一种基于时空数据的短时交通流预测方法技术

本发明专利技术涉及一种基于时空数据的短时交通流预测方法，属于智能交通技术领域。该方法是：首先，通过灰色关联度分析方法和交通流的周期性选取不同路段的交通流数据，以反映交通流数据的时空特征；其次，为了提高新模型的适用性，采用粒子群优化算法寻找最佳背景值系数。最后，将该模型应用于短时交通流预测。利用交通流数据的周期性对三个不同时期的短时交通流进行预测，从预测数据趋势可以看出与原始数据的发展趋势一致。本发明专利技术模型的预测结果可以为交通管理系统提供可靠的信息，丰富交通流预测的研究方法。的研究方法。的研究方法。

【技术实现步骤摘要】
一种基于时空数据的短时交通流预测方法


[0001]本专利技术属于智能交通
，涉及一种基于时空数据的短时交通流预测方法。

技术介绍

[0002]近年来，智能交通系统(ITS)已经被认为是一种可以有效减少交通拥堵的智能系统。其中，交通预测是ITS的必要组成部分之一，可以为城市交通管理系统安排道路提供科学支持，在交通控制和发展中不可或缺。作为辅助交通规划、管理和控制的有效手段，越来越受到各国研究者的重视。
[0003]交通系统是复杂的，交通流数据也具有时空性、周期性和不确定性。短期道路交通流预测是一个经典的时空研究难题。显然，相邻位置和相邻时间的观测不是相互独立的，而是具有密切的动态相关性。例如，从空间维度的角度来看，不同的位置对固定位置的影响是不同的。即使时间发生了变化，同样的位置对固定的位置也会产生不同的影响。从时间维度上看，不同时段的交通流数据对某一恒定时段内交通状态的影响是不同的。
[0004]交通流系统是一个人为参与、时变和高度不确定性的复杂动态系统。它受到环境、天气、驾驶员心理状态、人们出行习惯等不确定的现实因素的影本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空数据的短时交通流预测方法，其特征在于，该方法具体包括以下步骤：S1：通过灰色关联度分析方法和交通流的周期性选取不同路段的交通流数据，并提取数据矩阵序列，包括：原始交通流数据组成的系统特征数据矩阵序列与其他相关数据矩阵序列；S2：对原始矩阵序列进行处理，即计算一阶累加生成序列，均值序列以及偏导数序列；S3：建立基于时空数据的短时交通流预测模型，简写为MPGM模型；并构造矩阵U和V，估计模型参数；S4：采用粒子群算法寻优，即粒子群算法寻找最佳背景值系数；S5：计算MPGM模型的模拟和还原值；通过时间响应式计算模拟值通过累减还原式计算还原值S6：计算模型的评价指标MAPE；S7：预测未来趋势：如果MAPE满足精度要求，则使用MPGM模型来预测未来的发展。2.根据权利要求1所述的短时交通流预测方法，其特征在于，步骤S2中，对原始矩阵序列进行处理，具体包括：设T
1(0)
是由n个e
×
e阶矩阵构成的系统特征矩阵序列，也称为主序列：T
1(0)
＝(T
1(0)
(1),T
1(0)
(2),
…
,T
1(0)
(n))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，T
1(0)
(m)(m＝1,2,
…
,n)是e
×
e阶矩阵，T
(r,c)1(0)
(m)表示T
1(0)
(m)在坐标(r,c)的值；T
h(0)
(m)(h＝2,
…
,N)为其他相关序列，且结构与T
1(0)
(m)一致；N表示所有输入矩阵序列的个数，包括1个系统特征数据矩阵序列和N
‑
1个其他相关矩阵序列；T
1(1)
是T
1(0)
的一阶累加生成序列：T
1(1)
＝(T
1(1)
(1),T
1(1)
(2),
…
,T
1(1)
(n))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，T
(r,c)1(1)
(m)表示T
1(1)
(m)在坐标(r,c)的值；T
h(1)
(h＝2,
…
,N)是T
h(0)
(h＝2,
…
,N)的一阶累加生成序列，且结构与T
1(0)
一致；T
1(1)
的背景值系数α的均值序列为：Tz
1(1)
＝(Tz
1(1)
(2),
…
,Tz
1(1)
(n))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，Tz
(1)
(m)是e
×
e阶矩阵，且Tz
1(1)
(m)＝αT
1(1)
(m)+(1
‑
α)T
1(1)
(m
‑
1)，α叫做背景值系数，它的取值范围是(0,1)；Tz
(r,c)1(1)
(m)表示Tz
1(1)
(m)在坐标(r,c)的值；Tz
h(1)
是T
h(1)
的传统均值序列，且Tz
(r,c)h(1)
(m)表示Tz
h(1)
(m)在坐标(r,c)的值；Tz
h(1)
的水平偏导序列为：Tz
hx(1)
＝(Tz
hx(...

【专利技术属性】
技术研发人员：段辉明，王冠，刘勇杉，汪炼，谢德荣，王琼，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：