[发明专利]基于灰熵分析和改进贝叶斯融合的交通流预测方法

说明书

技术领域

本发明涉及一种基于灰熵分析和改进贝叶斯融合的短时交通流的预测方法，属于交通流预测技术领域。

背景技术

近年来，随着国民经济的迅速发展和人们生活水平的不断提高，机动车辆快速增长，交通堵塞和交通事故频繁发生，交通问题日益严峻。为提高交通系统运行的有序性和可靠性，实现交通运输服务的智能化监控和管理，智能交通系统(Intelligent Transportation System，ITS)显得尤为重要，它已经成为当前交通领域的前沿技术之一。

目前在交通流预测中广泛应用的有4种：历史平均模型、时间序列模型、神经网络模型以及非参数回归模型。但是这4中方法都存在一定的不足：历史平均模型不能应付突发事件，当交通流短时间内变化较大时达不到很好的预测效果，时间序列模型初始化过于复杂，神经网络模型的训练过程也较为复杂，非参数回归模型在寻找近邻关系时计算量较大，由此可见目前的交通流预测方法还存在一定的不足，此外针对交通流的不确定性，单一的预测模型在不同时刻不能达到很好的预测效果，这些都给传统的交通流预测带来了极大的挑战。

发明内容：

本发明提供了一种基于灰熵分析和改进贝叶斯融合的交通流预测方法。

本发明的具体技术方案如下：

首先根据历史交通流量分别建立线性最小二乘线性回归模型以及径向基函数(RBF)神经网络模型来进行交通流量预测；

其次考虑交通流量之间的关联度，根据灰熵分析计算预测交通流量与历史交通流量关联度等级，并选取关联度等级较高的历史交通流量作为预测模型的输入数据，根据输入数据获得每个预测模型的预测值；

接着结合传统贝叶斯融合的方法及最相关的历史交通流量，计算每个预测模型在预测该时刻交通流量时的权重，最终获得该时刻的预测交通流量，实现短时交通流的预测。

本发明相比现有技术具有如下优点：

1、本发明所构建的预测模型能充分利用线性最小二乘回归模型和径向基(RBF)神经网络模型的优势，能够最大程度地适应复杂变化的交通流环境。线性最小二乘回归模型在车流量变化不大的条件下预测较为准确，而径向基(RBF)神经网络模型在车流量变化较大的早、晚高峰条件下预测较为准确，综合二者的优点，本发明可以在交通流复杂变化的条件下取得良好的预测效果。

2、本发明考虑历史交通流量与预测交通流量的关联度，选取最相关的历史交通流量来作为输入数据，克服了传统贝叶斯融合中将所有历史交通流量作为输入数据的问题而导致的计算量过大和预测精确性不高的问题。

附图说明:

图1基于灰熵分析和改进贝叶斯融合的交通流预测方法流程图。

图2本发明与线性最小二乘线性回归模型以及RBF神经网络模型结果对比图。

具体实施方式：

如图1所示，本发明基于灰熵分析和改进贝叶斯融合的交通流预测方法具体过程如下：

首先，规定在t时刻前15分钟内记录通过的总的车辆数为t时刻的交通流量，每隔15分钟记录一次，则t-1时刻的交通流量表示t时刻前30分钟到前15分钟内记录通过的总的车辆数，一般情况下，t时刻的交通流量与之最近的几个时间段内的交通流量关联性比较大。

步骤1：根据观测得到的历史数据，建立预测模型

选取上、下班高峰期、工作日以及非工作日具有代表性的时刻记录下其预测交通流量(观测得到)以及前5个的历史交通流量，用于模拟车流量变化不大以及车流量变化较大条件下交通流量的预测，这样获得预测交通流量集合Z＝{z(a),a＝1,2,…,7}，表示7个具有代表性的时刻的预测交通流量，其次，记录下与之相对应历史交通流量集合为X＝{X(a),a＝1,2,…,7},其中X(a)＝{x₁(a),x₂(a),x₃(a),x₄(a),x₅(a)}，表示预测流量z(a)之前5个时刻历史交通流量，

1.1建立线性最小二乘回归模型

1.1.1根据最小二乘法的原则，建立线性方程组其中表示计算所得预测的交通流量，(x₁,x₂,…,x₅)表示该预测交通流量前5个时刻的历史交通流量，(c,b₁,b₂,…,b₅)待求参数；