一种考虑时空特性的短时交通流预测方法与流程

本发明属于智能交通管理领域，涉及一种考虑时空特性的短时交通流预测方法。本发明同时也适用于交通流错误数据的修正和丢失数据的补充。

背景技术：

随着信息技术、通信技术、计算机技术等的快速发展，数字城市与智慧城市接踵而来，推动了大数据时代的来临。在交通领域，传统的数据采集向电子化设备与高级应用转变，助力交通大数据的形成与发展。

在大数据背景下，交通流的动态获取和长期存储成为可能，表现出了时间相关性、空间相关性和历史相关性等时空特性，为短时交通流预测、错误数据修正和丢失数据补充等奠定了基础。

技术实现要素：

本发明的目的在于提出了一种考虑时空特性的短时交通流预测方法，通过该方法提高模型的数据预测精度。

为实现上述目的，本发明采用的技术方案为一种考虑时空特性的短时交通流预测方法，具体实现方法如下：

步骤一：关键路段预选，初步确定用于短时交通流预测的路段集合j′

从空间维度考虑，研究对象路段的交通流参数受上下游路段交通流参数的影响，不同路段所产生的影响不同。将影响大的路段定义为关键路段，予以保留；将影响小的路段定义为非关键路段，予以舍弃。从而得到上下游路段集合i′，进一步得到用于短时交通流预测的路段集合j′，j′＝{s,h,i′}，其中，h特指傅里叶变换获得的研究对象路段s的历史相关数据。

从定量角度将pearson相关系数作为关键路段的度量标准：

式中，vs(t)为研究对象路段s在第t个时段的交通流参数，代表流量qs(t)、速度vs(t)或占有率ρs(t)；vi(t)为路段i在第t个时段的交通流参数，代表流量qi(t)、速度vi(t)或占有率ρi(t)；rs,i为研究对象路段s与路段i的pearson相关系数，代表流量pearson相关系数速度pearson相关系数或占有率pearson相关系数rs,i∈[-1,1]，rs,i＞0表示正相关，rs,i＜0表示负相关，|rs,i|＝1表示完全不等，|rs,i|＝0表示完全相等；为vs(t)的算术平均值；为vi(t)的算术平均值。

关于上下游路段集合i′的获取，将r0＝0.618作为阈值执行预选，r0为[0,1]区间的黄金分割点；具体步骤(如图1所示)如下：

step1：初始化，随机选择某个上/下游方向；

step2：沿着选定的上/下游方向，按照路段间距由小到大顺序计算rs,i；

step3：若rs,i＞r0，返回step2；否则，进行step4；

step4：若还有上/下游方向未被计算，更换上/下游方向，返回step2；否则，进行step5；

step5：将满足rs,i＞r0的路段i保留，得到路段集合i′。

步骤二：关键时段预选，针对关键路段预选的路段集合，选择最强相关性对应的时段

从时间维度考虑，不同时段内相同路段产生的影响也不同。将影响最大的时段定义为关键时段，予以保留，其他予以舍弃。将时空相关系数作为关键时段的度量标准：

rj＝maxrj,d

式中，rj,d为vs(t)与vj(t-d)的时空相关系数，代表流量时空相关系数速度时空相关系数或占有率时空相关系数rj为rj,d的最大值，对应的t-d为关键时段；n为数据序列长度。

步骤三：时空模型建立，描述路段交通流的时空特性

综合考虑路段交通流的时间相关性、空间相关性和历史相关性，以关键路段预选和关键时刻预选获得的vj(t-d)为基础，建立时空模型：

式中，ε为修正参数；ωj为归一化的系数，j∈j′。

ωj的计算方法如下：

s.t.

ωj＞0

j∈j′

步骤四：模型系数标定，获得时空模型

基于后向逐步回归分析，设计确定系数r²的阈值，进行拟合优度检验；同时考虑误差控制，设计平均绝对百分误差mape的阈值，进行模型误差检验，具体步骤(如图2所示)如下：

step1：对于j∈j′，拟合时空模型，获得修正参数ε；

step2：进行拟合优度检验，若r²≥0.90，进行step4；否则，进行step3；

step3：删去显著性最差的j，更新j′，返回step1；

step4：进行训练集误差检验，若mape≤0.10，停止，记最终的路段集合为j″；否则，返回step3。

步骤五：时空模型修正，建立考虑动态噪声的时空模型

分析时空模型的动态噪声，进行模型修正，建立考虑动态噪声的时空模型：

s.t.

δ(t)∈[-σ,σ]

j∈j″

式中，δ(t)为动态噪声项，噪声估计以时空模型为基础，而不是重新建立一套方法，噪声的大小存在约束；σ为标准偏差。

步骤六：动态噪声估计，标定噪声与其影响因素的模式匹配关系

按照交通状态的时变特征，将1日交通流切分成若干个时段，假设每个时段的交通状态相差不大。考虑高峰小时特性，切分结果为时段t1为7:00至10:00，时段t2为10:00至17:00，时段t3为17:00至20:00，时段t4为20:00至次日7:00。对每个时段，独立估计不同时段的动态噪声。

在相同的交通状态下，动态噪声呈现时变特性，并与时空模型中各个路段的交通流参数相关，因此，动态噪声通过如下的模式匹配关系进行估计：

s.t.

j∈j″

式中，fd(·)定义求解动态噪声的模式匹配关系函数。

基于极限学习机标定噪声与其影响因素的模式匹配关系，网络训练模型采用前向单隐层结构，具体步骤如下：

step1：确定隐含层神经元的个数，引入一个无限可微的函数g作为隐含层神经元的激活函数；

step2：随机选取输入层与隐含层间的连接权值ξ，以及隐含层神经元的偏置

step3：计算隐含层输出矩阵；

step4：计算隐含层与输出层间的连接权值ψ。

附图说明

图1是关键路段预选的流程图。

图2是逐步回归的流程图。

图3是算例路网图。

图4是拟合优度图。

图5是极限学习机训练效果图。

图6为本发明的实施流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明的内容，下面结合附图和实施例对本发明所提供的技术方案作进一步的详细描述本专利。

应用某路网的交通流数据进行算例研究，研究对象路段s及其近邻路段如图3所示。以各路段1周的交通流数据作为基础，进行动态交通流时空模型研究。交通流数据由检测器获取，每5min可获得1条数据，每条数据包括检测时段及速度、流量、占有率参数，每个路段2016条数据。

步骤一和步骤二：关键路段预选和关键时段预选

计算获得路段集合j′、rj及对应的关键时段t-d。流量参数角度共预选关键路段16条，速度参数角度共预选关键路段7条，占有率参数角度共预选关键路段9条。结果如表1所示，按照rj大小，仅列举了前5位。

表1关键路段预选和关键时段预选的结果

步骤三和步骤四：根据关键路段预选和关键时段预选的结果，建立时空模型，基于后向逐步回归分析，进行变量系数标定：

qs(t)＝0.3307×qs(t-5)+0.3247×q3(t-5)

+0.3209×qh(t)-60.4075

vs(t)＝0.2214×vs(t-5)+0.2210×v3(t-5)

+0.2190×v9(t-5)+0.2090×vh(t)

+0.1851×v1(t-5)-1.5057

ρs(t)＝0.3397×ρs(t-5)+0.3388×ρ3(t-5)

+0.3337×ρ9(t-5)-0.4451

拟合优度如图4所示，流量参数拟合的确定系数为0.90，速度参数拟合的确定系数为0.95，占有率参数拟合的确定系数为0.97。

步骤五和步骤六：基于极限学习机，从流量、速度、占有率等3个方面，分别对4个时段的数据进行训练，记录对应的ξ、g、ψ。

极限学习机训练效果分析如图5所示，对比时空模型和考虑动态噪声的时空模型，通过动态噪声的估计，4个时段均得到了修正，提高了模型的精度。

考虑到交通流在高峰和非高峰期间的变化明显，选用平均绝对百分误差进行精度分析，如表2所示。本发明提出的方法具有较高的精度。

表2误差分析