k的取值过大，预测函数就过于平滑，降低预测精度，但 是，k值的选取也不能太小，太小的话就会增加偶然因素的成分，影响预测的精度，这里 k e [5, 12]〇
[0066] 在步骤中，所述的获取交通流量的预测结果通过以下方法来实现：
[0067] 预测函数采用基于状态模式向量匹配距离倒数的加权平均法，用最相似状态来预 测下一时段的交通流，并得出近邻非参数回归方法的预测结果，具体公式为： CN 105118294 A 说明书 7/7 页
[0070] 式中，〗/(H-1)为当前路段下一时刻的交通流量预测结果；k为在历史数据库中最 终选取的与当前点最近邻的点的集合B中元素的个数；cL(i)为当前点与历史数据库中最 近邻点放入集合B中的点的状态模式匹配距离；(!(tfl)为历史数据库中h+1时刻的交通 流量。
[0071] 本发明的基于状态模式的短时交通流预测方法的预测结果可以直接送到先进的 交通信息系统和先进的交通管理系统当中，给出行者提供实时有效的信息，帮助他们进行 更好的路径选择，实现路径诱导，以缩短出行时间，减少交通拥堵。
【主权项】
1. 一种基于状态模式的短时交通流预测方法，其特征在于，通过以下步骤来实现： 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； 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： M(t) = [q(t-l+l),q(t-l+2), . . . ,q(t)] (1) 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-1+1、t-1+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； 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： Md(t) =[r(t-1+l),r(t-1+2),. . . ,r(t-1) ] (2) 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时刻与i时刻的交通流量归一化差值，r(i)通过公式（3)进行求取：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+1时刻与i时刻的交通流量差值，其通过 公式（4)进行求取： d(i) =q(i+l)-q(i) (4) 式中，t-1+1 <i<t_l; 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：式中，cL为当前点和历史标准样本厍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-1时刻的交通流量归一化差值；rh(t-l+l)、rh(t-l+2)、…、rh(t-l)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； 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n个，得到通过状态模式匹配距离筛选后的点的集合A= {q(tj),q(t2), . . . ,q(tn)}； 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; 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。2. 根据权利要求1所述的基于状态模式的短时交通流预测方法，其特征在于，步骤f) 中所述的集合A的进一步筛选通过以下步骤来实现： 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：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；：,幻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、...、<(/)分别为下游路口相关转 向t时刻的交通流量，n为上游路口相关转向的个数； 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：式中，4为当前点和集合A中的点的匹配距离；v,K(〇、<(〇、…、v；：(〇分别为上游路 口相关转向t时刻的交通流量，《⑴、<2〇〇、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；v/(〇、vf的、…、⑴分别为下游路口相关 转向t时刻的交通流量，<⑴、<(〇、…、<,(/)分别为集合A中的点的下游路口相关转向 的交通流量，n为下游路口相关转向的个数；{a:,a2，…，am,b,A,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]， ClG [〇, l]，c2G [〇, 1]，…CnG [〇, 1]; 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= {qUi),q(t2),…，q(tk)}。3. 根据权利要求1或2所述的基于状态模式的短时交通流预测方法，其特征在于，步骤 g)中所述的获取交通流量的预测结果通过以下方法来实现： 预测函数采用基于状态模式向量匹配距离倒数的加权平均法，用最相似状态来预测下 一时段的交通流，并得出近邻非参数回归方法的预测结果，具体公式为：式中，为当前路段下一时刻的交通流量预测结果；k为在历史数据库中最终选 取的与当前点最近邻的点的集合B中元素的个数；cL(i)为当前点与历史数据库中最近邻 点放入集合B中的点的状态模式匹配距离；qUi+l)为历史数据库中时刻的交通流量。4.根据权利要求1或2所述的基于状态模式的短时交通流预测方法，其特征在于：步 骤a)所述的历史标准样本库的建立通过以下方法来实现：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。
【专利摘要】本发明的基于状态模式的短时交通流预测方法，包括：a).建立历史标准样本库；b).获取交通流量状态向量M(t)＝[q(t-l+1),q(t-l+2),...,q(t)]；c).获取交通流量状态模式向量Md(t)＝[r(t-l+1),r(t-l+2),...,r(t-1)]；d).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；e).获取筛选集合A＝{q(t1),q(t2),...,q(tn)}；f).集合A的进一步筛选，得到筛选后的点的集合B；g).获取交通流量的预测结果。本发明的交通流预测方法，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。
【IPC分类】G08G1/01, G08G1/065
【公开号】CN105118294
【申请号】CN201510617576
【发明人】黄国林, 汪庆明, 庞希愚, 朱勇, 崔龙波, 何镇镇, 李学岭, 吴茂呈, 奚钟华, 王成, 殷立峰
【申请人】山东易构软件技术股份有限公司
【公开日】2015年12月2日
【申请日】2015年9月25日