基于偏最小二乘法的交通事件持续时间预测方法技术

本发明专利技术公开了一种基于偏最小二乘法的交通事件持续时间预测方法。首先利用偏小二乘法提取交通事件参数，建立偏小二乘回归模型；然后将所提取的交通事件参数带入所述模型获得交通事件持续时间。此外，随着交通事件的处理，定时更新模型参数，以做出实时持续时间预测。本发明专利技术克服了现在技术存在的需要大量数据、分布函数很难选择、缺少影响因素分析、预测模型是黑箱结构等缺陷，其预测精度优于现有的多种方法。本发明专利技术可用于对高速公路和城市道路交通事件持续时间的预测。

【技术实现步骤摘要】

本专利技术涉及交通智能管理和控制技术，特别是涉及一种交通事件持续时间预测的方法。
技术介绍
交通事件发生后干扰正常交通、引起道路拥挤和延误、降低道路通行能力。交通事件持续时间的预测是交通事件管理中非常重要的方面。实时、可靠的交通事件持续时间预测，有利于有关管理部门采取必要的交通管理控制措施，诱导驾驶员选择行驶路径，有效降低交通事件所造成的影响，是交通控制系统、交通诱导系统、出行者信息服务系统不可缺少的有机组成部分。目前，对交通事件持续时间的预测方法主要有基于分布的方法、基于回归的方法、基于概率的方法以及一些数据挖掘算法。基于分布的方法虽然简单，但是有以下几个缺点。首先，它不仅需要大量的数据去拟合分布函数，而且分布函数很难选择，甚至有的数据集不满足任何分布函数，这些都影响着该类算法的建模过程。其次，该类方法只能从函数得到平均值与方差以及某一持续时间的概率等指标，而不能给出一个确切的预测值，操作性较差。最后，它忽略了对持续时间有影响的因素分析。这些都限制了该类方法的应用。基于概率的方法需要大量的数据来标定模型参数以保证置信度，而且当两个概率值差别不大时，很难在两个持续时间中做出选择。基于回归的方法，比较简单，而且容易使用。但现阶段用到的回归，如普通线性回归法，多项式回归法，不仅需要大量数据标定回归系数，而且无法解决回归变量间共线性以及提取重要影响因素的问题。而在实际中，事件持续时间的影响因素间往往是相关的，而且某些因素是重要影响因素。近年来随着数据挖掘的兴起，神经网络和支持向量机已用于预测事件持续时间。但是，神经网络是黑箱结构，知识隐含在连接权重中，难以抽取和理解，收敛较慢，并且收敛依赖于学习参数的设置，存在早熟现象，易陷于局部极小等。支持向量机的核函数及其参数对预测准确性有很大影响，然而，如何选择合适的核函数及其参数是一挑战性的工作，目前还没有简单确定的方法，一般是通过大量费力耗时的实验摸索，其应用效果完全依赖于使用者的经验，这就影响了其预测的能力。
技术实现思路
专利技术目的本专利技术提供一种交通事件持续时间预测的方法，它使用偏最小二乘法建立交通事件持续时间预测模型，可克服现在技术存在的需要大量数据、分布函数很难选择、缺少影响因素分析、预测模型是黑箱结构等等缺陷与不足。技术方案一种，其步骤包括步骤一，提取若干对系统具有最佳解释能力的新综合变量，即交通事件参数；步骤二，利用提取参数进行回归建模；设已知因变量y和k个自变量X1, X2,…，xk，样本数为n，构成数据表X= n*k和y = [yiUi。偏最小二乘回归的建模步骤一般包括(I)对X和y进行标准化处理，得到标准化后的自变量矩阵Etl和Ftl,X . =—2—,V*,- =—-J = h2,...,k; j =⑴令 h=I，五0 = (x* ，F0 = (v* Jnn,/ = 1,2,.··, 式中，是Xj的均值，Sj是Xj的标准差；_y是y的均值；sy是y的标准差。⑵计算向量权重Wh,wh = Elri, Flri(2)⑶提取成分thth = E1^wh(3)⑷计算X和y的回归系数Ph, Qh权利要求1.一种，其特征在于，包括如下步骤步骤一，获取交通事件特征参数；步骤二，建立偏最小二乘回归模型，设已知因变量y和k个自变量X1, x2,.. .，xk,样本数为η,构成数据表X= n*k 和 y = n*l，(1)对X和y进行标准化处理，得到标准化后的自变量矩阵Etl和Ftl,2.根据权利要求I所述的，其特征在于所述交通事件持续时间I为一连续的大于零的时间预测值。3.根据权利要求I所述的，其特征在于所述交通事件参数包括事件的物理特征，救援响应情况，交通管制情况；事件的物理特征包括事件类型、涉及的车辆类型、数目、道路条件以及发生时间；事件救援响应情况包括是否出动火警、救护车、救援拖车；交通管制情况包括是否有交通控制、道路管理措施。4.根据权利要求I所述的，其特征在于定时更新所述交通事件特征参数。全文摘要本专利技术公开了一种。首先利用偏小二乘法提取交通事件参数，建立偏小二乘回归模型；然后将所提取的交通事件参数带入所述模型获得交通事件持续时间。此外，随着交通事件的处理，定时更新模型参数，以做出实时持续时间预测。本专利技术克服了现在技术存在的需要大量数据、分布函数很难选择、缺少影响因素分析、预测模型是黑箱结构等缺陷，其预测精度优于现有的多种方法。本专利技术可用于对高速公路和城市道路交通事件持续时间的预测。文档编号G06F19/00GK102945601SQ20121049539公开日2013年2月27日 申请日期2012年11月28日 优先权日2012年11月28日专利技术者陈淑燕, 王宣强, 王炜 申请人:东南大学本文档来自技高网...

【技术保护点】
一种基于偏最小二乘法的交通事件持续时间预测方法，其特征在于，包括如下步骤：步骤一，获取交通事件特征参数；步骤二，建立偏最小二乘回归模型，设已知因变量y和k个自变量x1，x2，...，xk，样本数为n，构成数据表X=[x1,x2,...,xk]n*k和y＝[y]n*1，(1)对X和y进行标准化处理，得到标准化后的自变量矩阵E0和F0，xij*=xij-xj‾sj,yj*=yi-y‾sy,i=1,2,...,k;j=1,2,...,k---(1)令h=1，E0=(xij*)n*k,F0=(yj*)n*1,i=1,2,...,n式中，是Xj的均值，sj是Xj的标准差，是y的均值，sy是y的标准差；(2)计算向量权重wh，wh＝Eh?1′Fh?1??????????(2)(3)提取成分th，th＝Eh?1wh??????????????(3)(4)计算X和y的回归系数ph,qhph＝Eh?1′th/(th′th)???(4)qh＝Fh?1′th/(th′th)???(5)(5)计算残差矩阵Eh＝Eh?1?thph′?????????(6)Fh＝Fh?1?qh′th(6)检查收敛性，可用交叉有效性确定；如果上述方程满足精度要求，转下一步；否则，h=h+1，重复步骤(2)?(5)，对残差矩阵进行新一轮的成分提取和回归分析；(7)设得到k个成分t1,t2,...,tk，实施F0在t1,t2,...,tk上的回归，得F0＝q1t1+q2t2+...+qktk????(7)由于t1,t2,...,tk均是E0的线性组合，因此，F0=q1E0w1+q2E1w2+...+qkEk-1wk=q1E0w1*+...+qkE0wk*---(8)式中，wh-*=Πj=1h-1(I-wjpj′)wh,I为单位矩阵；(8)按照标准化的逆过程还原成y对X的回归方程，y=y‾+sy(Σi=1kαixi*)=y‾+sy(Σi=1kαixi-x‾isi)(9)αi=Σh=1mqhwhi*其中，X为交通事件相关参数信息，y表示交通事件持续时间；步骤三，将所述交通事件参数代入所述偏最小二乘回归模型；步骤四，输出预测交通事件持续时间y。FDA00002481549400014.jpg,FDA00002481549400015.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：陈淑燕，王宣强，王炜，
申请(专利权)人：东南大学，
类型：发明
国别省市：