技術(shù)特征：

1.一種基于信息融合和馬爾可夫模型的交通客流預(yù)測(cè)方法，其特征在于，包括以下步驟：

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

S2：對(duì)預(yù)處理后的多源交通數(shù)據(jù)采用馬爾可夫模型來(lái)進(jìn)行客流預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的基于信息融合和馬爾可夫模型的交通客流預(yù)測(cè)方法，其特征在于，所述步驟S1的具體過(guò)程如下：

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

S12：無(wú)損數(shù)據(jù)壓縮-采用小波變換多層分解的形式對(duì)數(shù)據(jù)流進(jìn)行多層分解、空間多層分解、參數(shù)多層分解后，形成按時(shí)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(guò)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。

3.根據(jù)權(quán)利要求1所述的基于信息融合和馬爾可夫模型的交通客流預(yù)測(cè)方法，其特征在于，所述步驟S2的具體過(guò)程如下：

S21：建立交通站點(diǎn)的馬爾可夫模型需要站點(diǎn)與站點(diǎn)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(guò)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(lái)確定站點(diǎn)間的轉(zhuǎn)移概率；

S23：分析交通站點(diǎn)的狀態(tài)影響因素，通過(guò)識(shí)別不同的影響因素來(lái)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(duì)客流進(jìn)行預(yù)測(cè)。

4.根據(jù)權(quán)利要求2所述的基于信息融合和馬爾可夫模型的交通客流預(yù)測(cè)方法，其特征在于，所述步驟S12中對(duì)數(shù)據(jù)流進(jìn)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(guò)多層還原的形式還原數(shù)據(jù)來(lái)確保信息的無(wú)損利用。

5.根據(jù)權(quán)利要求2所述的基于信息融合和馬爾可夫模型的交通客流預(yù)測(cè)方法，其特征在于，所述步驟S11的具體過(guò)程包括：使用Twitter的Storm對(duì)交通源數(shù)據(jù)進(jìn)行流式計(jì)算，并采用多余數(shù)據(jù)刪除技術(shù)，以減輕數(shù)據(jù)存儲(chǔ)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(duì)重復(fù)數(shù)據(jù)塊的刪除，以及數(shù)據(jù)噪聲的減弱。

6.根據(jù)權(quán)利要求3所述的基于信息融合和馬爾可夫模型的交通客流預(yù)測(cè)方法，其特征在于，所述步驟S23的具體過(guò)程如下：

1)定義站點(diǎn)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(diǎn)和時(shí)間點(diǎn)的客流狀態(tài)關(guān)聯(lián)最緊密，而與之越遠(yuǎn)的站點(diǎn)或時(shí)間點(diǎn)對(duì)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(diǎn)至B站點(diǎn)情況下，轉(zhuǎn)移出發(fā)狀態(tài)i，轉(zhuǎn)移步k，到達(dá)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(cè)站點(diǎn)的關(guān)聯(lián)站點(diǎn)，假設(shè)關(guān)聯(lián)站點(diǎn)有n含觀測(cè)站點(diǎn)，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(duì)客流進(jìn)行突發(fā)事件檢測(cè)、客流異常檢測(cè)、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：

$P_{n\×n}=\left[\begin{array}{ccccc}{p}_{11}& ...& p_{1j}& ...& p_{1n}\\ ...& ...& ...& ...& ...\\ p_{i1}& ...& p_{ij}& ...& p_{in}\\ ...& ...& ...& ...& ...\\ p_{n1}& ...& p_{nj}& ...& p_{nn}\end{array}\right];$

5)通過(guò)概率矩陣預(yù)測(cè)觀測(cè)站點(diǎn)的狀態(tài)，預(yù)測(cè)值為：

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