMA (Kamarianakis I., 2002)
Нейронные сети (Chen H., 2001; Guorong G., 2010)
Модели на основе фильтрации Калмана (Okutani I., 1984; Ojeda, 2013)
Непараметрическая регрессия (Zhang T., 2010)
Метод опорных векторов (Wu C., 2003; Zhang X., 2007)
Гибридные модели (Tan M., 2009; Sun Z., 2013)
5. 5/16
Конкретизация области исследования
Недостатки существующих решений:
локальный «характер» прогноза (как следствие – высокая вычислительная
сложность для крупных населенных пунктов);
большинство исследований используют данные от дорожных датчиков;
игнорирование дополнительной информации, влияющей на реальную
ситуацию (погода, видимость и др.).
6. Задача краткосрочного прогнозирования транспортного потока заключается в оценке
параметров потока по имеющимся актуальным и статистическим данным при горизонте
прогноза в 1 час:
6/16
Основные обозначения
Дорожная сеть представлена в виде ориентированного графа
w – сегмент дорожной сети (ребро графа)
– параметр транспортного потока на ребре w в момент t
Параметры:
среднее время прохождения сегмента (или скорость),
плотность потока,
интенсивность
twv ,
Hhhtwv ,1,,
7. 7/16
Предлагаемая схема построения прогноза
…
Вектор
признаков
подсети
Уменьшение
размерности
Данные
Элементарный
прогноз 2
Элементарный
прогноз 1
Элементарный
прогноз N
Алгоритм комбинации
Прогноз на
подсети
Прогноз
для сети
Разбиение УДС
на подсети
Предварительная
обработка данных
8. Задача: преобразование координат положения ТС в параметры транспортных потоков
Исходные данные:
Координаты положений ТС по данным GPS/ГЛОНАСС измерений
Для маршрутных ТС известен один или два номера маршрута движения.
Этап 1. Уточнение координат:
Алгоритм 1 для ОТС с единственным известным маршрутом: учет ограничений, налагаемых
поступательным движением.
Алгоритм 2 для ОТС с двумя предполагаемыми маршрутами: учет ограничений, налагаемых
маршрутным и поступательным движением.
Алгоритм 3 для произвольных ТС: определение наиболее «вероятного» местоположения ТС с учетом
истории движения.
Этап 2. Переход от местоположений ТС к параметрам транспортного потока .
8/16
j
i
j
i
tptp 10 ,
Предварительная обработка данных
j
i
j
i
j
i
j
i
tPtPtptp 1010
ˆ,ˆ,
twvtPtP j
i
j
i
,ˆ,ˆ 10
twvtptp j
i
j
i
,, 10
9. 9/16
Снижение размерности с учетом пространственно-
временной корреляции данных. Метод главных компонент
Выделение главных
компонент
k
M
Переход в пространство меньшей размерности
tvMt k
M
kk
M
T
Учет пространственно-временной корреляции
Tkk
M
N
n
kk
M
k
vntvvntv
N
C
1
~
0
~
1
10. Метод опорных векторов (SVR)
10/16
Элементарные прогнозные модели
Сезонная ARIMA
где - лаговый оператор
- стационарный временной ряд
Многомерная модель VARMA:
sQDPqdp ,,,,
0
100
200
300
400
500
1 85 169 253 337 421
Среднеевремя
Отсчеты
– нелинейная функция ядра
T
S twvtwvtwvtv ,,,,,, 110
tItvI
q
i
i
i
p
i
i
i
11
ΘΦ LL
itwvtwvi
,,L
,ε1θ1
,111φ1
11
11
t
twv
Q
i
si
i
q
i
i
i
Dsd
P
i
si
i
p
i
i
i
LL
LLLL
tε
N
N
m
k
M
k
Mm mtvtvKntwv ~
1
~
0
,,
,K
MtwvMtwvtwvtv k
S
k
M ,,,,,,, 100
11. Метод потенциальных функций
Прогноз строится с учетом близости главных компонент векторов
признаков в разные моменты времени
.4,0
,4,
2
-exp
2
1
, 2
2
mttR k
M
k
M
.
1 1
0
22
H
h
h
M
h
M
k
M
k
M
mtt
H
mtt
.0,,
,0,,
,
,
,,,
1
~
0
1
~
0
1
~
0
1
~
0
0
N
m
k
M
k
M
N
m
k
M
k
MN
m
k
M
k
M
N
m
k
M
k
M
k
mttR
mttR
mttR
mttRnmtv
ntMkPF
- метрика близости,
учитывает соседние области
11/16
12. VARMA SVR МПФ
Вектор признаков подсети
1,0, Kktvtv
k
M
k
M W
Снижение размерности
tvMt k
M
kk
M
T
Адаптивная комбинация
.,,,maxarg1~,,,,
,,,,,,
,,,,,,,,,,,
1,0
1~
0
~
2
~
1
~
0
0
1
0
0
0
0
ntMkPFqntMkPF
ntMkSVRntMkTS
ntMkPFntMkSVRntMkTS
ntv
qq
Qq
q
q
q
q
qq
k
ntwv *
,ˆ 12/16
Математическая модель адаптивной линейной комбинации
– число
потенциальных
функций
Q
Предполагается, что
110 Q
),,,( ntMkSVR
ntMkPFntMkPF Q
,,,,,,,, 10 ),,,( ntMkTS
13. 0
50
100
150
200
250
300
350
400
450
500
1 85 169 253 337
Среднеевремя,с
Отсчеты
SVR
VARMA
МПФ (4)
Адаптивная модель
Реальное время
13/16
Перекрестная проверка. Выборка: данные о среднем времени
прохождения сегментов дорожной сети за 24 будних дня.
Исследования модели
Пример прогноза на один шаг
14. 14/16
0
0.05
0.1
0.15
0.2
0.25
0 50 100 150 200 250 300
Доляостаточнойдисперсии
Число компонент
0
50
100
150
200
250
300
0 50 100 150 200 250 300
Времяработы,с
Число компонент
Исследования модели
Исследование времени работы алгоритмаОпределение числа главных компонент
в методе снижения размерности данных (PCA)
16. 16/16
Предложена математическая модель краткосрочной динамики транспортных потоков,
использующая адаптивную по отношению к данным динамики комбинацию регрессионных
алгоритмов и методов машинного обучения.
Предложен способ снижения размерности векторов признаков с учетом их
пространственно-временной корреляции.
Проведено экспериментальное исследование модели адаптивной комбинации и
алгоритмов элементарных прогнозов на реальных данных в г. Самара.
Снижение размерности данных значительно сокращает время работы модели
краткосрочного прогнозирования.
Математическая модель краткосрочной динамики транспортных потоков, использующая
адаптивную по отношению к данным динамики комбинацию регрессионных алгоритмов и
методов машинного обучения, показала лучшие результаты по сравнению с
элементарными прогнозами почти на всем горизонте прогноза.
Выводы и результаты