具有在线自整定优化能力的高速公路交通流量融合预测方法
【专利摘要】本发明涉及交通流状态分析领域，提供一种具有在线自整定优化能力的高速公路交通流量融合预测方法，对模型进行在线优化更新，适应随时间变化的交通流特性，提高预测精度；包括如下步骤：获取高速公路检测交通数据，建立滑动时间窗，通过滑动时间窗读取高速公路检测交通数据；对当前滑动时间窗内的数据进行处理；对比4种单体预测模型在当前滑动时间窗中的预测精度，将预测精度最差的单体预测模型在当前滑动时间窗下进行训练，选定另外3种单体预测模型；将选定的三种单体预测模型的预测结果进行数据融合；保存融合后的预测数据。
【专利说明】具有在线自整定优化能力的高速公路交通流量融合预测方法
【技术领域】
[0001]本发明涉及交通流状态分析领域，尤其涉及一种高速公路交通流量融合预测方法。
【背景技术】
[0002]近年来，社会经济快速发展，汽车的普及率有了很大的提高，同时随着我国高速公路服务水平的提升，越来越多的人们选择驾驶或者乘坐汽车通过高速公路出行，这给高速公路的管理诱导提出了新的挑战，所以，高速公路交通流量预测的重要性在此就显现出来了。
[0003]在交通状态预测模型方面，基于传统数学方法(如数理统计和微积分等)而提出的模型和基于现代科学技术和方法(如神经网络和模拟技术等)而提出的模型都具有其优点和局限性。高速公路的交通流量是由交通需求、路网条件、交通管理控制方案、公共交通出行比例、信息诱导等共同作用的结果，所以交通流量时刻在变化，单一的预测模型当中，还没有哪一个能够在不同时刻保持绝对较好的预测精度，所以通过可以融合不同预测模型的在不同条件下的优点来预测交通，以提高预测精度。不同的预测模型各有其优点和缺点，它们之间并不是相互排斥，而是相互联系、相互补充。融合预测法的关键在于权值的动态确定。权值的确定的合理程度直接决定这预测精度的高低。
[0004]清华大学的郑为中和史其信提出一种贝叶斯组合神经网络模型并将其应用于短期交通流量的预测，结果表明:模型的预测性能整体上优于单一的神经网络模型，并且确保了模型预测的稳定性；谭满春和冯荤斌将自回归求和滑动平均(ARIMA)与人工神经网络组合模型用于短时交通流预测，结果表明:融合模型的预测准确性高于各自单独使用时的准确性；丛新宇和虞慧群提出将历史趋势模型和多元回归模型加权融合以建立组合预测模型，并利用加权平均的方法，对较精确的预测值赋予较大的权重，从而提高了模型预测的精度。
[0005]随着时间的推移，高速公路交通流的特性会发生变化，而国内外已经提出的融合模型使用的是静态和离线的算法，无法对融合模型中的基础模型的参数值和内部结构进行在线调整，这将导致预测模型的预测精度下降。
【发明内容】
[0006]有鉴于此，本发明提供一种具有在线自整定优化能力的高速公路交通流量融合预测方法，对模型进行在线优化更新，适应随时间变化的交通流特性，提高预测精度。
[0007]本发明通过以下技术手段解决上述技术问题:
[0008]具有在线自整定优化能力的高速公路交通流量融合预测方法，包括如下步骤:
[0009]I)获取高速公路检测交通数据，每一组高速公路检测交通数据包括时间、流量、速度和占有率；[0010]2)建立滑动时间窗(t-m+1，t)，m为时间窗的长度，即需要读取的高速公路检测历史交通数据的组数；通过滑动时间窗读取高速公路检测交通数据，每次读取I组新数据，并删除I组最老的数据；
[0011]3)对当前滑动时间窗内的数据进行处理:检测是否有数据缺失，若有，则进行插值处理；
[0012]4)对比4种单体预测模型在当前滑动时间窗中的预测精度，将预测精度最差的单体预测模型在当前滑动时间窗下进行训练，，一直训练到下次单体预测模型精度对比的时亥IJ，同时选定另外3种单体预测模型；
[0013]5)将步骤4)中选定的三种单体预测模型的预测结果进行数据融合；
[0014]6)保存步骤5)融合后的预测数据；
[0015]7)判断高速公路检测交通数据是否更新，如更新则读取新的高速公路检测交通数据，判断当前滑动时间窗内的数据是否缺失，若有，则进行插值处理；
[0016]8)判断当前已进行预测的次数，如果预测的次数没有达到m次，则返回步骤5)，如果预测的次数达到m次，则返回步骤4)。
[0017]进一步，所述高速公路检测历史交通数据为时间、流量、速度和占有率。
[0018]进一步，所述步骤3)具体包括如下步骤:
[0019]31)在滑动时间窗(t-m+1，t)中，检查该时间段内的数据是否有缺失，如果有缺失就选定该段数据；
[0020]32)设定一个时间起始点，然后将时间字段转化成数据字段，作为插值横坐标，将流量、速度和占有率分别作为插值纵坐标；
[0021 ] 33)根据三次样条插值法插值。
[0022]进一步，所述步骤4)中，4种单体预测模型分别为时间序列预测模型、卡尔曼滤波预测模型、神经网络预测模型以及混沌预测模型；
[0023]对于时间序列预测模型，若其为预测精度最差的单体预测模型，则重新训练预测模型，确定最优的样本量；
[0024]对于卡尔曼滤波预测模型的训练机制，若其为预测精度最差的单体预测模型，则重新训练预测模型，确定最优的状态向量的维数。
[0025]对于BP神经网络预测模型，若其为预测精度最差的单体预测模型则，重新训练预测模型，确定新的预测模型参数。
[0026]对于混沌预测模型，若其为预测精度最差的单体预测模型，则重新训练预测模型，确定最优的嵌入维数和延迟时间，以构造满足混沌特性的相空间。
[0027]进一步，步骤5)中，将三种单体预测模型的预测结果进行数据融合的方法如下:用三种单体预测模型分别进行预测，利用误差反比例法将预测结果分别给予权重，然后进行预测结果融合。
[0028]本发明的具有在线自整定优化能力的高速公路交通流量融合预测方法，基于高速公路交通流的时空特性，能够通过在线自整定优化融合模型中的基础模型，该方法选择四种具有更新训练能力的单体预测模型，通过精度对比的择优机制，选择三种预测模型作为基础融合模型，落选的预测模型通过在线实时训练一段时间与另外三种预测算模型继续择优对比竞争基础融合模型的名额，落选的预测模型继续在线实时训练，依次类推，能很快适应随时间变化的交通流特性，提高预测精度。
【专利附图】
【附图说明】
[0029]图1示出了具有在线自整定优化能力的高速公路交通流量融合预测方法的流程示意图；
[0030]图2示出了时间序列预测模型的训练流程图；
[0031]图3示出了卡尔曼滤波预测模型的训练流程图；
[0032]图4示出了 BP神经网络预测模型的训练流程图；
[0033]图5示出了混沌预测模型的训练流程图；
[0034]图6示出了融合预测结果的流程图。
[0035]【具体实施方式】
[0036]以下将结合附图，对本发明进行详细说明。
[0037]参见图1，具有在线自整定优化能力的高速公路交通流量融合预测方法，包括如下步骤:
[0038]I)获取高速公路检测交通数据，每一组高速公路检测交通数据包括时间、流量、速度和占有率；本实施例的高速公路交通数据字段定义如表1所示:
[0039]表1高速公路交通数据字段定义表
[0040]
【权利要求】
1.具有在线自整定优化能力的高速公路交通流量融合预测方法，其特征在于:包括如下步骤: 1)获取高速公路检测交通数据，每一组高速公路检测交通数据包括时间、流量、速度和占有率; 2)建立滑动时间窗(t-m+1，t)，m为时间窗的长度，即需要读取的高速公路检测交通数据的组数；通过滑动时间窗读取高速公路检测交通数据，每次读取I组新数据，并删除I组最老的数据； 3)对当前滑动时间窗内的数据进行处理:检测是否有数据缺失，若有，则进行插值处理； 4)对比4种单体预测模型在当前滑动时间窗中的预测精度，将预测精度最差的单体预测模型在滑动时间窗下进行训练，一直训练到下次单体预测模型精度对比的时刻，同时选定另外3种单体预测模型； 5)将选定的三种单体预测模型的预测结果进行数据融合； 6)保存步骤5)融合后的预测数据； 7)判断高速公路检测交通数据是否更新，如更新则读取新的高速公路检测交通数据，判断当前滑动时间窗内的数据是否缺失，若有，则进行插值处理；； 8)判断当前已进行预测的次数，如果预测的次数没有达到m次，则返回步骤5)，如果预测的次数达到m次，则返回步骤4)。
2.如权利要求1所述的具有在线自整定优化能力的高速公路交通流量融合预测方法，其特征在于:所述高速公路检测 历史交通数据为时间、流量、速度和占有率。
3.如权利要求2所述的具有在线自整定优化能力的高速公路交通流量融合预测方法，其特征在于:所述步骤3)具体包括如下步骤: 31)在滑动时间窗(t-m+1，t)中，检查该时间段内的数据是否有缺失，如果有缺失就选定该段数据； 32)设定一个时间起始点，然后将时间字段转化成数据字段，作为插值横坐标，将流量、速度和占有率分别作为插值纵坐标； 33)根据三次样条插值法插值。
4.如权利要求1至3中任一项所述的具有在线自整定优化能力的高速公路交通流量融合预测方法，其特征在于:所述步骤4)中，4种单体预测模型分别为时间序列预测模型、卡尔曼滤波预测模型、神经网络预测模型以及混沌预测模型； 对于时间序列预测模型，若其为预测精度最差的单体预测模型，则重新训练预测模型，确定最优的样本量； 对于卡尔曼滤波预测模型的训练机制，若其为预测精度最差的单体预测模型，则重新训练预测模型，确定最优的状态向量维数。 对于BP神经网络预测模型，若其为预测精度最差的单体预测模型则，重新训练预测模型，确定新的预测模型参数。 对于混沌预测模型，若其为预测精度最差的单体预测模型，则重新训练预测模型，确定最优的嵌入维数和延迟时间，以构造满足混沌特性的相空间。
5.如权利要求4所述的具有在线自整定优化能力的高速公路交通流量融合预测方法，其特征在于:步骤5)中，将三种单体预测模型的预测结果进行数据融合的方法如下:用三种单体预测模型分别进行 预测，利用误差反比例法将预测结果分别给予权重，然后进行预测结果融合。
【文档编号】G06Q50/26GK103489039SQ201310415725
【公开日】2014年1月1日 申请日期:2013年9月12日 优先权日:2013年9月12日
【发明者】孙棣华, 赵敏, 廖孝勇, 刘卫宁, 郑林江, 陈帅 申请人:重庆大学