基于时空特性的分时段多参数短时交通流预测方法
【技术领域】
[0001] 本发明涉及智能交通系统领域，具体涉及一种基于时空特性的分时段多参数短时 交通流预测方法。
【背景技术】
[0002] 在智能交通系统的组成部分中，道路交通状态的动态分析与预测是一项重要的基 础理论，其核心之一是实时、准确地进行短时交通流预测。
[0003] 交通流预测按照预测步长的长短，可分为长期、中期和短期三种预测类型。短时预 测一般指预测步长A t<15min。在城市交通路网当中，一般需要预测未来短时间内的交通 流状况，实时性要求比较高，而短时交通流预测能够比较好地满足这种要求。
[0004] 短时交通流具有很强的时变性和随机性，因此建立预测精度高、实时性强和预测 结果稳定的短时交通流预测模型一直是智能交通系统领域的研究难点之一。
【发明内容】
[0005] 本发明的目的在于提供基于时空特性的分时段多参数短时交通流预测方法，充分 考虑交通流数据的时空特性，既考虑前后时间段交通流数据的相关性，也考虑上下游交通 流数据的相关性，并构建TS-WNN预测模型，采用分时段多参数的预测方法进行短时交通流 预测，以提高交通流预测精度和普适性。
[0006] 基于时空特性的分时段多参数短时交通流预测方法:在获得目标监测点和上下游 监测点的速度、交通流量和时间占有率三种交通参数的实时和历史数据的基础上，通过利 用交通流的时空特性(Time-Space，TS)与小波神经网络(Wavelet Neural Network,WNN)预 测算法相结合，构建TS-WNN预测模型，并利用分时段多参数的预测方法，将三种交通参数在 工作日和非工作日分别进行短时交通流预测。
[0007] 进一步地，上述预测方法获取实时和历史交通流数据的时间间隔为5min，且包括 速度（speed)、交通流量(flow)和时间占有率(occupancy)三种交通流数据;所述历史数据 需至少包含一个月的数据，以保证有足够的数据训练预测模型。
[0008] 进一步地，上述预测方法对交通流数据进行时空特性分析，确定最佳的时间和空 间维数，当预测时间间隔Δ? = 5π?η时，将时间维度设置为2,即前一时刻x(t-At)和当前时 亥ljx(t)，将空间维数设置为4,即选择当前点交通流数据、两个上游点交通数据和一个下游 点交通数据。
[0009] 进一步地，所述构建TS-WNN预测模型的具体步骤包括：
[0010] 1)TS-WNN预测模型是以BP神经网络拓扑结构为基础，选用Morlet小波基函数替代 隐含层节点的传递函数，其表达式为：
[0011] 炉(X)二 cos(l .75x) C ，: X为参数变量，
[0012] 2)初始化输入向量:根据最佳的时间和空间维数参数设置输入向量：
[0013] X=[x(p-2,t0) ,x(p-l ,t0) ,x(p,t0) ,x(p+l ,t0) ,x(p-2,t0-A t),
[0014] x(p_l，to- Δ t)，x(p，to- Δ t)，x(p+l，to- Δ t)]，
[0015] 3)小波神经网络WNN构建:设置输入层节点、隐含层节点、输出层节点；
[0016] 4)小波神经网络训练:选择一个月的交通流数据作为训练数据，设置训练次数，设 置WNN的学习率lrl和lr2;
[0017] 5)小波神经网络预测:根据训练好的TS-WNN预测模型，对道路进行短时交通流预 测 。
[0018] 进一步地，选取分时段多参数预测方法，分时段是指由于交通流在工作日与非工 作日呈现不同的分布规律，工作日的交通分布曲线存在明显的早晚高峰，非工作日的交通 分布曲线则比较平稳，没有明显的早晚高峰;多参数是指预测参数包括速度、交通流量和时 间占有率三种参数，该预测方法将三种交通参数在工作日和非工作日分别进行短时交通流 预测。
[0019] 本发明与现有交通预测技术相比，具有如下优点：
[0020] (1)考虑了交通流数据的时空特性，构建了 TS-WNN交通流预测模型，减少了预测误 差，提高了预测精度。
[0021] (2)进行分时段多参数预测，交通流在工作日和非工作日呈现不同的分布规律，本 发明构建的预测模型能对三个交通参数的工作日和非工作日交通状况分别进行预测，提高 了预测精度和普适性。
【附图说明】
[0022] 图la是小波神经网络预测模型示意图；
[0023]图lb是基于时空特性的分时段多参数短时交通流预测流程图。
[0024] 图2是基于时空特性的交通流预测示意图；
[0025] 图3是分时段多参数预测方法示意图；
[0026]图4是本发明中速度在工作日预测值与观测值拟合效果图；
[0027] 图5是本发明中交通流量在工作日预测值与观测值拟合效果图；
[0028] 图6是本发明中时间占有率在工作日预测值与观测值拟合效果图；
[0029]图7是本发明中速度在非工作日预测值与观测值拟合效果图；
[0030]图8是本发明中交通流量在非工作日预测值与观测值拟合效果图；
[0031]图9是本发明中时间占有率在非工作日预测值与观测值拟合效果图。
【具体实施方式】
[0032]下面结合附图对本发明的具体实施过程作详细说明，但本发明要求保护的范围并 不局限于下例表述的范围，需指出的是，以下若有未特别详细说明之过程或参数，例如神经 网络中相关函数是常用表达式中的参数，无需特别说明含义。
[0033]本发明的基于时空特性的分时段多参数短时交通流预测方法，充分考虑前后时间 段交通流数据的相关性和上下游交通流数据的相关性，并利用小波神经网络算法，构建TS-WNN交通流预测模型，并进行分时段多参数预测。
[0034]如图lb，本实例是采用如下技术方案实现的：
[0035] (1)获取实时的交通流数据，数据的时间间隔为5min，且包括速度(speed )、交通流 量(flow)和时间占有率(occupancy)三种交通流数据。另外，历史数据需至少包含一个月的 数据，以保证有足够的数据训练预测模型；
[0036] (2)对交通流数据进行时空特性分析，确定最佳的时间和空间维数；
[0037] (3)构建TS-WNN交通流预测模型：
[0038] TS-WNN预测模型是以BP神经网络拓扑结构为基础，选用小波基函数替代隐含层节 点的传递函数小波基函数选用Morlet小波基函数其表达式为公式：
[0039]
⑴
[0040]通过对式（1)进行伸缩和平移变换，可以得到小波基函数，其表达式见公式(2)。其 中，a是贤〇)的伸缩因子，b是，的平移因子。
[0041 ]
(2)
[0042] 根据小波分析和神经网络的理论知识，可得出其输出量y为：
[0043]
(3)
[0044] 其中，N是隐含层神经元个数，Μ是输入层神经元个数。TS-WNN预测模型是以BP神经 网络拓扑结构为基础，选用小波基函数替代隐含层节点的传递函数，其预测模型如图la所 示，图中，X1，X2, . . .，Xm是输入，y是预测输出，ω ij表示输入层与隐含层之间的连接权值，Wj 表示输出层与隐含层之间的连接权值。
[0045] (4)进行分时段多参数交通预测，即对速度、交通流量和时间占有率三个交通参数 在工作日和非工作日的交通状况分别进行预测。
[0046] TS-WNN交通流预测模型的大致步骤如下：
[0047] 1.时空特性分析：
[0048]如图2所示，城市道路是相互连通的，上下游路段的交通状况会互相影响，上游路 段的交通流骤增，会导致下游路段出现交通拥堵，而下游路段的交通状况同样也反过来会 影响上游