专利名称：一种短时交通流加权组合预测方法
技术领域：
本发明涉及ー种交通流预测方法，尤其涉及一种短时交通流加权组合预测方法。
背景技术：
近年来，随着社会经济的发展、机动车辆的迅猛增加，城市交通问题日益严重，交通压カ越来越大。在这样的现实条件下，智能交通系统得以蓬勃发展。智能交通系统主要是为了实现在大范围内，对交通运输进行全方位、实时、准确、高效的诱导和控制。根据当前的交通流量对下ー时段交通流量进行预测是动态交通诱导的前提和基础，有了精度较高的实时交通流量信息，才能进ー步运用现代通讯技术、计算机技术等为出行者提供最佳的行驶路线，达到网路畅通、高效运行的目的。为交通诱导与控制服务的交通流预测属于短时交通流预测，预测时间一般小于15分钟。根据预测模型參数来分类，可分为基于參数模型方法和非參数模型方法。參数模 型是指预测对象的数学模型能用有限个实參加以描述，否则为非參数模型。參数模型主要
有历史平均模型、ARMA系列模型、卡尔曼滤波模型等；非參数模型包括神经网络、非參数
回归、谱分析法、基于小波分解与重构的方法等。目前単一的短时交通流预测方法都要求独特的信息特征和特定的适用条件，致使単一的预测模型对复杂的交通流量预测精度不高，并且在预测之前往往需要进行大量的分析判断来选择最佳方法。一些组合的短时交通流预测方法往往不能同时兼顾预测的准确性与实时性，虽然这其中的ー些组合方法在一定程度上提高预测精度，但是其算法复杂、计算量较大，不利于进行实时交通流预测。
发明内容
本发明的目的是提供一种短时交通流加权组合预测方法，以提高短时交通流预测的准确性与实时性。短时交通流加权组合预测方法包括以下步骤
(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，每个类都有ー个聚类中心；
(2)运用改进的Ir近邻非參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ー时段的交通流，并得出f近邻非參数回归方法的预测結果；
(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Mt)与上游路ロ相关转向的交通流量
权利要求
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，每个类都有ー个聚类中心； (2)运用改进的Ii近邻非參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ー时段的交通流，并得出近邻非參数回归方法的预测結果； (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Mt)与上游路ロ相关转向的交通流量翻、_、…、‘(0同时作为模糊神经网络模型的输入，其中···、ぬ( 〕分别为上游路ロ相关转向对应时段的交通流量，m为上游路ロ相关转向的个数；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IT近邻非參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，并加权组合输出最終的预测結果。
2.根据权利要求I所述的ー种短时交通流加权组合预测方法，其特征在于，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
3.根据权利要求I所述的ー种短时交通流加权组合预测方法，其特征在于，所述的运用模糊神经网络进行下ー时段交通流预测为 所采用的模糊神经网络，隶属度函数采用高斯核函数,=其中 为 Ut隶属度函数, ,、σ ρ分别为隶属度函数的中心和宽度,f =1,2，···，m +1 ι =1,2，···，η ,其中的η￡代表第 个输入的模糊分割数；每条模糊规则的适应度为1 = mfn {，ι ，…，}，其中.=1，2，…，,.=1, 2, ···, fta,=1, 2, ···, nOT+1 >/ =1, 2, ···, η ,n; 模糊神经网络经过一定的训练之后，对于给定的输入，其输出的预测结果为 砂+1)=2/■—I - Jf-*! 式中，+1)为模糊神经网络预测的下一时段的交通流量;ろ.是每条模糊规则对应于输出的权值系数。
4.根据权利要求I所述的ー种短时交通流加权组合预测方法，其特征在于，所述的根据改进的近邻非參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，并加权组合输出最終的预测結果，具体公式为其中，ια+1)为最终预测输出分别为上个时段改进的ぎ近邻非參数回归方法和模糊神经网络模型的预测结果；
全文摘要
本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。
文档编号G06N3/08GK102693633SQ20121018605
公开日2012年9月26日 申请日期2012年6月7日 优先权日2012年6月7日
发明者吴汉, 沈国江, 王宁 申请人:浙江大学