一种采用多源同构数据的行程时间动态融合预测方法技术

本发明专利技术公开了一种采用多源同构数据的行程时间实时融合预测方法，包括在获得多源同构等时间间隔的连续行程时间数据序列的基础上，构建多源行程时间D-S证据推理模型识别框架；利用能够获得预测均值和动态方差的时间序列模型分别计算各类单一行程时间数据源的实时预测均值和动态方差；以动态方差预测结果作为输入数据，通过计算获得D-S证据推理模型的基本概率分配函数和基本信任分配函数，通过证据合成规则计算多源行程时间数据的动态融合权重；由单一数据源的预测均值与动态融合权重的加权和计算得到行程时间的融合结果。本发明专利技术降低了由单一数据源描述或预测道路行程时间的不确定性，进一步提高行程时间预测的准确性和可靠性，可操作性强。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种采用多源同构数据的行程时间实时融合预测方法，包括在获得多源同构等时间间隔的连续行程时间数据序列的基础上，构建多源行程时间D-S证据推理模型识别框架；利用能够获得预测均值和动态方差的时间序列模型分别计算各类单一行程时间数据源的实时预测均值和动态方差；以动态方差预测结果作为输入数据，通过计算获得D-S证据推理模型的基本概率分配函数和基本信任分配函数，通过证据合成规则计算多源行程时间数据的动态融合权重；由单一数据源的预测均值与动态融合权重的加权和计算得到行程时间的融合结果。本专利技术降低了由单一数据源描述或预测道路行程时间的不确定性，进一步提高行程时间预测的准确性和可靠性，可操作性强。【专利说明】
本专利技术涉及交通预测领域，具体涉及一种利用多源同构交通信息进行道路行程时间预测的方法。
技术介绍
行程时间是交通管理与运营部门实施交通控制措施的重要参考指标，同时也是交通出行者对道路实际交通状态做出判断的直观依据。准确、可靠的行程时间实时预测技术已经成为城市道路主动式交通控制系统、交通诱导系统以及交通信息服务系统等智能交通系统的重要研究内容。目前国内外对道路行程时间的短时预测技术开展了大量研究，基于统计模型以及人工智能等技术的预测方法不断被提出，并且预测的准确性也不断得到提高。然而，我国城市道路交通状况复杂，交叉口延误、机非混行等因素致使行程时间预测过程存在诸多不确定性。因此，在行程时间预测过程中考虑不确定性，进一步提高行程时间预测的准确性和可靠性是当前行程时间预测领域的研究热点和难点。此外，随着城市道路交通监控系统的发展，感应线圈、微波车辆器、高清视频摄像机、车载GPS设备，以及蓝牙手机等多种交通信息采集设备为道路行程时间的估计和预测提供了多元化的数据来源，也为基于多源数据融合技术的行程时间预测提供了必要的数据支撑。因此，如何在考虑单一数据源行程时间预测不确定性的基础上，进一步对多源行程时间预测结果进行融合估计，可进一步提高行程时间预测的准确性和可靠性。
技术实现思路
专利技术目的:针对当前道路行程时间短时预测及融合技术缺乏对行程时间不确定性量化分析的问题，本专利技术以行程时间预测过程中的动态方差量化行程时间的不确定性，并以此为基础，提出了一种采用多源同构数据的行程时间实时融合预测方法。技术方案:一种采用多源同构数据的行程时间实时融合预测方法，所述方法包括如下步骤:(I)获取S1, S2,...Si,..., Sn为某路段或路径行程时间的η个数据源，对原始数据进行时间规整，形成等时间间隔的时间序列数据集，并建立D-S证据推理模型的识别框架Θ = (S1, S2,...Si,, Sn}, i=l, 2,...,η ；(2)对每个数据源Si的行程时间的时间序列ITTiJ，采用一定数量的历史数据建立单一数据源的行程时间均值及动态方差预测模型；(3)对于数据源Si,采用与t时间间隔相邻的一定时段的历史数据及预测模型进行行程时间预测，获得该数据源在时间间隔t内的行程时间均值yit和动态方差(4)以步骤(3)获得的行程时间动态方差作为输入数据，并在假设行程时间数据序列波动的随机过程服从正太分布的基础上，通过识别框架幂集合的各个元素计算D-S证据推理模型的基本概率分配函数Pi (*)，并以此为基础，进一步计算基本信任分配函数叫(*)；(5)依据D-S证据推理模型的合成规则，计算D-S证据推理模型的合成信任分配m(*)；(6)根据D-S证据推理模型的合成信任分配计算获得各类行程时间数据源在时间间隔t内的融合权重Wit ；(7)根据步骤(3)获得的行程时间预测均值μ it和步骤(6)获得的融合权重Wit计算时间间隔t内的行程时间预测融合值，表达式为【权利要求】1.一种采用多源同构数据的行程时间实时融合预测方法，其特征在于，所述方法包括如下步骤: (1)获取S1,S1,...Si,...，Sn为某路段或路径行程时间的η个数据源，对原始数据进行时间规整，形成等时间间隔的时间序列数据集，并建立D-S证据推理模型的识别框架Θ = (S1, S2,...Si,, Sn}, i=l, 2,...,η ； (2)对每个数据源Si的行程时间的时间序列{TTit}，采用一定数量的历史数据建立单一数据源的行程时间均值及动态方差预测模型； (3)对数据源Si采用与t时间间隔相邻的一定时段的历史数据及预测模型进行行程时间预测，获得该数据源在时间间隔t内的行程时间均值μ it和动态方V σ2 (4)以步骤(3)获得的行程时间动态方差作为输入数据，并在假设行程时间数据序列波动的随机过程服从正太分布的基础上，通过识别框架幂集合的各个元素计算D-S证据推理模型的基本概率分配函数Pi (*)，并以此为基础，进一步计算基本信任分配函数 HliW ; (5)依据D-S证据推理模型的合成规则，计算D-S证据推理模型的合成信任分配m(*)； (6)根据D-S证据推理模型的合成信任分配计算获得各类行程时间数据源在时间间隔t内的融合权重Wit ； (7)根据步骤(3)获得的行程时间预测均值μit和步骤(6)获得的融合权重Wit计算时间间隔t内的行程时间预测融合值，表达式为 2.根据权利要求1所述的一种采用多源同构数据的行程时间实时融合预测方法，其特征在于，所述步骤(1)中，多源同构行程时间数据是以5分钟为等时间间隔的连续时间序列数据。3.根据权利要求1所述的一种采用多源同构数据的行程时间实时融合预测方法，其特征在于，所述步骤(2)中，采用连续一天等时间间隔的数据进行预测模型的构建及参数估计，并且预测模型形式采用能够提供均值和动态方差的时间序列模型。4.根据权利要求1所述的一种采用多源同构数据的行程时间实时融合预测方法，其特征在于，所述步骤(3)中用于预测时间间隔t内行程时间信息的一定时段的历史数据由预测模型构建过程限定。5.根据权利要求1所述的一种采用多源同构数据的行程时间实时融合预测方法，其特征在于，所述步骤(4)中D-S证据推理模型的基本概率分配函数Pi (*)的计算表达式为: 6.根据权利要求1所述的一种采用多源同构数据的行程时间实时融合预测方法，其特征在于，所述步骤(5)中时间间隔t内的合成信任分配函数m(*)的表达式为:7.根据权利要求1所述的一种采用多源同构数据的行程时间实时融合预测方法，其特征在于，所述步骤(6)中令所有不确定决策的合成信任分配函数均为0，即当∩ Xht=X*≠Xit (1 ≤ i ≤ n)时，m(X*)=0，则各类数据源在时间间隔t的融合权重Wit表达式为 【文档编号】G08G1/01GK103903430SQ201410149283【公开日】2014年7月2日 申请日期:2014年4月14日 优先权日:2014年4月14日【专利技术者】钱振东, 聂庆慧, 夏井新, 李晔寒, 马党生, 安成川, 崔青华 申请人:东南大学本文档来自技高网...

【技术保护点】
一种采用多源同构数据的行程时间实时融合预测方法，其特征在于，所述方法包括如下步骤：（1）获取S1,S1,...Si,...,Sn为某路段或路径行程时间的n个数据源，对原始数据进行时间规整，形成等时间间隔的时间序列数据集，并建立D‑S证据推理模型的识别框架Θ={S1,S2,...Si,...,Sn}，i=1,2,...,n；（2）对每个数据源Si的行程时间的时间序列{TTit}，采用一定数量的历史数据建立单一数据源的行程时间均值及动态方差预测模型；（3）对数据源Si采用与t时间间隔相邻的一定时段的历史数据及预测模型进行行程时间预测，获得该数据源在时间间隔t内的行程时间均值μit和动态方差σit2;]]>（4）以步骤（3）获得的行程时间动态方差作为输入数据，并在假设行程时间数据序列波动的随机过程服从正太分布N的基础上，通过识别框架幂集合的各个元素计算D‑S证据推理模型的基本概率分配函数pi(*)，并以此为基础，进一步计算基本信任分配函数mi(*)；（5）依据D‑S证据推理模型的合成规则，计算D‑S证据推理模型的合成信任分配m(*)；（6）根据D‑S证据推理模型的合成信任分配计算获得各类行程时间数据源在时间间隔t内的融合权重wit；（7）根据步骤（3）获得的行程时间预测均值μit和步骤（6）获得的融合权重wit计算时间间隔t内的行程时间预测融合值，表达式为TTft=Σi=1nwitμit]]>式中，TTft即为多源同构行程时间数据在时间间隔t内的预测融合结果。...

【技术特征摘要】

【专利技术属性】
技术研发人员：钱振东，聂庆慧，夏井新，李晔寒，马党生，安成川，崔青华，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32