一種基于時空關(guān)聯(lián)的動態(tài)交通流預(yù)測方法
【專利摘要】本發(fā)明涉及智能交通領(lǐng)域，尤其涉及一種基于時空關(guān)聯(lián)的動態(tài)交通流預(yù)測方法，該方法在對交通流數(shù)據(jù)進(jìn)行預(yù)處理后建立時空矩陣，通過近鄰局部線性重構(gòu)方法對時空矩陣進(jìn)行訓(xùn)練，找到預(yù)測用的一組近鄰和權(quán)值，經(jīng)過非負(fù)修正后進(jìn)行預(yù)測，最后通過預(yù)測值對時空矩陣進(jìn)行更新。本發(fā)明的有益效果在于：1、適用性強(qiáng)，能適用于任何微波檢測路段；2、可行性強(qiáng)，只需要給定歷史交通流量數(shù)據(jù)庫，就能對數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測；3、計算速度快，復(fù)雜性較低，計算時間為秒級；4、預(yù)測精度高，消除了動態(tài)數(shù)據(jù)的隨機(jī)性和波動性，提高了預(yù)測結(jié)果的準(zhǔn)確性和可靠性；5、預(yù)測效率高，能實現(xiàn)多個5分鐘時間段的多步交通流預(yù)測，能做到高效的短時和長時交通流預(yù)測。
【專利說明】一種基于時空關(guān)聯(lián)的動態(tài)交通流預(yù)測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及智能交通領(lǐng)域，尤其涉及一種基于時空關(guān)聯(lián)的動態(tài)交通流預(yù)測方法。

【背景技術(shù)】
[0002] 隨著社會的發(fā)展和經(jīng)濟(jì)的增長，城市交通擁堵現(xiàn)象愈發(fā)嚴(yán)重。為了有效調(diào)控交通 流量，優(yōu)化道路的使用效率，智能交通系統(tǒng)成為人們關(guān)注的重點(diǎn)，并隨著研究的深入逐步智 能化、動態(tài)化和信息化。作為智能交通系統(tǒng)的重要組成部分，車輛誘導(dǎo)系統(tǒng)已成為交通管理 部門疏導(dǎo)道路交通的有效途徑，而其關(guān)鍵技術(shù)是對道路交通狀況的預(yù)測，即有效利用歷史 交通數(shù)據(jù)和實時交通數(shù)據(jù)對未來時刻道路的交通流量進(jìn)行動態(tài)預(yù)測。交通流量預(yù)測主要包 括兩個部分：建立交通流量歷史數(shù)據(jù)庫和構(gòu)建預(yù)測模型。通過對歷史數(shù)據(jù)庫進(jìn)行預(yù)處理并 利用預(yù)測模型提供的算法對數(shù)據(jù)進(jìn)行訓(xùn)練得出預(yù)測結(jié)果。在這兩個方面，預(yù)測模型算法是 其中最難以解決的關(guān)鍵部分，它直接關(guān)系著預(yù)測結(jié)果的好壞，是交通流量預(yù)測的重點(diǎn)和難 點(diǎn)。
[0003] 目前對交通流量預(yù)測的方法主要有歷史平均法、神經(jīng)網(wǎng)絡(luò)模型、支持向量回歸、最 小二乘法、時間序列法等。上述方法操作簡單，計算方便，適合于較規(guī)律數(shù)據(jù)的預(yù)測，但對于 道路模型較復(fù)雜以及交通流不穩(wěn)定導(dǎo)致的數(shù)據(jù)流無規(guī)律波動，預(yù)測準(zhǔn)確率較低。另外，大多 數(shù)方法都只是根據(jù)時間關(guān)聯(lián)性作預(yù)測，忽略了交通流量在空間路段上的關(guān)聯(lián)性，使得預(yù)測 結(jié)果不夠精準(zhǔn)。因此，為了克服動態(tài)數(shù)據(jù)的隨機(jī)起伏和波動帶來的不穩(wěn)定預(yù)測效果以及考 慮路段空間的影響，需要引入新的方法來對交通流量在時空關(guān)聯(lián)上作預(yù)測。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明為克服上述的不足之處，目的在于提供一種具有高準(zhǔn)確性、可靠性的基于 時空關(guān)聯(lián)的動態(tài)交通流預(yù)測方法。
[0005] 本發(fā)明是通過以下技術(shù)方案達(dá)到上述目的：一種基于時空關(guān)聯(lián)的動態(tài)交通流預(yù)測 方法，包括：
[0006] 1)通過布局在微波路段上的數(shù)據(jù)采集設(shè)備采集歷史交通流量數(shù)據(jù)、預(yù)測當(dāng)日間隔 時間為T的交通流量數(shù)據(jù)；
[0007] 2)交通流量數(shù)據(jù)進(jìn)行預(yù)處理，根據(jù)設(shè)置閾值清洗無關(guān)數(shù)據(jù)，并對缺失數(shù)據(jù)進(jìn)行數(shù) 據(jù)補(bǔ)插；
[0008] 3)以數(shù)據(jù)采集時間為縱軸，微波路段為橫軸，構(gòu)建交通流數(shù)據(jù)時空矩陣；
[0009] 4)進(jìn)行基于近鄰局部線性重構(gòu)的交通流數(shù)據(jù)時空矩陣訓(xùn)練，找到預(yù)測用的權(quán)值矩 陣和測試樣本近鄰；
[0010] 5)對權(quán)值矩陣進(jìn)行非負(fù)修正，建立近鄰線性正加權(quán)的權(quán)值矩陣；
[0011] 6)根據(jù)權(quán)值矩陣和測試樣本近鄰進(jìn)行交通流量預(yù)測，預(yù)測公式為： y: = (1)>其中：?為測試樣\的第j個近鄰，Wij為樣\第j個近鄰的權(quán)值， K'為權(quán)值矩陣長度，Γ小于測試樣本近鄰個數(shù)；
[0012] 7)將預(yù)測的交通流量數(shù)據(jù)與真實數(shù)據(jù)進(jìn)行對比，得到預(yù)測誤差；
[0013] 8)將預(yù)測值加入交通流數(shù)據(jù)時空矩陣，并去掉最早時刻的流量值，組合形成新的 交通流數(shù)據(jù)時空矩陣，重復(fù)步驟4)。
[0014] 作為優(yōu)選，所述交通流量數(shù)據(jù)預(yù)處理包括以下步驟：
[0015] 2. 1)數(shù)據(jù)清洗：Τ分鐘內(nèi)車道流量大于300的數(shù)據(jù)替換為歷史上該時間點(diǎn)流量數(shù) 據(jù)的平均值；
[0016] 2. 2)缺失值插補(bǔ)：對于某微波路段上Τ分鐘時間槽數(shù)據(jù)的缺失，利用線性規(guī)劃方 法：
[0017] min | | X | | i st. Ax = y (2)
[0018] 其中，矩陣Α的列表示歷史上完整的Τ分鐘時間槽內(nèi)的各微波路段流量，向量y 表示存在缺失的T時間槽各路段流量的非缺失部分，X表示A中各列向量在線形重構(gòu)y時 的系數(shù)向量，求解得到的X為稀疏向量。
[0019] 作為優(yōu)選，所述步驟4)中基于近鄰局部線性重構(gòu)的交通流數(shù)據(jù)時空矩陣訓(xùn)練，具 體包括以下步驟：
[0020] 4. 1)以預(yù)測時間點(diǎn)交通流量數(shù)據(jù)為測試樣本，該時間點(diǎn)之前時刻以及歷史時間的 交通流數(shù)據(jù)為訓(xùn)練樣本，以不同微波路段數(shù)據(jù)為基礎(chǔ)，計算訓(xùn)練樣本與測試樣本在時空關(guān) 聯(lián)下的歐式距離，找出K個距離最小的訓(xùn)練樣本作為測試樣本的K個近鄰；兩個向量間的歐 氏距離如下所示：

【權(quán)利要求】
1. 一種基于時空關(guān)聯(lián)的動態(tài)交通流預(yù)測方法，其特征在于包括： 1) 通過布局在微波路段上的數(shù)據(jù)采集設(shè)備采集歷史交通流量數(shù)據(jù)、預(yù)測當(dāng)日間隔時間 為T的交通流量數(shù)據(jù)； 2) 交通流量數(shù)據(jù)進(jìn)行預(yù)處理，根據(jù)設(shè)置閾值清洗無關(guān)數(shù)據(jù)，并對缺失數(shù)據(jù)進(jìn)行數(shù)據(jù)補(bǔ) 插； 3) 以數(shù)據(jù)采集時間為縱軸，微波路段為橫軸，構(gòu)建交通流數(shù)據(jù)時空矩陣； 4) 進(jìn)行基于近鄰局部線性重構(gòu)的交通流數(shù)據(jù)時空矩陣訓(xùn)練，找到預(yù)測用的權(quán)值矩陣和 測試樣本近鄰； 5) 對權(quán)值矩陣進(jìn)行非負(fù)修正，建立近鄰線性正加權(quán)的權(quán)值矩陣； 6) 根據(jù)權(quán)值矩陣和測試樣本近鄰進(jìn)行交通流量預(yù)測，預(yù)測公式為： .? (1)>其中為測試樣本Xi的第j個近鄰，Wij為樣本Xi的第j個近鄰的 權(quán)值，Γ為權(quán)值矩陣長度，Γ小于測試樣本近鄰個數(shù)； 7) 將預(yù)測的交通流量數(shù)據(jù)與真實數(shù)據(jù)進(jìn)行對比，得到預(yù)測誤差； 8) 將預(yù)測值加入交通流數(shù)據(jù)時空矩陣，并去掉最早時刻的流量值，組合形成新的交通 流數(shù)據(jù)時空矩陣，重復(fù)步驟4)。
2. 根據(jù)權(quán)利要求1所述的一種基于時空關(guān)聯(lián)的動態(tài)交通流預(yù)測方法，其特征在于，所 述交通流量數(shù)據(jù)預(yù)處理包括以下步驟： 2. 1)數(shù)據(jù)清洗：T分鐘內(nèi)車道流量大于300的數(shù)據(jù)替換為歷史上該時間點(diǎn)流量數(shù)據(jù)的 平均值； 2. 2)缺失值插補(bǔ)：對于某微波路段上T分鐘時間槽數(shù)據(jù)的缺失，利用線性規(guī)劃方法： min | | X | |! st. Ax = y (2) 其中，矩陣A的列表示歷史上完整的T分鐘時間槽內(nèi)的各微波路段流量，向量y表示 存在缺失的T時間槽各路段流量的非缺失部分，X表示A中各列向量在線形重構(gòu)y時的系 數(shù)向量，求解得到的X為稀疏向量。
3. 根據(jù)權(quán)利要求1所述的一種基于時空關(guān)聯(lián)的動態(tài)交通流預(yù)測方法，其特征在于，所 述步驟4)中基于近鄰局部線性重構(gòu)的交通流數(shù)據(jù)時空矩陣訓(xùn)練，具體包括以下步驟： 4. 1)以預(yù)測時間點(diǎn)交通流量數(shù)據(jù)為測試樣本，該時間點(diǎn)之前時刻以及歷史時間的交通 流數(shù)據(jù)為訓(xùn)練樣本，以不同微波路段數(shù)據(jù)為基礎(chǔ)，計算訓(xùn)練樣本與測試樣本在時空關(guān)聯(lián)下 的歐式距離，找出K個距離最小的訓(xùn)練樣本作為測試樣本的K個近鄰；兩個向量間的歐氏距 離如下所示：
其中η為向量長度，Xi為測試樣本，Xi和yi分別為向量X和Y中的元素； 4. 2)計算權(quán)值矩陣： 建立誤差最小化函數(shù)：其中，Xi為測試 樣本，Ν為樣本總數(shù)，為測試樣本Xi的第j個近鄰，近鄰總數(shù)為K，wu為樣本Xi的第j個 近鄰的權(quán)值。樣本的局部協(xié)方差矩陣為：Cjk(i) = (Xi-XjYXi-Xik) (5)，是一個KxK的矩陣， 對其進(jìn)行正則化處理得到cjk (i) = Cjk (i)+rl (6)，其中I為KxK的單位矩陣，r為正則化系 數(shù)；根據(jù)局部協(xié)方差矩陣可得到權(quán)值：
4.根據(jù)權(quán)利要求1所述的一種基于時空關(guān)聯(lián)的動態(tài)交通流預(yù)測方法，其特征在于，所 述間隔時間T為5分鐘。
【文檔編號】G08G1/00GK104064023SQ201410272800
【公開日】2014年9月24日 申請日期:2014年6月18日 優(yōu)先權(quán)日:2014年6月18日
【發(fā)明者】李建元, 李丹, 陳濤, 倪升華, 王浩 申請人:銀江股份有限公司