一种交通流速度预测方法及系统技术方案

本发明专利技术公开了一种交通流速度预测方法及系统。该方法包括：获取样本数据，所述样本数据为t时刻采集到的交通流速度数据，所述样本数据为多个；对模糊神经网络模型进行改进，具体包括：对所述样本数据进行分类；根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；采用最小二乘估计法优化所述模糊神经网络模型中的规则函数；采用改进后的神经网络模型对所述样本数据进行训练，得到t时刻的交通流速度的神经网络预测值。本发明专利技术提供的交通流速度预测方法及系统具有预测精度高的特点。

A method and system for predicting the speed of traffic flow

The present invention discloses a method and system for predicting the speed of traffic flow. The method includes: obtaining the sample data, the sample data flow velocity data collected for t traffic, the sample data into a plurality of; fuzzy neural network model is improved, including: the classification of the sample data; according to the parameters of the membership function of fuzzy variables and fuzzy neural network model in the the classification of the sample data; using the least squares estimation method to optimize the fuzzy rule function neural network model; neural network model with improved training of the sample data, the predictive value of traffic flow and neural network t moment. The method and system of the traffic flow velocity prediction provided by the invention have the characteristics of high prediction precision.

【技术实现步骤摘要】
一种交通流速度预测方法及系统
本专利技术涉及交通流速度预测领域，特别是涉及一种交通流速度预测方法及系统。
技术介绍
交通流速度是指在道路断面采集到的通过该断面所有车辆的瞬时速度的平均值。交通流速度是评价交通流运行特征的重要参数之一，它直接反应了道路交通流运行效率的高低。交通流速度预测是指基于历史的交通流速度时间序列数据推测未来时段的交通流状态。预测的结果可以为先进的交通信息系统、先进的交通管理系统以及先进的出行者信息诱导系统提供参考，使出行者能够根据预测的路网交通状态提前规划出行路径，减少延误，缓解路网拥堵。现有的交通流预测算法大致可以分为以下几个大类：统计预测方法，人工神经网络，模糊神经网络，支持向量机，卡尔曼滤波理论以及组合预测方法。尽管目前预测方法众多，但是依然存在如下两个关键问题：首先，当前的研究成果较为丰富，预测模型各有优点，适用于不同的条件和环境，但是在模型的训练过程中，对训练样本的分类学习机制研究较少，应根据交通流不同的分布模式或状态制定相应的学习算法，优化相应的参数，提升预测模型的自适应学习能力。其次，在总结的不同预测模型中，发现大部分模型并没有充分考虑交通流在时间上的相似性，比如天相似性，周相似性，月相似性等。大量研究表明，正常情况下每天(工作日和非工作日)的交通流的都具有相似的分布模式，交通流在时间分布上具有明显的周相似性，如何利用这种特性提升预测效果仍有待进一步深入研究。
技术实现思路
本专利技术的目的是提供一种交通流速度预测方法及系统，具有预测精度高的特点。为实现上述目的，本专利技术提供了如下方案：一种交通流速度预测方法，所述方法包括：获取样本数据，所述样本数据为t时刻采集到的交通流速度数据，所述样本数据为多个；对模糊神经网络模型进行改进，具体包括：对所述样本数据进行分类；根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；采用最小二乘估计法优化所述模糊神经网络模型中的规则函数；采用改进后的神经网络模型对所述样本数据进行训练，得到t时刻的交通流速度的神经网络预测值。可选的，所述方法还包括：对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线；根据所述拟合曲线获取t时刻的交通流速度的周期特性拟合曲线预测值；根据所述交通流速度的神经网络预测值和拟合曲线预测值，综合确定t时刻的所述交通流速度。可选的，所述对所述样本数据进行分类，具体包括：采用K均值法对所述样本数据进行分类。可选的，所述根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数，具体包括：获取每类样本数据的聚类中心；将所述隶属函数中的参数μ确定为所述聚类中心；将所述隶属函数中的参数σ确定为所述样本数据与所述样本数据所属类的聚类中心之间的距离的方差。可选的，所述对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线，具体包括：采用三角函数多项式对所述交通流速度数据进行曲线拟合，其中，Mt表示拟合的采样时刻为t的周期性函数，t＝1,2,…720，n表示三角函数多项式的数量，m0,m1,…,m2n为系数。可选的，所述根据所述交通流速度的神经网络预测值和周期特性拟合曲线预测值，确定t时刻的所述交通流速度，具体包括：根据公式计算t时刻的所述交通流速度St，其中，为神经网络预测值，Mt为周期特性拟合曲线预测值。本专利技术还提供了一种交通流速度预测系统，所述系统包括：样本数据获取模块，用于获取样本数据，所述样本数据为t时刻采集到的交通流速度数据，所述样本数据为多个；神经网络模型改进模块，用于对模糊神经网络模型进行改进，所述神经网络模型改进模块具体包括：分类单元，用于对所述样本数据进行分类；参数确定单元，用于根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；规则函数优化单元，用于采用最小二乘估计法优化所述模糊神经网络模型中的规则函数；神经网络模型预测模块，用于采用改进后的神经网络模型对所述样本数据进行训练，得到t时刻的交通流速度的神经网络预测值。可选的，所述系统还包括：周期特性曲线拟合模块，用于对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线；周期特性曲线拟合预测模块，用于根据所述拟合曲线获取t时刻的交通流速度的拟合曲线预测值；交通流速度确定模块，用于根据所述交通流速度的神经网络预测值和周期特性拟合曲线预测值，确定t时刻的所述交通流速度。可选的，所述分类单元，具体包括：分类子单元，用于采用K均值法对所述样本数据进行分类。所述参数确定单元，具体包括：聚类中心获取子单元，用于获取每类样本数据的聚类中心；第一参数确定子单元，用于将所述隶属函数中的参数μ确定为所述聚类中心；第二参数确定子单元，用于将所述隶属函数中的参数σ确定为所述样本数据与所述样本数据所属类的聚类中心之间的距离的方差。所述周期特性曲线拟合模块，具体包括：周期特性曲线拟合单元，用于采用三角函数多项式对所述交通流速度数据进行曲线拟合，其中，Mt表示拟合的采样时刻为t的周期性函数，t＝1,2,…720，n表示三角函数多项式的数量，m0,m1,…,m2n为系数。可选的，所述交通流速度确定模块，具体包括：交通流速度确定单元，用于根据公式计算t时刻的所述交通流速度St，其中，为神经网络预测值，Mt为周期特性拟合曲线预测值。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供的交通流速度预测方法及系统，采用改进的模糊神经网络模型对采集到的交通流速度历史数据进行训练，预测得到各时刻的交通流速度，在对模糊神经网络模型进行改进时，一方面，对所述样本数据进行分类，利用分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；另一方面，采用最小二乘估计法优化所述模糊神经网络模型中的规则函数，提高了预测效果。此外，本专利技术还对交通流速度数据的周期特性进行曲线拟合，通过得到的拟合曲线可以获得交通流速度的周期变化特性，进而得到交通流速度周期变化的预测值，采用改进的模糊神经网络模型和周期特性曲线拟合两种方法组合预测交通流速度，提高了预测的准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例交通流速度预测方法流程图；图2为本专利技术实施例模糊神经网络模型的结构图；图3为本专利技术实施例交通流速度预测系统结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术的目的是提供一种交通流速度预测方法及系统，具有预测精度高的特点。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。图1为本专利技术实施例交本文档来自技高网...

【技术保护点】
一种交通流速度预测方法，其特征在于，所述方法包括：获取样本数据，所述样本数据为t时刻采集到的交通流速度数据，所述样本数据为多个；对模糊神经网络模型进行改进，具体包括：对所述样本数据进行分类；根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；采用最小二乘估计法优化所述模糊神经网络模型中的规则函数；采用改进后的神经网络模型对所述样本数据进行训练，得到t时刻的交通流速度的神经网络预测值。

【技术特征摘要】
1.一种交通流速度预测方法，其特征在于，所述方法包括：获取样本数据，所述样本数据为t时刻采集到的交通流速度数据，所述样本数据为多个；对模糊神经网络模型进行改进，具体包括：对所述样本数据进行分类；根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；采用最小二乘估计法优化所述模糊神经网络模型中的规则函数；采用改进后的神经网络模型对所述样本数据进行训练，得到t时刻的交通流速度的神经网络预测值。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线；根据所述拟合曲线获取t时刻的交通流速度的周期特性拟合曲线预测值；根据所述交通流速度的神经网络预测值和周期特性拟合曲线预测值，综合确定t时刻的交通流速度。3.根据权利要求1所述的方法，其特征在于，所述对所述样本数据进行分类，具体包括：采用K均值法对所述样本数据进行分类。4.根据权利要求1所述的方法，其特征在于，所述根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数，具体包括：获取每类样本数据的聚类中心；将所述隶属函数中的参数μ确定为所述聚类中心的值；将所述隶属函数中的参数σ确定为所述样本数据与所述样本数据所属类的聚类中心之间的距离的方差。5.根据权利要求1所述的方法，其特征在于，所述对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线，具体包括：采用三角函数多项式对所述交通流速度数据进行曲线拟合，其中，Mt表示拟合的采样时刻为t的周期性函数，t＝1,2,…720，n表示三角函数多项式的数量，m0,m1,…,m2n为系数。6.根据权利要求2所述的方法，其特征在于，所述根据所述交通流速度的神经网络预测值和周期特性拟合曲线预测值，确定t时刻的所述交通流速度，具体包括：根据公式计算t时刻的所述交通流速度St，其中，为神经网络预测值，Mt为周期特性拟合曲线预测值。7.一种交通流速度预测系统，...

【专利技术属性】
技术研发人员：唐进君，刘芳，黄合来，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43