一种基于高阶矩的行程时间波动性预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于高阶矩的行程时间波动性预测方法和装置，所述方法包括以下步骤：S1：获取快速路上RFID基站采集的汽车电子标识数据；S2：将相邻两RFID基站对之间的车辆配对，得到行程时间数据；S3：对S2中的行程时间数据进行预处理，清洗掉异常数据；S4：对S3中清洗后的行程时间数据进行对数化处理，并得到行程时间波动率序列；S5：求解S4中的行程时间波动率序列在各类GARCH簇模型中的参数；S6：将S5中的各类GARCH簇模型参数放入LSTM神经网络中进行学习，得到预测的行程时间波动性序列。提高了预测的准确性。高了预测的准确性。高了预测的准确性。

【技术实现步骤摘要】
一种基于高阶矩的行程时间波动性预测方法及装置


[0001]本专利技术涉及智能交通信息
，具体涉及一种利用RFID汽车电子标识数据基于行程时间高阶矩的快速路行程时间波动性预测方法。

技术介绍

[0002]行程时间波动性被定义为出行者的行程时间随时间变化的波动变化程度，是描述道路上的出行者能否准时到达目的地的重要交通参数，也是描述行程时间可靠性的关键指标。以往的行程时间波动性研究大都是基于GARCH簇模型，这类模型往往仅考虑到行程时间序列的前二阶矩，忽略了行程时间分布的高阶矩特征。一般而言，这类高阶矩特征会包括分布的偏度及峰度等特征，这些特征仍然具有周期性特性。仅考虑前二阶矩的模型难以有效地刻画行程时间波动性。另一方面，在行程时间波动性预测领域，大多研究运用GARCH簇模型，少有将GARCH 簇模型与LSTM神经网络融合的研究。对快速路的行程时间波动性进行准确评估和预测，是有效提升快速路交通通行质量以及提供相应交通诱导服务的重要支撑。因此，对于个人以及公路管理部门，一种准确的行程时间可靠性估计技术都有着重要的作用和意义。<br/>[0003]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高阶矩的行程时间波动性预测方法，其特征在于，包括以下步骤：S1：获取快速路上RFID基站采集的汽车电子标识数据；S2：将相邻两RFID基站对之间的车辆配对，得到行程时间数据；S3：对S2中的行程时间数据进行预处理，清洗掉异常数据；S4：对S3中清洗后的行程时间数据进行对数化处理，并得到行程时间波动率序列；S5：求解S4中的行程时间波动率序列在各类GARCH簇模型中的参数；S6：将S5中的各类GARCH簇模型参数放入LSTM神经网络中进行学习，得到预测的行程时间波动性序列。2.如权利要求1所述的基于高阶矩的行程时间波动性预测方法，其特征在于，所述S1中的汽车电子标识数据包括：基站信息、过车时间、车牌号及车辆类型。3.如权利要求2所述的基于高阶矩的行程时间波动性预测方法，其特征在于，所述S3中的清洗程序包括以下步骤：S3.1将具有相邻RFID基站对之间的电子车牌号、过车时间、行程时间等信息的字段放在同一个表中，得到描述路段行程时间的RFID汽车电子标识数据集；S3.2从数据库中筛选出所需要研究路段的RFID汽车电子标识数据，以电子车牌号和车辆的过车时间为同等要素，对表中的数据记录以该两列为基准进行升序排序；S3.3以15min的滑动窗口内的95％行程时间为阈值，判断RFID汽车电子标识数据集当中，若出现行程时间大于设定阈值，则将该行记录清除；反之，则保留。4.如权利要求3所述的基于高阶矩的行程时间波动性预测方法，其特征在于：在所述S4中，定义行程时间在对数化后的一阶差分结果为行程时间波动率，而行程时间波动率的序列计算公式如下：V
t
＝(lnT
t
‑
lnT
t
‑1)
×
100其中，V
t
为行程时间波动率序列，T
t
为t时刻的路径行程时间。5.如权利要求4所述的基于高阶矩的行程时间波动性预测方法，其特征在于：在S5中，所述GARCH簇模型包括TGARCH模型、EGARCH模型和GARCHSK模型；其中，所述TGARCH模型如下：下：其中，y
t
表示因变量；x
kt
表示自变量；ε
t
为当前第k个t时刻的无序列相关性的随机扰动项；σ
t2
则是...

【专利技术属性】
技术研发人员：孙棣华，赵敏，钟思远，
申请(专利权)人：重庆大学，
类型：发明
国别省市：