一種公路信息化智能系統(tǒng)的制作方法

文檔序號：10595327閱讀：251來源：國知局

一種公路信息化智能系統(tǒng)的制作方法
【專利摘要】本發(fā)明一種公路信息化智能系統(tǒng)，包括信息化智能系統(tǒng)和與信息化智能系統(tǒng)相連的預測裝置，所述預測裝置包括依次連接的采集模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)分類模塊、平穩(wěn)性檢驗模塊、相關系數(shù)計算模塊、閾值設定模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊。本發(fā)明預測精度較高且構造的預測模型更有針對性。
【專利說明】
-種公路信息化智能系統(tǒng)
技術領域
[0001] 本發(fā)明設及智能交通領域，具體設及一種公路信息化智能系統(tǒng)。
【背景技術】
[0002] 交通流量是指單位時間內(nèi)通過道路某一斷面的實際車輛數(shù)，是描述交通狀態(tài)的重要特征參數(shù)。交通流量的變化又是一個實時、高維、非線性、非平穩(wěn)的隨機過程，相關因素的變化都可能影響下一時刻的交通流量。相關技術中，關于短時的預測裝置局限性強，預測精度較低，實時預測未能取得令人滿意的結果，未能對人們的實時道路選擇提供有效建議，從而交通流量預測大部分停留在交通流量的中長期預測。

【發(fā)明內(nèi)容】

[0003] 針對上述問題，本發(fā)明提供一種公路信息化智能系統(tǒng)。
[0004] 本發(fā)明的目的采用W下技術方案來實現(xiàn)：
[0005] -種公路信息化智能系統(tǒng)，包括信息化智能系統(tǒng)和與信息化智能系統(tǒng)相連的預測裝置，所述信息化智能系統(tǒng)包括：
[0006] 感應傳感器、微處理器、無線傳輸模塊，W上各部分放置在所述智能系統(tǒng)的殼體內(nèi)；
[0007] 所述感應傳感器，環(huán)繞所述智能系統(tǒng)邊緣區(qū)域設置，用于檢測用戶的手勢操作，并將檢測到的手勢操作轉化為電信號后傳送至微處理器；
[000引所述微處理器，連接所述感應傳感器和所述無線傳輸模塊，用于根據(jù)手勢操作轉化的電信號判斷識別用戶的不同的手勢操作，并將判斷出的手勢操作W控制指令的方式通過無線傳輸模塊發(fā)送給需要控制的外圍設備，使所述外圍設備執(zhí)行與所述手勢操作相應的控制功能，或者所述微處理器直接執(zhí)行與所述手勢操作相應的控制功能。
[0009] 優(yōu)選地，所述感應傳感器具體設于所述殼體的外邊緣區(qū)域。
[0010] 優(yōu)選地，所述感應傳感器為電容式感應傳感器。
[0011] 優(yōu)選地，預測裝置包括依次連接的采集模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)分類模塊、平穩(wěn)性檢驗模塊、相關系數(shù)計算模塊、闊值設定模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：
[0012] (1)采集模塊，用于采集路網(wǎng)S內(nèi)觀測路段Si、預測路段&對應各時間段的交通流量數(shù)據(jù)和通行情況；
[0013] (2)數(shù)據(jù)預處理模塊，用于對所述交通流量數(shù)據(jù)進行數(shù)據(jù)預處理，并剔除不符合交通實際情況的數(shù)據(jù)；
[0014] (3)數(shù)據(jù)分類模塊，用于對經(jīng)過數(shù)據(jù)預處理的交通流量數(shù)據(jù)進行類型分類，所述類型包括節(jié)假日交通流量數(shù)據(jù)、周末交通流量數(shù)據(jù)和工作日交通流量數(shù)據(jù)；
[001引（4巧穩(wěn)性檢驗模塊，用于對處于同一類型的觀測路段Si的交通流量序列Xi與預測路段&的交通流量序列、分別進行平穩(wěn)性檢驗，檢驗平穩(wěn)性的自相關函數(shù)為：
[0016]
[0017] 其中，Xx表示待檢驗交通流量序列，Vi表示待檢驗交通流量序列的均值，Xx?表示Xx 在時間延遲T后的交通流量序列，Vxm為Xxm的均值V為Xx與Xxm之間的方差；
[0018] 當自相關函數(shù)P(T)能快速衰減趨近于0或在0附近波動，則所述待檢驗交通流量序列通過平穩(wěn)性檢驗；當自相關函數(shù)P( T )不能快速衰減趨近于0或在0附近波動，則對所述待檢驗交通流量序列進行平穩(wěn)處理后繼續(xù)進行平穩(wěn)性檢驗；
[0019] (5)相關系數(shù)計算模塊，用于計算通過平穩(wěn)性檢驗的觀測路段Si的交通流量序列Xi 與預測路段&的交通流量序列、在時間延遲T下的時間相關系數(shù)PU(T)和空間相關系數(shù)PiJ (W)，設路網(wǎng)S內(nèi)有N個路段，交通流量序列Xi = [xi(l)，xi(2)，. . .，xi(n)]，交通流量序列義-,=[-Y,; (i)，-Y,;切，…，X, (" jj，Xi ( t )表示觀測路段Si在t時刻的流量，Xj ( t )表示預測路段Sj在t時刻的流量，t = l，2,.. .n，時間相關系數(shù)Pij(T)的計算公式為；
[0020]
[0021]
[0022]
[0023] 優(yōu)選地，預測裝置還包括：
[0024] (6)闊值設定模塊，用于設定各路段之間的時間延遲最大值L、時空相關系數(shù)闊值 Tl和歷史相關系數(shù)闊值T2;
[0025] (7)時空相關系數(shù)矩陣生成模塊，用于根據(jù)各路段的時間相關系數(shù)PU(T)和空間相關系數(shù)PU(W)構建各觀測路段Si與預測路段&在不同時間延遲T下的時空相關系數(shù)矩陣P (了）'，并計算各路段的時空相關系數(shù)01^1)'，其中1￡[1，^且1￡[0，1^，1的取值范圍為[8， 12]，時空相關系數(shù)矩陣P(T) '的計算公式為：
[0026]
[0027]時空相關系數(shù)'的計算公式為：
[002引 Pij(T) '=化j (T)Wj (W);
[0029] W折中姑羊態(tài)獄巧隨年冊趙比.吊于生成預測路段&的歷史相關系數(shù)矩陣p(t):
[0030]
[0031] 其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列、的歷史相關序列，記為
M的取值范圍為[3，5]，所述歷史相關系數(shù)Pjm(t)的計算公式為：
[0032]
[0033] (9)預測因子選取模塊，用于根據(jù)所述時空相關系數(shù)闊值Tl和歷史相關系數(shù)闊值T2 選取與預測目標點相關的預測因子，并按照其所選空間位置j與時間延遲T進行矩陣重構，選取原則為：
[0034] 若PiJ(T)'>Ti，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列并作為第一預測因子，記做X'，X' = (X1'，X2'，. . .，Xp'），其中P為所述滿足條件的交通流量個數(shù)，設^為第一預測因子中時間延遲的最大值，Li=max{T I TG [0,L]and化j(T) ' > Tl }，則第一預測因子X '可表述成如下矩陣形式：
[0035]
[0036] 若Pjm(t)>T2,則將所有滿足條件的歷史相關序列、m(t)作為第二預測因子，記作 Y '，Y ' = {yi '，y2 '，. . .，yq '}，其中q為滿足條件的歷史流量個數(shù)，第二預測因子Y '可表述成如下矩陣形式：
[0037]
[0038] (10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。
[0039] 其中，所述數(shù)據(jù)預處理模塊中，剔除所述不符合交通實際情況的數(shù)據(jù)的規(guī)則為:在一個數(shù)據(jù)更新周期內(nèi)，分別設定各路段的總交通流量數(shù)據(jù)的閥值范圍，若采集到的某路段的總交通流量數(shù)據(jù)落在對應的闊值范圍內(nèi)，則表明該組數(shù)據(jù)可靠，保留該組數(shù)據(jù);若采集到的某路段的總交通流量數(shù)據(jù)落不在對應的闊值范圍內(nèi)，則表明該組數(shù)據(jù)不可靠，并將其剔除。
[0040] 其中，所述平穩(wěn)性檢驗模塊包括W下子模塊：
[0041] (1)檢驗子模塊，用于對處于同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩(wěn)性檢驗；
[0042] (2)連續(xù)性檢查子模塊，與檢驗子模塊連接，用于對不通過平穩(wěn)性檢驗的待檢驗交通流量序列進行連續(xù)性檢查，若不符合連續(xù)性，所述連續(xù)性檢查子模塊采用平均插值法對數(shù)據(jù)進行補齊；
[0043] (3)排錯子模塊，與連續(xù)性檢查子模塊連接，用于刪除明顯錯誤的數(shù)據(jù)，同時采用平均插值法對數(shù)據(jù)進行補齊；
[0044] (4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用于對補齊后的數(shù)據(jù)進行差分處理，并將差分處理后的數(shù)據(jù)傳送到檢驗子模塊。
[0045] 本發(fā)明的有益效果為：
[0046] 1、設置數(shù)據(jù)分類模塊和平穩(wěn)性檢驗模塊，增加了數(shù)據(jù)的準確度，且使構造的預測模型更有針對性；
[0047] 2、設置相關系數(shù)計算模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，其中預測因子直接影響預測精度，相關系數(shù) 是測量隨機變量相關性的指標，能夠幫助選取與預測點密切相關的變量作為預測模型的訓練樣本，選取多個相關系數(shù)作為預測因子，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩(wěn)定和準確；
[0048] 3、相關系數(shù)計算模塊中的空間相關系數(shù)反映了路網(wǎng)的可達性對預測模型的影響，時間相關系數(shù)能夠表達流量序列的時間順序，反映兩序列時間上的因果關系，從而提高預測因子選取的效率；由于交通流量的周相似性，引入歷史相關系數(shù)矩陣生成模塊的歷史相關系數(shù)，同時間相關系數(shù)和空間相關系數(shù)配合使用，為準確預測提供更多的數(shù)據(jù)支持。
【附圖說明】
[0049] 利用附圖對本發(fā)明作進一步說明，但附圖中的實施例不構成對本發(fā)明的任何限審IJ，對于本領域的普通技術人員，在不付出創(chuàng)造性勞動的前提下，還可W根據(jù)W下附圖獲得其它的附圖。
[0050] 圖1是本發(fā)明預測裝置各模塊的連接示意圖。
[0051] 圖2是本發(fā)明信息化智能系統(tǒng)示意圖。
【具體實施方式】
[0052] 結合W下實施例對本發(fā)明作進一步描述。
[0化3]實施例1
[0054] 參見圖1，圖2,本實施例一種公路信息化智能系統(tǒng)，包括信息化智能系統(tǒng)和與信息化智能系統(tǒng)相連的預測裝置，所述信息化智能系統(tǒng)包括：
[0055] 感應傳感器、微處理器、無線傳輸模塊，W上各部分放置在所述智能系統(tǒng)的殼體內(nèi)；
[0056] 所述感應傳感器，環(huán)繞所述智能系統(tǒng)邊緣區(qū)域設置，用于檢測用戶的手勢操作，并將檢測到的手勢操作轉化為電信號后傳送至微處理器；
[0057] 所述微處理器，連接所述感應傳感器和所述無線傳輸模塊，用于根據(jù)手勢操作轉化的電信號判斷識別用戶的不同的手勢操作，并將判斷出的手勢操作W控制指令的方式通過無線傳輸模塊發(fā)送給需要控制的外圍設備，使所述外圍設備執(zhí)行與所述手勢操作相應的控制功能，或者所述微處理器直接執(zhí)行與所述手勢操作相應的控制功能。
[0058] 優(yōu)選地，所述感應傳感器具體設于所述殼體的外邊緣區(qū)域。
[0059] 優(yōu)選地，所述感應傳感器為電容式感應傳感器。
[0060] 優(yōu)選地，預測裝置包括依次連接的采集模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)分類模塊、平穩(wěn)性檢驗模塊、相關系數(shù)計算模塊、闊值設定模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：
[0061] (1)采集模塊，用于采集路網(wǎng)S內(nèi)觀測路段Si、預測路段&對應各時間段的交通流量數(shù)據(jù)和通行情況；
[0062] (2)數(shù)據(jù)預處理模塊，用于對所述交通流量數(shù)據(jù)進行數(shù)據(jù)預處理，并剔除不符合交通實際情況的數(shù)據(jù)；
[0063] (3)數(shù)據(jù)分類模塊，用于對經(jīng)過數(shù)據(jù)預處理的交通流量數(shù)據(jù)進行類型分類，所述類型包括節(jié)假日交通流量數(shù)據(jù)、周末交通流量數(shù)據(jù)和工作日交通流量數(shù)據(jù)；
[0064] (4)平穩(wěn)性檢驗模塊，用于對處于同一類型的觀測路段Si的交通流量序列Xi與預測路段&的新圍施冨席巧ILA功喘巧平穩(wěn)巧檢驗，檢驗平穩(wěn)性的自相關函數(shù)為：
[00 化]
[0066] 其中，Xx表示待檢驗交通流量序列，Vi表示待檢驗交通流量序列的均值，Xxm表示Xx 在時間延遲T后的交通流量序列，Vxm為Xxm的均值V為Xx與Xxm之間的方差；
[0067] 當自相關函數(shù)P(T)能快速衰減趨近于0或在0附近波動，則所述待檢驗交通流量序列通過平穩(wěn)性檢驗；當自相關函數(shù)P( T )不能快速衰減趨近于0或在0附近波動，則對所述待檢驗交通流量序列進行平穩(wěn)處理后繼續(xù)進行平穩(wěn)性檢驗；
[0068] (5)相關系數(shù)計算模塊，用于計算通過平穩(wěn)性檢驗的觀測路段Si的交通流量序列Xi 與預測路段&的交通流量序列、在時間延遲T下的時間相關系數(shù)PU(T)和空間相關系數(shù)PiJ (W)，設路網(wǎng)S內(nèi)有N個路段，交通流量序列Xi = [xi(l)，xi(2)，. . .，xi(n)]，交通流量序列 JTj. =: k (!)，X,, (2)，...，' Xi (t)表示觀測路段Si在t時刻的流量，Xj (t)表示預測路段Sj在t時刻的流量，t = l，2,.. .n，時間相關系數(shù)Pij(T)的計算公式為；
[0069]
[0070]
[0071]
[0072] 優(yōu)選地，預測裝置還包括：
[0073] (6)闊值設定模塊，用于設定各路段之間的時間延遲最大值L、時空相關系數(shù)闊值 Tl和歷史相關系數(shù)闊值T2;
[0074] (7)時空相關系數(shù)矩陣生成模塊，用于根據(jù)各路段的時間相關系數(shù)PU(T)和空間相關系數(shù)PU(W)構建各觀測路段Si與預測路段S姐不同時間延遲T下的時空相關系數(shù)矩陣P (了）'，并計算各路段的時空相關系數(shù)01^1)'，其中1￡[1，^且1￡[0，1^，1的取值范圍為[8， 12]，時空相關系數(shù)矩陣P(T) '的計算公式為：
[0075]
[0076] 時空相關系數(shù)的計算公式為：
[0077] pij(T)'=化j(T)化j〇);
[0078] (8)歷史相關系數(shù)矩陣生成模塊，用于生成預測路段&的歷史相關系數(shù)矩陣P(t):
[0079]
[0080] 其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列、的歷史相關序列，記為
n=l，2, . . .M，M的取值范圍為[3,5]，所述歷史相關系數(shù)的計貸公式為：
[0081；
[0082] (9)預測因子選取模塊，用于根據(jù)所述時空相關系數(shù)闊值Tl和歷史相關系數(shù)闊值T2 選取與預測目標點相關的預測因子，并按照其所選空間位置j與時間延遲T進行矩陣重構，選取原則為：
[0083] 若PiJ(T)'>Ti，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列并作為第一預測因子，記做X'，X' = (X1'，X2'，. . .，Xp'），其中P為所述滿足條件的交通流量個數(shù)，設^為第一預測因子中時間延遲的最大值，Li=max{T I TG [0,L]and化j(T) ' > Tl }，則第一預測因子X '可表述成如下矩陣形式：
[0084]
[0085] 若Pjm(t)>T2,則將所有滿足條件的歷史相關序列、m(t)作為第二預測因子，記作 Y '，Y ' = {yi '，y2 '，. . .，yq '}，其中q為滿足條件的歷史流量個數(shù)，第二預測因子Y '可表述成如下矩陣形式：
[0086]
[0087] (10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。
[0088] 其中，所述數(shù)據(jù)預處理模塊中，剔除所述不符合交通實際情況的數(shù)據(jù)的規(guī)則為:在一個數(shù)據(jù)更新周期內(nèi)，分別設定各路段的總交通流量數(shù)據(jù)的閥值范圍，若采集到的某路段的總交通流量數(shù)據(jù)落在對應的闊值范圍內(nèi)，則表明該組數(shù)據(jù)可靠，保留該組數(shù)據(jù);若采集到的某路段的總交通流量數(shù)據(jù)落不在對應的闊值范圍內(nèi)，則表明該組數(shù)據(jù)不可靠，并將其剔除。
[0089] 其中，所述平穩(wěn)性檢驗模塊包括W下子模塊：
[0090] (1)檢驗子模塊，用于對處于同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩(wěn)性檢驗；
[0091] (2)連續(xù)性檢查子模塊，與檢驗子模塊連接，用于對不通過平穩(wěn)性檢驗的待檢驗交通流量序列進行連續(xù)性檢查，若不符合連續(xù)性，所述連續(xù)性檢查子模塊采用平均插值法對數(shù)據(jù)進行補齊；
[0092] (3)排錯子模塊，與連續(xù)性檢查子模塊連接，用于刪除明顯錯誤的數(shù)據(jù)，同時采用平均插值法對數(shù)據(jù)進行補齊；
[0093] (4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用于對補齊后的數(shù)據(jù)進行差分處理，并將差分處理后的數(shù)據(jù)傳送到檢驗子模塊。
[0094] 本實施例設置數(shù)據(jù)分類模塊和平穩(wěn)性檢驗模塊，增加了數(shù)據(jù)的準確度，且使構造的預測模型更有針對性;設置相關系數(shù)計算模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩(wěn)定和準確;本實施例取值L = 8，M=3，預測精度相對于相關技術提高了 1.5 %。
[00巧]實施例2
[0096] 參見圖1，圖2,本實施例一種公路信息化智能系統(tǒng)，包括信息化智能系統(tǒng)和與信息化智能系統(tǒng)相連的預測裝置，所述信息化智能系統(tǒng)包括：
[0097] 感應傳感器、微處理器、無線傳輸模塊，W上各部分放置在所述智能系統(tǒng)的殼體內(nèi)；
[0098] 所述感應傳感器，環(huán)繞所述智能系統(tǒng)邊緣區(qū)域設置，用于檢測用戶的手勢操作，并將檢測到的手勢操作轉化為電信號后傳送至微處理器；
[0099] 所述微處理器，連接所述感應傳感器和所述無線傳輸模塊，用于根據(jù)手勢操作轉化的電信號判斷識別用戶的不同的手勢操作，并將判斷出的手勢操作W控制指令的方式通過無線傳輸模塊發(fā)送給需要控制的外圍設備，使所述外圍設備執(zhí)行與所述手勢操作相應的控制功能，或者所述微處理器直接執(zhí)行與所述手勢操作相應的控制功能。
[0100] 優(yōu)選地，所述感應傳感器具體設于所述殼體的外邊緣區(qū)域。
[0101] 優(yōu)選地，所述感應傳感器為電容式感應傳感器。
[0102] 優(yōu)選地，預測裝置包括依次連接的采集模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)分類模塊、平穩(wěn)性檢驗模塊、相關系數(shù)計算模塊、闊值設定模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：
[0103] (1)采集模塊，用于采集路網(wǎng)S內(nèi)觀測路段Si、預測路段&對應各時間段的交通流量數(shù)據(jù)和通行情況；
[0104] (2)數(shù)據(jù)預處理模塊，用于對所述交通流量數(shù)據(jù)進行數(shù)據(jù)預處理，并剔除不符合交通實際情況的數(shù)據(jù)；
[0105] (3)數(shù)據(jù)分類模塊，用于對經(jīng)過數(shù)據(jù)預處理的交通流量數(shù)據(jù)進行類型分類，所述類型包括節(jié)假日交通流量數(shù)據(jù)、周末交通流量數(shù)據(jù)和工作日交通流量數(shù)據(jù)；
[0106] (4)平穩(wěn)性檢驗模塊，用于對處于同一類型的觀測路段Si的交通流量序列Xi與預測路段&的交通流量序列、分別進行平穩(wěn)性檢驗，檢驗平穩(wěn)性的自相關函數(shù)為：
[0107]
[0108] 其中，Xx表示待檢驗交通流量序列，Vi表示待檢驗交通流量序列的均值，Xx?表示Xx 在時間延遲T后的交通流量序列，Vxm為Xxm的均值V為Xx與Xxm之間的方差；
[0109] 當自相關函數(shù)P(T)能快速衰減趨近于0或在0附近波動，則所述待檢驗交通流量序列通過平穩(wěn)性檢驗；當自相關函數(shù)P( T )不能快速衰減趨近于0或在0附近波動，則對所述待檢驗交通流量序列進行平穩(wěn)處理后繼續(xù)進行平穩(wěn)性檢驗；
[0110] (5)相關系數(shù)計算模塊，用于計算通過平穩(wěn)性檢驗的觀測路段Si的交通流量序列Xi 與預測路段&的交通流量序列、在時間延遲T下的時間相關系數(shù)PU(T)和空間相關系數(shù)PiJ (W)，設路網(wǎng)S內(nèi)有N個路段，交通流量序列Xi = [xi(l)，xi(2)，. . .，xi(n)]，交通流量序列義,=[x,,(!)，x,,(2)，...，x,(,;)レi(t)表示觀測路段Si在t時刻的流量，Xj(t)表示預測路段Sj在t時刻的流量，t = l，2,.. .n，時間相關系數(shù)Pij(T)的計算公式為；
[0111]
[0112]
[0113]
[0114] 優(yōu)選地，預測裝置還包括：
[0115] (6)闊值設定模塊，用于設定各路段之間的時間延遲最大值L、時空相關系數(shù)闊值 Tl和歷史相關系數(shù)闊值T2;
[0116] (7)時空相關系數(shù)矩陣生成模塊，用于根據(jù)各路段的時間相關系數(shù)PU(T)和空間相關系數(shù)PU(W)構建各觀測路段Si與預測路段&在不同時間延遲T下的時空相關系數(shù)矩陣P (了）'，并計算各路段的時空相關系數(shù)01^1)'，其中1￡[1，^且1￡[0，1^，1的取值范圍為[8， 12]，時空相關系數(shù)矩陣P(T) '的計算公式為：
[0117]
[0118] 時空相關系數(shù))'的計算公式為：
[0119] Pij(T) '=化j (T)Wj (W);
[0120] (8)歷史相關系數(shù)矩陣生成模塊，用于生成預測路段&的歷史相關系數(shù)矩陣P(t):
[0121]
[0122]其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列、的歷史相關序列，記^
I的取值范圍為[3,5]，所述歷史相關系數(shù)P.im(t)的計算公式為：
[0123]
'
[0124] (9)預測因子選取模塊，用于根據(jù)所述時空相關系數(shù)闊值Tl和歷史相關系數(shù)闊值T2 選取與預測目標點相關的預測因子，并按照其所選空間位置j與時間延遲T進行矩陣重構，選取原則為：
[0125] 若PiJ(T)'>Ti，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列并作為第一預測因子，記做X'，X' = (X1'，X2'，. . .，Xp'），其中P為所述滿足條件的交通流量個數(shù)，設^為第一預測因子中時間延遲的最大值，Li=max{T I TG [0,L]and化j(T) ' > Tl }，則第一預測因子X '可表述成如下矩陣形式：
[0126]
[0127]若Pjm(t)>T2,則將所有滿足條件的歷史相關序列、m(t)作為第二預測因子，記作 Y '，Y ' = {yi '，y2 '，. . .，yq '}，其中q為滿足條件的歷史流量個數(shù)，第二預測因子Y '可表述成如下矩陣形式：
[012 引
[0129] (10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。
[0130] 其中，所述數(shù)據(jù)預處理模塊中，剔除所述不符合交通實際情況的數(shù)據(jù)的規(guī)則為:在一個數(shù)據(jù)更新周期內(nèi)，分別設定各路段的總交通流量數(shù)據(jù)的閥值范圍，若采集到的某路段的總交通流量數(shù)據(jù)落在對應的闊值范圍內(nèi)，則表明該組數(shù)據(jù)可靠，保留該組數(shù)據(jù);若采集到的某路段的總交通流量數(shù)據(jù)落不在對應的闊值范圍內(nèi)，則表明該組數(shù)據(jù)不可靠，并將其剔除。
[0131] 其中，所述平穩(wěn)性檢驗模塊包括W下子模塊：
[0132] (1)檢驗子模塊，用于對處于同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩(wěn)性檢驗；
[0133] (2)連續(xù)性檢查子模塊，與檢驗子模塊連接，用于對不通過平穩(wěn)性檢驗的待檢驗交通流量序列進行連續(xù)性檢查，若不符合連續(xù)性，所述連續(xù)性檢查子模塊采用平均插值法對數(shù)據(jù)進行補齊；
[0134] (3)排錯子模塊，與連續(xù)性檢查子模塊連接，用于刪除明顯錯誤的數(shù)據(jù)，同時采用平均插值法對數(shù)據(jù)進行補齊；
[0135] (4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用于對補齊后的數(shù)據(jù)進行差分處理，并將差分處理后的數(shù)據(jù)傳送到檢驗子模塊。
[0136] 本實施例設置數(shù)據(jù)分類模塊和平穩(wěn)性檢驗模塊，增加了數(shù)據(jù)的準確度，且使構造的預測模型更有針對性;設置相關系數(shù)計算模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩(wěn)定和準確;本實施例取值L = 9，M=3，預測精度相對于相關技術提高了 2 %。
[0137] 實施例3
[0138] 參見圖1，圖2,本實施例一種公路信息化智能系統(tǒng)，包括信息化智能系統(tǒng)和與信息化智能系統(tǒng)相連的預測裝置，所述信息化智能系統(tǒng)包括：
[0139] 感應傳感器、微處理器、無線傳輸模塊，W上各部分放置在所述智能系統(tǒng)的殼體內(nèi)；
[0140] 所述感應傳感器，環(huán)繞所述智能系統(tǒng)邊緣區(qū)域設置，用于檢測用戶的手勢操作，并將檢測到的手勢操作轉化為電信號后傳送至微處理器；
[0141] 所述微處理器，連接所述感應傳感器和所述無線傳輸模塊，用于根據(jù)手勢操作轉化的電信號判斷識別用戶的不同的手勢操作，并將判斷出的手勢操作W控制指令的方式通過無線傳輸模塊發(fā)送給需要控制的外圍設備，使所述外圍設備執(zhí)行與所述手勢操作相應的控制功能，或者所述微處理器直接執(zhí)行與所述手勢操作相應的控制功能。
[0142] 優(yōu)選地，所述感應傳感器具體設于所述殼體的外邊緣區(qū)域。
[0143] 優(yōu)選地，所述感應傳感器為電容式感應傳感器。
[0144] 優(yōu)選地，預測裝置包括依次連接的采集模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)分類模塊、平穩(wěn)性檢驗模塊、相關系數(shù)計算模塊、闊值設定模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：
[0145] (1)采集模塊，用于采集路網(wǎng)S內(nèi)觀測路段Si、預測路段&對應各時間段的交通流量數(shù)據(jù)和通行情況；
[0146] (2)數(shù)據(jù)預處理模塊，用于對所述交通流量數(shù)據(jù)進行數(shù)據(jù)預處理，并剔除不符合交通實際情況的數(shù)據(jù)；
[0147] (3)數(shù)據(jù)分類模塊，用于對經(jīng)過數(shù)據(jù)預處理的交通流量數(shù)據(jù)進行類型分類，所述類型包括節(jié)假日交通流量數(shù)據(jù)、周末交通流量數(shù)據(jù)和工作日交通流量數(shù)據(jù)；
[0148] (4)平穩(wěn)性檢驗模塊，用于對處于同一類型的觀測路段Si的交通流量序列Xi與預測路段&的交通流量序列、分別進行平穩(wěn)性檢驗，檢驗平穩(wěn)性的自相關函數(shù)為：
[0149]
[0150] 其中，Xx表示待檢驗交通流量序列，Vi表示待檢驗交通流量序列的均值，Xxm表示Xx 在時間延遲T后的交通流量序列，Vxm為Xxm的均值V為Xx與Xxm之間的方差；
[0151] 當自相關函數(shù)P(T)能快速衰減趨近于0或在0附近波動，則所述待檢驗交通流量序列通過平穩(wěn)性檢驗；當自相關函數(shù)P( T )不能快速衰減趨近于0或在0附近波動，則對所述待檢驗交通流量序列進行平穩(wěn)處理后繼續(xù)進行平穩(wěn)性檢驗；
[0152] (5)相關系數(shù)計算模塊，用于計算通過平穩(wěn)性檢驗的觀測路段Si的交通流量序列Xi 與預測路段&的交通流量序列、在時間延遲T下的時間相關系數(shù)PU(T)和空間相關系數(shù)PiJ (W)，設路網(wǎng)S內(nèi)有N個路段，交通流量序列Xi = [xi(l)，xi(2)，. . .，xi(n)]，交通流量序列 /\-,二[x,(!)，x,(2)，…，x,(;")レl(t)表示觀測路段Sl在t時刻的流量，xパt)表示預測路段S廟t時
[0153] - 刻的流量，t = l，2,. . .n，時間相關系數(shù)化i(T)的計算公式為；
[0154]
[0155]
[0156] 優(yōu)選地，預測裝置還包括：
[0157] (6)闊值設定模塊，用于設定各路段之間的時間延遲最大值L、時空相關系數(shù)闊值 Tl和歷史相關系數(shù)闊值T2;
[015引（7)時空相關系數(shù)矩陣生成模塊，用于根據(jù)各路段的時間相關系數(shù)PU(T)和空間相關系數(shù)PU(W)構建各觀測路段Si與預測路段S姐不同時間延遲T下的時空相關系數(shù)矩陣P (了）'，并計算各路段的時空相關系數(shù)01^1)'，其中1￡[1，^且1￡[0，1^，1的取值范圍為[8， 12]，時空相關系數(shù)矩陣P(T) '的計算公式為：
[0159]
[0160] 工/r口女乂L / DJ 井公:
[0161] pij(T)'=化j(T)化j〇);
[0162] (8)歷史相關系數(shù)矩陣生成模塊，用于生成預測路段&的歷史相關系數(shù)矩陣P(t):
[0163]
[0164] 其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列、的歷史相關序列，記為.
m=l，2, . . .M，M的取值范圍為[3,5]，所述歷史相關系數(shù)Pjm(t)的計算公式為：
[01 化]
[0166] (9)預測因子選取模塊，用于根據(jù)所述時空相關系數(shù)闊值Tl和歷史相關系數(shù)闊值T2 選取與預測目標點相關的預測因子，并按照其所選空間位置j與時間延遲T進行矩陣重構，選取原則為：
[0167] 若PiJ(T)'>Ti，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列并作為第一預測因子，記做X'，X' = (X1'，X2'，. . .，Xp'），其中P為所述滿足條件的交通流量個數(shù)，設^為第一預測因子中時間延遲的最大值，Li=max{T I TG [0,L]and化j(T) ' > Tl }，則第一預測因子X '可表述成如下矩陣形式：
[016 引
[0169] 若Pjm(t)>T2,則將所有滿足條件的歷史相關序列、m(t)作為第二預測因子，記作 Y '，Y ' = {yi '，y2 '，. . .，yq '}，其中q為滿足條件的歷史流量個數(shù)，第二預測因子Y '可表述成如下矩陣形式：
[0170]
[0171] (10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。
[0172] 其中，所述數(shù)據(jù)預處理模塊中，剔除所述不符合交通實際情況的數(shù)據(jù)的規(guī)則為:在一個數(shù)據(jù)更新周期內(nèi)，分別設定各路段的總交通流量數(shù)據(jù)的閥值范圍，若采集到的某路段的總交通流量數(shù)據(jù)落在對應的闊值范圍內(nèi)，則表明該組數(shù)據(jù)可靠，保留該組數(shù)據(jù);若采集到的某路段的總交通流量數(shù)據(jù)落不在對應的闊值范圍內(nèi)，則表明該組數(shù)據(jù)不可靠，并將其剔除。
[0173] 其中，所述平穩(wěn)性檢驗模塊包括W下子模塊：
[0174] (1)檢驗子模塊，用于對處于同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩(wěn)性檢驗；
[0175] (2)連續(xù)性檢查子模塊，與檢驗子模塊連接，用于對不通過平穩(wěn)性檢驗的待檢驗交通流量序列進行連續(xù)性檢查，若不符合連續(xù)性，所述連續(xù)性檢查子模塊采用平均插值法對數(shù)據(jù)進行補齊；
[0176] (3)排錯子模塊，與連續(xù)性檢查子模塊連接，用于刪除明顯錯誤的數(shù)據(jù)，同時采用平均插值法對數(shù)據(jù)進行補齊；
[0177] (4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用于對補齊后的數(shù)據(jù)進行差分處理，并將差分處理后的數(shù)據(jù)傳送到檢驗子模塊。
[0178] 本實施例設置數(shù)據(jù)分類模塊和平穩(wěn)性檢驗模塊，增加了數(shù)據(jù)的準確度，且使構造的預測模型更有針對性;設置相關系數(shù)計算模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩(wěn)定和準確;本實施例取值L= 10 ,M = 4，預測精度相對于相關技術提高了 2.6 %。
[0179] 實施例4
[0180] 參見圖1，圖2,本實施例一種公路信息化智能系統(tǒng)，包括信息化智能系統(tǒng)和與信息化智能系統(tǒng)相連的預測裝置，所述信息化智能系統(tǒng)包括：
[0181] 感應傳感器、微處理器、無線傳輸模塊，W上各部分放置在所述智能系統(tǒng)的殼體內(nèi)；
[0182] 所述感應傳感器，環(huán)繞所述智能系統(tǒng)邊緣區(qū)域設置，用于檢測用戶的手勢操作，并將檢測到的手勢操作轉化為電信號后傳送至微處理器；
[0183] 所述微處理器，連接所述感應傳感器和所述無線傳輸模塊，用于根據(jù)手勢操作轉化的電信號判斷識別用戶的不同的手勢操作，并將判斷出的手勢操作W控制指令的方式通過無線傳輸模塊發(fā)送給需要控制的外圍設備，使所述外圍設備執(zhí)行與所述手勢操作相應的控制功能，或者所述微處理器直接執(zhí)行與所述手勢操作相應的控制功能。
[0184] 優(yōu)選地，所述感應傳感器具體設于所述殼體的外邊緣區(qū)域。
[0185] 優(yōu)選地，所述感應傳感器為電容式感應傳感器。
[0186] 優(yōu)選地，預測裝置包括依次連接的采集模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)分類模塊、平穩(wěn)性檢驗模塊、相關系數(shù)計算模塊、闊值設定模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：
[0187] (1)采集模塊，用于采集路網(wǎng)S內(nèi)觀測路段Si、預測路段&對應各時間段的交通流量數(shù)據(jù)和通行情況；
[0188] (2)數(shù)據(jù)預處理模塊，用于對所述交通流量數(shù)據(jù)進行數(shù)據(jù)預處理，并剔除不符合交通實際情況的數(shù)據(jù)；
[0189] (3)數(shù)據(jù)分類模塊，用于對經(jīng)過數(shù)據(jù)預處理的交通流量數(shù)據(jù)進行類型分類，所述類型包括節(jié)假日交通流量數(shù)據(jù)、周末交通流量數(shù)據(jù)和工作日交通流量數(shù)據(jù)；
[0190] (4)平穩(wěn)性檢驗模塊，用于對處于同一類型的觀測路段Si的交通流量序列Xi與預測路段&的交通流量序列、分別進行平穩(wěn)性檢驗，檢驗平穩(wěn)性的自相關函數(shù)為：
[0191]
[0192] 其中，Xx表示待檢驗交通流量序列，Vi表示待檢驗交通流量序列的均值，Xx+T表示Xx 在時間延遲T后的交通流量序列，Vx+T為Xx+T的均值V為Xx與Xx+T之間的方差；
[0193] 當自相關函數(shù)P(T)能快速衰減趨近于0或在0附近波動，則所述待檢驗交通流量序列通過平穩(wěn)性檢驗；當自相關函數(shù)P( T)不能快速衰減趨近于0或在0附近波動，則對所述待檢驗交通流量序列進行平穩(wěn)處理后繼續(xù)進行平穩(wěn)性檢驗；
[0194] (5)相關系數(shù)計算模塊，用于計算通過平穩(wěn)性檢驗的觀測路段Si的交通流量序列Xi 與預測路段&的交通流量序列、在時間延遲T下的時間相關系數(shù)PU(T)和空間相關系數(shù)PiJ (w)，設路網(wǎng)S內(nèi)有N個路段，交通流量序列Xi = [xi(l)，xi(2)，...，xi(n)]，交通流量序列乂,=k(iレ,.(2)，...，.'f,.(")レl(t)表示觀測路段Sl在t時刻的流量，XJ(t)表示預測路段S廟t時刻的流量，t = l，2,.. .n，時間相關系數(shù)Pij(T)的計算公式為；
[0195]
[0196]
[0197]
[0198] 優(yōu)選地，預測裝置還包括：
[0199] (6)闊值設定模塊，用于設定各路段之間的時間延遲最大值L、時空相關系數(shù)闊值 Tl和歷史相關系數(shù)闊值T2;
[0200] (7)時空相關系數(shù)矩陣生成模塊，用于根據(jù)各路段的時間相關系數(shù)PU(T)和空間相關系數(shù)PU(W)構建各觀測路段Si與預測路段&在不同時間延遲T下的時空相關系數(shù)矩陣P (了）'，并計算各路段的時空相關系數(shù)01^1)'，其中1￡[1，^且1￡[0，1^，1的取值范圍為[8， 12]，時空相關系數(shù)矩陣P(T) '的計算公式為：
[0201]
[0202] 時空相關系數(shù)'的計算公式為：
[0203] Pij(T)'=化j(T)Wj(W);
[0204] (8)歷史相關系數(shù)矩陣生成模塊，用于生成預測路段&的歷史相關系數(shù)矩陣P(t):
[0205]
[0206] 其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列、的歷史相關序列，記天
，M的取值范圍為[3，5]，所述歷史相關系數(shù)Pjm(t)的計算公式為：
[0207]
[0208] (9)預測因子選取模塊，用于根據(jù)所述時空相關系數(shù)闊值Tl和歷史相關系數(shù)闊值T2 選取與預測目標點相關的預測因子，并按照其所選空間位置j與時間延遲T進行矩陣重構，選取原則為：
[0209] 若PiJ(T)'>Ti，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列并作為第一預測因子，記做X'，X' = (X1'，X2'，. . .，Xp'），其中P為所述滿足條件的交通流量個數(shù)，設1^1為第一預測因子中時間延遲的最大值，Li=max{T |tE [0，L]andpij(T)'> Tl }，則第一預測因子X '可表述成如下矩陣形式：
[0210]
[0211]若Pjm(t)>T2,則將所有滿足條件的歷史相關序列X^t)作為第二預測因子，記作 Y '，Y ' = {yi '，y2 '，. . .，yq '}，其中q為滿足條件的歷史流量個數(shù)，第二預測因子Y '可表述成如下矩陣形式：
[0212]
[0213] (10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。
[0214] 其中，所述數(shù)據(jù)預處理模塊中，剔除所述不符合交通實際情況的數(shù)據(jù)的規(guī)則為:在一個數(shù)據(jù)更新周期內(nèi)，分別設定各路段的總交通流量數(shù)據(jù)的閥值范圍，若采集到的某路段的總交通流量數(shù)據(jù)落在對應的闊值范圍內(nèi)，則表明該組數(shù)據(jù)可靠，保留該組數(shù)據(jù);若采集到的某路段的總交通流量數(shù)據(jù)落不在對應的闊值范圍內(nèi)，則表明該組數(shù)據(jù)不可靠，并將其剔除。
[0215] 其中，所述平穩(wěn)性檢驗模塊包括W下子模塊：
[0216] (1)檢驗子模塊，用于對處于同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩(wěn)性檢驗；
[0217] (2)連續(xù)性檢查子模塊，與檢驗子模塊連接，用于對不通過平穩(wěn)性檢驗的待檢驗交通流量序列進行連續(xù)性檢查，若不符合連續(xù)性，所述連續(xù)性檢查子模塊采用平均插值法對數(shù)據(jù)進行補齊；
[0218] (3)排錯子模塊，與連續(xù)性檢查子模塊連接，用于刪除明顯錯誤的數(shù)據(jù)，同時采用平均插值法對數(shù)據(jù)進行補齊；
[0219] (4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用于對補齊后的數(shù)據(jù)進行差分處理，并將差分處理后的數(shù)據(jù)傳送到檢驗子模塊。
[0220] 本實施例設置數(shù)據(jù)分類模塊和平穩(wěn)性檢驗模塊，增加了數(shù)據(jù)的準確度，且使構造的預測模型更有針對性;設置相關系數(shù)計算模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩(wěn)定和準確;本實施例取值L= 11 ,M = 5，預測精度相對于相關技術提高了 3.2 %。
[0221] 實施例5
[0222] 參見圖1，圖2,本實施例一種公路信息化智能系統(tǒng)，包括信息化智能系統(tǒng)和與信息化智能系統(tǒng)相連的預測裝置，所述信息化智能系統(tǒng)包括：
[0223] 感應傳感器、微處理器、無線傳輸模塊，W上各部分放置在所述智能系統(tǒng)的殼體內(nèi)；
[0224] 所述感應傳感器，環(huán)繞所述智能系統(tǒng)邊緣區(qū)域設置，用于檢測用戶的手勢操作，并將檢測到的手勢操作轉化為電信號后傳送至微處理器；
[0225] 所述微處理器，連接所述感應傳感器和所述無線傳輸模塊，用于根據(jù)手勢操作轉化的電信號判斷識別用戶的不同的手勢操作，并將判斷出的手勢操作W控制指令的方式通過無線傳輸模塊發(fā)送給需要控制的外圍設備，使所述外圍設備執(zhí)行與所述手勢操作相應的控制功能，或者所述微處理器直接執(zhí)行與所述手勢操作相應的控制功能。
[0226] 優(yōu)選地，所述感應傳感器具體設于所述殼體的外邊緣區(qū)域。
[0227] 優(yōu)選地，所述感應傳感器為電容式感應傳感器。
[0228] 優(yōu)選地，預測裝置包括依次連接的采集模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)分類模塊、平穩(wěn)性檢驗模塊、相關系數(shù)計算模塊、闊值設定模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：
[0229] (1)采集模塊，用于采集路網(wǎng)S內(nèi)觀測路段Si、預測路段&對應各時間段的交通流量數(shù)據(jù)和通行情況；
[0230] (2)數(shù)據(jù)預處理模塊，用于對所述交通流量數(shù)據(jù)進行數(shù)據(jù)預處理，并剔除不符合交通實際情況的數(shù)據(jù)；
[0231] (3)數(shù)據(jù)分類模塊，用于對經(jīng)過數(shù)據(jù)預處理的交通流量數(shù)據(jù)進行類型分類，所述類型包括節(jié)假日交通流量數(shù)據(jù)、周末交通流量數(shù)據(jù)和工作日交通流量數(shù)據(jù)；
[0232] (4)平穩(wěn)性檢驗模塊，用于對處于同一類型的觀測路段Si的交通流量序列Xi與預測路段&的交通流量序列、分別進行平穩(wěn)性檢驗，檢驗平穩(wěn)性的自相關函數(shù)為：
[0233]
[0234] 具甲巧不巧恆粒父巧m重斤列，Vi表示待檢驗交通流量序列的均值，Xxm表示Xx 在時間延遲T后的交通流量序列，Vxm為Xxm的均值V為Xx與Xxm之間的方差；
[0235] 當自相關函數(shù)P(T)能快速衰減趨近于0或在0附近波動，則所述待檢驗交通流量序列通過平穩(wěn)性檢驗；當自相關函數(shù)P( T )不能快速衰減趨近于0或在0附近波動，則對所述待檢驗交通流量序列進行平穩(wěn)處理后繼續(xù)進行平穩(wěn)性檢驗；
[0236] (5)相關系數(shù)計算模塊，用于計算通過平穩(wěn)性檢驗的觀測路段Si的交通流量序列Xi 與預測路段&的交通流量序列、在時間延遲T下的時間相關系數(shù)PU(T)和空間相關系數(shù)PiJ (W)，設路網(wǎng)S內(nèi)有N個路段，交通流量序列Xi = [xi(l)，xi(2)，. . .，xi(n)]，交通流量序列
乂,二[A-,(!)，A-,(2)，…，A-,0!)レl(t)表示觀測路段Sl在t時刻的流量，Xパt)表示預測路段?在t時刻的流畳，t = 1 .2. . . . n，時間相黃系#P"(T)的計貸公式為：
[0237]
[023引
[0239]
[0240] 優(yōu)選地，預測裝置還包括：
[0241] (6)闊值設定模塊，用于設定各路段之間的時間延遲最大值L、時空相關系數(shù)闊值 Tl和歷史相關系數(shù)闊值T2;
[0242] (7)時空相關系數(shù)矩陣生成模塊，用于根據(jù)各路段的時間相關系數(shù)PU(T)和空間相關系數(shù)PU(W)構建各觀測路段Si與預測路段&在不同時間延遲T下的時空相關系數(shù)矩陣P (了）'，并計算各路段的時空相關系數(shù)01^1)'，其中1￡[1，^且1￡[0，1^，1的取值范圍為[8， 12]，時空相關系數(shù)矩陣P(T) '的計算公式為：
[0243]
[0244] 時空相關系數(shù)的計算公式為：
[0245] Pij(T) ' =化j(T)化j(w);
[0246] (8)歷史相關系數(shù)矩陣生成模塊，用于生成預測路段&的歷史相關系數(shù)矩陣P(t):
[0247]
[0248] 其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列、的歷史相關序列，記為
M的取值范圍為[3,5]，所述歷史相關系數(shù)Pjm(t)的計算公式為：
[0249]
[0250] (9)預測因子選取模塊，用于根據(jù)所述時空相關系數(shù)闊值Tl和歷史相關系數(shù)闊值T2 選取與預測目標點相關的預測因子，并按照其所選空間位置j與時間延遲T進行矩陣重構，選取原則為：
[02川若PiJ(T)'>Ti，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列并作為第一預測因子，記做X'，X' = (X1'，X2'，. . .，Xp'），其中P為所述滿足條件的交通流量個數(shù)，設1^1為第一預測因子中時間延遲的最大值，Li=max{T |tE [0，L]andpij(T)'> Tl }，則第一預測因子X '可表述成如下矩陣形式：
[0 巧 2]
[0253]若Pjm(t)>T2,則將所有滿足條件的歷史相關序列、m(t)作為第二預測因子，記作 Y '，Y ' = {yi '，y2 '，. . .，yq '}，其中q為滿足條件的歷史流量個數(shù)，第二預測因子Y '可表述成如下矩陣化古，
[0 巧 4]
[0255] (10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。
[0256] 其中，所述數(shù)據(jù)預處理模塊中，剔除所述不符合交通實際情況的數(shù)據(jù)的規(guī)則為:在一個數(shù)據(jù)更新周期內(nèi)，分別設定各路段的總交通流量數(shù)據(jù)的閥值范圍，若采集到的某路段的總交通流量數(shù)據(jù)落在對應的闊值范圍內(nèi)，則表明該組數(shù)據(jù)可靠，保留該組數(shù)據(jù);若采集到的某路段的總交通流量數(shù)據(jù)落不在對應的闊值范圍內(nèi)，則表明該組數(shù)據(jù)不可靠，并將其剔除。
[0257] 其中，所述平穩(wěn)性檢驗模塊包括W下子模塊：
[0258] (1)檢驗子模塊，用于對處于同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩(wěn)性檢驗；
[0259] (2)連續(xù)性檢查子模塊，與檢驗子模塊連接，用于對不通過平穩(wěn)性檢驗的待檢驗交通流量序列進行連續(xù)性檢查，若不符合連續(xù)性，所述連續(xù)性檢查子模塊采用平均插值法對數(shù)據(jù)進行補齊；
[0260] (3)排錯子模塊，與連續(xù)性檢查子模塊連接，用于刪除明顯錯誤的數(shù)據(jù)，同時采用平均插值法對數(shù)據(jù)進行補齊；
[0261] (4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用于對補齊后的數(shù)據(jù)進行差分處理，并將差分處理后的數(shù)據(jù)傳送到檢驗子模塊。
[0262] 本實施例設置數(shù)據(jù)分類模塊和平穩(wěn)性檢驗模塊，增加了數(shù)據(jù)的準確度，且使構造的預測模型更有針對性;設置相關系數(shù)計算模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩(wěn)定和準確;本實施例取值L= 12 ,M = 5，預測精度相對于相關技術提高了 3.5 %。
[0263] 最后應當說明的是，W上實施例僅用W說明本發(fā)明的技術方案，而非對本發(fā)明保護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領域的普通技術人員應當理解，可W對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的實質和范圍。
【主權項】
1. 一種公路信息化智能系統(tǒng)，包括信息化智能系統(tǒng)和與信息化智能系統(tǒng)相連的預測裝置，所述信息化智能系統(tǒng)包括：感應傳感器、微處理器、無線傳輸模塊，以上各部分放置在所述智能系統(tǒng)的殼體內(nèi)；所述感應傳感器，環(huán)繞所述智能系統(tǒng)邊緣區(qū)域設置，用于檢測用戶的手勢操作，并將檢測到的手勢操作轉化為電信號后傳送至微處理器；所述微處理器，連接所述感應傳感器和所述無線傳輸模塊，用于根據(jù)手勢操作轉化的電信號判斷識別用戶的不同的手勢操作，并將判斷出的手勢操作以控制指令的方式通過無線傳輸模塊發(fā)送給需要控制的外圍設備，使所述外圍設備執(zhí)行與所述手勢操作相應的控制功能，或者所述微處理器直接執(zhí)行與所述手勢操作相應的控制功能。2. 根據(jù)權利要求1所述的一種公路信息化智能系統(tǒng)，其特征是，所述感應傳感器具體設于所述殼體的外邊緣區(qū)域。3. 根據(jù)權利要求2所述的一種公路信息化智能系統(tǒng)，其特征是，所述感應傳感器為電容式感應傳感器。4. 根據(jù)權利要求3所述的一種公路信息化智能系統(tǒng)，其特征是，所述預測裝置包括依次連接的采集模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)分類模塊、平穩(wěn)性檢驗模塊、相關系數(shù)計算模塊、閾值設定模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊： (1) 采集模塊，用于采集路網(wǎng)S內(nèi)觀測路段Si、預測路段&對應各時間段的交通流量數(shù)據(jù) 和通行情況； (2) 數(shù)據(jù)預處理模塊，用于對所述交通流量數(shù)據(jù)進行數(shù)據(jù)預處理，并剔除不符合交通實際情況的數(shù)據(jù)； (3) 數(shù)據(jù)分類模塊，用于對經(jīng)過數(shù)據(jù)預處理的交通流量數(shù)據(jù)進行類型分類，所述類型包括節(jié)假日交通流量數(shù)據(jù)、周末交通流量數(shù)據(jù)和工作日交通流量數(shù)據(jù)； (4) 平穩(wěn)性檢驗模塊，用于對處于同一類型的觀測路段交通流量序列Xi與預測路段 Sj的交通流量序列Xj分別進奸艱趨給胳給胳艱趨的白相關函數(shù)為：其中，Χχ表示待檢驗交通流量序列，Vi表示待檢驗交通流量序列的均值，Χχ+τ表示Xx在時間延遲τ后的交通流量序列，νχ+τ為Χχ+τ的均值，σ2為χ χ與χχ+τ之間的方差；當自相關函數(shù)Ρ(τ)能快速衰減趨近于0或在0附近波動，則所述待檢驗交通流量序列通過平穩(wěn)性檢驗；當自相關函數(shù)Ρ( τ)不能快速衰減趨近于0或在0附近波動，則對所述待檢驗交通流量序列進行平穩(wěn)處理后繼續(xù)進行平穩(wěn)性檢驗； (5) 相關系數(shù)計算模塊，用于計算通過平穩(wěn)性檢驗的觀測路段交通流量序列t與預測路段Sj的交通流量序列Xj在時間延遲τ下的時間相關系數(shù)Pij⑴和空間相關系數(shù)Pij(w)，設路網(wǎng)S內(nèi)有N個路段，交通流量序列Xi=[ Xi(l)，Xi(2)，. . .，Xi(n)]，交通流量序列 A = k (0,'⑵，…，Λ, ("?!，χ?⑴表示觀測路段&在七時刻的流量，xj⑴表示預測路段&在七時刻的流量，t = l，2,. . .n，時間相關系數(shù)Pij(T)的計算公式為：空間相關系數(shù)PU(w)的計算公式為：5 ·根據(jù)權利要求4所迎tf」一柙公峨謂懇彳七哲昍承^^共呀彳止定， (6) 閾值設定模塊，用于設定各路段之間的時間延遲最大值L、時空相關系數(shù)閾值?\和歷史相關系數(shù)閾值Τ2; (7) 時空相關系數(shù)矩陣生成模塊，用于根據(jù)各路段的時間相關系數(shù)Ρ^(τ)和空間相關系數(shù)PU(w)構建各觀測路段51與預測路段&在不同時間延遲τ下的時空相關系數(shù)矩陣Ρ(τ) '，并計算各路段的時空相關系數(shù)Ρ^(τ)'，其中ie[l，N]且1^[〇丄]兒的取值范圍為[8，12]，時空相關系數(shù)矩陣Ρ(τ) '的計算公式為：時空相關系數(shù)Ρ^(τ)'的計算公式為： Pij(T)，=Pij(T)pij(w)； (8) 歷史相關系數(shù)矩陣生成模塊，用于生成預測路段&的歷史相關系數(shù)矩陣P(t):其中，選取近Μ周的同期且同一類型的歷史流量作為交通流量序列)^的歷史相關序列，記為 i(丨 .V(2…^ 數(shù)P#(t)的計算公式為：(9) 預測因子選取模塊，用于根據(jù)所述時空相關系數(shù)閾值h和歷史相關系數(shù)閾值T2選取與預測目標點相關的預測因子，并按照其所選空間位置j與時間延遲τ進行矩陣重構，選取原則為：若Plj⑴'>??，則將觀測路段交通流量序列X沖滿足條件的交通流量組成新的序列并作為第一預測因子，記做X'，X' = (X1'，x2'，. . .，xP'），其中P為所述滿足條件的交通流量個數(shù)，設L!為第一預測因子中時間延遲的最大值，LFmaxh卜G [〇，L]and Pij(T) ' >1^}，則第一預測因子X'可表述成如下矩陣形式：若P#(t)>T2,則將所有滿足條件的歷史相關序列Xjm(t)作為第二預測因子，記作Y'，Y' = {yx'，y2'，...，yq'}，其中q為滿足條件的歷史流量個數(shù)，第二預測因子Υ'可表述成如下矩陣形式：(1〇)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。6. 根據(jù)權利要求5所述的一種公路信息化智能系統(tǒng)，其特征是，所述數(shù)據(jù)預處理模塊中，剔除所述不符合交通實際情況的數(shù)據(jù)的規(guī)則為:在一個數(shù)據(jù)更新周期內(nèi)，分別設定各路段的總交通流量數(shù)據(jù)的閥值范圍，若采集到的某路段的總交通流量數(shù)據(jù)落在對應的閾值范圍內(nèi)，則表明該組數(shù)據(jù)可靠，保留該組數(shù)據(jù);若采集到的某路段的總交通流量數(shù)據(jù)落不在對應的閾值范圍內(nèi)，則表明該組數(shù)據(jù)不可靠，并將其剔除。7. 根據(jù)權利要求6所述的一種公路信息化智能系統(tǒng)，其特征是，所述平穩(wěn)性檢驗模塊包括以下子模塊： (1) 檢驗子模塊，用于對處于同一類型的觀測路段交通流量序列Xi與預測路段&的交通流量序列)^分別進行平穩(wěn)性檢驗； (2) 連續(xù)性檢查子模塊，與檢驗子模塊連接，用于對不通過平穩(wěn)性檢驗的待檢驗交通流量序列進行連續(xù)性檢查，若不符合連續(xù)性，所述連續(xù)性檢查子模塊采用平均插值法對數(shù)據(jù) 進行補齊； (3) 排錯子模塊，與連續(xù)性檢查子模塊連接，用于刪除明顯錯誤的數(shù)據(jù)，同時采用平均插值法對數(shù)據(jù)進行補齊； (4) 差分處理子模塊，連接排錯子模塊和檢驗子模塊，用于對補齊后的數(shù)據(jù)進行差分處理，并將差分處理后的數(shù)據(jù)傳送到檢驗子模塊。
【文檔編號】G08C17/02GK105957329SQ201610524331
【公開日】2016年9月21日
【申請日】2016年6月29日
【發(fā)明人】不公告發(fā)明人
【申請人】肖銳

完整全部詳細技術資料下載