本發(fā)明涉及數(shù)據(jù)預(yù)測領(lǐng)域，更具體地，涉及一種基于信息融合和馬爾可夫模型的交通客流預(yù)測方法。

背景技術(shù)：

隨著城鎮(zhèn)化和機動化進程的加快，早期的客流分配、線網(wǎng)規(guī)劃已經(jīng)不適應(yīng)現(xiàn)代化發(fā)展的需要，同時城市交通擁堵已成為困擾我國城市發(fā)展的難題?，F(xiàn)有技術(shù)中，在智能交通方面對城市交通進行信息化，精細化和智能化的管理、規(guī)劃和設(shè)計，提高客流分配、線網(wǎng)規(guī)劃的合理性，確保在緩解交通擁堵方面進度甚少，同時現(xiàn)有技術(shù)中也鮮有對公交客流進行監(jiān)測和預(yù)測，公交客流進行監(jiān)測和預(yù)測的重點是對客流的預(yù)測，通過歷史客流數(shù)據(jù)和實時監(jiān)測數(shù)據(jù)以及一定的算法，能夠預(yù)測城市短期內(nèi)的交通客流量，這樣為公交營運調(diào)度創(chuàng)造有利條件。

技術(shù)實現(xiàn)要素：

本發(fā)明提供一種基于信息融合和馬爾可夫模型的交通客流預(yù)測方法，該方法可提高交通客流預(yù)測的準確率。

為了達到上述技術(shù)效果，本發(fā)明的技術(shù)方案如下：

一種基于信息融合和馬爾可夫模型的交通客流預(yù)測方法，包括以下步驟：

S1：對多源交通數(shù)據(jù)通過信息融合技術(shù)與分步預(yù)處理相結(jié)合的方法進行預(yù)處理；

S2：對預(yù)處理后的多源交通數(shù)據(jù)采用馬爾可夫模型來進行客流預(yù)測。

進一步地，所述步驟S1的具體過程如下：

S11：多源信息融合與ETL處理-運用信息融合技術(shù)把相同類型或者不同類型的局部測量值加以綜合相互補充，消除信息之前的冗余和不真實數(shù)據(jù)，減少單源測量值出錯所帶來的影響，再對數(shù)據(jù)進行去噪、清洗、變換、歸約、重復(fù)數(shù)據(jù)塊刪除操作；

S12：無損數(shù)據(jù)壓縮-采用小波變換多層分解的形式對數(shù)據(jù)流進行多層分解、空間多層分解、參數(shù)多層分解后，形成按時間為線索的數(shù)據(jù)壓縮流，使交通數(shù)據(jù)的重要特征充分保留和突顯；

S13：特征提取-通過映射或變換的方法，將多源交通數(shù)據(jù)的高維的屬性空間壓縮為低維的屬性空間，即將原始屬性變換為較少的新屬性。

進一步地，所述步驟S2的具體過程如下：

S21：建立交通站點的馬爾可夫模型需要站點與站點的轉(zhuǎn)移概率矩陣；

S22：在馬爾可夫模型轉(zhuǎn)移概率矩陣的訓(xùn)練過程中，將獲取的多源交通信息采用信息融合技術(shù)，采用自適應(yīng)的加權(quán)平均方法來確定站點間的轉(zhuǎn)移概率；

S23：分析交通站點的狀態(tài)影響因素，通過識別不同的影響因素來確定轉(zhuǎn)移矩陣的維度，并作為狀態(tài)影響因子引入轉(zhuǎn)移概率矩陣，對客流進行預(yù)測。

進一步地，所述步驟S12中對數(shù)據(jù)流進行多層分解、空間多層分解、參數(shù)多層分解后的數(shù)據(jù)通過多層還原的形式還原數(shù)據(jù)來確保信息的無損利用。

進一步地，所述步驟S11的具體過程包括：使用Twitter的Storm對交通源數(shù)據(jù)進行流式計算，并采用多余數(shù)據(jù)刪除技術(shù)，以減輕數(shù)據(jù)存儲壓力，減少數(shù)據(jù)冗余，使數(shù)據(jù)更為有效。這一階段主要集中在對重復(fù)數(shù)據(jù)塊的刪除，以及數(shù)據(jù)噪聲的減弱。

進一步地，所述步驟S23的具體過程如下：

1)定義站點A的狀態(tài)為P{x(t+k)＝j(luò)|x(1)＝i₁,x(2)＝i₂,...x(t)＝i_t}，由于客流狀態(tài)通常與越接近它的站點和時間點的客流狀態(tài)關(guān)聯(lián)最緊密，而與之越遠的站點或時間點對它的的影響越小，甚至可以忽略，具有馬爾可夫性。因此，可描述為P{x(t+k)＝j(luò)|x(t)＝i_t}，k≥1；

2)從A站點至B站點情況下，轉(zhuǎn)移出發(fā)狀態(tài)i，轉(zhuǎn)移步k，到達狀態(tài)j，其轉(zhuǎn)移概率為P_ij(k)＝P_ij(t,t+k)；

3)根據(jù)信息融合技術(shù)，判斷觀測站點的關(guān)聯(lián)站點，假設(shè)關(guān)聯(lián)站點有n含觀測站點，確定轉(zhuǎn)移概率矩陣維度為n，并根據(jù)關(guān)聯(lián)性分析對客流進行突發(fā)事件檢測、客流異常檢測、路段規(guī)律，形成狀態(tài)影響因子a_i＝a₁,a₂,...a_n,0＜i≤n；

4)采用信息融合技術(shù)中推薦的與馬爾可夫模型匹配的濾波器的混合初始概率，客流量相互影響的因素構(gòu)成n×n的轉(zhuǎn)移概率矩陣：

5)通過概率矩陣預(yù)測觀測站點的狀態(tài)，預(yù)測值為：

x(t)＝a₁s(t-1)p+a₂s(t-2)p²+...+a_ks(t-k)p^k。

與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：

本發(fā)明通過信息融合技術(shù)與馬爾可夫模型的結(jié)合，提出適用于交通客流預(yù)測的新方法，該方法通過信息融合技術(shù)對交通流數(shù)據(jù)進行處理，然后再對處理后的數(shù)據(jù)構(gòu)建馬爾可夫模型，同時利用信息融合技術(shù)訓(xùn)練馬爾可夫模型中的轉(zhuǎn)移概率矩陣，提高交通客流預(yù)測的準確率。

附圖說明

圖1為本發(fā)明方法的流程圖。

具體實施方式

附圖僅用于示例性說明，不能理解為對本專利的限制；

為了更好說明本實施例，附圖某些部件會有省略、放大或縮小，并不代表實際產(chǎn)品的尺寸；

對于本領(lǐng)域技術(shù)人員來說，附圖中某些公知結(jié)構(gòu)及其說明可能省略是可以理解的。

下面結(jié)合附圖和實施例對本發(fā)明的技術(shù)方案做進一步的說明。

實施例1

如圖1所示，一種基于信息融合和馬爾可夫模型的交通客流預(yù)測方法，包括以下步驟：

S1：對多源交通數(shù)據(jù)通過信息融合技術(shù)與分步預(yù)處理相結(jié)合的方法進行預(yù)處理；

S2：對預(yù)處理后的多源交通數(shù)據(jù)采用馬爾可夫模型來進行客流預(yù)測。

智能交通系統(tǒng)的交通數(shù)據(jù)來源廣泛、形式多樣，包括動態(tài)的交通流數(shù)據(jù)和智能交通子系統(tǒng)的管理控制數(shù)據(jù)，以及靜態(tài)的道路環(huán)境數(shù)據(jù)等；智能交通系統(tǒng)管理和控制的對象是交通流，交通流數(shù)據(jù)是按時間順序采樣得到的一系列數(shù)值型數(shù)據(jù)序列，是交通系統(tǒng)中最重要的數(shù)據(jù)，也是客流預(yù)測的主要數(shù)據(jù)來源，智能交通系統(tǒng)記錄了大量交通流信息，如電子警察系統(tǒng)將交通違法車輛的違法行為過程用圖像和數(shù)據(jù)記錄下來，提供交通違法信息，包括車輛違法地點、違法日期、違法時間、違法類型、違法參數(shù)、違法車輛全景圖像序列、違法車輛牌照圖像；交通事故接處警系統(tǒng)提供報警時間、報警地點、報警電話號碼以及相關(guān)的交通事故信息；交通信號控制系統(tǒng)提供與路口有關(guān)的運行狀態(tài)、色步遞進信息等；

針對智能交通大數(shù)據(jù)的特點，模型提出多源信息融合與分步預(yù)處理相結(jié)合的方式，是指在數(shù)據(jù)導(dǎo)入階段對數(shù)據(jù)進行清洗，對已存儲數(shù)據(jù)進行壓縮，對算法使用前的數(shù)據(jù)進行特征提取；有別于普通的數(shù)據(jù)預(yù)處理流程和方式，不僅僅是減少數(shù)據(jù)冗余，解決現(xiàn)階段普遍存在的大數(shù)據(jù)存儲難題，同時也可以進一步提高算法的準確度和精度，使智能交通大數(shù)據(jù)充分發(fā)揮出潛在價值，為客流預(yù)測分析作好準備；

步驟S1的具體過程如下：

S11：多源信息融合與ETL處理-運用信息融合技術(shù)把相同類型或者不同類型的局部測量值加以綜合相互補充，消除信息之前的冗余和不真實數(shù)據(jù)，減少單源測量值出錯所帶來的影響，再對數(shù)據(jù)進行去噪、清洗、變換、歸約、重復(fù)數(shù)據(jù)塊刪除操作；

首先是在數(shù)據(jù)的終端采集之后、數(shù)據(jù)導(dǎo)入分布式數(shù)據(jù)庫之前進行數(shù)據(jù)信息融合和預(yù)處理操作，運用信息融合技術(shù)把相同類型或者不同類型的局部測量值加以綜合，如多源檢測的數(shù)據(jù)中選擇最優(yōu)值、求平均值等，相互補充，消除信息之前的冗余和不真實數(shù)據(jù)，減少單源測量值出錯所帶來的影響。交通客流采集數(shù)據(jù)中采用信息融合技術(shù)，可以從多源量測數(shù)據(jù)選取最優(yōu)的測量信息，提高判斷結(jié)果的可信度；也可以采用檢測和推理等運算，有效降低事件模糊程序和不確定性，有效提高客流預(yù)測方法的準確率。通過信息融合技術(shù)后的數(shù)據(jù)，再運用數(shù)據(jù)預(yù)處理中去噪、清洗、變換、歸約、重復(fù)數(shù)據(jù)塊刪除等操作；

通常對普通數(shù)據(jù)進行分析評估或挖掘利用之前，都會采用數(shù)據(jù)預(yù)處理，用于提高數(shù)據(jù)的有效性，可是往往都是對存儲成數(shù)據(jù)庫之后的數(shù)據(jù)進行清洗、變換、歸約等操作，而大數(shù)據(jù)比普通的數(shù)據(jù)非常龐大，并以指數(shù)據(jù)迅猛增長，而智能交通大數(shù)據(jù)又具有采集端分散、前端數(shù)據(jù)庫繁多的特點，在對這些海量數(shù)據(jù)要進行分析和利用之前，需要將數(shù)據(jù)導(dǎo)入到一個集中的大型分布式的數(shù)據(jù)庫或分布式的存儲集群。本專利在這數(shù)據(jù)導(dǎo)入階段，就引入數(shù)據(jù)清洗和預(yù)處理技術(shù)，融合RFID等技術(shù)所感知的多源客流信息，使用Twitter的Storm對數(shù)據(jù)進行流式計算，并采用多余數(shù)據(jù)刪除技術(shù)，以減輕數(shù)據(jù)存儲壓力，減少數(shù)據(jù)冗余，使數(shù)據(jù)更為有效。這一階段主要集中在對重復(fù)數(shù)據(jù)塊的刪除，以及數(shù)據(jù)噪聲的減弱；

S12：無損數(shù)據(jù)壓縮-采用小波變換多層分解的形式對數(shù)據(jù)流進行多層分解、空間多層分解、參數(shù)多層分解后，形成按時間為線索的數(shù)據(jù)壓縮流，使交通數(shù)據(jù)的重要特征充分保留和突顯；

該步驟主要對數(shù)據(jù)進行時間維度壓縮，通過對數(shù)據(jù)進行重新編碼來降低數(shù)據(jù)的冗余度，這部分技術(shù)在現(xiàn)階段的大數(shù)據(jù)處理中成熟度較高，目前對大數(shù)據(jù)的數(shù)據(jù)壓縮方案主要集中在一些經(jīng)典的數(shù)據(jù)壓縮算法，如常見的霍夫曼(Huffman)算法和LZW(Lempel一Ziv&W el ch)壓縮算法；

針對智能交通大數(shù)據(jù)存在大量時間序列數(shù)據(jù)的特點，采取適用于時間序列的預(yù)處理方式—時間維度歸約。針對智能交通大數(shù)據(jù)中通常表現(xiàn)為時間序列數(shù)據(jù)的特征，時序數(shù)據(jù)以三維的形式描述，即數(shù)據(jù)的特征(或變量)(feature/variable)、數(shù)據(jù)的記錄(或樣本)(record/sample)以及數(shù)據(jù)的時間維度(time stamp/time dimension)。由于時序數(shù)據(jù)與時間相關(guān)聯(lián)，因而其數(shù)據(jù)量一般都是非常龐大的，這就對時序數(shù)據(jù)挖掘技術(shù)提出了更高的要求。該步驟的數(shù)據(jù)壓縮主要集中在時間維度的歸約。時間維度歸約是對時間序列數(shù)據(jù)中時間點的值進行數(shù)值歸約，時間維度歸約是使用替代的、較小的數(shù)據(jù)表示形式來減少數(shù)據(jù)量.參數(shù)方法使用模型估計數(shù)據(jù)，只需存放參數(shù)(還可能是離群點)而非實際數(shù)據(jù).回歸和對數(shù)線性模型是一個例子，非參數(shù)方法包括直方圖，聚類和抽樣.直方圖有等寬、等頻、V最優(yōu)、MaxDiff，后兩者是最準確和實用的。本專利采用小波變換多層分解的形式，研究在大數(shù)據(jù)量下適用于智能交通數(shù)據(jù)時間維度的壓縮算法，通過對數(shù)據(jù)流的多層分解、空間多層分解、參數(shù)多層分解后，形成按時間為線索的數(shù)據(jù)壓縮流，使交通數(shù)據(jù)的重要特征充分保留和突顯，同時，對壓縮保存后的數(shù)據(jù)，還可以通過多層還原的形式還原數(shù)據(jù)，確保信息的無損利用；

S13：特征提取-通過映射或變換的方法，將多源交通數(shù)據(jù)的高維的屬性空間壓縮為低維的屬性空間，即將原始屬性變換為較少的新屬性。

馬爾可夫模型是根據(jù)系統(tǒng)狀態(tài)之前的轉(zhuǎn)移矩陣來描述一個隨機動態(tài)系統(tǒng)未來的發(fā)展?fàn)顩r，轉(zhuǎn)移概率則反映了各狀態(tài)之前某種內(nèi)在的規(guī)律性，交通客流信息是一個動態(tài)信息，具有隨機性的特點，而馬爾可夫模型正適合描述這種具有隨機波動特點的動態(tài)信息。因此，將信息融合技術(shù)跟馬爾可夫模型相結(jié)合，適用于地面交通中對客流量的預(yù)測。

在公交系統(tǒng)中，雖然交通客流是連續(xù)的，但是道路的各站點，可以視為離散值，而且交通數(shù)據(jù)某站點某時刻的客流狀態(tài)，與越接近它的站點和時間點的客流狀態(tài)關(guān)聯(lián)最緊密，而與之越遠的站點或時間點對它的的影響越小，甚至可以忽略，具有馬爾可夫性。建立站點的馬爾可夫模型需要站點與站點的轉(zhuǎn)移概率矩陣，在馬爾可夫模型轉(zhuǎn)移概率矩陣的訓(xùn)練過程中，將獲取的多源交通信息采用信息融合技術(shù)，采用自適應(yīng)的加權(quán)平均方法來確定站點間的轉(zhuǎn)移概率，從而提高客流預(yù)測的準確率。同時，分析交通站點的狀態(tài)影響因素，如具有固定的路線、運行時間的公交、地鐵、客車等運行因素，或具有隨機性的人流、車流運行因素，通過識別不同的影響因素來確定轉(zhuǎn)移矩陣的維度，并作為狀態(tài)影響因子引入轉(zhuǎn)移概率矩陣，對客流進行預(yù)測。

步驟S2的具體過程如下：

S21：建立交通站點的馬爾可夫模型需要站點與站點的轉(zhuǎn)移概率矩陣；

S22：在馬爾可夫模型轉(zhuǎn)移概率矩陣的訓(xùn)練過程中，將獲取的多源交通信息采用信息融合技術(shù)，采用自適應(yīng)的加權(quán)平均方法來確定站點間的轉(zhuǎn)移概率；

S23：分析交通站點的狀態(tài)影響因素，通過識別不同的影響因素來確定轉(zhuǎn)移矩陣的維度，并作為狀態(tài)影響因子引入轉(zhuǎn)移概率矩陣，對客流進行預(yù)測。

進一步地，所述步驟S23的具體過程如下：

1)定義站點A的狀態(tài)為P{x(t+k)＝j(luò)|x(1)＝i₁,x(2)＝i₂,...x(t)＝i_t}，由于客流狀態(tài)通常與越接近它的站點和時間點的客流狀態(tài)關(guān)聯(lián)最緊密，而與之越遠的站點或時間點對它的的影響越小，甚至可以忽略，具有馬爾可夫性。因此，可描述為P{x(t+k)＝j(luò)|x(t)＝i_t}，k≥1；

2)從A站點至B站點情況下，轉(zhuǎn)移出發(fā)狀態(tài)i，轉(zhuǎn)移步k，到達狀態(tài)j，其轉(zhuǎn)移概率為P_ij(k)＝P_ij(t,t+k)；

3)根據(jù)信息融合技術(shù)，判斷觀測站點的關(guān)聯(lián)站點，假設(shè)關(guān)聯(lián)站點有n含觀測站點，確定轉(zhuǎn)移概率矩陣維度為n，并根據(jù)關(guān)聯(lián)性分析對客流進行突發(fā)事件檢測、客流異常檢測、路段規(guī)律，形成狀態(tài)影響因子a_i＝a₁,a₂,...a_n,0＜i≤n；

4)采用信息融合技術(shù)中推薦的與馬爾可夫模型匹配的濾波器的混合初始概率，客流量相互影響的因素構(gòu)成n×n的轉(zhuǎn)移概率矩陣：

5)通過概率矩陣預(yù)測觀測站點的狀態(tài)，預(yù)測值為：

x(t)＝a₁s(t-1)p+a₂s(t-2)p²+...+a_ks(t-k)p^k。

本發(fā)明針對智能交通大數(shù)據(jù)的特點，提出三步預(yù)處理方式的設(shè)想，有別于普通的數(shù)據(jù)預(yù)處理流程和方式，使智能交通大數(shù)據(jù)充分發(fā)揮出潛在價值，為良好的挖掘效果作支撐。分步預(yù)處理方式是指在數(shù)據(jù)導(dǎo)入階段對數(shù)據(jù)進行清洗，對已存儲數(shù)據(jù)進行壓縮，對算法使用前的數(shù)據(jù)進行特征提??；針對智能交通大數(shù)據(jù)的時間序列數(shù)據(jù)進行時間維度歸約，采用小波變換多層分解在時間維度歸約方面對數(shù)據(jù)進行壓縮保存并追求無損還原，有效解決數(shù)據(jù)存儲難題的同時最大可能地保留數(shù)據(jù)的信息；通過三步預(yù)處理與馬爾可夫模型的結(jié)合，提出適用于交通客流預(yù)測的新方法，該方法通過三步預(yù)處理技術(shù)對交通流數(shù)據(jù)進行處理，然后再對處理后的數(shù)據(jù)構(gòu)建馬爾可夫模型，同時利用信息融合技術(shù)訓(xùn)練馬爾可夫模型中的轉(zhuǎn)移概率矩陣，提高交通客流預(yù)測的準確率。

相同或相似的標號對應(yīng)相同或相似的部件；

附圖中描述位置關(guān)系的用于僅用于示例性說明，不能理解為對本專利的限制；

顯然，本發(fā)明的上述實施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對本發(fā)明的實施方式的限定。對于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明權(quán)利要求的保護范圍之內(nèi)。