路段的交通状况。本实施例时间和空间维数的设置如下：
[0049] (1)时间维度:当前时刻和前一时刻
[0050] (2)空间维度:上游监测点选择2个点，下游监测点选择1个点（P为所在监测点，P-2、P_1和P+1分别代表上游2个监测点和1个下游监测点）
[0051] 因此，输入向量：
[0052] X=(x(p-2,to) ,x(p-l ,to) ,x(p,to) ,x(p+l ,to) ,x(p-2,t〇-A t),
[0053] x(p-l, to- Δ t) ,x(p, to- Δ t) ,x(p+l, t〇- At)) (4)
[0054] 输出向量(x为参数变量，以速度预测为例）：
[0055] Y = x(p,to+At) (5)
[0056] 2.小波神经网络构建：
[0057] 本实例采用的小波神经网络结构为8-6-1，输入层有8个节点（如式(4)所示），隐含 层节点数为6,输出层只有1个节点(如式(5)所示）。
[0058] 3.小波神经网络训练：
[0059]用训练数据训练小波神经网络，训练次数选择500次，WNN的学习率lrl和lr2分别 取0.01和0.001。
[0060] 4.小波神经网络预测：
[0061] 用训练好的基于时空特性的小波神经网络预测短时交通流，并对预测结果进行分 析。
[0062] 5.对预测结果进行分析。
[0063] 作为进一步地实例，本实施例选择某高速公路2014年3月份的的交通流数据作为 实验数据，对于工作日，2014年3月共有工作日21天，将前20天的数据作为训练数据，最后一 天(3月31日）的数据作为预测数据。对于非工作日，2014年3月共有非工作日（周末)10天。由 于3月9日的部分数据缺失，因此将3月9日的数据剔除。总共剩9天的实验数据，将前8天的数 据作为训练数据，最后一天(3月30日）的数据作为预测数据。另外，将预测步长设置为5min。
[0064] 本实施例采用平均绝对误差MAE、均方根误差RMSE、均等系数EC对预测性能进行评 估。三个预测性能评价指标的表达式见公式(4)~(6)。
[0065]
[0066]
[0067]
[0068] 式中，N表示样本数;xre3ai表示交通流参数的实际观测值;xpre3表示交通流参数的预 测值。
[0069] MAE主要用于表示预测值与实际值之间的误差的绝对平均值，其值越小，说明预测 效果越好。RMSE主要用于表示误差的分布情况，其值越小，说明误差分布越集中，因此预测 效果越佳。EC主要用于表示预测值与实际值之间的拟合程度，其值越接近1，预测效果越好。 一般可以认为，当EC>0.9时，系统的预测效果较好。
[0070] 从上述实施例可以看出，本发明提出的分时段多参数预测方法同时考虑了前后时 间段交通流数据的相关性和上下游交通流数据的相关性，并对三个交通参数在不同时间段 (工作日与非工作日）进行预测，如图3所示。为了与传统方法预测性能进行比较，本实施例 选用相同的预测建模和实验数据，给出了考虑时空特性的交通流三参数预测性能，以及不 考虑时空特性的交通流三参数预测性能。上述两种情况下的预测性能评价指标计算结果见 表1.
[0071] 表1三个交通参数在工作日与非工作日的预测性能
[0072]
LUUM」 /yv衣丄Kl以.m,半汉叨?疋mtfj顶《J刀?Ζ??儿丁 口、J 付? 土 H、J顶《J愣坐现刀ι^?， 速度、交通流量和时间占有率三个交通参数在工作日预测的均方根误差(RMSE)分别减少 18%、9%、8%，在非工作日预测的均方根误差(1?^)分别减少7%、3%、11%。图3~图5是 以2014年3月31日的预测结果为例，分别给出了本发明所提出的方法的速度、交通流量和时 间占有率在工作日的预测值与实际值的拟合效果。图6~图8是以2014年3月30日的预测结 果为例，分别给出了本发明所提出的方法的速度、交通流量和时间占有率在非工作日的预 测值与实际值的拟合效果。
【主权项】
1. 基于时空特性的分时段多参数短时交通流预测方法，其特征在于：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=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 化twork，WNN)预测算法相结合，构建TS-W順预测模型，并利用分时段多参数的预测方法，将 =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。2. 如权利要求1所述的基于时空特性的分时段多参数短时交通流预测方法，其特征在 于: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)S种交通流数据;所述历史数据需至少包含一个月的数据，W保 证有足够的数据训练预测模型。3. 如权利要求1所述的基于时空特性的分时段多参数短时交通流预测方法，其特征在 于: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At = 5min时，将时间维度设置为2,即前一时刻x(t-+t)和当前时刻x(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。4. 如权利要求1所述的基于时空特性的分时段多参数短时交通流预测方法，其特征在 于:构建TS-WNN预测模型的具体步骤包括： 1. TS-Wr^N预测模型是WBP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： 约:句=co:s(l.75句e-Aa，X为参数变量， 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： X= [x(p-2 ,to) ,x(p-l, to) ,x(p, to) ,x(p+l ,to) ,x(p-2, to- At), x(p-l ,t〇-A t) ,x(p,t〇-A t) ,x(p+l ,t〇-A t)], 3) 小波神经网络TON构建:设置输入层节点、隐含层节点、输出层节点； 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 W順的学习率Irl和lr2; 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。5. 如权利要求1所述的基于时空特性的分时段多参数短时交通流预测方法，其特征在 于: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=种参 数，该预测方法将=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。
【专利摘要】本发明公开了基于时空特性的分时段多参数短时交通流预测方法，该预测方法在获得目标监测点和上下游监测点速度、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，构建了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。本发明充分考虑交通流数据的时空特性，并进行分时段多参数预测，提高了预测精度和预测普适性，能更好地满足高速公路交通对预测的需求，帮助交通管理者更好地进行交通控制，为出行者规划更优的出行路径。
【IPC分类】G08G1/01
【公开号】CN105513350
【申请号】CN201510859229
【发明人】胡斌杰, 林冬霞, 王腾辉
【申请人】华南理工大学
【公开日】2016年4月20日
【申请日】2015年11月30日