一種考慮時空特性的短時交通流預測方法技術

本發明專利技術公開了一種考慮時空特性的短時交通流預測方法，該方法屬于智能交通管理領域。本發明專利技術通過關鍵路段預選，初步確定用于短時交通流預測的路段集合；進一步通過關鍵時段預選，選擇最強相關性對應的時段；以關鍵路段預選和關鍵時刻預選的結果為基礎，建立時空模型；基于后向逐步回歸分析，設計確定系數與平均絕對百分誤差的閾值，進行擬合優度檢驗和誤差控制，實現模型系數標定；分析時空模型的動態噪聲，進行時空模型的修正，建立考慮動態噪聲的時空模型；基于極限學習機標定噪聲與其影響因素的模式匹配關系，獲得考慮動態噪聲的時空模型，實現短時交通流預測。本方法也適用于交通流錯誤數據的修正和丟失數據的補充。

【技術實現步驟摘要】
一種考慮時空特性的短時交通流預測方法
本專利技術屬于智能交通管理領域，涉及一種考慮時空特性的短時交通流預測方法。本專利技術同時也適用于交通流錯誤數據的修正和丟失數據的補充。
技術介紹
隨著信息技術、通信技術、計算機技術等的快速發展，數字城市與智慧城市接踵而來，推動了大數據時代的來臨。在交通領域，傳統的數據采集向電子化設備與高級應用轉變，助力交通大數據的形成與發展。在大數據背景下，交通流的動態獲取和長期存儲成為可能，表現出了時間相關性、空間相關性和歷史相關性等時空特性，為短時交通流預測、錯誤數據修正和丟失數據補充等奠定了基礎。
技術實現思路
本專利技術的目的在于提出了一種考慮時空特性的短時交通流預測方法，通過該方法提高模型的數據預測精度。為實現上述目的，本專利技術采用的技術方案為一種考慮時空特性的短時交通流預測方法，具體實現方法如下：步驟一：關鍵路段預選，初步確定用于短時交通流預測的路段集合J′從空間維度考慮，研究對象路段的交通流參數受上下游路段交通流參數的影響，不同路段所產生的影響不同。將影響大的路段定義為關鍵路段，予以保留；將影響小的路段定義為非關鍵路段，予以舍棄。從而得到上下游路段集合I′，進一步得到用于短時交通流預測的路段集合J′，J′＝{s,h,I′}，其中，h特指傅里葉變換獲得的研究對象路段s的歷史相關數據。從定量角度將Pearson相關系數作為關鍵路段的度量標準：式中，Vs(t)為研究對象路段s在第t個時段的交通流參數，代表流量qs(t)、速度vs(t)或占有率ρs(t)；Vi(t)為路段i在第t個時段的交通流參數，代表流量qi(t)、速度vi(t)或占有率ρi(t)；rs,i為研究對象路段s與路段i的Pearson相關系數，代表流量Pearson相關系數速度Pearson相關系數或占有率Pearson相關系數rs,i∈[-1,1]，rs,i＞0表示正相關，rs,i＜0表示負相關，|rs,i|＝1表示完全不等，|rs,i|＝0表示完全相等；為Vs(t)的算術平均值；為Vi(t)的算術平均值。關于上下游路段集合I′的獲取，將r0＝0.618作為閾值執行預選，r0為[0,1]區間的黃金分割點；具體步驟(如圖1所示)如下：Step1：初始化，隨機選擇某個上/下游方向；Step2：沿著選定的上/下游方向，按照路段間距由小到大順序計算rs,i；Step3：若rs,i＞r0，返回Step2；否則，進行Step4；Step4：若還有上/下游方向未被計算，更換上/下游方向，返回Step2；否則，進行Step5；Step5：將滿足rs,i＞r0的路段i保留，得到路段集合I′。步驟二：關鍵時段預選，針對關鍵路段預選的路段集合，選擇最強相關性對應的時段從時間維度考慮，不同時段內相同路段產生的影響也不同。將影響最大的時段定義為關鍵時段，予以保留，其他予以舍棄。將時空相關系數作為關鍵時段的度量標準：rj＝maxrj,d式中，rj,d為Vs(t)與Vj(t-d)的時空相關系數，代表流量時空相關系數速度時空相關系數或占有率時空相關系數rj為rj,d的最大值，對應的t-d為關鍵時段；n為數據序列長度。步驟三：時空模型建立，描述路段交通流的時空特性綜合考慮路段交通流的時間相關性、空間相關性和歷史相關性，以關鍵路段預選和關鍵時刻預選獲得的Vj(t-d)為基礎，建立時空模型：式中，ε為修正參數；ωj為歸一化的系數，j∈J′。ωj的計算方法如下：s.t.ωj＞0j∈J′步驟四：模型系數標定，獲得時空模型基于后向逐步回歸分析，設計確定系數R2的閾值，進行擬合優度檢驗；同時考慮誤差控制，設計平均絕對百分誤差MAPE的閾值，進行模型誤差檢驗，具體步驟(如圖2所示)如下：Step1：對于j∈J′，擬合時空模型，獲得修正參數ε；Step2：進行擬合優度檢驗，若R2≥0.90，進行Step4；否則，進行Step3；Step3：刪去顯著性最差的j，更新J′，返回Step1；Step4：進行訓練集誤差檢驗，若MAPE≤0.10，停止，記最終的路段集合為J″；否則，返回Step3。步驟五：時空模型修正，建立考慮動態噪聲的時空模型分析時空模型的動態噪聲，進行模型修正，建立考慮動態噪聲的時空模型：s.t.Δ(t)∈[-σ,σ]j∈J″式中，Δ(t)為動態噪聲項，噪聲估計以時空模型為基礎，而不是重新建立一套方法，噪聲的大小存在約束；σ為標準偏差。步驟六：動態噪聲估計，標定噪聲與其影響因素的模式匹配關系按照交通狀態的時變特征，將1日交通流切分成若干個時段，假設每個時段的交通狀態相差不大?？紤]高峰小時特性，切分結果為時段T1為7:00至10:00，時段T2為10:00至17:00，時段T3為17:00至20:00，時段T4為20:00至次日7:00。對每個時段，獨立估計不同時段的動態噪聲。在相同的交通狀態下，動態噪聲呈現時變特性，并與時空模型中各個路段的交通流參數相關，因此，動態噪聲通過如下的模式匹配關系進行估計：s.t.j∈J″式中，fD(·)定義求解動態噪聲的模式匹配關系函數?；跇O限學習機標定噪聲與其影響因素的模式匹配關系，網絡訓練模型采用前向單隱層結構，具體步驟如下：Step1：確定隱含層神經元的個數，引入一個無限可微的函數g作為隱含層神經元的激活函數；Step2：隨機選取輸入層與隱含層間的連接權值ξ，以及隱含層神經元的偏置Step3：計算隱含層輸出矩陣；Step4：計算隱含層與輸出層間的連接權值ψ。附圖說明圖1是關鍵路段預選的流程圖。圖2是逐步回歸的流程圖。圖3是算例路網圖。圖4是擬合優度圖。圖5是極限學習機訓練效果圖。圖6為本專利技術的實施流程圖。具體實施方式為了使本
的人員更好地理解本專利技術的內容，下面結合附圖和實施例對本專利技術所提供的技術方案作進一步的詳細描述本專利。應用某路網的交通流數據進行算例研究，研究對象路段s及其近鄰路段如圖3所示。以各路段1周的交通流數據作為基礎，進行動態交通流時空模型研究。交通流數據由檢測器獲取，每5min可獲得1條數據，每條數據包括檢測時段及速度、流量、占有率參數，每個路段2016條數據。步驟一和步驟二：關鍵路段預選和關鍵時段預選計算獲得路段集合J′、rj及對應的關鍵時段t-d。流量參數角度共預選關鍵路段16條，速度參數角度共預選關鍵路段7條，占有率參數角度共預選關鍵路段9條。結果如表1所示，按照rj大小，僅列舉了前5位。表1關鍵路段預選和關鍵時段預選的結果步驟三和步驟四：根據關鍵路段預選和關鍵時段預選的結果，建立時空模型，基于后向逐步回歸分析，進行變量系數標定：qs(t)＝0.3307×qs(t-5)+0.3247×q3(t-5)+0.3209×qh(t)-60.4075vs(t)＝0.2214×vs(t-5)+0.2210×v3(t-5)+0.2190×v9(t-5)+0.2090×vh(t)+0.1851×v1(t-5)-1.5057ρs(t)＝0.3397×ρs(t-5)+0.3388×ρ3(t-5)+0.3337×ρ9(t-5)-0.4451擬合優度如圖4所示，流量參數擬合的確定系數為0.90，速度參數擬合的確定系數為0.95，占有率參數擬合的確定系數為0.97。步驟五和步驟六：基于極限學習機，從流量、速度、本文檔來自技高網...

【技術保護點】
一種考慮時空特性的短時交通流預測方法，其特征在于，本方法的步驟如下：步驟一：關鍵路段預選從空間維度定義關鍵路段，將Pearson相關系數作為關鍵路段的度量標準，并將[0,1]區間的黃金分割點0.618作為閾值執行預選，從而得到相關性較強的上下游路段集合，進一步得到用于短時交通流預測的路段集合；步驟二：關鍵時段預選從時間維度定義關鍵時段，將時空相關系數作為關鍵時段的度量標準，針對關鍵路段預選的路段集合，選擇最強相關性對應的時段；步驟三：時空模型建立綜合考慮路段交通流的時間相關性、空間相關性和歷史相關性，以關鍵路段預選和關鍵時刻預選的結果為基礎，建立時空模型；步驟四：模型系數標定基于后向逐步回歸分析，設計確定系數與平均絕對百分誤差的閾值，進行擬合優度檢驗和誤差控制，實現模型系數標定；步驟五：時空模型修正分析時空模型的動態噪聲，進行時空模型的修正，建立考慮動態噪聲的時空模型；步驟六：動態噪聲估計；基于極限學習機標定噪聲與其影響因素的模式匹配關系，獲得考慮動態噪聲的時空模型。

【技術特征摘要】
1.一種考慮時空特性的短時交通流預測方法，其特征在于，本方法的步驟如下：步驟一：關鍵路段預選從空間維度定義關鍵路段，將Pearson相關系數作為關鍵路段的度量標準，并將[0,1]區間的黃金分割點0.618作為閾值執行預選，從而得到相關性較強的上下游路段集合，進一步得到用于短時交通流預測的路段集合；步驟二：關鍵時段預選從時間維度定義關鍵時段，將時空相關系數作為關鍵時段的度量標準，針對關鍵路段預選的路段集合，選擇最強相關性對應的時段；步驟三：時空模型建立綜合考慮路段交通流的時間相關性、空間相關性和歷史相關性，以關鍵路段預選和關鍵時刻預選的結果為基礎，建立時空模型；步驟四：模型系數標定基于后向逐步回歸分析，設計確定系數與平均絕對百分誤差的閾值，進行擬合優度檢驗和誤差控制，實現模型系數標定；步驟五：時空模型修正分析時空模型的動態噪聲，進行時空模型的修正，建立考慮動態噪聲的時空模型；步驟六：動態噪聲估計；基于極限學習機標定噪聲與其影響因素的模式匹配關系，獲得考慮動態噪聲的時空模型。2.根據權利要求1所述的一種考慮時空特性的短時交通流預測方法，其特征在于：步驟一的實施過程如下，關鍵路段預選，初步確定用于短時交通流預測的路段集合J′從空間維度考慮，研究對象路段的交通流參數受上下游路段交通流參數的影響，不同路段所產生的影響不同；將影響大的路段定義為關鍵路段，予以保留；將影響小的路段定義為非關鍵路段，予以舍棄；從而得到上下游路段集合I′，進一步得到用于短時交通流預測的路段集合J′(J′＝{s,h,I′})，其中，h特指傅里葉變換獲得的研究對象路段s的歷史相關數據；將Pearson相關系數作為關鍵路段的度量標準：式中，Vs(t)為研究對象路段s在第t個時段的交通流參數，代表流量qs(t)、速度vs(t)或占有率ρs(t)；Vi(t)為路段i在第t個時段的交通流參數，代表流量qi(t)、速度vi(t)或占有率ρi(t)；rs,i為研究對象路段s與路段i的Pearson相關系數，代表流量Pearson相關系數速度Pearson相關系數或占有率Pearson相關系數rs,i∈[-1,1]，rs,i＞0表示正相關，rs,i＜0表示負相關，|rs,i|＝1表示完全不等，|rs,i|＝0表示完全相等；為Vs(t)的算術平均值；為Vi(t)的算術平均值；關于上下游路段集合I′的獲取，將r0＝0.618作為閾值執行預選，具體步驟如下：Step1：初始化，隨機選擇某個上/下游方向；Step2：沿著選定的上/下游方向，按照路段間距由小到大順序計算rs,i；Step3：若rs,i＞r0，返回Step2；否則，進行Step4；Step4：若還有上/下游方向未被計算，更換上/下游方向，返回Step2；否則，進行Step5；Step5：將滿足rs,i＞r0的路段i保留，得到路段集合I′。3.根據權利要求1所述的一種考慮時空特性的短時交通流預測方法，其特征在于：步驟二的實施過程如下，關鍵時段預選，針對關鍵路段預選的路段集合，選擇最強相關性對應的時段；從時間維度考慮，不同時段...

【專利技術屬性】
技術研發人員：孫智源，陳艷艷，宋程程，
申請(專利權)人：北京工業大學，
類型：發明
國別省市：北京,11