交通流数据短时预测方法及系统技术方案

本发明专利技术涉及智能交通系统，尤其是涉及一种交通流数据短时预测方法和系统，用于提高交通流数据的预测精度高，并且适合实时交通流预测。本发明专利技术提供的一种交通流数据短时预测方法，提高了短时交通流预测的准确度，进一步通过将状态模式向量加入到传统Ｋ近邻非参数回归预测方法中，以及采用变近邻数Ｋ和匹配数ｌ的搜索方法，得到最优的Ｋ和ｌ值及对应的预测交通流数据。

【技术实现步骤摘要】

本专利技术涉及智能交通系统，尤其是涉及一种交通流数据短时预测方法及系统。技术背景伴随着智能交通系统(ITS，InteLLigent Transport Systems)研究的不断深入和 智能交通系统技术的广泛应用，交通管理逐步走向智能化、动态化和信息化。交通管理者和 研究人员可以获取实时的交通状态数据，并在此基础上积累了大量历史数据。这些动态信 息为交通管理者和交通研究人员提供了重要的数据支持。但不管是要实现城市交通的最有 效管理，还是为道路使用者提供更有意义的交通信息，从客观上都要求在实时交通信息的 基础上获知未来短时间内交通状态演变的趋势。如果没有实现交通流状态的短期预测(例 如15分钟之内)的能力，智能交通系统的全部优势将不可能为人们所认识。因此，短时交 通流预测在智能交通系统中具有非常重要的作用。短时交通流预测是要预测某个路段或某条路径上未来的交通状况，时间间隔一般 不超出15分钟。这一预测可以用以制订和实施交通管理计划，对交通流进行调控，以减缓 这一期间可能出现的交通拥挤和危险隐患。相对于战略预测或长期预测来说，短时交通流 预测有着明显的较短预测期限。短时交通流预测一直是一个比较活跃但结果却不令人满意的研究课题。到目前为 止，已经有一系列的技术方法和手段被开发应用于短期交通流的预测。短时交通流预测方 法主要包括两部分交通流历史数据标准库的建立及预测模型构建。前者为短时交通流预 测提供数据保障，后者未来交通状态的预测提供准确的方法。短时交通流的预测方法大体可以分为两类一类是以数理统计等传统数学和物理 方法为基础的预测模型；一类是以现代科学技术和方法(如模糊控制、神经网络、模拟技 术)为主要研究手段而形成的预测模型。第一类预测方法包括卡尔曼滤波模型、参数回归模型、时间序列-ARIMA模型、指 数平滑模型以及由这些模型构成的各种组合模型等。这些方法不适用于人参与的、时变的、 复杂交通系统。第二类预测方法包括状态相空间重构模型、非参数回归模型、谱分析法、基于多维 分形的方法、基于小波分解与重构的方法和多种神经网络相关的复合预测模型等，其特点 是所采用模型和方法不追求严格意义上的数学推导和明确的物理意义，而更重视对实际交 通流现象的拟合效果。这类方法虽然预测精度较高，但是参数可移植性较差，在实际应用中 难以推广。K近邻非参数回归方法是目前应用较广泛的交通流短时预测方法之一。传统的K 近邻非参数回归预测方法的缺点在于没有考虑到实际交通数据中的相互影响和记忆性， 因此导致传统的K近邻非参数回归预测方法预测交通流数据的不准确。
技术实现思路
本专利技术提供一种交通流数据短时预测方法和系统，用于提高交通流数据的预测精 度高，并且适合实时交通流预测。一种交通流数据短时预测方法，包括根据设定的采集周期采集交通流数据以获得当天在当前时间点之前的原始交通 流时间序列数据；对所述当天在当前时间点之前的原始交通流时间序列数据进行预处理，得到当前 时间点之前实时交通流时间序列数据；确定当前时间点交通流数据的第一状态向量X(n) :X(n) = (x(n-l+l),..., X(n-l)，X(n))，其中，1表示状态向量维数，即匹配数，1彡1彡η-1，η为当前时间点；在所述实时交通流时间序列数据中查找Y个与所述X(Ii)的欧式距离最近的第二 状态向量；根据第一状态向量确定当前时间点状态模式向量P和所述Y个第二状态向量分别 对应的状态模式向量Pt，其中P = (d(n-l) , . . . , d(n-l))，d(i) = x(i + l)_x(i)，1 彡 i 彡 n_l，令 '0,X(i)>X(i + l)d(i) = · l,X(i)<X(i + \)； 2,X(i) = X(i + l)计算P与各个Pt的欧式距离，并找出与P距离最近的K个状态模式向量及其对应 的K个第二状态向量；根据所述K个第二状态向量的下一时刻的交通流数据预测时间点n+1的交通流预 测数据。较佳的，将K依次从1设置到Kmax，并对每一个k的设置值，计算所述匹配数1依次 从1取到Lmax时，获得的交通流预测数据的均方根误差，从选出均方根误差最小时对应的匹 配数1和K，并将根据该均方根误差最小时对应的匹配数1和K获得的交通流状态向量的最 后一个分量作为交通流的预测值，其中，每一次计算均方根误差时，利用之前获得的所有交 通流预测数据进行计算。进一步，还包括根据之前保存的全年原始交通流基本时间序列数据，按照设定规律将一年中各天 划分为M组，每一组中按照周一至周日分别将各天的原始交通流时间序列数据归为7类，生 成7*M个原始交通流时间序列数据集合；对各个集合中的每一个原始交通流时间序列数据中被划分为繁忙时段的数据分 别进行预处理以获得相应的第一标准交通流时间序列数据；分别对每一个集合，根据集合中各第一标准交通流时间序列数据的相关性获得所 述集合的第一基本序列数据；将各集合的所述第一基本序列数据作为繁忙时段的交通流历史标准数据。更进一步，还包括对各个集合中的原始交通流时间序列数据中被划分为空闲时段的数据计算相同 时间点的交通流数据的平均值，得到平均交通流时间序列数据。对每一个集合，分别对平均交通流时间序列数据进行预处理得到所述集合的第二 基本序列数据；将各集合的所述第二基本序列数据作为空闲时段的交通流历史标准数据。其中，对其中一个集合中的一个原始交通流时间序列数据中被划分为繁忙时段的 数据进行预处理以获得相应的第一标准交通流时间序列数据，具体包括对所述原始交通流时间序列数据缺失判断及处理；对所述原始交通流时间序列数据错误判断及处理；对所述原始交通流时间序列数据滤波处理，获得所述第一标准交通流时间序列数据。其中，对其中一个集合，根据该集合中各第一标准交通流时间序列数据的相关性 获得所述集合的第一基本序列数据，具体包括计算集合中各第一标准交通流时间序列数据的相关系数矩阵，所述相关系数矩阵 中元素的计算公式如下本文档来自技高网...

【技术保护点】
一种交通流数据短时预测方法，其特征在于，包括：根据设定的采集周期采集交通流数据以获得当天在当前时间点之前的原始交通流时间序列数据；对所述当天在当前时间点之前的原始交通流时间序列数据进行预处理，得到当前时间点之前实时交通流时间序列数据；确定当前时间点交通流数据的第一状态向量Ｘ（ｎ）：Ｘ（ｎ）＝（ｘ（ｎ－ｌ＋１），．．．，ｘ（ｎ－１），ｘ（ｎ）），其中，ｌ表示状态向量维数，即匹配数，１≤ｌ≤ｎ－１，ｎ为当前时间点；在所述实时交通流时间序列数据中查找Ｙ个与所述Ｘ（ｎ）的欧式距离最近的第二状态向量；根据第一状态向量确定当前时间点状态模式向量Ｐ和所述Ｙ个第二状态向量分别对应的状态模式向量Ｐ↓［ｔ］，其中：Ｐ＝（ｄ（ｎ－ｌ），．．．，ｄ（ｎ－１）），ｄ（ｉ）＝ｘ（ｉ＋１）－ｘ（ｉ），１≤ｉ≤ｎ－１，令ｄ（ｉ）＝＊＊＊；计算Ｐ与各个Ｐ↓［ｔ］的欧式距离，并找出与Ｐ距离最近的Ｋ个状态模式向量及其对应的Ｋ个第二状态向量；根据所述Ｋ个第二状态向量的下一时刻的交通流数据预测时间点ｎ＋１的交通流预测数据。

【技术特征摘要】
1.一种交通流数据短时预测方法，其特征在于，包括根据设定的采集周期采集交通流数据以获得当天在当前时间点之前的原始交通流时 间序列数据；对所述当天在当前时间点之前的原始交通流时间序列数据进行预处理，得到当前时间 点之前实时交通流时间序列数据；确定当前时间点交通流数据的第一状态向量X(n) :X(n) = (x(n-l+l), ...，x(n-l), x(n))，其中，1表示状态向量维数，即匹配数，1彡1彡η-1, η为当前时间点；在所述实时交通流时间序列数据中查找Y个与所述Χ(η)的欧式距离最近的第二状态 向量；根据第一状态向量确定当前时间点状态模式向量P和所述Y个第二状态向量分别对应 的状态模式向量Pt，其中P = (d(n-l)，· · ·，d(n-l))，d(i) = χ (i + 1)-χ ⑴，1 彡 i 彡 η-1,令 '0,x(i)>X(i + \) d(i) = · Ι，Χ(,·)<Χ(/· + 1)； 2’JC(i) = X(i + l)计算P与各个Pt的欧式距离，并找出与P距离最近的K个状态模式向量及其对应的K 个第二状态向量；根据所述K个第二状态向量的下一时刻的交通流数据预测时间点η+1的交通流预测数据。2.如权利要求1所述的方法，其特征在于，将K依次从1设置到Kmax，并对每一个k的 设置值，计算所述匹配数1依次从1取到Lmax时，获得的交通流预测数据的均方根误差，从 选出均方根误差最小时对应的匹配数1和K，并将根据该均方根误差最小时对应的匹配数 1和K获得的交通流状态向量的最后一个分量作为交通流的预测值，其中，每一次计算均方 根误差时，利用之前获得的所有交通流预测数据进行计算。3.如权利要求1或2所述的方法，其特征在于，还包括根据之前保存的全年原始交通流基本时间序列数据，按照设定规律将一年中各天划分 为M组，每一组中按照周一至周日分别将各天的原始交通流时间序列数据归为7类，生成 7*M个原始交通流时间序列数据集合；对各个集合中的每一个原始交通流时间序列数据中被划分为繁忙时段的数据分别进 行预处理以获得相应的第一标准交通流时间序列数据；分别对每一个集合，根据集合中各第一标准交通流时间序列数据的相关性获得所述集 合的第一基本序列数据；将各集合的所述第一基本序列数据作为繁忙时段的交通流历史标准数据。4.如权利要求3所述的方法，其特征在于，还包括对各个集合中的原始交通流时间序列数据中被划分为空闲时段的数据计算相同时间 点的交通流数据的平均值，得到平均交通流时间序列数据。对每一个集合，分别对平均交通流时间序列数据进行预处理得到所述集合的第二基本 序列数据；将各集合的所述第二基本序列数据作为空闲时段的交通流历史标准数据。5.如权利要求3所述的方法，其特征在于，对其中一个集合中的一个原始交通流时间 序列数据中被划分为繁忙时段的数据进行预处理以获得相应的第一标准交通流时间序列 数据，具体包括对所述原始交通流时间序列数据缺失判断及处理；对所述原始交通流时间序列数据错误判断及处理；对所述原始交通流时间序列数据滤波处理，获得所述第一标准交通流时间序列数据。6.如权利要求3、4或5所述的方法，其特征在于，...

【专利技术属性】
技术研发人员：关积珍，商朋见，刘静，于建玲，王贞君，张苏南，李军，
申请(专利权)人：北京四通智能交通系统集成有限公司，
类型：发明
国别省市：11[中国|北京]