基于时空特征选择和卡尔曼滤波的短时交通流预测方法技术

本发明专利技术公开了一种基于时空特征选择和卡尔曼滤波的短时交通流预测方法。该方法将相邻交叉口的不同时滞的时间序列作为模型的输入特征，避免了传统模型不能充分考虑交通流时间序列间的时空相关性的缺点。首先对原始SCATS数据进行流量聚合；然后通过对预测断面及其相邻区域内的断面组应用多维标度法，找出与预测断面相关性较高的一些断面；再对由这些断面的不同时滞形成的时空特征进行特征选择，确定出最佳输入特征；最后通过考虑时空相关性的卡尔曼滤波模型得出预测结果。该模型在对城市交叉口进行短时流量预测时能获得较高的预测精度，具有很好的鲁棒性。

【技术实现步骤摘要】
基于时空特征选择和卡尔曼滤波的短时交通流预测方法
本专利技术涉及卡尔曼滤波算法和交通流预测等
，具体地说，是一种基于时空特征选择和卡尔曼滤波的短时交通流预测方法。
技术介绍
智能交通系统(ITS),是在关键基础理论模型研究的前提下,以缓解道路拥堵和降低交通事故为目的,把先进信息技术、电子控制技术、数据通信技术和电子定位控制技术等有机结合,进而建立起全方位、宽范围、高效率、智能化的交通运输分析与选线管理系统的总称。针对道路短时交通流量的分析与预测是智能交通系统的关键性内容,有针对性的开展短时交通流预测理论与方法研究,并得出有效分析、预测的数据,准确预判路网交通流状态,是目前智能交通系统的发展的当务之急,也是其研究和讨论的重点问题。悉尼协调自适应交通控制系统(SCATS)是一种适应性很广的系统。该系统利用安装在靠近车道下游停车线处的线圈实时获得周期、周期时长、流量等参数。短时交通流预测的步长通常为5分钟，但SCATS数据的周期时长却是动态变化的，且数据质量不高。为此在对数据预处理后，需要对原始SCATS数据进行流量聚合，以获得固定时间间隔的流量，此固定的时间间隔被称为虚拟周期。在SCATS中，下游停车线处的横截面被称为断面，系统为每个断面都分配了一个断面编号。在城市道路中，相邻交叉口的断面之间往往具有较高的空间相关性。相邻区域内的断面组成的断面集合被称作断面组。将断面的流量按时间顺序排列得到的序列称为交通流时间序列。多维标度法是多元统计分析方法中的一类。在实际应用中，多选择RSQ值作为多维标度法的评价指标。交通研究领域多采用欧式距离作为衡量交通流序列相似测度的指标。通过对由多个断面组成的城市路网中的两两断面上的交通流时间序列分别计算欧式距离，可得到路网的欧式距离矩阵。国内外关于短时交通流预测的模型有很多，包括四大类：第一类是基于数理统计的模型，包括线性回归模型、历史平均模型等；第二类是以小波理论模型为代表的非线性预测理论模型；第三类是神经网络模型，包括人工神经网络、BP神经网络以及模糊神经网络模型等；第四类是组合预测模型。第一类模型中，线性回归模型具有实时性差的缺点，历史平均模型比较简单，但是预测精度不高，不能处理突发事故；第二类模型虽然预测精度较高，但是预测花费时间较长，调参繁琐的缺点很明显；第三类模型通过实时交通流更新模型，保证了预测的实时性，但是需要大量的历史数据用于训练，这在实际中很难满足；第四类模型满足了对预测精度和实时性的要求，但组合预测模型在实际中很难得到应用。除此以外，已有模型还存在不能充分考虑交通流的时空相关性的缺陷。
技术实现思路
本专利技术的目的在于提供一种基于时空特征选择和卡尔曼滤波的短时交通流预测方法。实现本专利技术目的的技术解决方案为：一种基于时空特征选择和卡尔曼滤波的短时交通流预测方法，包括如下步骤：步骤一，对原始SCATS数据进行t分钟流量聚合；步骤二，对聚合后的数据进行归一化处理，将归一化后的数据划分为训练集、验证集和测试集；步骤三，通过对预测断面及其相邻区域内的断面组应用多维标度法，找出与预测断面相关性最高的n个断面；步骤四，应用时空特征选择算法对由预测断面及与预测断面相关性最高的n个断面的不同时滞形成的时空特征进行特征选择，确定出卡尔曼滤波模型的最佳输入特征；步骤五，利用确定最佳输入特征的卡尔曼滤波模型对测试数据集进行流量预测，得到最终预测结果。进一步地，所使用的原始数据为SCATS数据，是包括交叉口编号、战略通道、线圈编号、周期开始时间、相位开始时间、相位、相位时长、周期时长、饱和度、流量、日期、星期的数据集。进一步地，短时交通流预测的预测步长为t分钟，t的取值范围为{3,5,10,15}。进一步地，步骤一中流量聚合的具体过程如下：通过周期开始时间与流量这两个参数来对各线圈进行t分钟流量聚合。单个信号周期内单位时间的流量计算公式如下：其中是路口i的线圈l在第k个周期内单位时间的平均流量；qi,l(k)是路口i的线圈l在第k个周期的总流量；Ti,l(k)是路口i的线圈l在第k个周期的周期开始时间。从实际周期到聚合的虚拟周期的映射关系为：其中qi,l(m)是路口i的线圈l在虚拟周期m内的总流量；tk是虚拟周期m在实际周期k内的时长；N为虚拟周期m跨越实际周期的个数。进一步地，步骤二中将归一化的数据集的百分之80的数据作为训练集，将百分之10的数据作为验证集，将百分之10的数据作为测试集。进一步地，步骤三中通过对预测断面及其相邻区域内的断面组应用多维标度法，找出与预测断面相关性最高的n个断面的步骤如下：3.1：将预测断面及其相邻区域内的的断面组上的交通流时间序列进行归一化，计算两两断面上的交通流时间序列间的欧式距离，得到欧式距离矩阵；3.2：选取RSQ作为评价指标，检验不同维数下的拟合程度，通过空间点来表征断面上的交通流时间序列，得到拟合程度最高的维数下的各空间点的坐标，拟合程度最高的维数即维数s，将拟合程度最高的维数下的各空间点的坐标组成的坐标图称为s维坐标感知图；3.3：在得到的s维坐标感知图中，通过用于表征交通流时间序列的点与点之间的距离，根据两点间距离越短相关性越高的判别原理，目测出与预测断面相关性最高的n个断面，n的取值范围为{4,5，6}。进一步地，步骤四中应用时空特征选择算法确定卡尔曼滤波模型的最佳输入特征的具体过程如下：4.1：将测试集中预测断面与预测断面相关性最高的n个断面的前Q个周期的流量序列构成卡尔曼滤波模型的输入特征，Q的取值范围为{2，3，4}；4.2：使用基于启发式搜索策略的特征选择算法对卡尔曼滤波模型的输入特征进行特征选择，得到使用验证集数据时的卡尔曼滤波模型的最佳输入特征。进一步地，步骤4.2使用基于启发式搜索策略的特征选择算法确定卡尔曼滤波模型的最佳输入特征的步骤如下：4.2.1：输入数据集S、特征F、预测算法A、停止控制参数C、初始化特征集Finitial、使用MAPE作为评价指标的误差分析函数Validation；4.2.2：初始化最优特征集，计算使用最优特征集得到的误差；4.2.3：控制参数计数c加1，如果c小于停止控制参数C，转入步骤4.2.4，反之，转入4.2.5；4.2.4：在F中产生包含特征子集F*且多增加一个特征的集合F'，计算得到特征集合F'中包含的子集的大小D，遍历特征集合F'，在特征集合F'中不重复查找特征子集F”，对于每个查找的特征子集F”计算出误差，如果该误差小于使用初始化最优特征集得到的误差，更新最优特征子集F*为F”，更新初始化误差E为E'，重复上述过程，直至遍历结束；4.2.5：输出最优特征子集F*。进一步地，步骤五具体包括以下步骤：利用确定最佳输入特征的卡尔曼滤波模型对测试数据集进行流量预测，得到最终预测结果。本专利技术与现有技术相比，其显著优点包括：(1)不本文档来自技高网...

【技术保护点】
1.一种基于时空特征选择和卡尔曼滤波的短时交通流预测方法，其特征在于，包括以下步骤：/n步骤一，对原始SCATS数据进行t分钟流量聚合；/n步骤二，对聚合后的数据进行归一化处理，将归一化后的数据划分为训练集、验证集和测试集；/n步骤三，通过对预测断面及其相邻区域内的断面组应用多维标度法，找出与预测断面相关性最高的n个断面；/n步骤四，应用时空特征选择算法对由预测断面及与预测断面相关性最高的n个断面的不同时滞形成的时空特征进行特征选择，确定出卡尔曼滤波模型的最佳输入特征；/n步骤五，利用确定最佳输入特征的卡尔曼滤波模型对测试数据集进行流量预测，得到最终预测结果。/n

【技术特征摘要】
1.一种基于时空特征选择和卡尔曼滤波的短时交通流预测方法，其特征在于，包括以下步骤：
步骤一，对原始SCATS数据进行t分钟流量聚合；
步骤二，对聚合后的数据进行归一化处理，将归一化后的数据划分为训练集、验证集和测试集；
步骤三，通过对预测断面及其相邻区域内的断面组应用多维标度法，找出与预测断面相关性最高的n个断面；
步骤四，应用时空特征选择算法对由预测断面及与预测断面相关性最高的n个断面的不同时滞形成的时空特征进行特征选择，确定出卡尔曼滤波模型的最佳输入特征；
步骤五，利用确定最佳输入特征的卡尔曼滤波模型对测试数据集进行流量预测，得到最终预测结果。


2.根据权利要求1所述的基于时空特征选择和卡尔曼滤波的短时交通流预测方法，其特征在于：所述原始SCATS数据包括交叉口编号、战略通道、线圈编号、周期开始时间、相位开始时间、相位、相位时长、周期时长、饱和度、流量、日期、星期的数据集。


3.根据权利要求1所述的基于时空特征选择和卡尔曼滤波的短时交通流预测方法，其特征在于：步骤一中所述t的取值范围为{3，5，10，15}。


4.根据权利要求1所述的基于时空特征选择和卡尔曼滤波的短时交通流预测方法，其特征在于，步骤一中实现流量聚合的具体方法如下：
通过周期开始时间与流量这两个参数对各线圈进行t分钟流量聚合，单个信号周期内单位时间的流量计算公式如下：



其中，是路口i的线圈l在第k个周期内单位时间的平均流量；qi,l(k)是路口i的线圈l在第k个周期的总流量；Ti,l(k)是路口i的线圈l在第k个周期的周期开始时间；从实际周期到聚合的虚拟周期的映射关系为：



其中，qi,l(m)是路口i的线圈l在虚拟周期m内的总流量；tk是虚拟周期m在实际周期k内的时长；N为虚拟周期m跨越实际周期的个数。


5.根据权利要求1所述的基于时空特征选择和卡尔曼滤波的短时交通流预测方法，其特征在于：步骤二中将数据集的百分之80的数据作为训练集，将百分之10的数据作为验证集，将百分之10的数据作为测试集。


6.根据权利要求1所述的基于时空特征选择和卡尔曼滤波的短时交通流预测方法，其特征在于，步骤三中通过对预测断面及其相邻区域内的断面组应用多维标度法，找出与预测断面相关性最高的n个断面的具体步骤如下：
3.1：将预测断面...

【专利技术属性】
技术研发人员：张伟斌，张卓伟，郭海锋，
申请(专利权)人：银江股份有限公司，南京理工大学，
类型：发明
国别省市：浙江;33