一种基于谱分析的城市道路速度预测方法技术

本发明专利技术涉及一种基于谱分析的城市道路速度预测方法，包括：a.收集GPS采集到的车辆速度数据；b.利用已知数据选择基于谱分析的道路速度模型参数；c.根据模型公式预测未知道路速度。本发明专利技术具有训练模型所需历史数据相对较少，操作相对简便，模型中的参数能随路段、时段的变化快速动态地调整，能适用于交通流波动较大的路段，并与实际道路速度状况匹配较好等优点，提高了预测的准确性和可靠性。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及，包括：a.收集GPS采集到的车辆速度数据；b.利用已知数据选择基于谱分析的道路速度模型参数；c.根据模型公式预测未知道路速度。本专利技术具有训练模型所需历史数据相对较少，操作相对简便，模型中的参数能随路段、时段的变化快速动态地调整，能适用于交通流波动较大的路段，并与实际道路速度状况匹配较好等优点，提高了预测的准确性和可靠性。【专利说明】
本专利技术涉及，属于智能交通系统研究范畴。
技术介绍
城市道路交通预测方法通过预测短时间范围内相应路段的道路速度，获得相应道路交通状态，并利用多种渠道发布预测结果，诱导驾乘人员选择合理出行路线，可以起到缓解交通拥堵的作用，近年来越来越受到关注。谱分析是对空间数据进行格局、尺度分析的一种数学方法，能够呈现强大的表现能力，即使是道路上的单个点，也可以有力地表现其真实的交通状况，从而减少波动带来的影响，适用于分析波动较大的时间序列。但是直接利用谱分析技术预测城市道路速度的方法还未见报道。目前，道路速度预测的主要方法包括ARIMA(差分自回归移动平均模型)、卡尔曼滤波模型等。ARIMA是一种完全基于经验统计的时间序列预测方法，其将预测对象随时间推移而形成的随机序列用一定的数学模型来近似描述，并利用此序列的过去值及现在值来预测未来值。卡尔曼滤波模型采用最小均方误差作为预测的最佳准则，利用前一时刻的预测值和当前时刻的观测值来更新对状态变量的预测，求出当前时刻的预测值。这两种模型虽然能够较快预测未知的数据，但是不适用于波动较大的时间序列。在城市路网中，道路交通状态存在变化快、波动范围大等特点，上述方法无法及时反映这些变化，导致预测误差较大。
技术实现思路
本专利技术要克服现有技术的不足，提出，缓解城市道路交通状态快速波动`对道路速度预测的影响，提高预测准确性。为实现上述目的，本专利技术首先收集道路历史数据和预测当天已知数据，再利用两者对应区间的关系选择预测模型参数，最后结合谱分析模型预测得到未知的数据。本专利技术的方法通过以下步骤来实现:步骤1.收集GPS采集到的车辆速度数据GPS采集到包含采集时间、车辆编号、车辆速度等数据，其中选取车辆速度数据作为源数据；步骤2.选择模型参数通过预测当天的已知数据与其对应历史数据的关系来表示待预测数据与其对应历史数据的关系，即指预测模型中的参数矩阵C ；其中基于谱分析的道路速度预测模型公式如下:Χ = €.φτ(I)式中:f表示预测得到的某连续区间道路速度矩阵；C代表参数矩阵；Φ是描述相应区间道路速度变化趋势的特征向量矩阵；求参数矩阵C具体步骤如下:2.1首先将GPS车辆速度通过地图匹配方法转化为道路速度；2.2然后将每天平均划分成N个区间，已知历史连续M天N个区间和第M+1天前j个区间的道路速度数据；2.3定义历史连续M天N个区间的数据为M*N阶的矩阵，记作X。根据R=XtX求得矩阵X的协方差矩阵R(N*N)；2.4采用QR分解法(矩阵分解成一个正规正交矩阵Q与上三角形矩阵R)求得协方差矩阵R的特征向量矩阵，记为Φ (N*N)。在特征向量矩阵Φ中选取N*K部分记为Φ',其中，K(1 <K〈N)表示阶数，即使用的特征向量的数量。选取矩阵Φ'中第I行至第j行部分，记为ΦΑ,Κ);同理，Φ'中第j+Ι行至第N行部分,记为Φ2((Ν-].)*Κ)；2.5第Μ+1天已知区间数据组成的矩阵记作尤，与上一步求得的Φ1 —同代入模型公式(I)变换得到的公式C - Χφ(φτφ?{中，即可求得表示第Μ+1天已知区间(区间I至区间j)数据和相应M天历史区间数据之间的参数矩阵，记为C1 (1*K)，也可作为第Μ+1天未知区间(区间j之后，不包括区间j)数据和历史M天区间数据的参数矩阵；步骤3.根据模型公式预测道路速度将上一步得到的参数矩阵C1和Φ2同时代入公式(I)中，即可预测第Μ+1天区间j以后的道路速度。本专利技术的显著效果为:基于谱分析的城市道路速度预测模型所需历史数据较少，模型参数能随路段、时段的变化而快速作出动态调整，与实际道路速度状况匹配较好，并能够缓解城市道路交通状态快速波动对道路速度预测的影响，提高预测准确性。【专利附图】【附图说明】图1是基于谱分析的城市道路速度预测方法流程图。【具体实施方式】以下结合附图和实施例对本专利技术的技术方案作进一步详细说明。以下实施例在以本专利技术的技术方案为前提下进行实施，给出了详细的实施方式和过程，但本专利技术的保护范围不限于下述的实施例。本实施例具体实施步骤如下:步骤1.利用GPS收集道路速度数据1.1GPS采集到包含采集时间、车辆编号、车辆速度等数据，其中选取车辆速度数据作为源数据。1.2以杭州市区体育场路一环城西路、环城西路一白沙路、保俶路一北山路、保俶路一凤起路等40条路段作为数据采集区域，00:00-23:59作为数据采集时间段，GPS每隔15分钟采集到的车辆速度数据作为源数据。1.3数据存储于硬件环境为内存2G，硬盘300G的PC机上。步骤2.选择模型参数通过预测当天的已知数据与其对应历史数据的关系来表示待预测数据与其对应历史数据的关系，即指预测模型中的参数矩阵C。其中基于谱分析的道路速度预测模型公式如下:X = C φ(I)式中:f表示预测得到的某连续区间道路速度矩阵；C代表参数矩阵；Φ是描述相应区间道路速度变化趋势的特征向量矩阵。求参数矩阵C具体步骤如下:2.1首先将GPS车辆速度通过地图匹配方法转化为道路速度。2.2然后将每天平均划分成96个区间(每15分钟为一个区间)，本实例已知2012年9月10号和9月11号连续2天的192个区间和9月12号第I至第3区间的道路速度数据。选取最初的00:00— 01:30里包含的6个区间数据说明过程，其中阶数K取2。2.3定义历史连续2天6个区间数据组成矩阵V (2*6)。【权利要求】1.，其特征在于包括以下步骤: 步骤1.收集GPS采集到的车辆速度数据 GPS采集到包含采集时间、车辆编号、车辆速度等数据，其中选取车辆速度数据作为源数据； 步骤2.选择模型参数 通过预测当天的已知数据与其对应历史区间数据的关系来表示待预测数据与其对应历史数据的关系，即指预测模型中的参数矩阵C ； 其中基于谱分析的道路速度预测模型公式如下: X =C.φ'(I) 式中X表示预测得到的某连续区间道路速度矩阵；(:代表参数矩阵；Φ是描述相应区间道路速度变化趋势的特征向量矩阵； 求参数矩阵C具体步骤如下: .2.1首先将GPS车辆速度通过地图匹配方法转化为道路速度； .2.2然后将每天平均划分成N个区间，已知历史连续M天N个区间和第M+1天前j个区间的道路速度数据； . 2.3定义历史连续M天N个区间的数据为M*N阶的矩阵，记作X。根据R=XtX求得矩阵X的协方差矩阵R(N*N)； .2.4采用QR分解法(矩阵分解成一个正规正交矩阵Q与上三角形矩阵R)求得协方差矩阵R的特征向量矩阵，记为Φ (N*N)，在特征向量矩阵Φ中选取N*K部分记为Φ'，其中，K(1 ( K<N)表示阶数，即使用的特征向量的数量；选取矩阵Φ '中第I行至第j行部分，记为ΦΑ,Κ);同理，Φ'中第j+Ι行至第N行部分,记为Φ2((Ν-].)*Κ)； . 2.5第Μ+1天已知本文档来自技高网...

【技术保护点】
一种基于谱分析的城市道路速度预测方法，其特征在于包括以下步骤：步骤1.收集GPS采集到的车辆速度数据GPS采集到包含采集时间、车辆编号、车辆速度等数据，其中选取车辆速度数据作为源数据；步骤2.选择模型参数通过预测当天的已知数据与其对应历史区间数据的关系来表示待预测数据与其对应历史数据的关系，即指预测模型中的参数矩阵C；其中基于谱分析的道路速度预测模型公式如下：X^=C·φT---(1)式中表示预测得到的某连续区间道路速度矩阵；C代表参数矩阵；φ是描述相应区间道路速度变化趋势的特征向量矩阵；求参数矩阵C具体步骤如下：2.1首先将GPS车辆速度通过地图匹配方法转化为道路速度；2.2然后将每天平均划分成N个区间，已知历史连续M天N个区间和第M+1天前j个区间的道路速度数据；2.3定义历史连续M天N个区间的数据为M*N阶的矩阵，记作X。根据R=XTX求得矩阵X的协方差矩阵R(N*N)；2.4采用QR分解法（矩阵分解成一个正规正交矩阵Q与上三角形矩阵R）求得协方差矩阵R的特征向量矩阵，记为φ(N*N)，在特征向量矩阵φ中选取N*K部分记为φ′，其中，K(1≤K示阶数，即使用的特征向量的数量；选取矩阵φ′中第1行至第j行部分，记为φ1(j*K)；同理，φ′中第j+1行至第N行部分，记为φ2((N?j)*K)；2.5第M+1天已知区间数据组成的矩阵记作与上一步求得的φ1一同代入模型公式（1）变换得到的公式中，即可求得表示第M+1天已知区间（区间1至区间j）数据和相应M天历史区间数据之间的参数矩阵，记为C1(1*K)，也可作为第M+1天未知区间（区间j之后，不包括区间j）数据和历史M天区间数据的参数矩阵；步骤3.根据模型公式预测道路速度将上一步得到的参数矩阵C1和φ2同时代入公式（1）中，即可预测第M+1天区间j以后的道路速度。FDA0000375153680000012.jpg,FDA0000375153680000013.jpg,FDA0000375153680000014.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：单振宇，孙琼，赵丹娜，夏莹杰，
申请(专利权)人：杭州师范大学，
类型：发明
国别省市：