The present invention relates to a short-term urban traffic flow prediction method based on traffic flow spatio-temporal similarity, which reforms the traditional non-parametric regression method, including the following steps: S1, defining the time state vector and space-time state vector of traffic flow based on traffic flow spatio-temporal similarity; S2, constructing the current period of submission Current space-time state vectors of flow passage, S3, constructing \historical space-time state vectors\ of traffic flow at the same time on different dates in history, S4, calculating \space-time similarity distances\ between current and historical space-time state vectors by using distance measure functions, S5, selecting K historical state vectors with the smallest space-time similarity distances. On the last day, the traffic flow corresponding to the predicted period of the K historical dates is found; S6. Based on the traffic flow corresponding to the predicted period of the K historical dates, the traffic flow of the next period of the target section is calculated by the predicted function; S7. According to the predicted and actual results of the traffic flow, the prediction error of the target section is evaluated. Price analysis. The aim is to improve the accuracy of short-term traffic flow forecasting in cities.
【技术实现步骤摘要】
一种基于交通流时空相似性的城市短时交通流预测方法
本专利技术涉及智能交通浮动车轨迹大数据的应用
,尤其涉及一种基于交通流时空相似性的城市短时交通流预测方法。
技术介绍
交通流预测分为以交通规划为目的的长期交通流预测,以交通管理为目的的中期交通流预测,以及以实时交通控制和引导为目的短时交通流预测。为控制和诱导服务的短时交通流预测的时间跨度较之前两种大大的缩小,一般不超过15分钟。在较短的时间段内,交通流变化的周期性降低,随机性和非线性增强,各种干扰造成的影响也较大,因此短时交通流预测相对中长期预测难度更大。自20世纪80年代初以来,短时交通预测理论为智能交通系统的实现提供基础理论支持和数据支持,一直是智能交通系统的研究和应用的一个重要组成部分,也是近年来兴起的智慧城市、城市计算和时空数据挖掘等研究的重要内容,对改进城市规划、缓解交通拥堵、节约能耗、提高城市交通管理水平和人们的出行效率有重要作用。传统的短时交通预测方法主要有历史平均模型(HA)、BP神经网络模型、原始短时交通流预测OriginalKNN模型等,这些模型的预测结果及分析中,HA模型只考虑了交通状态的周期性,没有考虑其时变性,抗干扰能力差,不能反映交通流的动态性和非线性;BP-NN模型能识别复杂非线性系统,不需要经验公式,但隐层节点数的确立没有统一的方法,只能凭经验试凑,存在局部极小,收敛速度慢,难以实现在线调节;OriginalKNN模型虽然也是基于数据驱动的非参数回归方法,但是其只考虑了时间维度上交通流的相似性,而只使用基于时间相似性的状态向量并不能很全面的描述道路交通流的特征。随着短时 ...
【技术保护点】
1.一种基于交通流时空相似性的城市短时交通流预测方法,在预测目标路段下一时段交通流时,其特征在于,该方法包括如下步骤:S1、基于交通流时空相似性,定义交通流的时间状态向量TSV、时空状态向量STSV;S2、构造当前时段下交通流的“当前时空状态向量”;S3、构造历史上不同日期同一时段下交通流的“历史时空状态向量”;S4、使用距离度量函数计算当前和各历史时空状态向量间的“时空相似距离”STD;S5、选择k个时空相似距离最小的历史状态向量所在的日期,查出这k个历史日期对应的预测时段的交通流;S6、基于这k个历史日期对应的预测时段的交通流,使用预测函数计算目标路段下一时段的交通流;S7、根据交通流的预测结果和实际结果,对目标路段的预测误差进行评价分析。
【技术特征摘要】
1.一种基于交通流时空相似性的城市短时交通流预测方法,在预测目标路段下一时段交通流时,其特征在于,该方法包括如下步骤:S1、基于交通流时空相似性,定义交通流的时间状态向量TSV、时空状态向量STSV;S2、构造当前时段下交通流的“当前时空状态向量”;S3、构造历史上不同日期同一时段下交通流的“历史时空状态向量”;S4、使用距离度量函数计算当前和各历史时空状态向量间的“时空相似距离”STD;S5、选择k个时空相似距离最小的历史状态向量所在的日期,查出这k个历史日期对应的预测时段的交通流;S6、基于这k个历史日期对应的预测时段的交通流,使用预测函数计算目标路段下一时段的交通流;S7、根据交通流的预测结果和实际结果,对目标路段的预测误差进行评价分析。2.根据权利要求1所述的一种基于交通流时空相似性的城市短时交通流预测方法,其特征在于:步骤S1的计算具体如下:S11、定义路段m交通流的时间状态向量时间状态向量是指从时间维度上来描述目标路段交通状态(这里使用交通流描述交通状态)的特征,包括本路段过去若干时段的交通流,以及相邻路段间交通流的变化趋势,定义如下:其中,Vm(t)代表路段m在时段t的交通流;Vm(t-d)代表路段m在过去时段t-d的交通流;d代表滞后时段,也称为匹配窗口,可利用历史数据通过试验中确定,公式的前半部分用于描述过去时段的影响,后半部分描述交通变化趋势的影响;S12、定义路段m交通流的时空状态向量时空状态向量从时间和空间两个维度来描述道路的交通特征,即认为目标路段的交通状态还与周边区域的交通状态有关,定义如下:其中,代表路段m在时段t的时间状态向量;m1,...,mn代表路段m的n个流量相似路段,代表路段m的第n个“流量相似路段”的时间状态向量;n代表路段m的流量相似路段的数量,与具体的路网结构有关,可利用历史数据通过试验确定,通过公式可以看出,时空状态向量是由目标路段与其空间相邻的“流量相似路段”的“时间状态向量”组成;S13、流量相似路段的判别方法:使用同一时段内穿过相邻两个路段的浮动车的数量来度量路段之间的流量相似性,如果穿过两个路段的浮动车数量多,说明这两个路段的交通流相似性越大。3.根据权利要求2所述的一种基于交通流时空相似性的城市短时交通流预测方法,其特征在于:步骤S2的计算具体如下:S21、根据公式(1)计算当前时段t下,目标路段m的当前时间状态向量及其流量相似路段m1,...,mn的当前时间状态向量S22、根据S21计算的各路段时间状态向量和公式(2),计算当前时段t下,目标路段m的当前时空状态向量4.根据权利要求3所述的一种基于交通流时空相似性的城市短时交通流预测方法,其特征在于:步骤S3的计算具体如下:S31、根据公式(1)计算不同历史日期的时段t下,目标路段m的各历史时间状态向量及其流量相似路段m1,...,mn的各历史时间状态向量S32、根据S31计算的各路段时间状态向量和公式(2),计算各历史日期的时段t下,目标路段m的各历史时空状态向量5.根据权利要求4所述的一种基于交通流时空相似性的城市短时交通流预测方法,其特征在于:步骤S4的计算具体如下:S41、首先计算当前和各历史时间状态向量间的距离:时间相似距离,通过下式计算:...
【专利技术属性】
技术研发人员:胡玉龙,罗伦,熊国清,李迪龙,王芳,巢伦,逯跃锋,卢晶晶,
申请(专利权)人:国交空间信息技术北京有限公司,中国交通通信信息中心,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。