一种基于多源交通数据动态可靠性的交通状态预测方法技术

本发明专利技术提供的一种基于多源交通数据动态可靠性的交通状态预测方法首先构建交通状态D‑S证据理论识别框架；其次，利用时间序列模型中的ARIMA‑GARCH模型来预测不同数据源交通状态判别参数的均值和方差。然后，以动态方差预测结果为输入参数计算不同数据源的可靠性，并以此为基础构建基本概率分配。进而通过证据合成规则计算各待识别状态的基本概率分配函数，最后通过最大信度法则方法判别最终的交通状态。该方法充分利用多种交通检测信息，并考虑数据源的动态可靠性来预测交通状态，降低单一数据源存在的局限性和不确定性，有效提高城市道路交通状态预测的准确性和可靠性。

【技术实现步骤摘要】
一种基于多源交通数据动态可靠性的交通状态预测方法
本专利技术涉及一种交通信息处理方法，具体涉及一种基于多源交通数据动态可靠性的交通状态预测方法。
技术介绍
交通状态是智能交通系统的重要交通参数，为城市交通控制和交通诱导提供重要数据支撑。目前，国内外学者在交通状态预测方面进行了大量的研究，提出了诸多较成熟的预测方法，主要包括随机漫步法、历史平均法、线性回归模型、时间序列模型、神经网络模型、模糊逻辑模型、支持向量机等。如何提高交通状态预测的准确性和可靠性成为研究热点和难点。随着智能交通技术的发展，交通信息采集手段越来越多样化，充分利用各类交通数据的进行交通状态预测越来越受到关注。通过处理各种传感器采集的实时交通信息获取更准确更可靠的交通状态，可有效弥补单一交通数据源设施空间覆盖率低、采集数据样本覆盖率低、检测数据缺失等缺陷，充分利用各类数据源的优势。由于不同交通检测方法具备不同的可靠性，基于不同交通检测方法的交通数据在融合中的权重也不同，交通检测方法越可靠，在融合中所占权重应该更大，反之，在融合中所占的权重更小。在基于多源数据的交通状态融合算法中综合考虑不同数据源的动态可靠性，可进一步提本文档来自技高网...

【技术保护点】
一种基于多源交通数据动态可靠性的交通状态预测方法，其特征在于，包括以下步骤：步骤1、构建交通状态D‑S证据理论识别框架，确定目标路段的M个待识别交通状态；步骤2、将不同数据源的交通信息转化为统一的交通状态判别参数；步骤3、利用时间序列模型中的差分自回归移动平均‑广义自回归条件异方差模型预测交通状态判别参数的条件方差，其中，第i类数据源在t时刻的交通状态判别参数的条件方差为

【技术特征摘要】
1.一种基于多源交通数据动态可靠性的交通状态预测方法，其特征在于，包括以下步骤：步骤1、构建交通状态D-S证据理论识别框架，确定目标路段的M个待识别交通状态；步骤2、将不同数据源的交通信息转化为统一的交通状态判别参数；步骤3、利用时间序列模型中的差分自回归移动平均-广义自回归条件异方差模型预测交通状态判别参数的条件方差，其中，第i类数据源在t时刻的交通状态判别参数的条件方差为步骤4、以步骤3预测得到的条件方差计算每个数据源的可靠性，其中，数据源i在t时刻的可靠性为n表示数据源的总个数；步骤5、以步骤4得到的所有数据源的可靠性为基础，构建基于不同数据源动态可靠性的基本概率分配；步骤6、通过D-S证据理论合成规则进行证据合成，得到所有待识别状态的基本概率分配函数；步骤7、进行交通状态的决策。2.如权利要求1所述的一种基于多源交通数据动态可靠性的交通状态预测方法，其特征在于，在所述步骤3中，所述差分自回归移动平均-广义自回归条件异方差模型的公式为：式中，Xit为第i类数据源在t时刻的特征信息；Bi为后移算子，通过BikXit＝Xi(t-k)计算得到，k为整数；d为Xit的差分阶数；为自回归算子多项式，为自回归系数；称为滑动平均算子多项式，为移动平均系数；uit为第i类数据源在t时刻的随机误差项；是第i类数据源在t时刻的交通状态判别参数的条件方差；Ωi(t1)为第i类数据源在t-1时刻的信息集合；为均值为零，方差为...

【专利技术属性】
技术研发人员：宋晓鹏，崔青华，赵怀柏，郑纲，王梦龙，李洁，
申请(专利权)人：上海电科智能系统股份有限公司，
类型：发明
国别省市：上海,31