專利名稱：：預測交通流的方法和裝置的制作方法
技術領域：
：本發(fā)明涉及智能交通領域，尤其涉及一種預測交通流的方法和裝置。
背景技術：
：交通流的預測是智能交通系統的重要組成部分，它對交通出行、城市或區(qū)域交通規(guī)劃、支撐交通控制系統等都有重要的作用。交通流預測技術能夠通過當前已知的交通流數據，合理地推算出未來15分鐘內的交通狀況，從而智能動態(tài)地進行路徑規(guī)劃，指導人們的出行路線?，F有技術中用于預測交通流的方法很多，常用的方法有回歸分析法、時間序列法、神經網絡法和卡爾曼濾波法等。在實現本發(fā)明的過程中，發(fā)明人發(fā)現，由于交通流數據具有復雜性和隨機性，并且變化頻繁，當采用上述方法進行預測時，在有些交通條件下預測結果不準確、誤差較大。
發(fā)明內容本發(fā)明的實施例提供一種預測交通流的方法和裝置，能夠更加準確地預測交通流。為達到上述目的，本發(fā)明的實施例采用如下技術方案—種預測交通流的方法，包括將預先獲取的交通流數據分解為一組低頻信號和一組以上高頻信號；預測所述低頻信號的發(fā)展趨勢，獲取所述低頻信號的預測結果；預測所述高頻信號的發(fā)展趨勢，獲取所述高頻信號的預測結果；根據所述低頻信號的預測結果和所述高頻信號的預測結果進行交通流預測。—種預測交通流的裝置，包括分解單元，用于將預先獲取的交通流數據分解為一組低頻信號和一組以上高頻信號；第一預測單元，用于預測由所述分解單元獲得的低頻信號的發(fā)展趨勢，獲取所述低頻信號的預測結果；第二預測單元，用于預測由所述分解單元獲得的高頻信號的發(fā)展趨勢，獲取所述高頻信號的預測結果；第三預測單元，用于根據由所述第一預測單元獲取的低頻信號的預測結果和由所述第二預測單元獲取的高頻信號的預測結果進行交通流預測。本發(fā)明實施例提供的預測交通流的方法和裝置，通過將交通流數據分解為一組低頻信號和一組以上高頻信號，從而將一組復雜、隨機的交通流數據轉變?yōu)閹捉M具有一定規(guī)律和特性的信號；并對所述低頻信號和高頻信號分別進行預測，根據所述預測結果進行交通流預測，解決了現有技術中直接對所述交通流數據進行預測而造成的預測結果不準確的問題。本發(fā)明的實施例提供的預測交通流的方法和裝置，能夠更加準確地預測交通流。為了更清楚地說明本發(fā)明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。圖1為本發(fā)明實施例提供的預測交通流的方法流程圖；圖2為本發(fā)明實施例提供的預測低頻信號發(fā)展趨勢的方法流程圖；圖3為本發(fā)明實施例提供的預測交通流的裝置結構示意圖一；圖4為本發(fā)明實施例提供的預測交通流的裝置中分解單元301的結構示意圖；圖5為本發(fā)明實施例提供的預測交通流的裝置中第三預測單元304的結構示意圖。具體實施例方式為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有付出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。為了解決現有技術中直接對所獲取的交通流數據進行預測而造成的預測結果不準確的問題，本發(fā)明實施例提供一種預測交通流的方法和裝置。下面結合附圖對本發(fā)明實施例提供的方法和裝置進行詳細描述。如圖1所示，本發(fā)明實施例提供的預測交通流的方法，包括步驟101，將預先獲取的交通流數據分解為一組低頻信號和一組以上高頻信號；在本實施例中，所述交通流數據是指定路鏈的一天的交通流數據，是一組一維的離散信號。所獲取的交通流數據成分復雜、變化頻繁，并且其中包含有許多不同性質的信號，這些不同性質的信號在交通流的預測過程中所起的作用不同，只有區(qū)別對待這些不同性質的信號成分，才能提高預測精度。大量仿真交通流和現實交通流的非線性特征的分析表明，交通流數據在不同的時間頻率尺度上具有自相似性和多尺度特性，因此可以將一組包含不同性質信號的交通流數據分解為幾組具有特定性質的信號。本實施例中，采用小波分解的方法分解所述交通流數據，將所述交通流數據分解為一組低頻信號和一組以上高頻信號。其中，所述低頻信號為表達原始交通流數據本質變化趨勢的基本信號；所述一組以上高頻信號為互不相關的波動信號。此外，在對交通流數據進行小波分解之前，還需要選擇小波函數，由于同一個工程問題用不同的小波函數進行分解時，所得到的結果有時相差甚遠，因此在本實施例中，可以采用經驗值，或者采用不斷試驗的方法來選擇小波函數。步驟102，預測所述低頻信號的發(fā)展趨勢，獲取所述低頻信號的預測結果；在本實施例中，由于經過小波分解后得到的低頻信號變化穩(wěn)定，因此可以采用時間序列預測法預測所述低頻信號的發(fā)展趨勢，當然，也可以采用其它的方法進行預測，此處不再一一列舉。如圖2所示，采用時間序列預測法預測的步驟包括步驟201，對所述低頻信號進行時間序列平穩(wěn)化檢驗；本實施例中，預測所述低頻信號的發(fā)展趨勢的作用對象應為時間序列平穩(wěn)的低頻信號，因此首先要檢驗經過小波分解后得到的低頻信號是否是平穩(wěn)的。時間序列平穩(wěn)的直觀含義就是時間序列中不存在任何的趨勢性和周期性。按時間序列的統計特性劃分，有平穩(wěn)時間序列和非平穩(wěn)時間序列兩類。其中，所述平穩(wěn)時間序列又分為嚴格平穩(wěn)時間序列和寬平穩(wěn)時間序列。如果一個時間序列的概率分布與時間無關，則稱該時間序列為嚴格平穩(wěn)時間序列；如果一個時間序列的一、二階矩存在，而且在任意時刻，所述時間序列的均值為常數，并且其協方差為時間間隔的函數，則稱所述時間序列為寬平穩(wěn)時間序列。具體到本實施例中，所述時間序列即為經過小波分解后得到的低頻信號，只要所述低頻信號為寬平穩(wěn)時間序列，則認為所述低頻信號是平穩(wěn)的，可以對其進行預測，即轉入步驟203;如果所述低頻信號不滿足平穩(wěn)特性，則在預測之前，還要對其進行平穩(wěn)化處理，即轉入步驟202，使其成為平穩(wěn)的低頻信號。具體地，判斷所述低頻信號是否平穩(wěn)，可以按照低頻信號的統計意義來檢驗；也可以通過繪圖從平穩(wěn)性的直觀意義來檢驗，即觀察其數據圖是否存在趨勢性或周期性，如果沒有明顯的趨勢性或周期性，就認為所述低頻信號是平穩(wěn)的；或者，也可以通過見解反推的方法來檢驗，例如，自相關函數檢驗法，偏自相關函數檢驗法，特征根檢驗法，參數檢驗法，和游程檢驗法等。步驟202，若所述低頻信號不平穩(wěn)，則對其進行平穩(wěn)化處理；在本實施例中，當所述低頻信號經過步驟201的檢驗后，若不符合平穩(wěn)的條件，則還需要對其進行平穩(wěn)化處理。具體的平穩(wěn)化處理的方法有，消除原始序列的趨勢項和周期項的方法、差分法、均值函數擬合等。對于完成平穩(wěn)化處理的低頻信號，再次進行平穩(wěn)化檢驗，若通過，轉入步驟203，若不通過，繼續(xù)此步驟，直到通過平穩(wěn)化檢驗。步驟203，對滿足平穩(wěn)化條件的低頻信號進行模型識別；本實施例中，進行模型識別的目的就是從平穩(wěn)時間序列模型中選擇一個與所述低頻信號相吻合的模型，所述平穩(wěn)時間序列模型為以下三個自回歸模型(AutoRegression,AR)，滑動平均模型(MovingAverage，MA)，自回歸滑動平均模型(AutoRegression-MovingAverage,ARMA)，下面簡單介紹所述三個時間序列模型(1)自回歸(AR)模型的一般AR模型的數學形式為yt=小iyt—,小2yt—2+...+小pyt—p+et其中，(j^，小2，…小p稱為自回歸系數，滿足平穩(wěn)性條件，^為白噪聲序列，上式稱為是P階自回歸模型，簡記為AR(p).(2)滑動平均(MA)模型的一般MA模型的數學形式為其中，^，^2，'"《^稱為滑動平均系數，^為白噪聲序列，上式稱為是q階滑動平均模型，簡記為MA(q).(3)自回歸滑動平均(ARMA)模型的一般ARMA模型的數學形式為乂=A少"+A少,-2+…+P+A++…+其中，(j^，小2，…(^稱為自回歸系數，滿足平穩(wěn)性條件，^1，^2，'''<^稱為滑動平均系數，et為白噪聲序列，上式稱為是P階自回歸-q階滑動平均模型，簡記為ARMA(p，q).從以上定義中可以看出，AR模型和MA模型即為A薩模型的特例，當p=0時，p階自回歸-q階滑動平均模型ARMA(p，q)轉化為p階自回歸模型AR(p);當q=0時，p階自回歸-q階滑動平均模型ARMA(p，q)轉化為q階滑動平均模型MA(q)。對于三類模型AR，MA，ARMA，它們各自的自相關函數和偏自相關函數特點如表一所示，采用這些特點可以進行模型識別。表一<table>tableseeoriginaldocumentpage6</column></row><table>表一中的拖尾是指模型自相關函數或偏自相關函數隨著時滯的增加呈現指數衰減并趨于零，而截尾則是指模型的自相關函數或偏自相關函數在某步之后全部為零。具體地，如表一所示，如果所述低頻信號的自相關函數是拖尾的，偏自相關函數是截尾的，可選用AR模型；如果所述低頻信號的自相關函數是截尾的，偏自相關函數是拖尾的，可選用MA模型；如果所述低頻信號的自相關函數和偏自相關函數都是拖尾的，可選用ARMA模型。步驟204，對所選擇的模型進行定階；在步驟203中確定了模型類型之后，為了建立具體的模型，還需要知道模型的階數。具體定階的方法有殘差方差圖定階法，F檢驗定階法，最佳準則定階法，以及自相關函數和偏自相關函數定階法等。例如，采用自相關和偏自相關函數定階的具體方法為如果選用的是AR模型，并且低頻信號的偏自相關函數在p步以后截尾，則AR模型的階數為p;如果選用的是MA模型，并且低頻信號的自相關函數在q步以后截尾，則MA模型的階數為q。其它定階方法在此不再贅述。步驟205，對所述定階后的模型進行參數估計；模型的階數確定之后，就可以進行參數估計了。主要有三種估計方法矩估計，極大似然估計和最小二乘估計。最小二乘估計和極大似然估計的精度較高，因而一般稱之為模型參數的精估計。而極大似然估計計算方法較為復雜，最后求解的方程皆為非線性方程，很難求解，所以一般可以采用數值算法。方法是，任意給出參數的一組數值，初步估計得到的結果，計算出一個似然函數值；然后，根據一定的法則，再給出參數的一組數值，又計算出一個似然函數值；依此類推，比較似然函數值，選擇使似然函數值最大的那組參數。本實施例中采用矩估計法，下面以AR模型為例說明方法下式是一零均值的AR(p)模型yt=小iyt—,小2yt—2+...+小pyt—p+et需要估計的參數是(^，小2，…。在模型兩邊同乘以yt—j，j>O，可得ytyt-j=小Jt-iyt-j+<t2yt-2yt-j+…+小rJt-Pyt-j+etyt-」兩邊取期望，得Eytyt—j=小^yt—Jt—j+42Eyt—2yt—j+...+4pEyt—pyt—j+Eety由于et與yt-j(J>0)不相關，所以Eetyt—j——"rj=小fj—,小2iV2+".+4prj—p，j>0Itt-jO，因此=q^rj—i+q^rj—2十".十(Pprj—p，j》u中L是序列{yt}的自協方差函數，易知序列的自相關函數Pj也滿足上述關系j=1，2，3...把自相關函數展開成P個方程P1=小iPo+小2p一".+小pPp—工P2=小iPi+小2Pd+".+小pPp-2式，即...p=(J),p,+(J^p^+…+(J^pYule-Walker方程。自相關函數可以用樣本(即本實施例'，H」IK、IHv,h的Yule-Walker方程只有p個未知數，解方程可以得到(^，小2，…小p的估計值，用矩陣表示上述p個方程，表示了平穩(wěn)序列的自相關函數與模型未知參數的關系，被稱為l中的低頻信號)自相關函數代替，所以此時—1A..A-「一l——Ai.A—2々2々"A-21—A對于二階自回歸模型AR(1)，根據上述結果可知對于二階自回歸模型AR(2)，根據上述結果可知%一~^;ri~p2A2i-A2獲得模型的參數后，時間序列預測法所采用的預測模型就建立起來了。步驟206，檢驗所述預測模型的合理性；對于上述步驟建立的預測模型，還需要進行檢驗，看其是否合理。具體的檢驗方法可以采用代入法，將其輸出結果與已知的結果相比較，如果比較的結果在指定的誤差內，則所述預測模型合理，可以用其進行預測；如果比較的結果超出指定誤差，則所述預測模型不合理，需要重新建立預測模型，直到建立的預測模型符合要求為止。7步驟207，根據所建立的預測模型預測低頻信號的發(fā)展趨勢。在本實施例中，可以采用正交投影法，或者條件期望法對所建立的低頻信號的預測模型進行預測。由于所述低頻信號是經過平穩(wěn)化以后的低頻信號，在平穩(wěn)化步驟中，消除了趨勢項和周期項，所以預測結果只是原低頻信號一部分的預測結果。本步驟中，還需要加上所述趨勢項和周期項，以獲得原低頻信號的最終預測結果。步驟103，預測所述高頻信號的發(fā)展趨勢，獲取所述高頻信號的預測結果；本實施例中，由于所述高頻信號是非線性的，所以可以選用神經網絡預測法來預測高頻信號的發(fā)展趨勢。神經網絡是一種新興的數學建模方法，它具有識別復雜非線性系統的特性，本實施例中選取神經網絡模型中的誤差反向傳播算法(BackPropagation,BP)，一般稱為BP神經網絡模型，此模型需要通過學習訓練才能工作，由信息的正向傳播和誤差的反向傳播兩個過程組成。BP模型具體的學習訓練過程如下輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變換能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經過進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進行誤差的反向傳播階段。誤差通過輸出層，按照誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播的過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程。此過程一直進行到網絡輸出的誤差減少到可以接受的程度。對于經過學習訓練的、誤差可以被接受的BP神經網絡模型，可以用來預測經過小波分解后得到的高頻信號的發(fā)展趨勢，即將所述高頻信號作為輸入數據輸入到所述BP神經網絡模型中，經所述模型計算后獲得輸出結果，此結果即為高頻信號的預測值。步驟104，根據所述低頻信號的預測結果和所述高頻信號的預測結果進行交通流預測。本實施例中，首先分別設置所述低頻信號和所述高頻信號的預測結果的權值，根據所設置的權值計算所述低頻信號和所述高頻信號的預測結果的加權平均值，得到的加權平均值即為最終包含原始交通流信息的預測值。本發(fā)明實施例提供的預測交通流的方法，通過將交通流數據分解為一組低頻信號和一組以上高頻信號，從而將一組復雜、隨機的交通流數據轉變?yōu)閹捉M具有一定規(guī)律和特性的信號；并對所述低頻信號和高頻信號分別進行預測，根據所述預測結果進行交通流預測，解決了現有技術中直接對所述交通流數據進行預測而造成的預測結果不準確的問題。本發(fā)明的實施例提供的預測交通流的方法和裝置，能夠更加準確地預測交通流。如圖3所示，本發(fā)明實施例還提供一種預測交通流的裝置，所述裝置包括分解單元301，用于將預先獲取的交通流數據分解為一組低頻信號和一組以上高頻信號；本實施例中，采用小波分解的方法分解所述交通流數據，將所述交通流數據分解為一組低頻信號和一組以上高頻信號。其中，所述低頻信號為表達原始交通流數據本質變化趨勢的基本信號；所述一組以上高頻信號為互不相關的波動信號。第一預測單元302，用于預測由所述分解單元301獲得的低頻信號的發(fā)展趨勢，獲取所述低頻信號的預測結果；在本實施例中，由于經過小波分解后得到的低頻信號變化穩(wěn)定，因此可以采用時間序列預測法預測所述低頻信號的發(fā)展趨勢。第二預測單元303，用于預測由所述分解單元301獲得的高頻信號的發(fā)展趨勢，獲取所述高頻信號的預測結果；本實施例中，由于所述高頻信號是非線性的，所以可以選用神經網絡預測法來預測高頻信號的發(fā)展趨勢。第三預測單元304，用于根據由所述第一預測單元302獲取的低頻信號的預測結果和由所述第二預測單元303獲取的高頻信號的預測結果進行交通流預測。本實施例中，首先分別設置所述低頻信號和所述高頻信號的預測結果的權值，根據所設置的權值計算所述低頻信號和所述高頻信號的預測結果的加權平均值，得到的加權平均值即為最終包含原始交通流信息的預測值。進一步地，如圖4所示，所述分解單元301包括選取單元3011，用于選取小波函數；分解子單元3012，用于根據由所述選取單元3011選取的小波函數分解所述預先獲取的交通流數據。進一步地，如圖5所示，所述第三預測單元304包括設置單元3041，用于分別設置由所述第一預測單元302和所述第二預測單元303獲取的低頻信號和高頻信號的預測結果的權值；獲取單元3042，用于根據由所述設置單元3041設置的權值獲取所述低頻信號和所述高頻信號的預測結果的加權平均值；第三預測子單元3043，用于根據由所述獲取單元3042獲取的加權平均值預測交通流。以上裝置的具體實現方法可以參見如圖1和圖2所示的方法流程圖，此處不再贅述。本發(fā)明實施例提供的預測交通流的裝置，通過將交通流數據分解為一組低頻信號和一組以上高頻信號，從而將一組復雜、隨機的交通流數據轉變?yōu)閹捉M具有一定規(guī)律和特性的信號；并對所述低頻信號和高頻信號分別進行預測，根據所述預測結果進行交通流預測，解決了現有技術中直接對所述交通流數據進行預測而造成的預測結果不準確的問題。本發(fā)明的實施例提供的預測交通流的方法和裝置，能夠更加準確地預測交通流。本發(fā)明實施例提供的技術方案，適用于交通流預測系統對城市道路交通流進行預本領域普通技術人員可以理解實現上述實施例方法中的全部或部分步驟是可以通過程序來指令相關的硬件完成，所述的程序可以存儲于一計算機可讀存儲介質中，如ROM/RAM、磁碟或光盤等。以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本
技術領域：
的技術人員在本發(fā)明揭露的技術范圍內，可輕易想到變化或替換，都應涵蓋在本發(fā)明的保護范圍之內。因此，本發(fā)明的保護范圍應所述以權利要求的保護范圍為準。權利要求一種預測交通流的方法，其特征在于，包括將預先獲取的交通流數據分解為一組低頻信號和一組以上高頻信號；預測所述低頻信號的發(fā)展趨勢，獲取所述低頻信號的預測結果；預測所述高頻信號的發(fā)展趨勢，獲取所述高頻信號的預測結果；根據所述低頻信號的預測結果和所述高頻信號的預測結果進行交通流預測。2.根據權利要求1所述的預測交通流的方法，其特征在于，所述交通流數據為一維離散數據。3.根據權利要求1所述的預測交通流的方法，其特征在于，所述將預先獲取的交通流數據分解為一組低頻信號和一組以上高頻信號包括選取小波函數；根據所述小波函數分解所述預先獲取的交通流數據。4.根據權利要求1所述的預測交通流的方法，其特征在于，所述預測所述低頻信號的發(fā)展趨勢采用時間序列預測法；所述預測所述高頻信號的發(fā)展趨勢采用神經網絡預測法。5.根據權利要求1所述的預測交通流的方法，其特征在于，所述根據所述低頻信號的預測結果和所述高頻信號的預測結果進行交通流預測包括分別設置所述低頻信號和所述高頻信號的預測結果的權值；根據所述權值獲取所述低頻信號和所述高頻信號的預測結果的加權平均值；根據所述加權平均值預測交通流。6.—種預測交通流的裝置，其特征在于，包括分解單元，用于將預先獲取的交通流數據分解為一組低頻信號和一組以上高頻信號；第一預測單元，用于預測由所述分解單元獲得的低頻信號的發(fā)展趨勢，獲取所述低頻信號的預測結果；第二預測單元，用于預測由所述分解單元獲得的高頻信號的發(fā)展趨勢，獲取所述高頻信號的預測結果；第三預測單元，用于根據由所述第一預測單元獲取的低頻信號的預測結果和由所述第二預測單元獲取的高頻信號的預測結果進行交通流預測。7.根據權利要求6所述的預測交通流的裝置，其特征在于，所述分解單元包括選取單元，用于選取小波函數；分解子單元，用于根據由所述選取單元選取的小波函數分解所述預先獲取的交通流數據。8.根據權利要求6所述的預測交通流的裝置，其特征在于，所述第三預測單元包括設置單元，用于分別設置由所述第一預測單元和所述第二預測單元獲取的低頻信號和高頻信號的預測結果的權值；獲取單元，用于根據由所述設置單元設置的權值獲取所述低頻信號和所述高頻信號的預測結果的加權平均值；第三預測子單元，用于根據由所述獲取單元獲取的加權平均值預測交通流。全文摘要本發(fā)明公開了一種預測交通流的方法和裝置，涉及智能交通領域，以解決現有技術中直接對所獲取的交通流數據進行預測而造成的預測結果不準確的問題。本發(fā)明提供的技術方案包括將預先獲取的交通流數據分解為一組低頻信號和一組以上高頻信號；預測所述低頻信號的發(fā)展趨勢，獲取所述低頻信號的預測結果；預測所述高頻信號的發(fā)展趨勢，獲取所述高頻信號的預測結果；根據所述低頻信號的預測結果和所述高頻信號的預測結果進行交通流預測。本發(fā)明實施例提供的技術方案，適用于交通流預測系統對城市道路交通流進行預測。文檔編號G06F19/00GK101739819SQ200910237939公開日2010年6月16日申請日期2009年11月19日優(yōu)先權日2009年11月19日發(fā)明者付新剛,昝艷,李建軍,賈學力申請人:北京世紀高通科技有限公司