[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

说明书

技术领域

本发明涉及信号处理领域，尤其涉及一种基于周期分量提取技术的短时交通流量预测方法。 

背景技术

交通流量短时预测是交通规划、交通控制和智能交通系统的重要组成部分，精确的交通流量短时预测对智能交通的运行管理、安全疏导和交通规划等具有非常重要的价值。然而交通流量短时预测问题充满了很多的挑战性，主要是因为交通流量波形是一个时变的、随机的、复杂的非线性系统，车流量波形受到社会节奏、经济景气度、个人出行意愿、天气还有突发事件等外部很多未知因素的影响，在近几十年来一直是很多专家和学者的研究热点问题。 

目前学者们对交通流量短时预测提出了很多的方法，主要分为两类：（1）统计预测算法模型，如简单移动平均、线性回归、自回归滑动平均、Kalman滤波及非参数回归模型等；（2）人工智能或神经网络模型。然而没有哪一种方法能够适用于所有的时间序列预测，而应该根据实际情况，选择适当的模型与方法。尽管交通流量是一个非线性并且时变的复杂系统，但是它存在一个非常明显的规律特点即重复性。通过对交通流量波形的观察与分析，很多的学者得到一个规律，交通流量波形具有每日的波形很相似，甚至每周的波形也很近似。因此如何能够充分的理解与把握交通流量序列中日周期与周周期的统计特征成为了很多学者研究的问题。 

综上所述，本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题： 

在现有技术中，由于现有的交通流量预测方法采用统计预测算法模型或者人工智能或神经网络模型进行预测，但是不适用于所有的时间序列预测，在短时预测时，现有技术无法把交通流量序列中日周期与周周期的统计特征利用到预测中，所以，现有的交通流量预测方法存在预测准确率和效率较低的技术问题。

发明内容

本发明提供了一种基于周期分量提取技术的短时交通流量预测方法，能够应用PCA方法对交通流量波形中的日周期分量和周周期分量提取出来，然后对分离出的各分量分别预测以去获得准确度更高的预测结果，解决了现有的交通流量预测方法存在预测准确率和效率较低的技术问题，实现了高效准确的对交通流量进行预测的技术效果。 

为解决上述技术问题，本申请实施例提供了一种交通流量预测方法，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。

进一步的，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。

进一步的，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。

进一步的，所述预测模型包括：简单平均模型和ARMA模型。