专利名称：基于模糊卡尔曼滤波的交通流参数预测方法
技术领域：
本发明涉及一种交通流预测方法。
背景技术：
短时交通流参数预测是以检测设备获得的实时交通数据为基础，通过构建的模型和方法预测下一时段的交通流参数。该预测结果通常用于实时交通信号控制系统和动态诱导系统中。因此短时交通流参数的预测将直接影响上述系统的实时效果。从预测模型看，短时交通流预测可分为两类第一类是以数理统计和微积分等传统数学和物理方法为基础的预测模型，主要包括时间序列模型、卡尔曼滤波模型、参数回归模型、指数平滑模型等；第二类是以现代科学技术和方法为主要研究手段而形成的预测模型，其特点是所采用的模型和方法不追求严格意义上的数学推导和明确的物理意义，而更重视对真实交通流现象的拟合效果，主要包括非参数回归模型、KARIMA算法、基于小波理论的方法、基于多维分形的方法、谱分析法、状态空间重构模型和多种与神经网络相关的复合预测模型等。在上述预测模型中，卡尔曼滤波预测模型因其具有精度较高，鲁棒性较强的优点被广泛使用，而且较IWAO 0KUTANI和VYTH0TKAS P C通过卡尔曼滤波模型预测交通流参数发现，其预测结果优于著名的UTCS-2预测方法的预测结果。但是已有的卡尔曼滤波预测模型预测输出值存在几个时间段的延迟，即存在一定的滞后性，影响了预测参数在动态实时控制和在诱导系统中的广泛应用。
发明内容
本发明要克服已有的卡尔曼滤波预测模型预测输出值存在滞后性的缺点，提供一种能够弥补滞后性问题的基于模糊卡尔曼滤波的交通流参数预测方法。本发明所述的基于模糊卡尔曼滤波的交通流参数预测方法包括以下步骤I)在路段上游各车道和路段下游各车道布设检测器采集实时交通流参数数据；2)获取各车道检测器同期历史交通流参数数据；3)采用卡尔曼滤波技术构建动态卡尔曼滤波交通流参数预测模型，所述动态卡尔曼滤波交通流参数预测模型描述如式(I)所示QL ( τ +k) = H0V (O +H1V ( τ _1) +... +HrrlV ( τ _η+1) + ω ( τ ) (I)式中紅(r +幻为τ时刻后k个时间段的路段L上的交通流参数向量，它与路段两端出入口的交通流参数有关；ν(τ) = [νι(τ )，ν2(τ)，···，νπ(τ)]Τ是在时段((τ-1)Τ，τ Τ]各出入口的交通流参数向量，其中Vm ( τ )是在时段((τ -I) Τ，τ Τ]某个入口或出口的交通流参数，它包含对交通流参数预测一些有用的预测因子，可以通过检测器直接观测到，V(T-I)是在时段((τ-1)Τ，τ Τ]前一个时段((τ-2) Τ，( τ-I) Τ]各出入口的交通流参数向量；H0,H1,…，Hlri 为参数矩阵,Hk = [c' i( τ ) , 2( τ ),…，c' m( τ )], m(T)为状态变量为路段上入口和出口所考虑的检测器总数；ω ( τ )为观测噪声，假定为期望为零的白噪声，它的协方差矩阵为R(t)；4)在步骤3)基础上，通过卡尔曼滤波时间更新方程和状态更新方程，得到卡尔曼滤波参数预测结果如(2)所示QL(r + k) = A(r)X(r I r - I)(2)式中0L(r +幻为τ时刻后k个时间段路段L上所预测的交通流参数向量；x(r I T - I)为状态估计向量;Α( τ ) = [νΤ( τ )，νΤ( τ -I)，νΤ( τ -2)]为交通流参数的观测向量;5)将历史同期平均交通流参数引入式(2)中，构建模糊卡尔曼滤波交通流参数预测模型如式(3)所示
QL(r + I) = (I - /)QL(t + k) + /QL(r + k)(g)其中，豇(r + I)为预测的最终结果，+ I)为同时期历史平均参数；0L(m)为卡尔曼滤波的预测结果；Y为历史值权重系数；6)将检测器采集到的实时交通流参数和历史同期平均交通流参数输入到式(3)中，对下一时间间隔及之后的交通流参数进行预测。所述检测器包括但不限于环形感应线圈检测器、视频检测器、微波检测器、雷达检测器、无线传感器节点；所述交通流参数是指交通流量和/或占有率和/或速度和/或密度和/或饱和度；所述下一时间间隔是指5分钟或15分钟或30分钟或60分钟。所述卡尔曼滤波时间更新方程为 (τ Ir-I) = Β(τ)Χ(τ - I)(4)P ( τ I τ -I) = Q ( τ -I) +B ( τ -I) P ( τ -I) Bt ( τ -I) (5)状态更新方程为
权利要求
1.基于模糊卡尔曼滤波的交通流预测方法，其特征在于包括以下步骤 .1)在路段上游各车道和路段下游各车道布设检测器采集实时交通流参数数据； .2)获取各车道检测器同期历史交通流参数数据； .3)采用卡尔曼滤波技术构建动态卡尔曼滤波交通流参数预测模型，所述动态卡尔曼滤波交通流参数预测模型描述如式(I)所示QL ( τ +k) = H0V (O +H1V ( τ _1) + …+HrrlV ( τ _η+1) + ω ( τ ) (I) 式中0L(r +幻为τ时刻后k个时间段的路段L上的交通流参数向量，它与路段两端出入口的交通流参数有关；V(T) = [V1(T), ν2(τ),…，νπ(τ)]Τ是在时段((τ_1)Τ，τ Τ]各出入口的交通流参数向量，其中Vm ( τ )是在时段((τ -I) Τ，τ Τ]某个入口或出口的交通流参数，它包含对交通流参数预测一些有用的预测因子，可以通过检测器直接观测到，V(T-I)是在时段((τ-1)Τ，τΤ]前一个时段((τ-2) Τ，( τ-I) Τ]各出入口的交通流参数向量；H0,H1,…，Hlri 为参数矩阵,Hk = [c' i( τ ) , 2( τ ),…，c' m( τ )], m(T)为状态变量为路段上入口和出口所考虑的检测器总数；ω ( τ )为观测噪声，假定为期望为零的白噪声，它的协方差矩阵为R(T)； .4)在步骤3)基础上，通过卡尔曼滤波时间更新方程和状态更新方程，得到卡尔曼滤波参数预测结果如(2)所示 QL(r + k) = A(r)X(r I γ - I)(2) 式中0L(T + k)为τ时刻后k个时间段路段L上所预测的交通流参数向量；i(r r - I)为状态估计向量;Α(τ) = [VT( τ )，VT( τ-I)，VT( τ-2)]为交通流参数的观测向量； 5)将历史同期平均交通流参数引入式(2)中，构建模糊卡尔曼滤波交通流参数预测模型如式⑶所示 QL(r + 左)=(I - /)QL(t + I) + /QL(t + k) 其中， (Γ + I)为预测的最终结果， + I)为同时期历史平均参数；0L(r + I)为卡尔曼滤波的预测结果；Y为历史值权重系数； .6)将检测器采集到的实时交通流参数和历史同期平均交通流参数输入到式(3)中，对下一时间间隔及之后的交通流参数进行预测。
2.如权利要求I所述的方法，其特征在于 所述检测器包括但不限于环形感应线圈检测器、视频检测器、微波检测器、雷达检测器、无线传感器节点； 所述交通流参数是指交通流量和/或占有率和/或速度和/或密度和/或饱和度； 所述下一时间间隔是指5分钟或15分钟或30分钟或60分钟。
3.如权利要求I所述的方法，其特征在于 所述卡尔曼滤波时间更新方程为 (τ τ-l) = Β(τ)Χ(τ - I)(4)P ( τ I τ -I) = Q( τ-1)+Β( τ-1)Ρ( τ-1)ΒΤ( τ-I) (5) 状态更新方程为Κ( τ ) = P ( τ I τ-1)ΑΤ( τ ) [Α( τ )Ρ( τ | τ-I) At ( τ )+R ( τ ) ](6)Χ(τ) = Χ(τ I τ - I) + Κ(τ) \^ζ{τ) - Α(τ)Χ(τ | τ - I)](7)P ( τ ) = [Ι_Κ( τ )Α( τ )]ρ( τ | τ-I) (8) 式中Χ(τ) = (!!。，!^，!^为状态向量，^ | τ _ I)为估计状态向量；Β( τ )为状态转移矩阵，Β( τ ) = I ；Ρ( τ )为误差协方差，Ρ( τ | τ -I)为估计协方差；Κ( τ )为卡尔曼增益；ζ(τ)为实际获取的交通流参数，其值等于QL (τ+k) ；R(x)为期望为零的白噪声。
4.如权利要求I所述的方法，其特征在于 所述历史值权重系数Y由模糊逻辑确定； 所述模糊规则以相对误差，平均相对误差，平均绝对相对误差，作为模糊综合判断的指标，参数Y越大，则当前交通流变化趋势更接近历史平均；反之，则当前交通流变化趋势更接近卡尔曼滤波模块的预测值。
全文摘要
基于模糊卡尔曼滤波的交通流预测方法，其特征在于包括以下步骤在路段上游各车道和路段下游各车道布设检测器采集实时交通流参数数据；获取各车道检测器同期历史交通流参数数据；采用卡尔曼滤波技术构建动态卡尔曼滤波交通流参数预测模型；通过卡尔曼滤波时间更新方程和状态更新方程，得到卡尔曼滤波参数预测结果；将历史同期平均交通流参数引入式(2)中，构建模糊卡尔曼滤波交通流参数预测模型；根据检测器采集到的实时交通流参数和历史同期平均交通流参数，对下一时间间隔及之后的交通流参数进行预测。
文档编号G08G1/065GK102629418SQ20121010200
公开日2012年8月8日 申请日期2012年4月9日 优先权日2012年4月9日
发明者俞立, 张志建, 张贵军, 方良君, 朱炯, 汪建仙, 郭海锋 申请人:浙江工业大学