一种短时交通流加权组合预测方法

摘要

发明公开了一种短时交通流加权组合预测方法。包括如下步骤：（1）利用动态聚类算法组织交通流历史数据；（2）运用改进的近邻非参数回归方法进行短时交通流预测；（3）将历史数据库中与当前点最相似的类作为模糊神经网络的训练样本，并运用模糊神经网络模型进行短时交通流预测；（4）根据改进的近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果。本发明考虑了过去时段的交通流和上游路口相关转向的交通流、优化了模糊神经网络的训练样本，并且采用加权组合的方式输出最终的预测结果，提高了短时交通流预测的准确性与实时性。

主权项

1.一种短时交通流加权组合预测方法，其特征在于，包括以下步骤：（1）利用动态聚类算法组织交通流历史数据，将历史数据分为多个类，每个类都有一个聚类中心；（2）运用改进的K近邻非参数回归方法进行短时交通流预测：用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度；预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，并得出K近邻非参数回归方法的预测结果；（3）利用当前点和历史数据库中的点的相似度，将历史数据库中与当前点最相似的类作为模糊神经网络的训练样本；将当前时段的交通流q(t)与上游路口相关转向的交通流量…、同时作为模糊神经网络模型的输入，其中…、分别为上游路口相关转向对应时段的交通流量，m为上游路口相关转向的个数；然后运用该模糊神经网络模型进行短时交通流预测；（4）根据改进的K近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果；所述的用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度的具体公式为：$d_h=\sqrt{{a(q\left(t\right)-q_h\left(t\right))}^2+{b\left(q(t-1)q_h(t-1)\right)}^2+{c(q(t-2)-q_h(t-2))}^2}$式中，d_h为当前点和历史数据库中的点的匹配距离；q(t)、q(t-1)、q(t-2)分别为当前时段的交通流、上一时段的交通流、上两个时段的交通流；q_h(t)、q_h(t-1)、q_h(t-2)分别为历史数据库中对应时段的交通流；{a,b,c}为一组权值，满足a+b+c=1且a∈[0,1]，b∈[0,1]，c∈[0,1]；预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，具体的公式为：${\tilde{q}}_k(t+1)=\underset{i=1}{\overset{k}{\Sigma }}({\frac{1}{d}}_i/d)q_i\left(t\right)$$d=\underset{i=1}{\overset{k}{\Sigma }}{\frac{1}{d}}_i$式中，k为在历史数据库中所选取的与当前点最近邻的点的个数；为用改进的K近邻非参数回归方法预测的下一时段的交通流量；d_i为历史数据库中计算出的匹配距离从小到大排列的第i个时空的匹配距离；q_i(t)为与d_i对应时空的交通流量。