一種利用pma建模預(yù)測(cè)短期交通流量的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于智能交通技術(shù)領(lǐng)域，特別是涉及一種利用PMA建模預(yù)測(cè)短期交通流量 的方法。
【背景技術(shù)】
[0002] 交通流量預(yù)測(cè)是交通規(guī)劃、交通控制、智能交通系統(tǒng)的一個(gè)重要部分，而準(zhǔn)確預(yù)測(cè) 交通流量環(huán)境長(zhǎng)期被看做區(qū)域交通控制的有效方法。這些方法可以概括地分為i)短期與 i i)長(zhǎng)期交通流量預(yù)測(cè)。長(zhǎng)期預(yù)測(cè)提供數(shù)月或數(shù)年的交通流量預(yù)測(cè)，并一般用于長(zhǎng)期交通規(guī) 劃或建設(shè)。短期預(yù)測(cè)針對(duì)短期如1小時(shí)內(nèi)的交通流量做出預(yù)測(cè)。特別的，短期交通流量預(yù)測(cè) 可支持預(yù)先動(dòng)態(tài)交通控制。因此，預(yù)測(cè)技術(shù)已經(jīng)引起了交通工程師與研究人員的注意。依 據(jù)應(yīng)用的數(shù)據(jù)類(lèi)型以及預(yù)測(cè)的最終潛在用途，大量不同的技術(shù)已經(jīng)被用于短期交通流量預(yù) 測(cè)。這些技術(shù)包括滑動(dòng)平均方法，k近鄰方法，自回歸MA(ARIMA)模型或周期ARIMA(SARIMA) 方法，神經(jīng)網(wǎng)絡(luò)（NNS)以及復(fù)合技術(shù)如DA方法。
[0003] 交通流量預(yù)測(cè)模型的開(kāi)發(fā)主要取決于歷史與現(xiàn)在的交通流量數(shù)據(jù)。交通流量預(yù) 測(cè)問(wèn)題是一個(gè)標(biāo)準(zhǔn)的時(shí)間序列預(yù)測(cè)任務(wù)，其目標(biāo)是估計(jì)交通流向未來(lái)值與交通流量之前和 現(xiàn)在觀測(cè)數(shù)據(jù)之間的函數(shù)關(guān)系，而短期交通流量預(yù)測(cè)是一個(gè)多輸入單輸出系統(tǒng)，表示了過(guò) 去的交通流量環(huán)境與未來(lái)交通流量環(huán)境的關(guān)系。最近的文獻(xiàn)集中于三個(gè)方面：i)提出新 的或增強(qiáng)的方法（Kit Yan Chan 和 Tharam Dillon 等人的《Prediction of short-term traffic variables using intelligent swarm-based neural networks》， Huan Guo 和 Xinping Xiao 等人的〈〈Short-term traffic flow forecasting based on grey delay model》，Jingbo Shang 和 Yu Zheng 等人的《Inferring gas consumption and pollution emission of vehicles throughout a city》），ii)融合有效的預(yù)測(cè)結(jié)果（Kit Yan Chan 和 Tharam S Dillon 等人的《Neural-network-based models for short-term traffic flow forecasting using a hybrid exponential smoothing and levenberg - marquardt algorithm〉〉,Mohsen Davarynejad和YubinWang等人的〈〈Multi-phase time series models for motorway flow forecasting》，Man-Chun Tan 和 SC Wong 等人的〈〈An aggregation approachto short-term traffic flow prediction》），以及 iii)提出有效的預(yù)處理技術(shù) (Kit Yan Chan和TS Dillon等人的〈〈Traffic flow forecasting neural networks based on exponential smoothing method》， Kit Yan Chan 和 Cedric KF Yiu 的《Development ofneural network based traffic flow predictors using pre-processed data)), Q Gao 和 G Li 的〈〈Atraffic prediction method based on ann and adaptive template matching》）。
[0004] 然而，現(xiàn)有方法存在的一些重大問(wèn)題也為大家公認(rèn)。第一，這些方法使用的數(shù)據(jù)收 集于公路和高速公路，那里的交通流量變化看起來(lái)十分穩(wěn)定。第二，他們使用的數(shù)據(jù)從單個(gè) 點(diǎn)源中收集，在更復(fù)雜的情況下非常有限。第三，現(xiàn)有預(yù)測(cè)方法沒(méi)有考慮暫態(tài)數(shù)據(jù)如在人口 密集的市區(qū)中復(fù)雜的交互性以及數(shù)據(jù)的全面性。準(zhǔn)確地說(shuō)，城市區(qū)域中的短期交通預(yù)測(cè)問(wèn) 題與高速公路交通預(yù)測(cè)相比更加復(fù)雜，由于受各種約束如信號(hào)裝置等的限制，以及市區(qū)流 量收集中包含了大量數(shù)據(jù)點(diǎn)，這些數(shù)據(jù)點(diǎn)用之前的方法難以處理它們之間的關(guān)系。不相干 的交通樞紐可能也會(huì)有相似的變化規(guī)律并呈現(xiàn)出相同的流量模態(tài)。傳統(tǒng)的方法沒(méi)有考慮相 似的流量模態(tài)以及利用這些相似性，它們常?？s小數(shù)據(jù)源的角度或被復(fù)雜建模，這些原因 使得它們應(yīng)用于實(shí)際中。
[0005] 中國(guó)專(zhuān)利CN 102496284 A公開(kāi)了一種道路交通流量采集及預(yù)測(cè)方法，包括環(huán)形感 應(yīng)線圈、車(chē)輛檢測(cè)模塊、交通流量采集模塊、交通流量數(shù)據(jù)預(yù)處理和預(yù)測(cè)，道路交通流量數(shù) 據(jù)預(yù)處理和預(yù)測(cè)軟件在上位機(jī)（PC機(jī)）上進(jìn)行，并通過(guò)網(wǎng)絡(luò)接口讀取采集模塊（SD卡）中的 交通流量數(shù)據(jù)。為提高預(yù)測(cè)的可靠性，在道路交通流量數(shù)據(jù)預(yù)處理和預(yù)測(cè)方法中，首先采用 小波分析結(jié)合最小二乘法對(duì)交通流量數(shù)據(jù)進(jìn)行噪聲剔除；然后采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)建 立交通流量預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)交通流量的預(yù)測(cè)，為優(yōu)化道路交通的控制配時(shí)方案和道路交 通規(guī)劃提供依據(jù)，此發(fā)明將硬件結(jié)合算法，預(yù)測(cè)交通流量，但是采用了 BP神經(jīng)網(wǎng)絡(luò)建立預(yù) 測(cè)模型，無(wú)法達(dá)到最精確預(yù)測(cè)。中國(guó)專(zhuān)利CN103870890A公開(kāi)了一種高速公路網(wǎng)交通流量分 布的預(yù)測(cè)方法，假設(shè)已經(jīng)預(yù)測(cè)了高速公路網(wǎng)在某一時(shí)間標(biāo)度下各入口站的未來(lái)產(chǎn)生量和各 出口站的未來(lái)吸引量，通過(guò)站點(diǎn)的歷史流量分布來(lái)計(jì)算現(xiàn)狀流量分布和現(xiàn)狀效用系數(shù)，之 后計(jì)算預(yù)測(cè)流量分布，得到預(yù)測(cè)結(jié)果，算法的精確度較低，僅可對(duì)流量不密集的高速有效， 適用性較差。

【發(fā)明內(nèi)容】

[0006] 為解決城市交通流量預(yù)測(cè)不精確，建模復(fù)雜的問(wèn)題，我們提出了一種利用PMA建 模預(yù)測(cè)短期交通流量的方法，采用本發(fā)明可以達(dá)到預(yù)測(cè)方法簡(jiǎn)單，結(jié)果準(zhǔn)確的目的。
[0007] 本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：
[0008] 為達(dá)到上述目的，我們提出了一種利用PMA建模預(yù)測(cè)短期交通流量的方法，步驟 如下：
[0009] (1)初步準(zhǔn)備，定義術(shù)語(yǔ)：
[0010] 采樣流量：交通流量數(shù)據(jù)在所有時(shí)間內(nèi)進(jìn)行收集，每個(gè)采樣流量涉及在某個(gè)特定 的時(shí)間周期內(nèi)經(jīng)過(guò)車(chē)輛的總數(shù)。每個(gè)周期為At分鐘，交通流量在時(shí)間間隙（t-At，t]內(nèi) 進(jìn)行收集，t為整數(shù)；q(t)同樣也是整數(shù)，表示第t周期內(nèi)的交通流量；
[0011] 流量模態(tài)：對(duì)于每個(gè)采樣流量，q(t)為源時(shí)間序列；2個(gè)相關(guān)時(shí)間序列構(gòu)成周期序 列1(〇以及日序列Sb(t)，如下所示：
[0012] ①.Sa(t)為包括q(t)之前的1^個(gè)周期交通流量數(shù)據(jù)的集合；
[0014] ②.Sb(t)為包括q(t)kb天之前相同時(shí)間周期內(nèi)交通流量記錄的集合；
[0016] (2) PMA建模-建立獨(dú)立模型：
[0017] i.獨(dú)立模型的平面流量模態(tài)：Sa(t)為水平流量模態(tài)，Sb(t)為垂直流量模態(tài)， 為預(yù)測(cè)值；
[0019] ii.模態(tài)權(quán)值：
[0021] L表示PFP的長(zhǎng)度，δ表示令的列，m為目標(biāo)日的數(shù)據(jù)集編號(hào)。
[0022] iii.PMA 預(yù)測(cè)值：
[0024] W為PFP的寬度（見(jiàn)圖2)。每個(gè)PMA預(yù)測(cè)值對(duì)應(yīng)一個(gè)指定的PMA大小Q XI
[0025] (3) PMA建模-建立相似模型：
[0026] WWL算法：在兩個(gè)時(shí)間序列（相同長(zhǎng)度）之間，我們使用由歐式距離與皮爾遜相關(guān) 系數(shù)組成的混合距離計(jì)算來(lái)生成距離矩陣定義相似性；
[0027] PFPsimilarity (t) = {s (t) , s1 (t) , . . . , s1 (t) , . . . , sd (t)}.
[0028] 這里s (t)表示目標(biāo)流量模態(tài)，s1 (t)表示第i個(gè)與s (t)相似的模態(tài)，數(shù)字d表示 WWL算法的參數(shù)；
[0029] ⑷PMA建模-融合：
[0030] 選擇神經(jīng)網(wǎng)絡(luò)模型將之前獲得的兩個(gè)預(yù)測(cè)結(jié)果進(jìn)行融合；
[0033] η表不隱藏層中神經(jīng)兀的數(shù)目，表不隱藏層的輸出，net表不最終輸出；
[0034] (5)預(yù)測(cè)結(jié)果檢驗(yàn)評(píng)價(jià)。