一种基于时空关联数据挖掘的交通流预测方法
【专利摘要】本发明属于交通流预测【技术领域】，具体为一种基于时空关联数据挖掘的交通流预测方法。本发明主要包括预测模型建立、时空关联数据挖掘以及基于时空关联数据的交通流预测等。预测模型可采用多因子线性回归模型；时空关联数据挖掘是基于多因子线性回归模型并通过稀疏表达的优化方法自动地选取对于预测目标相关的时空关联传感器的数据；基于时空关联数据的交通流预测是以时空关联传感器的数据作为预测模型的输入进行的预测。本发明从整个交通网络中自动地确定与预测目标节点的传感器相关的时空关联传感器，并以时空关联传感器的数据作为预测模型的输入，全自动时空关联数据挖掘提升了预测模型的预测性能。
【专利说明】一种基于时空关联数据挖掘的交通流预测方法
【技术领域】
[0001]本发明属于交通流预测【技术领域】，具体涉及一种基于时空关联数据挖掘的交通流预测方法。
【背景技术】
[0002]近年来，交通流预测技术一直在智能交通系统(ITS)中发挥很重要的作用。交通流预测技术能够帮助通行的个人进行智能的出行路线选择，也可以为交通管理者提供决策支持。
[0003]早期的一些技术主要针对单序列的交通流预测。可以根据预测模型的有无参数分为有参数预测模型和无参数预测模型。在有参数预测模型中，季节性ARIMA(Autoregressive Integrate Moving Average)模型是应用最广泛的一种方法(见参考文献[I])。它在基于单时间序列的交通流预测上可以达到最小的均方误差(MSE)。而在无参数预测模型中，最近邻方法(Nearest Neighbor Method)被认为是可替代季节性ARIMA的方案(见参考文献[2])，但是最邻近预测方法的预测效果依赖于历史数据的质量。总体来讲，单序列的交通流预测方法只考虑了序列自身的特征，忽视了不同序列之间的相互作用和关系O
[0004]由于交通流的演化是通过交通网中所有节点交通流之间的相互作用而形成的，所以在交通流的预测中，不同节点交通流之间的关系应该被考虑进去。从而，在近些年基于数据时空关联性的多因子交通流预测成为了研究的热点。目前流行的方法大致有三种:1、状态空间模型或卡尔曼滤 波器(见参考文献[3] );2、神经网络(Neural Network)等机器学习方法(见参考文献[4] ) ;3、时间序列方法,如Vector Autoregressive Moving Average模型(见参考文献[5]) (VARMA)0而时空关联数据的选取则是进行多因子交通流预测的必要步骤。在以往的研究中，时空关联传感器的选取大部分是根据人工经验手动选取目标节点一定邻近范围内的传感器。只选取目标节点邻近范围内的传感器的数据作为与预测模型的输入比较主观，没有反映现实中数据之间真正的时空关联性，无法获得最佳的预测性能，基于人工经验的方法缺乏适应性，很难实施到大型的交通网中。
[0005]稀疏表达作为一种数学工具最早应用于信号处理领域，被广泛应用于信号压缩、图像去模糊、特征提取等，本发明提出将其应用于面向交通流预测的时空关联数据挖掘。稀疏表达的主要思想为:一个信号y可以通过一个字典D包含的K个原子信号Id1, d2,..., dj,..., dK}的线性组合表示为 y=Dx，其中 y e Rn，dj e Rn，D e RnXK ;或者近似
表达为y ^ Dx，这里||j-<εη，其中X e Rk为信号y的表示系数，稀疏表达要求通过尽
可能少的原子信号来表示信号1，即要求线性组合系数X包含的非零系数尽可能少，因此，求稀疏解的目标函数可以写作
[0006]
【权利要求】
1.一种基于时空关联数据挖掘的交通流预测方法，其特征在于具体步骤为: Ca)通过布局到交通网各个节点的传感器采集交通流量的原始数据； (b)通过数据预处理，将采集的原始数据处理为有效的交通流数据； (C)建立预测模型:令
2.根据权利要求1所述的预测方法，其特征在于步骤(d)所述通过稀疏表达优化方法要优化的目标为:
3.根据权利要求1所述的预测方法，其特征在于步骤(d)所述稀疏表达优化方法要优化的目标为:
4.根据权利要求1所述的预测方法，其特征在于步骤(d)所述的稀疏表达优化方法要优化的目标为:
【文档编号】G08G1/00GK103700255SQ201310749807
【公开日】2014年4月2日 申请日期:2013年12月30日 优先权日:2013年12月30日
【发明者】史世雄, 杨夙 申请人:复旦大学