一种基于时空因素的交通状态指数预测方法与流程

本发明涉及智能交通与机器学习领域，尤其是涉及一种基于时空因素的交通状态指数预测方法。

背景技术：

交通流分析可以划分为微观交通流分析、中观交通流分析与宏观交通流分析三部分。微观交通流理论分析主要研究某一点或某一断面交通特性。它是一种针对个体车辆交通运行特性进行分析与建模的理论方法，是解析、描述和预测交通流运行规律的重要手段之一。中观交通流理论分析主要研究路段的交通流特性。它通过建立可以模拟真实交通流状况的数学模型，从中观层面研究行驶的车辆，从而描述交通流的随机性与不确定性。宏观交通流理论分析主要研究路网区域的交通流特性。它不是描述具体某车辆的行驶规律或某一路段的交通流特性，而是对整个路网区域的交通流特性进行描述分析。通过在宏观尺度上研究拥堵区域的形成和消散的规律，为城市交通控制管理、挖掘现有路网的通行潜力、提高交通资源的利用率等提供更为可靠的科学依据。

近年来，道路交通状态指数的概念成为国内外交通领域研究的热点，它是一种合理反映各等级道路车辆出行相对拥堵体验的标准化指标。道路交通状态指数能精确反映交通路网状况，对交通管理具有重要意义。基于交通状态指数生成的交通状态指数云图能从宏观层面上呈现一个城市不同区域的交通特性，对于宏观交通流分析起着至关重要的作用。

目前的交通状态指数云图已经能较好的满足交通分析的需要，但仍然呈现出一些问题，交通指数的缺失就是其中之一。缺失的原因很大程度上是因为原始交通速度数据在时间和空间上本来就有缺失，或是在计算交通指数的过程中出现了错误。对缺失交通指数的预测有着重大意义，但目前涉及这部分的方法非常的少。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺少对缺失交通指数进行预测的缺陷而提供一种基于时空因素的交通状态指数预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于时空因素的交通状态指数预测方法，具体包括以下步骤：

步骤s1：获取交通状态指数的数据作为原始数据，根据所述原始数据生成交通状态指数云图；

步骤s2：将所述交通状态指数云图划分为多个子区域，根据所述子区域的中心网格是否有指数值，分为包含目标网格的子区域和包含非目标网格的子区域；

步骤s3：对所述包含目标网格的子区域和包含非目标网格的子区域分别通过时间序列预测模型和空间预测模型进行时间预测和空间预测；

步骤s4：基于所述包含非目标网格的子区域进行空间预测和时间预测的预测结果设置最优模型参数，按照所述最优模型参数构建混合模型，通过将所述包含目标网格的子区域输入所述混合模型来对目标网格进行预测。

所述交通状态指数包括交通流速度、自由流速度、道路种类和道路数。

所述子区域为正方形子区域。

优选的，所述子区域的边长的取值为3个单位长度或5个单位长度。

优选的，所述时间序列预测模型包括差分整合移动平均自回归模型、梯度增强树模型、长短时记忆网络模型或时间卷积网络模型。

优选的，所述空间预测模型包括线性回归模型、多项式回归模型、贝叶斯岭回归模型或支持向量回归模型。

所述目标网格为空白网络，所述空白网络内没有指数值。

所述子区域的中心网格含有一个时间段内多个时间点的数据值。

所述步骤s4中的设置最优模型参数的过程具体为：

步骤s401：根据时间预测结果和空间预测结果设置构建所述混合模型的相应的初始权值；

步骤s402：计算所述初始权值相应混合模型在包含非目标网格的子区域上进行时间预测和空间预测的结果的平均相对误差，根据所述平均相对误差的计算结果评判对应混合模型的预测准确性；

步骤s403：调整所述时间预测结果和空间预测结果的权值，根据不同权值下平均相对误差的变化趋势，将最小平均相对误差对应的权值作为最优模型参数。

与现有技术相比，本发明具有以下有益效果：

1.本发明根据时间预测结果和空间预测结果构建混合模型，提升了预测模型的预测精度，解决了单一时间或空间模型预测精度不高的问题。

2.本发明在不同时间段内可以调整混合模型中时间预测结果和空间预测结果的权值，选择平均相对误差最小的权值作为最优模型参数，保证了预测精度的稳定性。

3.本发明的子区域为正方形子区域，且边长的取值为3个单位长度或5个单位长度，方便进行子区域的划分和中心网格指数值的提取。

附图说明

图1为本发明的流程示意图；

图2为本发明划分包含目标网格和包含非目标网格的子区域的示意图；

图3为本发明时间序列预测模型的示意图；

图4为本发明空间预测模型的示意图；

图5为本发明实施例一中0点到6点时间段混合模型的预测结果图；

图6为本发明实施例一中6点到12点时间段混合模型的预测结果图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，一种基于时空因素的交通状态指数预测方法，具体包括以下步骤：

步骤s1：获取交通状态指数的数据作为原始数据，根据原始数据生成交通状态指数云图；

步骤s2：将交通状态指数云图划分为多个子区域，根据子区域的中心网格是否有指数值，分为包含目标网格的子区域和包含非目标网格的子区域；

步骤s3：对包含目标网格的子区域和包含非目标网格的子区域分别通过时间序列预测模型和空间预测模型进行时间预测和空间预测；

步骤s4：基于包含非目标网格的子区域进行空间预测和时间预测的预测结果设置最优模型参数，按照最优模型参数构建混合模型，通过将包含目标网格的子区域输入混合模型来对目标网格进行预测。

实施例一

步骤s1中，交通状态指数时间跨度为2012年2月1日上午0时至12时，每次更新的时间间隔为10分钟。

步骤s2中，如图2所示，所采用的交通状态指数云图的尺寸为48*48，共2304个网格，边长k的取值为3时，总共可以划分成256个3*3的子区域。256个子区域剔除异常数据后，共剩下211个符合要求的子区域。然后根据目标网格与非目标网格3:7的比例划分，共得到64个目标网格和147个非目标网格。目标网格为空白网络，空白网络内没有指数值。

步骤s3中，如图3所示，每个中心网格的一个完整的时间段共有t个时间点的数据，则需要根据之前一段时间的共t-6个时间点的数据，采用时间序列预测模型进行预测，得到最后6个时间点的预测值。

时间序列预测模型采用自回归积分滑动平均模型(arima)进行时间预测。将0时至12时划分为0时至6时，6时至12时共两个时间段。在两个时间段中，中心网格最后一小时的指数值是缺失的，即5时至6时和11时至12时这两段时间的指数值是缺失的。通过差分法将时间序列平稳化，再利用arima模型进行预测，获得时间预测结果。

步骤s3中，如图4所示，采用支持向量回归模型(svr)进行空间预测。将中心网格看作回归预测目标，其周围网格看作特征，利用svr模型进行回归预测，获得空间预测结果。利用非目标网格及其周围网格作为模型的训练集，目标网格及其周围网格作为测试集。模型采用随机森林的方式进行特征选择，采用网格搜索的方式进行参数优化。

步骤s4中的设置最优模型参数的过程具体为：

步骤s401：根据时间预测结果和空间预测结果设置构建混合模型的相应的初始权值；

步骤s402：计算初始权值相应混合模型在包含非目标网格的子区域上进行时间预测和空间预测的结果的平均相对误差，根据平均相对误差的计算结果评判对应混合模型的预测准确性；

步骤s403：调整时间预测结果和空间预测结果的权值，根据不同权值下平均相对误差的变化趋势，将最小平均相对误差对应的权值作为最优模型参数。

如图5和图6所示，本发明对于0时至6时和6时至12时共两个时间段内交通状态指数的预测结果与真实值非常接近，与真实值有相同的波动且波动幅度相同。因此本发明可以准确预测交通状态指数，根据现有数据弥补交通状态指数云图中缺失的交通状态指数。

此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等小变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。