一种道路交通运行态势多时间尺度预测方法
【技术领域】
[0001] 本发明属于智能交通控制系统领域，特别涉及一种道路交通运行态势多时间尺度 预测方法。
【背景技术】
[0002] 道路交通运行态势预测是智能交通系统实施道路交通管理和控制的基础。道路交 通运行态势的准确预测能够确保道路交通流安全畅通运行，帮助道路交通使用者根据未来 时刻道路交通运行态势变化情况合理规划出行方案，帮助道路交通管理者对未来道路交通 运行态势提前认知以便于交通控制措施的精确制定，进而减少道路交通拥挤和道路环境污 染的产生，提高道路行车安全和通行效率。
[0003] 针对高速公路道路交通运行态势预测的早期研宄中，主要是通过对道路交通流量 预测以实现对道路交通流运行态势识别。上世纪70年代，随着美国高速公路路网的构建， 相关学者逐渐将交通流预测方面的研宄由城市道路（路网）转向高速公路路网交通流预 测，并初步形成了以交通量预测为基础的道路交通运行态势预测的理论方法。
[0004] 道路交通运行态势变化规律可根据历史数据演化趋势进行时间跨度划分为短、中 及长三个实践尺度。交通流在三个不等长的时间尺度内表现形式既相互关联又存在一定的 差异性。中期和长期交通流运行态势预测中针对交通流参数数据进行预测，主要应用神经 网络、支持向量机、指数平滑等浅层交通流预测模型，预测模型简单，平稳程度较高，但浅层 预测模型能够实现对中长期交通流参数预测结果的输出值精确性较低，且存在预测效果 震荡性较大，运算时间较长等问题，其应用于道路智能交通系统交通参数预测模型中可靠 性较低。
[0005] 现有的道路交通流运行态势预测方法主要利用基本的预测模型对交通流运行交 通参数数据的短时变化情况预测，预测结果精确度偏低，且尚未实现对道路短时交通流运 行态势的全面预测。
[0006] 道路短时交通预测方法根据应用的方法不同划分主要分为基于线性回归的预测 方法、基于BP神经网络的预测方法、基于时间序列分析的预测方法以及交通参数多步预测 法等。基于线性回归方法建立了变量之间的线型关系，且应用简单方便和分析。但采用线 性回归的预测模型对交通参数的数据量要求苛刻，存在预测结果精度偏低，容易忽略各交 通参数变量之间的交互效应，不能描述非线性因果关系等缺点。基于BP神经网络的预测方 法交通参数预测精度与训练样本的质量和数量密切相关。因此，在对未来交通状态预测时， 训练样本必须包含各种状态的数据，而且数据量必须足以覆盖各个状态的情况。基于交通 参数多步预测方法是基于大量的历史数据构建的交通参数预测模型，而历史数据与拟预测 交通参数数据时间跨度越大，两者的关联性越低，预测误差越高。而基于时间序列分析方 法能够利用实测的交通参数数据对未来的预测不断进行修正，且较好地反映高速公路交通 流参数随时间变化所呈现的变化趋势，是有效地解决动态时变系统预测方法建模的有效途 径。目前，卡尔曼滤波作为时间序列分析方法中主要方法能够较好的实现对交通流参数数 据的快速准去的预测，但其单纯地考虑了时间序列下交通流运行趋势预测，未考虑空间序 列上交通流态势演化趋势。
[0007] 传统的短时交通预测模块中仅包括了对短时间尺度的交通流参数数据预测模 型，尚未涉及短时交通参数预测同交通状态影响联合预测模型。而道路交通状态情况对道 路交通流运行情况存在重要的影响，即当交通拥挤持续增加时，单凭交通流参数数据预测 模型对道路交通运行态势预测仅能够体现当前监测点的道路交通运行态势变化情况，并非 整个检测路段的整体道路交通运行态势。因此，使用传统的短时道路交通运行态势预测方 法将使得预测结果准确性受到质疑，可信度降低，对交通管理和控制造成巨大的影响。
[0008] 综上，针对道路交通运行态势预测方法中尚存许多不足，其主要体现在：目前的道 路交通运行态势预测系统可靠性性，预测结果精度较低，运算时间较长，仅停留在浅层的交 通流参数预测层面上，且尚未形成一个完善的道路交通运行态势多时间尺度预测系统，对 道路交通流运行态势实施精准、实时的预测，没有充分挖掘交通参数数据的利用潜力。
【发明内容】
[0009] 本发明为了克服上述现有技术的不足，而提供一种道路交通运行态势多时间尺度 预测方法，本发明以高速公路交通系统为研宄对象，根据高速公路交通流运行的时空特性， 通过对不同时间尺度下高速公路交通参数特征的分析，运用指数平滑算法、加权平均算法、 卡尔曼滤波法分别对不同时间尺度下的高速公路道路交通运行态势进行预测，构建高速公 路道路交通运行态势评价指标体系及多时间尺度高速公路交通流运行态势预测技术，进而 实现高速公路运行管理从经验主导向科学主导的转变，被动管理向主动管理的初步转变。
[0010] 本发明包括道路交通流参数数据预处理和道路交通运行态势多时间尺度预测两 部分：
[0011] 一、道路交通参数数据预处理：
[0012] 道路交通数据采集设备自动采集交通流参数数据并通过数据接口上传至交通数 据处理中心，实现对交通参数数据进行数据预处理，交通参数数据预处理过程主要包括异 常数据识别和异常数据修复两个步骤：异常数据识别模块采用阈值剖析方法进行异常数据 识别；异常数据修复采用历史数据跟踪模块实现历史数据的修复；进而将修复后的交通流 参数数据提供给交通信息预测中心进行道路交通运行态势的预测。
[0013] 所述交通数据处理和管理中心中交通数据预处理具体包括以下步骤：
[0014] 步骤一，多源传感器自动采集交通参数数据，并上传至交通数据处理和管理中 心；
[0015] 步骤二，交通数据处理和管理中心通过计算机对采集的多源交通参数数据进行统 一时间序列交通参数数据提取；
[0016] 步骤三，交通数据处理和管理中心通过计算机对同一时间序列交通参数数据根据 检测器采集数据精度对比实施数据提纯处理；
[0017] 步骤四，交通数据处理和管理中心中数据预处理模块对采集的初始交通流参数数 据进行异常交通参数数据识别；
[0018] 步骤五，交通数据处理和管理中心通过计算机根据异常数据修复采用历史数据跟 踪模块实现对异常数据空缺位置数据修复；
[0019] 步骤六，交通数据处理和管理中心通过计算机对预处理后的交通参数数据存储， 并对历史数据库进行更新。
[0020] 根据本发明交通参数预处理具体技术实施方案，所述多源交通参数数据为多种检 测器采集得到的监测点或监测路段在一定采样间隔内全部车道内通过车辆的具体交通数 据。
[0021] 所述历史数据是依据交通参数数据采集设备采集到的数据为所要求监测点在小 于短期时间尺度的时间间隔内采集到的交通流参数数据。
[0022] 二、道路交通运行态势多时间尺度预测：
[0023] 道路交通运行态势多时间尺度预测模块主要包括道路交通运行态势长期预测、道 路交通运行态势中期预测以及道路交通运行态势短期预测三部分内容，长期、中期及短期 时间尺度根据监测道路实际采集获得的历史交通参