[发明专利]一种基于时空关联数据挖掘的交通流预测方法

权利要求书

1.一种基于时空关联数据挖掘的交通流预测方法，其特征在于具体步骤为：

（a）通过布局到交通网各个节点的传感器采集交通流量的原始数据；

（b）通过数据预处理，将采集的原始数据处理为有效的交通流数据；

（c）建立预测模型：令                                                表示交通网中的传感器j在第i个时刻采集的交通流量数据，假设一个交通网中有m个传感器，则在第i个时刻整个交通网的状态表示为，提前τ时刻对传感器j采集的交通流量数据进行预测的线性回归模型为：                             ； 

上式中的权重为待优化的模型参数，为预测值；    （d）挖掘时空关联性：通过稀疏表达的优化方法得到模型参数，表示整个交通网络的各个传感器的数据对于预测目标传感器j的数据而言的时空关联性，当=0时，传感器k的数据与传感器j的数据之间没有关联性，否则值的大小表示传感器k的数据与传感器j的数据之间关联程度的强弱，k=1,2,...,m；

（e）以时空关联数据为预测模型的输入，进行交通流预测。

2.根据权利要求1所述的预测方法，其特征在于步骤（d）所述通过稀疏表达优化方法要优化的目标为：

  约束条件：；

上式中表示从第1到第n时刻所有传感器记录的交通流数据，其中第i个时刻交通网中m个传感器记录的交通流量为，i=1,2,…,m，表示传感器j记录的从第τ+1时刻到第τ+n时刻的交通流量，表示的0范数，即权重向量中非零元素的个数，ε₀是一个预先设定的门限，用于控制预测误差，表示向量的2范数，即向量中所有元素的平方和的平方根。

3.根据权利要求1所述的预测方法，其特征在于步骤（d）所述稀疏表达优化方法要优化的目标为：

   约束条件：；

上式中L₀为预先设定的门限，用于控制向量中非零元素个数；上式表达的优化目标通过Orthogonal Matching Puisuit（OMP）算法进行求解。

4.根据权利要求1所述的预测方法，其特征在于步骤（d）所述的稀疏表达优化方法要优化的目标为： 

 约束条件：；

上式中为的1范式，表示向量中所有元素绝对值之和，ε₀是一个预先设定的门限，用于控制预测误差；上式表达的优化目标等价地表示为加入拉格朗日乘子λ的无约束条件的优化目标：

上式表达的优化目标通过Least Angle Regression Stagewise（ LARS）算法进行求解。