非参数回归方法的预测能力，并且采用基于状态模式 向量匹配距离倒数的加权平均法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，是一种行之有效的短时交通流预测方法，其预测结果可以为交通管理部门进行交 通诱导与控制服务提供依据。
【附图说明】
[0030] 图1为本发明的基于状态模式的短时交通流预测方法的流程图；
[0031] 图2为本发明中历史标准样本库的建立流程图；
[0032] 图3为城市路网中典型的上游路口有3个相关转向、下游路口有3个相关转向的 交通流量示意图。
【具体实施方式】
[0033] 下面结合附图与实施例对本发明作进一步说明。
[0034] 如图1所示，给出了本发明的基于状态模式的短时交通流预测方法的流程图，采 用基于相邻时间序列的交通流量归一化差值作为状态模式向量的K近邻非参数回归方法， 通过计算状态模式向量匹配距离，来评价当前点和历史数据库中点的相似度并进行点的初 次筛选；采用基于当前路段、当前路段的上下游路口的相关转向的交通流量作为状态向量 的K近邻非参数方法，通过计算加权的欧氏匹配距离进行点的二次匹配与筛选；然后基于 状态模式向量匹配距离倒数的加权平均法，输出近邻非参数回归方法的预测结果。其具体 通过以下步骤来实现：
[0035] a).建立历史标准样本库，对待预测路段以往的历史交通数据进行预处理，形成该 路段交通数据的历史标准样本库；
[0036] 如图2所示，给出了发明中历史标准样本库的建立流程图，其建立方法为：对历史 数据预处理，识别异常数据，剔除错误数据并修补缺失数据；利用状态向量欧氏距离匹配算 法去除冗余数据并建立历史标准样本库。
[0037] b).获取交通流量状态向量，采集待预测路段的当前交通数据，采用交通流量时间 序列作为交通流量状态向量M(t)，其具体表达式如公式（1)所示：
[0038] M(t) = [q(t-l+l), q(t-l+2), . . . , q(t)] (I)
[0039] 式中，M(t)为当前路段t时刻的交通流量状态向量，q(t_l+l)、q(t_l+2)..... q(t)分别为当前路段t-l+l、t-l+2、…、t时刻的交通流量，1表示交通流量状态向量M(t) 的维数；
[0040] 其中，1状态向量维数的选取直接关系到预测精度和算法的效率，在具体实施时， I e [4, 6]；
[0041] c).获取交通流量状态模式向量，对M(t)中相邻时刻的交通流量依次做差并进行 差值归一化处理后，形成交通流量状态模式向量Md(t)，如公式（2)所示：
[0042] Md(t) = [r (t-1+1), r (t-1+2),. . . , r (t-1) ] (2)
[0043] 式中，Md (t)为当前路段t时刻的交通流量状态模式向量，r(i)为当前路段i+1时 亥IJ与i时刻的交通流量归一化差值，r⑴通过公式（3)进行求取： CN 105118294 A 说明书 5/7 页
[0045] 式中，max(d(i))、min(d(i))分别为当前路段t-1+1、t-1+2、…、t两两相邻时刻 交通流量差值的最大值和最小值，d(i)为当前路段i+Ι时刻与i时刻的交通流量差值，其 通过公式（4)进行求取：
[0046] d(i) = q(i+l)-q(i) (4)
[0047] 式中，t-1+l 彡 i 彡 t-1 ;
[0048] d).求取当前与历史交通流量状态的相似度，利用欧氏距离计算方法求取当前点 与历史标准样本库中点的状态模式相似度，状态模式相似度通过状态模式匹配距离进行表 征，通过公式（5)进行求取：
[0050] 式中，Clnih为当前点和历史标准样本库中点的状态模式匹配距离；r(t_l+l)、 r(t-l+2)、…、r(t-l)分别为当前路段t-1+2与t-1+l时刻、t-1+3与t-1+2时刻、…、t 与t-Ι时刻的交通流量归一化差值；rh(t-l+l)、rh(t-l+2)、·?α-1)分别为历史标准样 本库中对应时段的交通流量归一化差值；
[0051] e).获取筛选集合，对当前点和历史标准样本库中点的状态模式匹配距离从 小到大排序，选取距离最近的η个，得到通过状态模式匹配距离筛选后的点的集合A = {q(ti), q(t2), . . . , q(tn)}；
[0052] η的取值直接影响到预测精度和算法的效率，且η的过大或过小都会降低预测精 度，在具体实施时，n e [40, 60]。
[0053] f).集合A的进一步筛选，采用当前路段的交通流量与上游路口相关转向的交通 流量及下游路口相关转向的交通流量作为状态向量X ;用加权的欧氏距离法来评价当前点 和集合A中的点的状态相似度；根据状态相似度对集合A中的点进行筛选，从集合A中筛选 出欧氏距离最近的k个状态，得到筛选后的点的集合B ;
[0054] 在步骤中，所述的集合A的进一步筛选通过以下步骤来实现：
[0055] f_l).获取交通流量状态向量X(t)，当前路段的交通流量与上游路口相关转向的 交通流量及下游路口相关转向的交通流量作为状态向量X的具体公式为：
[0057] 式中，X(t)为当前路段t时刻含上下游路口状态的交通流量状态向量， v^/)、<(/)、…、ν,〗(?)分别为上游路口相关转向t时刻的交通流量，m为上游路口相关转向 的个数；v(t)为当前路段t时刻的交通流量；vf(f)、v$)、...、分别为下游路口相关转 向t时刻的交通流量，η为上游路口相关转向的个数；
[0058] 如图3所示，给出了城市路网中典型的上游路口有3个相关转向、下游路口 有3个相关转向的交通流量示意图，所示的上游路口的3个相关转向交通流量分别 为V丨(/)和V丨(/),其分别表示上游路口北口左转车流、西口直行车流和南口右 转车流在同一时段的交通流量。所示的下游路口的3个相关转向交通流量分别为 vf (?)、<0和，其分别表示下游路口北口左转车流、东口直行车流和南口右转车流 在同一时段的交通流量。
[0059] f_2).计算匹配距离，利用如公式（7)所示的加权的欧氏距离法来评价当前点和 集合A中的点的匹配距离，匹配距离表征两点之间的相似度：
[0061] 式中，4为当前点和集合A中的点的匹配距离；<(0、<(〇、···、<(〇分别为上游 路口相关转向t时刻的交通流量，Α(?)、<2(〇、···、分别为集合A中的点的上游路口 相关转向的交通流量，m为上游路口相关转向的个数；v(t)为当前路段t时刻的交通流量， vh(t)为集合A中的点当前路段的交通流量；vf(/)、<(〇、···、分别为下游路口相关 转向t时刻的交通流量，<(?)、ν;(2(?}、…、分别为集合A中的点的下游路口相关转向 的交通流量，η为下游路口相关转向的个数；Ia1, a2,…，am, b, C1, C2，…，cj为一组权值，满 足&1+&2+...+&|11+匕+(3 1+(32+...+(^=1，且&1￡[0，1]，&2￡[0，1]，...，& |11￡[0，1]，13￡[0，1]，Cle [0, I]，c2e [0, 1]，…cne [0, 1];
[0062] 在实际应用时，当前路段t+1时刻的交通流量不仅与当前路段t时刻的交通流量 相关，也与当前路段上游路口相关转向及下游路口相关转向的交通流量相关，但权重不同， 这里 b G [0· 4, 0· 6]，0· 2 < ai+a〗+." +am< 0· 3,0· 2 < c Jc2+." +cm< 0· 3。
[0063] f-3).获取筛选后的集合B，对当前点和集合A中的点的匹配距离从小到大排序， 选出距离最近的k个，得到筛选后的点的集合B = IqU1), q(t2),…，q(tk)}。
[0064] g).获取交通流量的预测结果，采用基于状态模式向量匹配距离倒数的加权平均 法作为预测函数，用步骤f)中获取的集合B中的k个最相似状态来预测下一时段的交通流 量，为车辆出行和路段选择提供可靠的参考依据。
[0065] 在实际应用时，如果