【技术实现步骤摘要】
本专利技术涉及短时交通流预测
,特别涉及一种非参数回归短时交通流预测 中状态向量的选取方法。
技术介绍
目前国内外许多研究者都将非参数回归方法应用到短时交通流预测研究当中,并 根据实际问题的需要对非参数回归方法进行必要的改进。1991年,Davis和Nihan真正将 非参数回归的方法应用到交通预测中,虽然避免了选取模型和参数设置等问题,但该方法 需要一个庞大的具有代表性的历史数据库并且方法运行所消耗的时间较长。1995年,Smith 将非参数回归方法应用于单点短时交通流预测,实验结果取得了相比历史平均和神经网络 更好的效果,但同样存在搜索速度太慢的问题。针对搜索速度太慢的问题,Oswald等人从 KD树着手建立模糊最近邻的方法,从而改进了非参数回归方法中历史数据结构模式和近邻 搜索方法,提高了方法的运行效率。张晓利提出了一种基于平衡二叉树的K-邻域非参数 的短时交通流预测方法,采用聚类方法和平衡二叉树结构建立案例数据库,从而提高了预 测精度并满足了实时性要求。这些主要是从历史数据库的存储模式和近邻搜索方法进行改 进。然而,对描述上游路段和待测路段流量因果关系的状态向量的选取主要有主成分 分析法、相关系数法和自相关系数等,这些方法都是从统计的角度进行分析,把与待测路段 流量较相关的因素作为状态向量的分量,而对是否选取了状态向量及是否改进了预测效果 缺乏研究。值得注意的是,通过改进历史数据库的存储模式和近邻搜索方法之后即使缩短 了方法的运行时间,但是如果状态向量的选取不足以描述上游路段和待测路段的流量因果 关系,那么最终的预测效果也不足以让人满意。专利 ...
【技术保护点】
一种非参数回归短时交通流预测中状态向量的选取方法,其特征在于,所述方法包括以下步骤:(1)根据第一预设准则判断和待测路段相关的上游路段是否在上游路段集合中,如果是,执行步骤(2);如果否,所述上游路段不在上游路段集合中;(2)通过预设数据获取待测路段方圆L范围内车流的平均速度;(3)根据所述平均速度、预测周期获取历史追溯最大周期数m;(4)根据所述上游路段集合和所述历史追溯最大周期数m获取初始状态向量;(5)根据所述初始状态向量的维数M确定粒子的编码长度;(6)设定粒子数为Z,随机产生Z个粒子;(7)定义适应度函数,根据所述适应度函数获取Z个粒子的适应度;(8)根据所述Z个粒子的适应度获取粒子的个体极值和全局极值;(9)将Z个粒子的编码分别与所述个体极值的编码、所述全局极值的编码进行交叉操作、根据预设概率进行变异操作,获取全局最优粒子;(10)判断是否达到预设次数,如果是,输出所述全局最优粒子;如果否,重新执行步骤(7);(11)将所述全局最优粒子和所述初始状态向量做点乘运算获取状态向量。
【技术特征摘要】
一种非参数回归短时交通流预测中状态向量的选取方法,其特征在于,所述方法包括以下步骤(1)根据第一预设准则判断和待测路段相关的上游路段是否在上游路段集合中,如果是,执行步骤(2);如果否,所述上游路段不在上游路段集合中;(2)通过预设数据获取待测路段方圆L范围内车流的平均速度;(3)根据所述平均速度、预测周期获取历史追溯最大周期数m;(4)根据所述上游路段集合和所述历史追溯最大周期数m获取初始状态向量;(5)根据所述初始状态向量的维数M确定粒子的编码长度;(6)设定粒子数为Z,随机产生Z个粒子;(7)定义适应度函数,根据所述适应度函数获取Z个粒子的适应度;(8)根据所述Z个粒子的适应度获取粒子的个体极值和全局极值;(9)将Z个粒子的编码分别与所述个体极值的编码、所述全局极值的编码进行交叉操作、根据预设概率进行变异操作,获取全局最优粒子;(10)判断是否达到预设次数,如果是,输出所述全局最优粒子;如果否,重新执行步骤(7);(11)将所述全局最优粒子和所述初始状态向量做点乘运算获取状态向量。2.根据权利要求1所述的非参数回归短时交通流预测中状态向量的选取方法,其特征 在于,步骤(1)中所述第一预设准则具体为Yu dis(ppstream, ^ntersecfto) < LUj其中,表示上游路段中的第i条路段中点的坐标位置,尸;表示上游路段第 j个交叉路口中心的坐标位置,^^orte,表示上游路段中的第i条路段中点的坐标 位置和上游路段第j个交叉路口中心的坐标位置之间的距离。3.根据权利要求1所述的非...
【专利技术属性】
技术研发人员:郑亮,马寿峰,贾宁,朱宁,王鹏飞,
申请(专利权)人:天津大学,
类型:发明
国别省市:12[]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。