[发明专利]一种基于周期分量提取技术的短时交通流量预测方法

权利要求书

1.一种基于周期分量提取技术的短时交通流量预测方法，其特征在于，所述方法包括：

（A）对交通流量时间序列波形分别以一天数据间隔来构造循环矩阵，得到一个日循环矩阵；

（B）利用PCA技术，计算步骤（A）中得到的所述日循环矩阵的最大特征值和其对应的特征向量，将所述特征向量转换成时域波形，所述时域波形为日周期序列；

（C）从所述交通流量时间序列中减去所述日周期的序列得到剩余波形；

（D）对所述剩余波形以一周的数据间隔来构造周循环矩阵，并重复步骤（B）-（C），得到周周期序列和最终剩余波形，所述最终剩余波形为随机扰动分量，其中，所述交通流量序列= 所述日周期序列+所述周周期序列+所述随机扰动分量；

（E）利用预测模型对所述交通流量序列进行处理获得最终的预测结果。

2.根据权利要求1所述的方法，其特征在于，所述日循环矩阵和所述周循环矩阵的构造如下：

其中，当g为日间隔数据时，则矩阵X为日循环矩阵；同理当g为周间隔数据时，则矩阵X为周循环矩阵。

3.根据权利要求1所述的方法，其特征在于，所述步骤（B）中利用PCA技术得到时域波形具体包括：

（B1）计算输入数据的协方差矩阵，零均值信号X的协方差矩阵为，其中，E为统计期望，所述T为大于等于1的正整数；

（B2）计算求出的全部特征值和对应的特征向量，并将特征值由大到小排列，即；

（B3）定义第主分量的方差贡献率为，前n主分量的累计方差贡献率为，选择最前面1个主分量作为特征分量，舍弃其余的信号；

（B4）选取得到的最大特征值及其对应的特征向量，满足：

（B5）对最大特征分量还原成时域波形，利用下式得到：

其中，当矩阵X为日循环矩阵时，提取的波形为日周期序列；同理，当矩阵X为周循环矩阵时，提取的波形为周周期序列。

4.根据权利要求1所述的方法，其特征在于，所述预测模型包括：简单平均模型和ARMA模型。

5.根据权利要求4所述的方法，其特征在于，利用预测模型对所述交通流量序列进行处理获得最终的预测结果具体为：利用所述简单平均模型对所述日周期序列进行处理获得预测结果一，利用所述简单平均模型对所述周周期序列进行处理获得预测结果二，利用所述ARMA模型对所述随机扰动分量进行处理获得预测结果三，将所述预测结果一、所述预测结果二、所述预测结果三的分量相加获得所述最终的预测结果。