一种基于多源数据融合的城市交通流预测方法技术

本发明专利技术公开了一种基于多源数据融合的城市交通流预测方法，包括下述步骤：(1)面向结构化与非结构化交通数据的融合算法；首先，设计含有三层网络拓扑结构的小波神经网络WNN对多源检测器的交通量参数进行处理；假定交通检测器以5min为一个周期进行统计，所采集交通流量序列为x

A method of urban traffic flow prediction based on multi-source data fusion

【技术实现步骤摘要】
一种基于多源数据融合的城市交通流预测方法
本专利技术涉及交通预测
，具体涉及一种基于多源数据融合的城市交通流预测方法。
技术介绍
随着城市化的不断推进，城市问题也越来越多，而准确地进行交通流预测对于解决交通拥堵、城市公共安全等问题具有重要的意义。短时交通流预测作为智能交通系统的重要组成部分，也是智能交通系统发展的核心技术之一。主要应用于短时交通流预测的理论方法有：基于统计的线性理论模型、非线性理论模型和人工智能模型。基于统计的线性理论模型有历史平均方法、时间序列方法和卡尔曼滤波方法等，线性模型结构简单、计算方便，但对于交通流数据具有很强的随机性和不确定性的非线性特征而言，预测精度较低，并且线性模型的抗干扰能力差。随后，为了满足数据的非线性特征，人们又提出了基于小波的理论模型、混沌理论模型、非参数回归模型等非线性预测模型。基于人工智能化模型的出现，使得对于具有非线性特征的数据的处理进入了一个新的发展阶段，这种模型可以在自学习的过程中，以自适应调节模型参数的方法获取数据的本质特征来达到更优的预测效果。由于交通数据的多样化，城市交通的复本文档来自技高网...

【技术保护点】
1.一种基于多源数据融合的城市交通流预测方法，其特征在于，包括下述步骤：/n(1)面向结构化与非结构化交通数据的融合算法；/n首先，设计含有三层网络拓扑结构的小波神经网络WNN对多源检测器的交通量参数进行处理，所述三层网络拓扑结构即输入层、隐含层、输出层；假定交通检测器以5min为一个周期进行统计，所采集交通流量序列为x

【技术特征摘要】
1.一种基于多源数据融合的城市交通流预测方法，其特征在于，包括下述步骤：
(1)面向结构化与非结构化交通数据的融合算法；
首先，设计含有三层网络拓扑结构的小波神经网络WNN对多源检测器的交通量参数进行处理，所述三层网络拓扑结构即输入层、隐含层、输出层；假定交通检测器以5min为一个周期进行统计，所采集交通流量序列为xi(i＝1，2，3，…，k)，并作为小波神经网络的输入交通参数，则隐含层输出计算如公式(1)所示：



其中，s(j)为隐含层第j个节点的输出流量值；sj为小波基函数；λij为输入层到隐含层的权值；bj、aj分别为小波基函数sj的平移因子和伸缩因子；
通过Morlet小波作为WNN的基函数，对所采集的交通流量序列进行处理，如公式(2)所示：



网络输出层计算交通量测量值如公式(3)所示：



其中，y(k)为输出层第k个节点的预测流量输出值；λjk为隐含层到输出层的权值；s(j)为隐含层第j个节点的输出流量值；m、l分别为输出层和隐含层节点的个数；
以多源数据值中的加权误差平方和最小为原则，充分利用不同数据源经WNN输出结果的不同交通流特性，依据数据测量值与实测流量值分别进行实时方差计算，并根据上一时段融合值与实测值实时更新下一时段各单源交通数据估计值的最小二乘动态融合权重，使精度较高的交通量所占比重大，而精度较低的交通量占比重小；基于最小二乘动态加权融合的算法既考虑了不同数据来源的不同交通特征信息，又考虑了随机因素的影响，增强了融合的精度与抗干扰能力；
(2)基于深度信念网络的交通流预测算法；
S1，路网相关性分析；
将一个区域内的路网抽象化为一个网状图G，该网状图中有N个结点，E是整个网络中所有路段的集合；对于任意一个路段的某一个连续的时间序列内所有的交通流量统计为一个二维数组，然后计算该路网中任意两个路段之间的相关系数；
S2，构造路网数据压缩矩阵；
对路网交通流数据矩阵进行分解，根据相关系数的绝对值大小对路段进行分组，设定一个阈值α，以某一个路段开始，求出与其相关系数大于α的所有路段...

【专利技术属性】
技术研发人员：刘建圻，何琦，曾碧，尹秀文，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44