短时交通流变化预测方法、装置、计算机设备及存储介质与流程

本发明属于交通领域，尤其涉及一种短时交通流变化预测方法、装置、计算机设备及存储介质。

背景技术：

随着智能交通系统的发展，交通控制以及实时交通诱导已经成为交通领域研究的热点。而对于交通控制和实时交通诱导来说，交通流预测的准确性和可靠性是其实现的必要条件和重要基础，其中短时交通流预测显得更为重要。对于交通流预测而言，按照预测时间范围划分可以分为长期交通流预测和短期交通流预测。短时交通流预测，一般指对未来时间跨度不超过十五分钟的交通情况进行预测，它是智能交通系统的核心内容，是智能交通系统中各个子系统的功能实现的基础。相比较长期交通流预测，短时交通流预测由于预测的时间跨度比较短，交通流表现出较少的规律性，对预测方法提出了更高的要求。

短时交通流具有高度非线性和不确定性等特点，并且与时间有较强的相关性。长久以来学者们并没有意识到交通流不确定性的存在以及它对交通流状态的影响，直到近年，才有人开始对交通流不确定性开始研究，并先后有人提出将模糊理论和混沌理论应用于交通领域中的不确定性问题，这些设想虽然在一定程度上解决了交通流不确定性的影响，但是由于短时交通流具有的复杂非线性结构，而现有的短时交通预测方法仍未能准确地对其进行建模预测。

由此可见，现有的短时交通预测方法仍然未能很好地解决交通流的不确定性对于预测精度的影响，预测的效果不好。因此，亟待开发一种针对交通流的不确定性，可更好地拟合交通流的变化，达到更好预测效果的预测模型。

技术实现要素：

本发明实施例提供一种短时交通流变化预测方法，旨在开发一种针对交通流的不确定性，可更好地拟合交通流的变化，达到更好预测效果的预测方法。

本发明实施例是这样实现的，一种短时交通流变化预测方法，所述方法包括如下步骤：实时获取预测路段的交通流量数据；

基于所述交通流量数据，构建带遗忘因子的交通流预测模型；

基于粒子滤波算法，消除所述交通流预测模型的随机噪声，获得并输出最优的短时交通流量变化预测值。

本发明实施例还提供一种短时交通流变化预测装置，所述装置包括：

数据获取单元，用于实时获取预测路段的交通流量数据；

交通流预测模型构建单元，用于基于所述交通流量数据，构建带遗忘因子的交通流预测模型；以及

短时交通流量变化预测值输出单元，用于基于粒子滤波算法，消除所述交通流预测模型的随机噪声，获得并输出最优的短时交通流量变化预测值。

本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述短时交通流变化预测方法的各步骤。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述短时交通流变化预测方法的各步骤。

本发明实施例提供的短时交通流变化预测方法，通过实时获取预测路段的交通流量数据，并基于该交通流量数据，引入遗忘因子，构建带遗忘因子的交通流预测模型，避免了由于交通流的时变性导致早期采集的交通流量数据对预测精度的影响，实时修正该预测模型的参数(包括交通流量数据)，更好地拟合交通流的变化，保证了该预测模型的预测精确度；并且通过粒子滤波算法消除该预测模型的随机噪声，实现了对短时交通流量的最优预测，进一步提高了短时交通流量的预测精确度和可行性，便于交通控制和实时交通诱导。

附图说明

图1是本发明实施例一提供的短时交通流变化预测方法的实现流程图；

图2是本发明实施例二提供的短时交通流变化预测方法的实现流程图；

图3是本发明实施例提供的某十字路口的数据点与地图进行匹配前和匹配后的效果对比结果图；

图4是本发明实施例三提供的短时交通流变化预测方法的实现流程图；

图5是本发明实施例提供的短时交通流的主分量谱图；

图6是本发明实施例四提供的短时交通流变化预测方法的实现流程图；

图7是本发明实施例五提供的短时交通流变化预测方法的实现流程图；

图8(a)是本发明实验例提供的在线序列学习机模型测试集预测值与真实值的对比结果图；

图8(b)是本发明实验例提供的带遗忘因子的极限学习机模型测试集预测值与真实值的对比结果图；

图8(c)是本实验例提供的交通流预测模型测试集预测值与真实值的对比结果图；

图9(a)是本实验例提供的在线序列学习机模型的预测误差指标对比结果图；

图9(b)是本实验例提供的带遗忘因子的极限学习机模型的预测误差指标对比结果图；

图9(c)是本实验例提供的交通流预测模型的预测误差指标对比结果图；

图10是本发明实施例提供的一种短时交通流变化预测装置的结构示意图；

图11是本发明实施例提供的一种交通流预测模型构建单元的结构示意图；

图12是本发明实施例提供的一种短时交通流量变化预测值输出单元的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是以如所附权利要求书所详述的、本发明的一些方面相一致的装置和方法的例子。

本发明实施例提供的短时交通流变化预测方法，通过引入遗忘因子构建交通流预测模型，可以避免由于交通流的时变性导致早期采集数据对预测精度的影响，实时修正该预测模型的参数，更好地拟合了交通流的变化，并且通过粒子滤波算法消除该预测模型的随机噪声，实现了对短时交通流量的最优预测，进一步提高了短时交通流量的预测精确度和可行性，便于交通控制和实时交通诱导。

图1为本发明实施例一提供的短时交通流变化预测方法的实现流程图，如图1所示，该方法包括如下步骤：

在步骤s101中，实时获取预测路段的交通流量数据。

在步骤s102中，基于交通流量数据，构建带遗忘因子的交通流预测模型。

在步骤s103中，基于粒子滤波算法，消除交通流预测模型的随机噪声，获得并输出最优的的短时交通流量变化预测值。

国内外的研究人员根据不同领域的方法设计出了多种交通流预测模型，按照预测的原理分为：以解析数学为基础的模型、以交通仿真为基础的模型和智能预测模型。基于解析数学方法的模型是在数理统计原理的基础上，通过解析数学的方法描述交通状态的变化趋势，其中包含的模型有ar、arima以及卡尔曼滤波等。交通仿真模型通过对信号控制规律、道路网络和交通量进行模拟，从而掌握道路网络以后的发展变化与较高可能性的状态。一般包括动态分配法和微观仿真法。智能预测模型并非通过数学方法来描述预测目标和预测因子之间的关系，而是以保证真实交通流的拟合效果为目标进行最优化求解，该类方法具有很强的自适应能力，是目前广泛使用的交通流预测方法，比较有代表性的有神经网络模型、支持向量机模型和非参数回归模型等。

交通流存在复杂的变化规律，虽然在同一区域内，人们的出行方式在时间周期上呈现出一定的规律性，但是随着时间尺度缩短，交通流还表现出时变性、自组织性、内在约定性、随机性等特性。交通流复杂性与受到影响因素密切相关，我们可以交通流三要素：人、车、路来分析。比如说，每个驾驶员的生理、心理以及反应特点千差万别，对于他们来说，在下一刻面临的驾驶环境也是不确定的。不同的路网密度、道路结构、天气情况等在交通系统中也产生不确定性变化。从影响交通系统的基本要素可以看出，影响交通流的各个因素都存在着不确定性，而决定路上交通状态的往往都是多种因素相互作用的结果。什么时间什么地点驾驶员以什么样的方式和状态进入路网是不可预测、不确定的。进入路网后，车辆的运行状态又将收到道路拥挤程度、突然状况以及前后车运行状况等不同因素的影响，这些因素的变化也是无法估量的。这些表现都证明交通系统中存在很强的不确定性，而这种不确定性集中体现在交通流的变化中，即为交通流不确定性。

短时交通流具有高度非线性和不确定性等特点，并且与时间有较强的相关性。长久以来学者们并没有意识到交通流不确定性的存在以及它对交通流状态的影响，直到近年，才有人开始对交通流不确定性开始研究，并先后有人提出将模糊理论和混沌理论应用于交通领域中的不确定性问题。这些设想虽然在一定程度上解决了交通流不确定性的影响，而交通流具有的复杂非线性结构，因此，很难建立一个准确的模型进行描述。

然而，在本发明公开的实施例中，从交通系统整体出发，不挖掘交通流内在的复杂结构，通过增量学习方法实时更新预测模型参数来适应交通流不确定性变化，同时与非线性滤波的抗干扰、高精度的滤波能力相结合，提出一种自适应实时的交通流预测模型。通过实时获取预测路段的交通流量数据，并基于该交通流量数据，引入遗忘因子，构建带遗忘因子的交通流预测模型，该预测模型可在线实时更新数据，长期预测未来交通流量的变化趋势，避免了由于交通流的时变性导致早期采集的交通流量数据对预测精度的影响，实时修正该预测模型的参数(包括交通流量数据)，更好地拟合了交通流的实时变化，保证了该预测模型的预测精确度；并且通过粒子滤波算法消除该预测模型的随机噪声，实现了对短时交通流量的最优预测，进一步提高了短时交通流量的预测精确度和可行性，便于交通控制和实时交通诱导。

图2为本发明实施例二提供的短时交通流变化预测方法的实现流程图，如图2所示，本实施例与实施例一基本相同，其不同之处在于：上述步骤s101具体包括步骤s201和步骤s202。

在步骤s201中，实时获取预测路段的浮动车数据。

浮动车数据，主要是指装备车载全球定位系统的车辆在其行驶过程中定期记录的车辆位置、方向和速度信息。应用地图匹配、路径推测等相关的计算模型和算法进行处理，使浮动车位置数据和城市道路在时间和空间上关联起来，最终得到浮动车所经过道路的车辆行驶速度以及道路的行车旅行时间等交通拥堵信息。主要包括如下信息：车辆id信息、gps时间、gps经度、gps纬度、gps速度、gps方向。

预测路段，指道路上的某一地点或者某一断面。

在本发明实施例中，实时获取预测路段的浮动车数据，具体可为，获取浮动车系统实时提供的某预测路段的浮动车数据。

在步骤s202中，根据预设的算法，将浮动车数据解析成交通流量数据。

在本发明实施例中，预设的算法为现有的解析算法，例如地图匹配算法。可利用该算法将从浮动车系统处实时获取到的某预测路段的浮动车数据解析成构建本发明的交通流预测模型所需要的交通流数据。

在本发明实施例中使用的交通流数据为交通量，指在单位时间内，通过道路上的某一地点或者某一断面实际参与交通的参与者的数量，参与者包括机动车、非机动车和行人，本发明实施例不考虑非机动车和行人，主要统计机动车交通量。

在本发明实施例中，将浮动车数据解析成交通流量数据，具体包括地图匹配和筛选有效数据。

地图匹配是浮动车数据处理的重要步骤。其基本思想是将浮动车系统采集的车辆定位轨迹与电子地图数据库中的道路信息进行比较，通过有效算法将车辆在地图上标出车辆最有可能出现的位置。

图3示出了某十字路口数据点与地图的匹配效果对比情况，从图3中可以看出，在进行地图匹配前和匹配后的数据点与地图上的道路轨迹的匹配情况，匹配前，数据点杂乱无章，无法准确地确定数据点在地图上的具体位置，匹配后，数据点有规律地准确地分布在地图上的各道路轨迹上，因此更有利于精确地确定各数据点在地图上的具体位置，进一步提高交通流变化的预测结果的精确度。

在筛选有效数据的过程中，需要先确定数据范围，然后将无效数据剔除。

在时间范围上，可将得到的浮动车数据时间范围分为预测模型训练集和测试集。且只对指定行驶方向上的浮动车数据进行采用。

浮动车空间范围，可根据地图与浮点匹配后，用选择工具抓取确定。时间范围则利用返回点的事件信息确定。

为了剔除无效数据，可预先设定无效数据的判断标准，根据该判断标准以及实际情况，调整筛选出有效的数据。

通过剔除在一定的时间范围内的一些无效的交通流数据，保留有效的交通流数据，可保障该预测模型对预测路段进行实时的交通流变化预测的准确性。

图4为本发明实施例三提供的短时交通流变化预测方法的实现流程图，如图4所示，本实施例与实施例一基本相同，其不同之处在于，上述步骤s102具体包括步骤s301和步骤s302。

在步骤s301中，基于给定的n个不同的交通流量数据训练样本，建立交通流量预测极限学习机模型。

通过主成分分析法(pca,principlecomponentsanalysis)挖掘短时交通流的内在构成，主成分分析法通过协方差矩阵转换成新的正交坐标系来表征p维空间中与主成分的偏差，偏差可绘制得到主分量谱图。具体分析步骤如下：若已知时间序列{x1，x2，…，xn)，采用时间时间间隔τ，嵌入维数m，计算轨线矩阵xl×m如下:其中l＝n-(m-1)(1)；

协方差矩阵计算方法如下：

而后得到其特征向量ui(i＝1，2，…，m)以及特征值λi(i＝1，2，…，m)，并将特征值按照从大到小的顺序排列：λ1≥λ2≥…≥λm，我们把特征值λi和特征向量ui称为主分量。

计算所有特征值之和γ：

其中，指标i为x轴，ln(λi/γ)为y轴，绘制主分量谱图，通过主分量谱图可以观察到主分量分布之间存在的差异。以桂林市某周内的交通流量数据为例，运用主成分分析法，嵌入维数m依次取4，6，8，10，分析结果绘制主分量谱图如图3所示。

从图5中可以看出，短时交通流的主分量谱图倾斜，具有混沌特性，同时存在随机噪声，并且随着嵌入维数增加，水平段越长，噪声越明显。通过分析，可以将交通流的不确定性从两个角度进行描述：随机性和混沌特性。总的来说，交通流存在以下特点：①一种是交通系统中的规律性，决定交通流的总体趋势；②另有一种是不确定性，他们能够影响交通流实时流量，使得交通流发生扰动。内部不确定性短期内按规律演化，随着时间增加变为无法估计的内在不确定性，即混沌特性。外部不确定性无法预测，是系统本身客观存在的，具有随机性，即随机噪声。因此，可以把短时交通流看作一组包含随机干扰信号的不确定性时间序列。所谓的时间序列就是指随时间变化的集合，路段的交通流量会随着时间动态变化，交通流量又受到不同干扰因素的影响，因此交通流量可以看作一组包含随机干扰信号的不确定性时间序列。

通过上述分析可知，短时交通流存在不确定性，容易受到未知扰动影响，使得实际交通流在一定范围内呈现大小不一的波动。另一方面，它又有较强的关联性，与本路段和上下游路段待测时刻前的交通量密切相关。针对这样的特点，本发明首先利用本路段和上下游路段相关交通流量数据，通过带遗忘因子的极限学习机建立符合本路段规律的时序模型，使得预测具备充分的可靠程度，而后结合粒子滤波算法得到最优的预测交通量短时变化估计值，消除随机噪声对预测精度的影响，形成一种自适应实时预测模型。

具体的，给定n个不同的训练样本(xi，yi)，xi＝(xi1，xi2，…，xin)^t∈rⁿ，yi＝(yi1，yi2，…，yim)∈r^m，i＝1，2，…，n，隐藏层节点个数为l，激活函数g(x)，xi＝(xi1，xi2，…，xin)^t∈rⁿ指当前时刻前r个时段的交通量，yi＝(yi1，yi2，…，yim)∈r^m指当前时刻交通量。可通过前一段时间的交通量，预测后一时段的交通量。

极限学习机(elm)模型表示为：

式中：ωj＝(ωj1，ωj2，…，ωjn)^t，j＝1，2，…，l为隐藏层以及输入层节点间权值向量，βj＝(βj1，βj2，…，βjm)^t为输出层以及隐藏层节点间权值向量，bj为隐藏层节点偏置。elm可以表示为矩阵形式：hβ＝y(5)；

计算初始隐藏输出矩阵h0，希望求得使满足||h0β-y0||最小的β⁽⁰⁾。根据广义逆的计算方法，可以计算出β⁽⁰⁾：式中：

h(x)被称为特征映射，其作用是将输入层的数据由其原本的空间映射到elm的特征空间。在实数问题下，h(x)也被称为激励函数(activationfunction)：h(x)＝g(ai，bi，x)，h就是h(x)的矩阵形式。详细内容可以参考现有的极限学习机算法模型的声音相关参数解释，在此不再赘述。

在步骤s302中，每当检测到有新的交通流量数据输入所述极限学习机模型时，对历史的交通流量数据加入遗忘因子，并构建带遗忘因子的连续的非线性时间的交通流预测模型。

在本发明实施例中，每当检测到有新的交通流量数据输入上述极限学习机模型时，对历史交通流量数据加入遗忘因子μ，以求得满足最小的β⁽¹⁾，即：

其中，

对于在线学习，可以把β⁽¹⁾表示成β⁽⁰⁾、k1、h1和y1的函数，即：

由上述式(4)-(10)可以得到带遗忘因子的连续的非线性时间的交通流预测模型，即带遗忘因子的在线序列极限学习机模型的一般形式：

图6是本发明实施例四提供的短时交通流变化预测方法的实现流程图，如图5所示，本实施例与实施例一基本相同，其不同之处在于：上述步骤s103具体包括步骤s401和步骤s402。

在步骤s401中，从交通流量预测目标状态中提取出交通流量粒子集。

在本发明实施例中，粒子产生的过程大致如下：初始化交通流量预测目标状态的先验概率密度函数的分布方差；从先验概率p(x(k)丨x(k-1))中采样，得到交通流量粒子集。

在步骤s402中，基于粒子滤波算法，对交通流量粒子集的权值进行更新和归一化，并进行状态估计后输出最优的短时交通流量变化预测值。

在本发明的实施例中，计算采样粒子的值，为后面根据似然计算权重做准备；对每个粒子计算其权重，此处假设量测噪声是高斯分布；基于粒子滤波算法，对上述的交通流量粒子集的权值进行更新和归一化计算，以简化计算过程，缩小量值，提高计算的效率。此时，粒子权重值大的将得到更多的后代。

在此基础上，可以假设该交通流预测模型具有如下的状态方程和观测方程，进而利用粒子滤波来修正该模型，具体地，

xk＝f(xk-1，vk-1)(12)；

yk＝hk(xk，uk)(13)；

式中：xk为极限学习机在k时刻所产生的交通流；yk为k时刻的实践交通流；为状态方程；为观测方程；vk为过程噪声，uk为观测噪声，假设vk和uk是互不相关、零均值白噪声。

在m阶马尔科夫假设下，我们的目标就是根据yl：k递推估计后验概率密度p(x0：k|y1：k)。x0：k＝{x0，…，xk}为k时刻系统所产生的交通流序列，y1：k＝{y1，…，yk}为观测交通流序列。

但是对于一般的非线性，非高斯系统，很难得到后验概率的解析解，粒子滤波通过n个粒子构成的集合表示系统后验概率密度。是支持粒子集合，为粒子权值，且满足根据这一带权粒子集合，k时刻后验概率密度可以近似为：

这样，求得状态变量x0：k的后验概率分布p(x0：k|y1：k)后，根据蒙特卡洛原理，任意函数g(x0：k)的数学期望都可以表示为：

e(g(x0：k))＝∫g(x0：k)p(x0：k|y1：k)dx0：k(15)；

为了解决从后验概率分布抽取样本比较困难的问题，引入重要性采样方法(importancesamplingmethod)。该方法采用一种重要性采用密度q(x0：k|y1：k)抽取样本来近似p(x0：k|y1：k)，式(15)可以写成如下形式：

e(g(x0：k))＝eq(·)[g(x0：k)ω⁺(x0：k)](16)；

从重要性采用密度q(x0：k|y1：k)中采样后，数学期望可以近似表达为：

式中：为归一化权值，可以通过以下公式计算：

将重要性采用密度分解为可以最终推导为：

式中：为似然函数，为概率转移密度函数，为重要性密度。可以看出，在选择合适的重要性密度q(·)后，可以递归更新粒子的权值，进一步可以计算出后验概率密度

样本从重要性函数产生，存在偏差，经过若干次迭代后，粒子权值的方差会越来越大，出行退化现象。为了解决这个问题，引入有效粒子数neff衡量算法的退化程度，然后根据它来决定何时进行重抽样，neff定义为：

在本发明实施例中，粒子滤波的目标就是根据带有噪声的观测值，递归估计非线性系统状态的后验概率密度，为极限学习机在k时刻所产生的交通流；为k时刻的真实交通流，状态估计过程就是找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。状态估计的标准是：达到状态最小方差分布时输出交通流量变化预测值，即交通流的估计值。这里实际上上是一种集成学习中的stacking方法，结合了极限学习机模型和粒子滤波的状态评估估计寻找短时交通流量变化预测值的最优解。

图7为本发明实施例五提供的短时交通流变化预测方法的实现流程图，为了便于说明，图中仅示出了其与实施例四的不同之处，具体而言，上述步骤s402具体包括步骤s501、步骤s502、步骤s503和步骤s504。

在步骤s501中，判断当前是否获取到新的交通流量数据。

在本发明实施例中，判断当前是否获取到新的交通流量数据，具体可为判断该预测模型当前是否接收到从浮动车系统传送新的的交通流量数据。

在步骤s502中，若是，则根据预设的算法计算交通流预测模型中的有效粒子数。

在本发明实施例中，预设的算法为有效粒子数衡量算法。由于粒子集样本从重要性函数产生，存在偏差，经过若干次迭代后，粒子权值的方差会越来越大，出现退化现象。引入有效粒子数衡量算法可估算粒子集的退化程度，后续可根据退化程度决定是否需要重新抽样，以保证预测结果的精确度。

在步骤s503中，判断有效粒子数是否满足预设的重新抽样条件。

在本发明实施例中，预设的重新抽样条件可为当前的有效粒子数小于或等于上一时刻的有效粒子数。

在步骤s504中，若是，则进行重新抽样形成新的交通流量粒子集，对交通流量粒子集的权值进行更新和归一化，并进行状态估计后输出最优的短时交通流量变化预测值。

在本发明实施例中，通过实时对交通流预测模型的交通流量数据进行更新，并同时进行粒子滤波消除数据的随机噪声，可进一步提高该预测模型的预测精确度和可行性。

为了进一步验证本发明方法的可行性，以下通过具体的算例来进一步阐述：

以桂林市内的某一主干道路段为研究对象进行实验，选取桂林市浮动车系统数据，具体为20xx年x月的出租车浮动车数据。根据一定算法及预测模型构建的要求，对地图匹配后的数据展开有效程度的评价以及预处理，同时围绕交通流进行求解。在数据具备充分可靠特征的前提下，最终得到连续4天共384个时间点的数据，其中选取交通流数据中前三天的数据作为训练集，最后一天的数据为测试集进行实验。

为了验证本发明方法的有效性，建立三种模型进行对比分析：模型一，采用在线序列极限学习机，极限学习机的内部节点数设为10，数据流里每次截取20个时刻点数据输进去在线学习；模型二，采用带遗忘因子的极限学习机，设置遗忘因子为0.9；模型三，采用本发明提供的交通流预测模型，增加粒子滤波过程，将转移噪声协方差和测量噪声协方差设置为1，粒子数设为100。

通过matlab2018a对三种模型进行编程求解，并将各模型的预测结果与真实值进行对比，得到的结果如图8(a)图8(b)和图8(c)所示。从图中可以看出，本文的自适应模型明显优于在线序列极限学习机和带遗忘因子的极限学习机，带遗忘因子的极限学习机考虑了早期采集数据对预测精度的影响，在一定程度上提高了预测精度，但效果不明显，在线序列极限学习机和带遗忘因子的极限学习机更倾向于交通流的整体变化趋势，而本发明的交通流预测模型能很好地应对交通流不确定性的影响，通过实验结果可以看出，本发明提供的短时交通流变化预测方法具有较高的精度。

为了进一步量化以上各模型预测的整体效果，选取以下几种误差指标作为评价预测结果好坏的标准。绘制出误差指标数据对比结果如下表1所示，以及在线学习过程中的绝对误差时间序列分布情况如图9(a)、图9(b)和图9(c)所示。

其中，各种误差的计算公式如下：

式中：yi为交通流真实值，为交通流预测值，m为预测时刻个数。

表1三种预测算法误差指标对比结果

从图9(a)、图9(b)、图9(c)和表1的结果中可以看出，这三种方法都取得了比较好的预测效果，在线序列极限学习机和带遗忘因子的极限学习机训练集绝对误差的变化维度在0～90之间，预测效果相近，带遗忘因子的极限学习机虽然考虑了交通流数据变化带来的影响，但是依然对突发情况下的交通流变化不够敏感。具体而言，虽然带遗忘因子的极限学习机模型通过设置遗忘因子，可避免早期采集数据对预测精度的影响，但对于提高预测精度的改变不大，从图9(b)和图9(a)中可以看出没有引入遗忘因子的极限学习机和在线序列极限学习机在绝对误差随时间序列的分布情况上相差无几，由此不难推测，这两个模型依然受到交通流数据不确定因素的影响，不能够很好拟合突发情况下的交通流变化。而从图9(c)可以看出，本发明提供的交通流变化预测模型的绝对误差变化维度下降到0～4之间，无论是在路段整体的交通流拟合情况还是在具体的预测精度上都由于其他两个模型，且在经过整体性处理之后由噪声导致的误差明显降低，因此相较于其他两个模型具有良好的预测能力和预测精确度，可行性更好。

图10为本发明实施例提供的一种短时交通流变化预测装置的结构示意图，为了便于说明，图中仅示出了与本实施例相关的部分，详述如下：

如图10所示，本装置包括：数据获取单元100、交通流预测模型构建单元200和短时交通流量变化预测值输出单元300。

数据获取单元100，用于实时获取预测路段的交通流量数据。

交通流预测模型构建单元200，用于基于所述交通流量数据，构建带遗忘因子的交通流预测模型。

短时交通流量变化预测值输出单元300，用于基于粒子滤波算法，消除所述交通流预测模型的随机噪声，获得并输出最优的的短时交通流量变化预测值。

本发明实施例公开的装置，从交通系统整体出发，不挖掘交通流内在的复杂结构，通过增量学习方法实时更新预测模型参数来适应交通流不确定性变化，同时与非线性滤波的抗干扰、高精度的滤波能力相结合，提出一种自适应实时的交通流预测模型。通过实时获取预测路段的交通流量数据，并基于该交通流量数据，引入遗忘因子，构建带遗忘因子的交通流预测模型，该预测模型可在线实时更新数据，长期预测未来交通流量的变化趋势，避免了由于交通流的时变性导致早期采集的交通流量数据对预测精度的影响，实时修正该预测模型的参数(包括交通流量数据)，保证了该预测模型的预测精确度；并且通过粒子滤波算法消除该预测模型的随机噪声，实现了对短时交通流量的最优预测，进一步提高了短时交通流量的预测精确度和可行性，便于交通控制和实时交通诱导。

图11为本发明实施例提供的一种交通流预测模型构建单元的结构示意图，为了便于说明，图中仅是示出了与本实施例相关的部分，详述如下：

在本公开实施例中，交通流预测模型构建单元200，包括：交通流量预测极限学习机模型建立模块201和交通流预测模型构建模块202。

交通流量预测极限学习机模型建立模块201，用于基于给定的n个不同的交通流量数据训练样本，建立交通流量预测极限学习机模型。

通过前文的分析可知，短时交通流存在不确定性，容易受到未知扰动影响，使得实际交通流在一定范围内呈现大小不一的波动。另一方面，它又有较强的关联性，与本路段和上下游路段待测时刻前的交通量密切相关。针对这样的特点，本发明首先利用本路段和上下游路段相关交通流量数据，通过带遗忘因子的极限学习机建立符合本路段规律的时序模型，使得预测具备充分的可靠程度，而后结合粒子滤波算法得到最优的预测交通量短时变化估计值，消除随机噪声对预测精度的影响，形成一种自适应实时预测模型。

具体的构建过程与前述的实施例三的步骤流程相对应，参见前文论述，在此不再一一赘述。

交通流预测模型构建模块202，用于每当检测到有新的交通流量数据输入所述极限学习机模型时，对历史的交通流量数据加入遗忘因子，并构建带遗忘因子的连续的非线性时间的交通流预测模型。

具体的建模过程与前述的实施例三的步骤流程相对应，参见前文论述，在此不再一一赘述。

图12为本发明实施例提供的一种短时交通流量变化预测值输出单元300的结构示意图，为了便于说明，图中仅示出了与本实施例相关的部分，详述如下：

短时交通流量变化预测值输出单元300，包括：交通流量预测目标状态构造模块301、交通流量粒子集提取模块302和短时交通流量变化预测值输出模块303。

交通流量预测目标状态构造模块301，用于通过所述交通流预测模型构造交通流量预测目标状态。

交通流量粒子集提取模块302，用于从所述交通流量预测目标状态的先验概率密度函数中提取出交通流量粒子集。

在本发明实施例中，交通流量粒子集提取模块302产生粒子的过程大致如下：初始化交通流量预测目标状态的先验概率密度函数的分布方差；从先验概率p(x(k)丨x(k-1))中采样，得到交通流量粒子集。

短时交通流量变化预测值输出模块303，用于基于粒子滤波算法，对所述交通流量粒子集的权值进行更新和归一化，并进行状态估计后输出最优的短时交通流量变化预测值。

在本发明的实施例中，短时交通流量变化预测值输出模块303计算采样粒子的值，为后面根据似然计算权重做准备；对每个粒子计算其权重，此处假设量测噪声是高斯分布；基于粒子滤波算法，对上述的交通流量粒子集的权值进行更新和归一化计算，以简化计算过程，缩小量值，提高计算的效率。此时，粒子权重值大的将得到更多的后代。

在此基础上，可以假设该交通流预测模型具有如下的状态方程和观测方程，进而利用粒子滤波来修正该模型，具体地，可参见前文叙述，在此不再赘述。

在本发明实施例中，粒子滤波的目标就是根据带有噪声的观测值，递归估计非线性系统状态的后验概率密度，为极限学习机在k时刻所产生的交通流；为k时刻的真实交通流，状态估计过程就是找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。状态估计的标准是：达到状态最小方差分布时输出交通流量变化预测值，即交通流的估计值。这里实际上上是一种集成学习中的stacking方法，结合了极限学习机模型和粒子滤波的状态评估估计寻找短时交通流量变化预测值的最优解。

本发明实施例还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述短时交通流变化预测方法的各步骤。

本发明实施例还提供了一种计算机可读存储介质，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述短时交通流变化预测方法的各步骤。

示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。例如，所述计算机程序可以被分割成上述各个方法实施例提供的短时交通变化预测方法的步骤。

本领域技术人员可以理解，上述计算机装置的描述仅仅是示例，并不构成对计算机装置的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个用户终端的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述计算机装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。