本發(fā)明屬于交通預(yù)測(cè)技術(shù)領(lǐng)域，特別涉及一種區(qū)域交通流量預(yù)測(cè)方法，可用于交通管控和車聯(lián)網(wǎng)資源分配。

背景技術(shù)：

車聯(lián)網(wǎng)iov是把車輛內(nèi)網(wǎng)、車載移動(dòng)互聯(lián)網(wǎng)和車際網(wǎng)作為基礎(chǔ)，在車與車、車與路、車與行人、車與互聯(lián)網(wǎng)以及車與云端之間，通過統(tǒng)一協(xié)定的通信協(xié)議與數(shù)據(jù)交互標(biāo)準(zhǔn)來(lái)進(jìn)行無(wú)線通訊和信息交互的大系統(tǒng)網(wǎng)絡(luò)，是能夠進(jìn)行智能化交通的管理、智能動(dòng)態(tài)的信息服務(wù)和車輛智能化的控制等的一體化網(wǎng)絡(luò)。該網(wǎng)絡(luò)通過gps、rfid、傳感器、攝像頭圖像處理等裝置，完成自身環(huán)境和狀態(tài)信息的采集；通過互聯(lián)網(wǎng)技術(shù)，所有的車輛將自身的各種信息傳輸匯聚到中央處理器；通過計(jì)算機(jī)技術(shù)，這些大量車輛的信息被分析和處理，從而計(jì)算出不同車輛的最佳路線、及時(shí)匯報(bào)路況和安排信號(hào)燈周期。交通流量是指在選定時(shí)間段內(nèi)通過某一區(qū)域、某一道路斷面或某一車道的交通實(shí)體數(shù)。交通流量的預(yù)測(cè)信息是its中進(jìn)行智能交通管控、動(dòng)態(tài)交通狀態(tài)辨識(shí)與預(yù)測(cè)和實(shí)時(shí)交通流動(dòng)態(tài)誘導(dǎo)的關(guān)鍵。

目前交通流量預(yù)測(cè)技術(shù)方法主要有兩類：一是統(tǒng)計(jì)預(yù)測(cè)算法模型，如移動(dòng)平均、自回歸滑動(dòng)平均、卡爾曼濾波以及線性回歸等；二是基于人工智能即機(jī)器學(xué)習(xí)算法的模型。但現(xiàn)有的交通流量的技術(shù)方法主要集中在某一道路斷面或某一車道的交通流量預(yù)測(cè)，很少有技術(shù)方法用于區(qū)域交通流量預(yù)測(cè)。然而現(xiàn)實(shí)的交通環(huán)境中，由于車輛的移動(dòng)，在同一周期時(shí)刻，有些區(qū)域會(huì)出現(xiàn)較高的交通流量，而有些區(qū)域的交通流量則較低，這些區(qū)域交通流量的不均衡會(huì)給交通管控和車聯(lián)網(wǎng)資源利用效率帶來(lái)嚴(yán)重的影響。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種面向車聯(lián)網(wǎng)的區(qū)域交通流量預(yù)測(cè)系統(tǒng)及方法，以提高交通管控的能力和車聯(lián)網(wǎng)資源的利用效率。

本發(fā)明的技術(shù)思路是：通過車聯(lián)網(wǎng)搜集的每個(gè)車輛用戶的gps數(shù)據(jù)信息，綜合考慮天氣、節(jié)假日、日期、時(shí)間，利用支持向量回歸機(jī)訓(xùn)練學(xué)習(xí)出預(yù)測(cè)模型，為區(qū)域交通流量提供較為準(zhǔn)確的預(yù)測(cè)。

根據(jù)上述思路，本發(fā)明面向車聯(lián)網(wǎng)的區(qū)域交通流量預(yù)測(cè)系統(tǒng)，其特征在于包括：

外部影響數(shù)據(jù)模塊，其記錄每一天的天氣狀況與每一天是否為節(jié)假日的數(shù)據(jù)信息，用于作為數(shù)據(jù)處理模塊的外部影響數(shù)據(jù)源；

車聯(lián)網(wǎng)數(shù)據(jù)模塊，其記錄車聯(lián)網(wǎng)中所有行駛的車輛用戶的gps數(shù)據(jù)信息，用于作為數(shù)據(jù)處理模塊的內(nèi)部影響數(shù)據(jù)源；

數(shù)據(jù)處理模塊，用于通過對(duì)外部影響數(shù)據(jù)模塊輸入的外部影響數(shù)據(jù)和車聯(lián)網(wǎng)數(shù)據(jù)模塊輸入的內(nèi)部影響數(shù)據(jù)進(jìn)行數(shù)值量化處理，產(chǎn)生多維的行向量并輸入到支持向量回歸機(jī)模塊；

支持向量回歸機(jī)模塊，用于利用由數(shù)據(jù)處理模塊輸入的多維行向量進(jìn)行訓(xùn)練預(yù)測(cè)，學(xué)習(xí)出預(yù)測(cè)模型，以對(duì)未來(lái)周期時(shí)刻的交通流量進(jìn)行預(yù)測(cè)。

根據(jù)上述思路，本發(fā)明利用上述系統(tǒng)進(jìn)行區(qū)域交通流量的預(yù)測(cè)方法，其特征在于，包括以下步驟：

1)初始化：確定基準(zhǔn)年份、預(yù)測(cè)的周期t以及訓(xùn)練樣本數(shù)m；

2)數(shù)據(jù)處理模塊根據(jù)初始化的結(jié)果和外部影響數(shù)據(jù)模塊與車聯(lián)網(wǎng)數(shù)據(jù)模塊提供的數(shù)據(jù)生成當(dāng)前周期時(shí)刻以及其前m-1個(gè)周期時(shí)刻共m個(gè)周期時(shí)刻的數(shù)據(jù)；

3)支持向量回歸機(jī)模塊利用數(shù)據(jù)處理模塊生成的數(shù)據(jù)訓(xùn)練學(xué)習(xí)出預(yù)測(cè)模型，利用該預(yù)測(cè)模型預(yù)測(cè)輸出第m+1周期時(shí)刻的交通流量；

4)當(dāng)預(yù)測(cè)的第m+1周期時(shí)刻成為歷史時(shí)刻時(shí)，將第m+1周期時(shí)刻更新為當(dāng)前周期時(shí)刻；

5)循環(huán)執(zhí)行步驟2)-4)，完成不間斷預(yù)測(cè)下一周期時(shí)刻的區(qū)域交通流量。

本發(fā)明具有如下優(yōu)點(diǎn)：

第一，本發(fā)明結(jié)合外部影響數(shù)據(jù)和車聯(lián)網(wǎng)中車輛的gps數(shù)據(jù)，通過數(shù)據(jù)處理模塊特殊的量化處理，產(chǎn)生多維的行向量，并利用支持向量回歸機(jī)對(duì)這些行向量進(jìn)行分析、訓(xùn)練和學(xué)習(xí)得到區(qū)域交通流量與天氣、節(jié)假日、日期和時(shí)間的內(nèi)在關(guān)系，可構(gòu)建出預(yù)測(cè)模型；

第二，利用本發(fā)明構(gòu)建的預(yù)測(cè)模型能多個(gè)區(qū)域進(jìn)行交通流量預(yù)測(cè)，可以分析多區(qū)域未來(lái)周期時(shí)刻的交通流量狀況，并獲得多區(qū)域未來(lái)周期時(shí)刻的預(yù)測(cè)結(jié)果；

第三，利用本發(fā)明的預(yù)測(cè)結(jié)果可指示交通疏導(dǎo)和并對(duì)車聯(lián)網(wǎng)資源進(jìn)行分配，從而提高交通管控的能力和車聯(lián)網(wǎng)資源的利用效率。

附圖說明

圖1本發(fā)明面向車聯(lián)網(wǎng)區(qū)域交通流量預(yù)測(cè)的系統(tǒng)圖；

圖2本發(fā)明面向車聯(lián)網(wǎng)區(qū)域交通流量預(yù)測(cè)方法的流程圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)的描述。

參照?qǐng)D1，本發(fā)明面向車聯(lián)網(wǎng)區(qū)域交通流量預(yù)測(cè)系統(tǒng)，包括：外部影響數(shù)據(jù)模塊1、車聯(lián)網(wǎng)數(shù)據(jù)模塊2、數(shù)據(jù)處理模塊3和支持向量回歸機(jī)模塊4。其中：

外部影響數(shù)據(jù)模塊1,其記錄每一天的天氣狀況與每一天是否為節(jié)假日的數(shù)據(jù)信息，并將該數(shù)據(jù)信息輸入到數(shù)據(jù)處理模塊3，作為數(shù)據(jù)處理模塊3的外部影響數(shù)據(jù)源；

車聯(lián)網(wǎng)數(shù)據(jù)模塊2，其記錄車聯(lián)網(wǎng)中所有行駛的車輛用戶的gps數(shù)據(jù)信息，并將該數(shù)據(jù)信息輸入到數(shù)據(jù)處理模塊3，作為數(shù)據(jù)處理模塊3的內(nèi)部影響數(shù)據(jù)源；

數(shù)據(jù)處理模塊3，用于通過對(duì)外部影響數(shù)據(jù)模塊1輸入的外部影響數(shù)據(jù)和車聯(lián)網(wǎng)數(shù)據(jù)模塊2輸入的內(nèi)部影響數(shù)據(jù)進(jìn)行數(shù)值量化處理，產(chǎn)生多維的行向量并輸入到支持向量回歸機(jī)模塊4，作為支持向量回歸機(jī)模塊4的訓(xùn)練數(shù)據(jù)；

支持向量回歸機(jī)模塊4，用于利用由數(shù)據(jù)處理模塊3輸入的多維行向量進(jìn)行訓(xùn)練預(yù)測(cè)，學(xué)習(xí)出預(yù)測(cè)模型，以對(duì)未來(lái)周期時(shí)刻的交通流量進(jìn)行預(yù)測(cè)，并輸出預(yù)測(cè)結(jié)果。

所述外部影響數(shù)據(jù)模塊1記錄的數(shù)據(jù)，其內(nèi)容至少包括日期、時(shí)間、天氣狀況，且將節(jié)假日標(biāo)記為1，非節(jié)假日標(biāo)記為0。

所述車聯(lián)網(wǎng)數(shù)據(jù)模塊2記錄車聯(lián)網(wǎng)中每一個(gè)行駛中的車輛用戶的gps數(shù)據(jù)，其數(shù)據(jù)格式至少包括日期、時(shí)間和經(jīng)緯度。

所述數(shù)據(jù)處理模塊3產(chǎn)生的多維行向量，表示為：

其中：

xweather代表天氣狀況的量化值，其值根據(jù)天氣狀況設(shè)定，當(dāng)天氣狀況為雷雨大風(fēng)、冰雹、龍卷風(fēng)、局部強(qiáng)降雨、暴雪這些其中之一的惡劣天氣時(shí)，設(shè)為1；當(dāng)天氣狀況為非惡劣天氣時(shí)，設(shè)為0；

xhday代表是否為節(jié)假日的量化值，其值根據(jù)是否為節(jié)假日設(shè)定，當(dāng)日期為節(jié)假日時(shí)，設(shè)為1；當(dāng)日期為非節(jié)假日，設(shè)為0，其中節(jié)假日包括周末和法定假期；

xyear代表日期的年份的量化值，其值根據(jù)選定的基準(zhǔn)年份設(shè)定，選定的基準(zhǔn)年份設(shè)為1，其他年份的量化值等于其年份與基準(zhǔn)年份的差值加上1；

xweek代表一年內(nèi)周數(shù)的量化值，其值根據(jù)一年內(nèi)的第幾周設(shè)定，第一周設(shè)為1，其后周數(shù)的量化值依次遞增；

xday代表一周七天的量化值，其值根據(jù)一周內(nèi)的周幾設(shè)定，周一設(shè)為1，其后的量化值依次遞增；

xtime代表一天的預(yù)測(cè)時(shí)刻量化值，其值根據(jù)預(yù)測(cè)周期t設(shè)定，則一天共有個(gè)預(yù)測(cè)時(shí)刻，其中第一個(gè)預(yù)測(cè)時(shí)刻的量化值為1，其后預(yù)測(cè)時(shí)刻的量化值依次遞增，最后一個(gè)預(yù)測(cè)時(shí)刻的量化值為其中，t的單位為分鐘；

代表一天中第k個(gè)預(yù)測(cè)時(shí)刻區(qū)域i的車輛用戶數(shù)的量化值，其量化方式為：

其中，i代表某一區(qū)域的標(biāo)識(shí)，代表一天內(nèi)第(k-1)個(gè)和第k個(gè)預(yù)測(cè)時(shí)刻都在區(qū)域i車輛數(shù)；代表一天內(nèi)第(k-1)個(gè)預(yù)測(cè)時(shí)刻不在區(qū)域i，但第k個(gè)預(yù)測(cè)時(shí)刻在區(qū)域i的車輛數(shù)；代表一天內(nèi)第(k-1)個(gè)預(yù)測(cè)時(shí)刻在區(qū)域i，但第k個(gè)預(yù)測(cè)時(shí)刻又不在區(qū)域i的車輛數(shù)；

具體計(jì)算式如下：

其中，g代表某一輛車輛用戶的gps數(shù)據(jù)；g代表所有車輛用戶的gps數(shù)據(jù)；region_i代表統(tǒng)計(jì)區(qū)域i；gk代表一天內(nèi)第k個(gè)預(yù)測(cè)時(shí)刻某一車輛用戶的gps數(shù)據(jù)。

所述支持向量回歸機(jī)模塊4，利用由數(shù)據(jù)處理模塊3輸入的多維行向量進(jìn)行訓(xùn)練預(yù)測(cè)，學(xué)習(xí)出的預(yù)測(cè)模型表示如下：

其中，m為訓(xùn)練數(shù)據(jù)的樣本數(shù)；其函數(shù)表達(dá)式為：在本實(shí)例選擇高斯核函數(shù)，其表達(dá)式為：κ(xi,x)＝exp(-g·||xi-x||²)，||xi-x||²代表向量xi與向量x之間的歐式距離，設(shè)定訓(xùn)練時(shí)的懲罰常數(shù)c＝80、高斯核參數(shù)g＝20以及間隔ε＝0.1；為訓(xùn)練學(xué)習(xí)出的預(yù)測(cè)模型的權(quán)重參數(shù)，b為訓(xùn)練學(xué)習(xí)出的預(yù)測(cè)模型偏置參數(shù)。

參考圖2，本發(fā)明面向車聯(lián)網(wǎng)區(qū)域交通流量預(yù)測(cè)方法，包括以下步驟：

步驟1：初始化。

確定基準(zhǔn)年份、預(yù)測(cè)周期t和訓(xùn)練樣本數(shù)m。本實(shí)例的基準(zhǔn)年份設(shè)為2015年、預(yù)測(cè)周期t＝15分鐘、訓(xùn)練樣本數(shù)

步驟2：數(shù)據(jù)處理模塊3根據(jù)初始化的結(jié)果和外部影響數(shù)據(jù)模塊1與車聯(lián)網(wǎng)數(shù)據(jù)模塊2提供的數(shù)據(jù)生成當(dāng)前周期時(shí)刻以及其前959個(gè)周期時(shí)刻共960個(gè)周期時(shí)刻的數(shù)據(jù)。

本步驟的具體實(shí)現(xiàn)如下：

2a)對(duì)每一個(gè)周期時(shí)刻數(shù)據(jù)進(jìn)行如下量化：

2a1)根據(jù)天氣狀況設(shè)定天氣狀況的量化值xweather：若當(dāng)天氣狀況為雷雨大風(fēng)、冰雹、龍卷風(fēng)、局部強(qiáng)降雨、暴雪這些其中之一的惡劣天氣時(shí)，設(shè)xweather為1；若當(dāng)天氣狀況為非惡劣天氣時(shí)，設(shè)xweather為0；

2a2)根據(jù)節(jié)假日設(shè)定是否為節(jié)假日的量化值xhday：當(dāng)日期為節(jié)假日時(shí)，則設(shè)xhday為1；當(dāng)日期為非節(jié)假日，設(shè)xhday為0；

2a3)根據(jù)年份設(shè)定日期年份的量化值xyear：選定的基準(zhǔn)年份的量化值xyear設(shè)為1，其他年份的量化值xyear等于其年份與基準(zhǔn)年份的差值加上1；

2a4)根據(jù)一年內(nèi)的第幾周設(shè)定一年內(nèi)周數(shù)的量化值xweek：將一年內(nèi)的第一周的量化值xweek設(shè)為1，其后周數(shù)的量化值xweek依次遞增；

2a5)設(shè)定一周七天的量化值xday：將周一的量化值xday設(shè)為1，其后的量化值xday依次遞增；

2a6)根據(jù)一天內(nèi)的第幾個(gè)預(yù)測(cè)時(shí)刻和預(yù)測(cè)周期t設(shè)定一天的預(yù)測(cè)時(shí)刻量化值xtime：將一天內(nèi)的第一個(gè)預(yù)測(cè)時(shí)刻的量化值xtime設(shè)為1，其后預(yù)測(cè)時(shí)刻的量化值xtime依次遞增，一天內(nèi)最后一個(gè)預(yù)測(cè)時(shí)刻的量化值xtime設(shè)為96；

2a7)計(jì)算一天內(nèi)第k個(gè)預(yù)測(cè)時(shí)刻區(qū)域i的車輛用戶數(shù)

設(shè)k∈{1,2,3,...,96}，i代表某一區(qū)域的標(biāo)識(shí)，g代表某一輛車輛用戶的gps數(shù)據(jù)；g代表所有車輛用戶的gps數(shù)據(jù)；region_i代表統(tǒng)計(jì)區(qū)域i；gk代表一天內(nèi)第k個(gè)預(yù)測(cè)時(shí)刻某一車輛用戶的gps數(shù)據(jù)。

將一天內(nèi)第(k-1)個(gè)和第k個(gè)預(yù)測(cè)時(shí)刻都在區(qū)域i車輛數(shù)記為其計(jì)算式為：

將一天內(nèi)第(k-1)個(gè)預(yù)測(cè)時(shí)刻不在區(qū)域i，但第k個(gè)預(yù)測(cè)時(shí)刻在區(qū)域i的車輛數(shù)記為其計(jì)算式為：

將7一天內(nèi)第(k-1)個(gè)預(yù)測(cè)時(shí)刻在區(qū)域i，但第k個(gè)預(yù)測(cè)時(shí)刻又不在區(qū)域i的車輛數(shù)記為其計(jì)算式為：

將一天內(nèi)第k個(gè)預(yù)測(cè)時(shí)刻區(qū)域i的車輛用戶數(shù)記為并根據(jù)計(jì)算出的數(shù)值:

2b)根據(jù)步驟2a)的量化結(jié)果，對(duì)每一個(gè)周期時(shí)刻的數(shù)據(jù)進(jìn)行格式規(guī)范化處理，即將步驟2a)中每一個(gè)周期時(shí)刻對(duì)應(yīng)的xweather、xhday、xyear、xweek、xday、xtime和處理形成多維行向量的格式，表示為：

步驟3：支持向量回歸機(jī)模塊4利用數(shù)據(jù)處理模塊3生成的數(shù)據(jù)訓(xùn)練學(xué)習(xí)出預(yù)測(cè)模型。

3a)將步驟2中生成的960個(gè)周期時(shí)刻的數(shù)據(jù)輸入到支持向量回歸機(jī)模塊4，該模塊對(duì)這些數(shù)據(jù)進(jìn)行[0,1]歸一化處理；

3b)支持向量回歸機(jī)模塊4利用步驟3a)中歸一化處理后的數(shù)據(jù)訓(xùn)練學(xué)習(xí)出預(yù)測(cè)模型，該預(yù)測(cè)模型為：

其中，κ(xi,x)為高斯核函數(shù)，表達(dá)式為：κ(xi,x)＝exp(-g·||xi-x||²)；g為高斯核參數(shù)，g＝20；||xi-x||²代表向量xi與向量x之間的歐式距離；為訓(xùn)練學(xué)習(xí)出的預(yù)測(cè)模型的權(quán)重參數(shù)；b為訓(xùn)練學(xué)習(xí)出的預(yù)測(cè)模型偏置參數(shù)。

步驟4：利用支持向量回歸機(jī)模塊4學(xué)習(xí)的預(yù)測(cè)模型，對(duì)訓(xùn)練數(shù)據(jù)中的當(dāng)前周期時(shí)刻的下一周期時(shí)刻進(jìn)行區(qū)域交通流量進(jìn)行預(yù)測(cè)，并完成當(dāng)前周期時(shí)刻的更新。

4a)利用步驟3中訓(xùn)練學(xué)習(xí)出的基于支持向量回歸機(jī)的預(yù)測(cè)模型，結(jié)合第961周期時(shí)刻的向量數(shù)據(jù)，預(yù)測(cè)輸出第961周期時(shí)刻的區(qū)域交通流量的結(jié)果，完成對(duì)第961周期時(shí)刻的區(qū)域交通流量預(yù)測(cè)；

4b)當(dāng)預(yù)測(cè)的第961周期時(shí)刻成為歷史時(shí)刻時(shí)，將第961周期時(shí)刻更新為當(dāng)前周期時(shí)刻。

步驟5：循環(huán)執(zhí)行步驟2-步驟4，完成不間斷預(yù)測(cè)下一周期時(shí)刻的區(qū)域交通流量。

以上描述僅是本發(fā)明的一個(gè)具體實(shí)例，并不構(gòu)成對(duì)本發(fā)明的任何限制，顯然對(duì)于本領(lǐng)域的專業(yè)人員來(lái)說，還可以對(duì)本發(fā)明做各種修改、等同替換、變化等等，這些變換只要未背離本發(fā)明的精神，都應(yīng)在本發(fā)明的保護(hù)范圍之內(nèi)。