技术特征：
1.一种基于hmm的高速路交通量预测方法，其特征在于，具体步骤如下：步骤1、基于采集的历史交通量数据划分训练集，采用fft分析频域特性，基于残差噪声分布的衰减特性，确定平均回转时间；步骤2、基于平均回转时间，利用马尔可夫模型对历史交通量数据训练集的数字特征进行拟合，获取马尔可夫模型参数；步骤3、利用更新过程分析节假日期间交通量的峰值特性，获取更新过程模型及模型参数；步骤4、根据历史平峰交通量数据，利用构建的隐马尔可夫模型对未来月度交通流数据进行预测。2.根据权利要求1所述的基于hmm的高速路交通量预测方法，其特征在于，采用fft分析频域特性，基于残差噪声分布的衰减特性的具体方法为：对训练集数据，进行时间域交通流数据傅里叶变换，获取周期
‑
幅度谱图，利用帕斯瓦尔定理计算残差噪声能量，如下式：f(ω
t
)表示当时间周期为t时残差噪声的频域幅值。3.根据权利要求1所述的基于hmm的高速路交通量预测方法，其特征在于，确定平均回转时间为12个月。4.根据权利要求1所述的基于hmm的高速路交通量预测方法，其特征在于，对历史交通量数据训练集的数字特征进行拟合即计算隐含状态空间{1,2,3,...,12}的一步转移概率矩阵：式中，表示年度平峰交通量状态自i
‑
1月份转移至i月份的一步转移概率。5.根据权利要求1所述的基于hmm的高速路交通量预测方法，其特征在于，利用更新过程分析节假日期间交通量的峰值特性，获取更新过程模型及模型参数的具体步骤为：步骤3.1、建立假设，若在春节假期内交通流因出游而达到峰值的时间t1服从均匀分布，则在春假期间[0,ε]内满足下式分布函数：步骤3.2、建立假设，若春假返程的交通量峰值在t2计数时刻达到，则基于更新过程的春假返程分布函数以及返程交通流在t2计数时刻的概率表达式如下：
式中，t
p
表示春运返程的峰值时刻，λ为泊松系数；步骤3.3、根据步骤3.1和步骤3.2中所建立的春假期间出游及返程的概率表达式，利用每年1月～3月的月度平峰交通量x
j,i
(t)以及春假期间的月度高峰交通量实测值即可见变量z
j,i
(t)，构建更新过程模型，具体表达式为：z
j，i
(t)＝p(t
p
＝t)x
j，i
(t)式中，x
j,i
(t)为j年第i个月的月度平峰交通量，z
j,i
(t)为j年第i个月的月度交通量实测值，r为全体实数；利用数值拟合的方法获取步骤3.3中的模型参数；步骤3.4、利用更新过程模型对马尔可夫模型中所确定的隐含状态进行补充，获得隐马尔可夫模型。
技术总结
本发明公开了一种基于HMM的高速路交通量预测方法，基于采集的历史交通量数据划分训练集，采用FFT分析频域特性，基于残差噪声分布的衰减特性，确定平均回转时间；利用马尔可夫模型对历史交通量数据训练集的数字特征进行拟合，获取马尔可夫模型参数；利用更新过程分析节假日期间交通量的峰值特性，获取更新过程模型及模型参数；根据历史平峰交通量数据，利用构建的隐马尔可夫模型对未来月度交通流数据进行预测。本发明在多维度交通状态信息采集条件受限的情况下，仅依赖于历史交通量数据就能完成高精度的交通量预测。完成高精度的交通量预测。完成高精度的交通量预测。
技术研发人员：李智意 蒋继扬 郭唐仪 邓宏 马鞍
受保护的技术使用者：南京理工大学
技术研发日：2021.05.28
技术公布日：2021/9/9