一种基于交通流矩阵组合模型的交通流量预测方法技术

本发明专利技术涉及交通大数据相关技术领域，具体为基于ARIMA

【技术实现步骤摘要】
一种基于交通流矩阵组合模型的交通流量预测方法


[0001]本专利技术属于交通信息
，具体涉及一种基于交通流矩阵组合模型的交通流量预测方法。

技术介绍

[0002]随着科技发展，汽车交通运输愈加便利，现有人均汽车的占有量和出行量随着人们生活水平的不断提高而逐渐增加，最终导致道路上出现密集的交通流甚至导致交通拥堵等问题；因此，为了解决道路交通量过载而导致的交通资源分配问题，以及充分发挥智慧交通系统在道路调控上的积极作用，道路交通流的预测方法在交通领域是重要的研究方向。
[0003]现阶段的道路交通预测方法主要有：传统时间序列预测法、支持向量机、BP神经网络等，虽然此类方法在道路交通流的能得到预测数据，但是在道路交通流预测中，上述模型均没有充分挖掘出道路交通流数据中的时空关联特征，存在对时间和空间关联度低、交通数据缺失而造成的交通流预测不准确性，长期交通流预测的误差性等问题。

技术实现思路

[0004]本专利技术的目的在于提供一种通过统计分析从监测采集的以往交通数据来构建预测未来短期及长期交通数据模型实现更加准确的预测数据计算的基于交通流矩阵组合模型的交通流量预测方法。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于交通流矩阵组合模型的交通流量预测方法，具体包括如下步骤：
[0006]步骤S1：首先，提取所需预测交通流所在时间点之前连续n个时间段内的交通流数据并对其进行预处理构建出交通流数据矩阵，并标为横向数据矩阵；
[0007]步骤S2：提取与预测时间点具有相同日期特征的时间段内交通流数据，同样对其进行预处理，并构建出交通流数据矩阵，标为纵向数据矩阵；
[0008]步骤S3：根据所述步骤S1及步骤S2分别得到的横向及纵向的双维度交通流数据矩阵进行双维度预测矩阵的构建以进行高维特征提取，包括构建预测值矩阵和构建预测值矩阵
[0009]步骤S4：将基于差分自回归移动平均模型ARIMA的预测值矩阵和基于灰色系统预测模型GM(1,1)的预测值矩阵所预测的交通流矩阵值用于构建出ARIMA
‑
GM(1,1)融合预测模型，并对该模型中ARIMA模型的比例系数以及GM(1,1)模型的比例系数进行参数拟合；
[0010]步骤S5：运用以往已知的数据与所述步骤S4模型最终预测出的数据进行KS检验；最后根据下述KS检验公式(1)计算出该模型的可行度；其中，为验证预测数据的函数分布是否为实际数据分布，用样本容量n和显著水平a查出临界值，其中，F
n
(x)为预测数据的函数分布，F0(X)为实际数据分布，用样本容量n和显著水平a查出临界值D
na
，如果D<D
na
，则认为拟
合是满意的，并将可行度定义为D，并计算如下：
[0011]D＝max|F
n
(x)
‑
F0(X)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0012]步骤S6：基于构建的ARIMA
‑
GM(1,1)融合预测模型进行道路交通流预测，包括通过获取道路二维实时交通流数据作为所述步骤S4构建的ARIMA
‑
GM(1,1)融合预测模型的输入数据，进行道路实时交通流预测得到预测数值。
[0013]作为本专利技术的进一步改进，所述步骤S1及步骤S2中交通流数据并对其进行预处理，包括对重复数据的删除、缺失数据的填补和错误数据的修改。
[0014]作为本专利技术的进一步改进，所述步骤S1及步骤S2中交通流数据并对其进行预处理，还包括对于个别时间点缺失值采用其前后相邻两时间跨度求均值补齐；对于长时间跨度内范围数据缺失，应该予以舍弃的选择，不进行处理，并重新选取时间段n值，直至n值内没有长时间跨度的数据缺失；对于错误数据进行邻近点求均值修正。
[0015]作为本专利技术的进一步改进，所述构建预测值矩阵具体包括通过对预测点之前的n个以单位时间为间隔的交通流数据矩阵A运用差分自回归移动平均模型ARIMA(p,d,q)进行交通流预测，即该模型将预测对象随着时间推移而形成的数据序列视为一个随机序列，对其序列进行差分，使之变为平稳，再用数学模型来描述这个序列，模型被识别后就根据该时间序列的过去及现在值来预测其未来值，其中AR是"自回归"，p为自回归项数；I为差分，d为使之成为平稳序列所做的差分次数(阶数)；MA为滑动平均，q为滑动平均项数，并最终构建出预测值矩阵模型
[0016]作为本专利技术的进一步改进，所述构建预测值矩阵具体通过对提取的与预测时间点具有相同日期特征的时间段内交通流数据矩阵B运用灰色系统预测模型GM(1,1)进行交通流预测，即该模型针对纵向矩阵元素有限的缺点，对具有“部分信息已知，部分信息未知”的小样本、贫信息不确定性的系统为对象，通过对部分已知信息的分析并利用有效信息来实现对系统运行行为、变化规律的有效监控和正确描述，其中GM(1,1)是1阶1次变量灰色模型，并最终构建预测值矩阵
[0017]与现有技术相比，本专利技术的有益效果是：本技术方案通过差分自回归移动平均模型ARIMA与灰色系统预测模型GM(1,1)的融合预测模型对道路交通流数据进行高维特征提取，实现道路交通的长期及短期的预测；本专利技术还同时利用ARIMA和GM(1,1)对预测时间点之前的横向与纵向交通流数据进行高维特征的提取，最终给出规定时间段内的预测值；本技术方案充分挖掘了道路交通的二维时间与空间特征，克服了由于纵向数据量的匮乏导致预测值误差过大的问题，也解决了由于预测日期的特殊性而导致的横向数据预测突变的问题，进而提高了道路交通流预测的准确性；本技术方案的交通流预测是智能交通系统的重要组成部分，本专利技术在一定程度上可以有效提高交通流预测的精度，提高智能交通系统中交通流诱导的准确性。
附图说明
[0018]图1为本专利技术融合预测模型构建及数据预测的整体流程结构图。
[0019]图2为本实施例采用ARIMA模型对交通流的预测值与实际值的对比图。
[0020]图3为本实施例采用灰色预测模型GM(1,1)对交通流的预测值与实际值的对比图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图1至3，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0022]1.1在本实施例中公开了一种基于交通流矩阵组合模型的交通流量预测方法，其具体过程如下所示：
[0023]以需要预测的时间段为起点，将该时段之前已统计的过去值及现在值分为横向和纵向两个维度的时间序列。即横向时间序列为与预测时间段相邻进的随机时间序列，并将该时间序列记为矩阵A：
[0024][0025]其中n值为所统计的随机序列的个数。
[0026本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于交通流矩阵组合模型的交通流量预测方法，其特征在于，具体包括如下步骤：步骤S1：首先，提取所需预测交通流所在时间点之前连续n个时间段内的交通流数据并对其进行预处理构建出交通流数据矩阵，并标为横向数据矩阵；步骤S2：提取与预测时间点具有相同日期特征的时间段内交通流数据，同样对其进行预处理，并构建出交通流数据矩阵，标为纵向数据矩阵；步骤S3：根据所述步骤S1及步骤S2分别得到的横向及纵向的双维度交通流数据矩阵进行双维度预测矩阵的构建以进行高维特征提取，包括构建预测值矩阵和构建预测值矩阵步骤S4：将基于差分自回归移动平均模型ARIMA的预测值矩阵和基于灰色系统预测模型GM(1,1)的预测值矩阵所预测的交通流矩阵值用于构建出ARIMA
‑
GM(1,1)融合预测模型，并对该模型中ARIMA模型的比例系数以及GM(1,1)模型的比例系数进行参数拟合；步骤S5：运用以往已知的数据与所述步骤S4模型最终预测出的数据进行KS检验；最后根据下述KS检验公式(1)计算出该模型的可行度；其中，为验证预测数据的函数分布是否为实际数据分布，用样本容量和显著水平查出临界值，其中，F
n
(x)为预测数据的函数分布，F0(X)为实际数据分布，用样本容量n和显著水平a查出临界值D
na
，如果D<D
na
，则认为拟合是满意的，并将可行度定义为D，并计算如下：D＝max|F
n
(x)
‑
F0(X)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)步骤S6：基于构建的ARIMA
...

【专利技术属性】
技术研发人员：卞加佳，郭琦，朱磊，
申请(专利权)人：南京感动科技有限公司，
类型：发明
国别省市：