专利名称：行人交通数据组合多步预测方法
技术领域：
本发明涉及一种行人交通数据预测方法，尤其涉及一种行人交通数据组合多步预测方法。
背景技术：
人员密集场所人员密度预警系统，是依托安装在不同地点的视频设备，实时采集监测区域的视频图像，通过对视频图像中反映出的实时人群客流进行数据统计和分析，从而实现人员密集场所的人群密度预警预测。如果条件允许，管理部门希望每天开始之时即可了解当天未来各个采样时间间隔的行人交通状态，以便对一天的行人交通管理提前做出合理的计划，因此需要一种行人交通数据预测方法以预测全天的行人交通状态。
发明内容
本发明的目的在于提出一种行人交通数据组合多步预测方法，可以预测全天的行人交通状态，以便对一天的行人交通管理提前做出合理的计划。为了达到上述目的，本发明提供了一种行人交通数据组合多步预测方法，该方法包括步骤Sl 提供一行人交通数据长期趋势发展模式，其具有一纵向时间序列，利用该纵向时间序列对当天的行人交通数据的全天数据做出多步预测；步骤S2 所述行人交通数据长期趋势发展模式还具有一横向时间序列，利用该横向时间序列对当天的行人交通数据的短期现势数据做出多步预测；步骤S3 采样行人交通实时数据，将行人交通实时数据与所述长期趋势多步预测的该时刻数据进行比对，以得到预测误差；步骤S4 将所述预测误差与一误差阈值比对；如果长期趋势多步预测数据的预测误差小于所述误差阈值，则调用长期趋势多步预测的预测结果；如果预测误差大于所述误差阈值，则调用所述短期现势多步预测的该时刻数据作为预测结果。本发明所述的行人交通数据组合多步预测方法，其中所述步骤Sl中采用移动平
均模型利用纵向时间序列对行人交通数据进行多步预测，公式为
权利要求
1.一种行人交通数据组合多步预测方法，其特征在于，该方法包括步骤Sl 提供一行人交通数据长期趋势发展模式，其具有一纵向时间序列，利用该纵向时间序列对当天的行人交通数据的全天数据做出多步预测；步骤S2 所述行人交通数据长期趋势发展模式还具有一横向时间序列，利用该横向时间序列对当天的行人交通数据的短期现势数据做出多步预测；步骤S3 采样行人交通实时数据，将行人交通实时数据与所述长期趋势多步预测的该时刻数据进行比对，以得到预测误差；步骤S4 将所述预测误差与一误差阈值比对；如果长期趋势多步预测数据的预测误差小于所述误差阈值，则调用长期趋势多步预测的预测结果；如果预测误差大于所述误差阈值，则调用所述短期现势多步预测的该时刻数据作为预测结果。
2.如权利要求1所述的行人交通数据组合多步预测方法，其特征在于，所述步骤Sl中采用移动平均模型利用纵向时间序列对行人交通数据进行多步预测，公式为恥二 ‘tX⑴式中为当前采样时间间隔的行人交通数据纵向预测值；
3.如权利要求1所述的行人交通数据组合多步预测方法，其特征在于，所述步骤S2中行人交通数据短期现势多步预测方法包括S21预测方法选取和S22预测步数确定。
4.如权利要求3所述的行人交通数据组合多步预测方法，其特征在于，所述步骤S21中预测方法选取采用移动平均模型利用横向时间序列进行行人交通数据短期现势多步预测。
5.如权利要求3所述的行人交通数据组合多步预测方法，其特征在于，所述步骤S22中采用预测误差连续小于误差阈值的最大采样时间间隔数量，作为离线确定的预测步数。
6.如权利要求3所述的行人交通数据组合多步预测方法，其特征在于，所述步骤S22中通过获取数据时间序列的动态特征的指数，包括波动性特征指数、趋势性特征指数以及不确定性特征指数，再用神经网络模型计算得到在线确定的预测步数。
7.如权利要求6所述的行人交通数据组合多步预测方法，其特征在于，所述波动性特征指数、趋势性特征指数以及不确定性特征指数的计算方法如式
全文摘要
一种行人交通数据组合多步预测方法，包括步骤S1提供一行人交通数据长期趋势发展模式，具有一纵向时间序列，利用该纵向时间序列对当天的行人交通数据的全天数据做出多步预测；步骤S2所述行人交通数据长期趋势发展模式还具有一横向时间序列，利用该横向时间序列对当天的行人交通数据的短期现势数据做出多步预测；步骤S3采样行人交通实时数据，将行人交通实时数据与所述长期趋势多步预测的该时刻数据进行比对，以得到预测误差；步骤S4将所述预测误差与一误差阈值比对；如果长期趋势多步预测数据的预测误差小于所述误差阈值，则调用长期趋势多步预测的预测结果；如果预测误差大于所述误差阈值，则调用所述短期现势多步预测的该时刻数据作为预测结果。
文档编号G06F19/00GK102156822SQ20111010937
公开日2011年8月17日 申请日期2011年4月28日 优先权日2011年4月28日
发明者倪慧荟, 刘晓琴, 姚晓晖, 庞雷, 李伟, 李凤, 李明涛, 沈达, 王尧, 胡成 申请人:北京市劳动保护科学研究所