一种基于状态模式的短时交通流预测方法

摘要

本发明的基于状态模式的短时交通流预测方法，包括：a).建立历史标准样本库；b).获取交通流量状态向量M(t)＝[q(t-l+1),q(t-l+2),...,q(t)]；c).获取交通流量状态模式向量Md(t)＝[r(t-l+1),r(t-l+2),...,r(t-1)]；d).利用欧氏距离计算方法求取当前点与历史标准样本库中点的状态模式相似度；e).获取筛选集合A＝{q(t₁),q(t₂),...,q(t_n)}；f).集合A的进一步筛选，得到筛选后的点的集合B；g).获取交通流量的预测结果。本发明的交通流预测方法，提高了短时交通流预测的准确性与实时性，是一种行之有效的短时交通流预测方法，其预测结果可以为交通管理部门进行交通诱导与控制服务提供依据。

主权项

一种基于状态模式的短时交通流预测方法，其特征在于，通过以下步骤来实现：a).建立历史标准样本库，对待预测路段以往的历史交通数据进行预处理，形成该路段交通数据的历史标准样本库；b).获取交通流量状态向量，采集待预测路段的当前交通数据，采用交通流量时间序列作为交通流量状态向量M(t)，其具体表达式如公式(1)所示：M(t)＝[q(t‑l+1),q(t‑l+2),...,q(t)]  (1)式中，M(t)为当前路段t时刻的交通流量状态向量，q(t‑l+1)、q(t‑l+2)、...、q(t)分别为当前路段t‑l+1、t‑l+2、…、t时刻的交通流量，l表示交通流量状态向量M(t)的维数；c).获取交通流量状态模式向量，对M(t)中相邻时刻的交通流量依次做差并进行差值归一化处理后，形成交通流量状态模式向量Md(t)，如公式(2)所示：Md(t)＝[r(t‑l+1),r(t‑l+2),...,r(t‑1)]  (2)式中，Md(t)为当前路段t时刻的交通流量状态模式向量，r(i)为当前路段i+1时刻与i时刻的交通流量归一化差值，r(i)通过公式(3)进行求取：$r\left(i\right)=\frac{d\left(i\right)-\min \left(d\right(i\left)\right)}{\max \left(d\right(i\left)\right)-\min \left(d\right(i\left)\right)}---\left(3\right)$式中，max(d(i))、min(d(i))分别为当前路段t‑l+1、t‑l+2、…、t两两相邻时刻交通流量差值的最大值和最小值，d(i)为当前路段i+1时刻与i时刻的交通流量差值，其通过公式(4)进行求取：d(i)＝q(i+1)‑q(i)  (4)式中，t‑l+1≤i≤t‑1；d).求取当前与历史交通流量状态的相似度，利用欧氏距离计算方法求取当前点与历史标准样本库中点的状态模式相似度，状态模式相似度通过状态模式匹配距离进行表征，通过公式(5)进行求取：$d_{mh}=\sqrt{\begin{array}{c}{\left(r\right(t-l+1)-r_h(t-l+1\left)\right)}^2+{\left(r\right(t-l+2)-r_h(t-l+2\left)\right)}^2\\ +\mathrm{...}+{\left(r\right(t-1)-r_h(t-1\left)\right)}^2\end{array}}---\left(5\right)$式中，d_mh为当前点和历史标准样本库中点的状态模式匹配距离；r(t‑l+1)、r(t‑l+2)、…、r(t‑1)分别为当前路段t‑l+2与t‑l+1时刻、t‑l+3与t‑l+2时刻、…、t与t‑1时刻的交通流量归一化差值；r_h(t‑l+1)、r_h(t‑l+2)、…、r_h(t‑1)分别为历史标准样本库中对应时段的交通流量归一化差值；e).获取筛选集合，对当前点和历史标准样本库中点的状态模式匹配距离从小到大排序，选取距离最近的n个，得到通过状态模式匹配距离筛选后的点的集合A＝{q(t₁),q(t₂),...,q(t_n)}；f).集合A的进一步筛选，采用当前路段的交通流量与上游路口相关转向的交通流量及下游路口相关转向的交通流量作为状态向量X；用加权的欧氏距离法来评价当前点和集合A中的点的状态相似度；根据状态相似度对集合A中的点进行筛选，从集合A中筛选出欧氏距离最近的k个状态，得到筛选后的点的集合B；g).获取交通流量的预测结果，采用基于状态模式向量匹配距离倒数的加权平均法作为预测函数，用步骤f)中获取的集合B中的k个最相似状态来预测下一时段的交通流量，为车辆出行和路段选择提供可靠的参考依据。