[发明专利]一种基于混沌理论的交通状态预测方法及其装置

说明书

技术领域

本发明涉及智能交通技术领域，尤其涉及一种基于混沌理论的交通状态预测方法及其装置。

背景技术

随着交通问题日趋严峻，仅凭改善道路基础硬件设施已不能缓解急剧增加的机动车给道路交通系统带来的压力，交通拥堵问题愈显突出。因此，如何在短时间内准确地预测交通道路的交通参数对应时间序列的变化趋势，是制定缓解交通拥堵措施的基础之一。交通诱导和控制是智能交通系统(Intelligent Transportation System，ITS)的重要组成部分，短期内实时准确的交通参数时间序列预测是实现智能交通诱导和控制的前提和关键。然而，随着预测周期的缩短，交通参数时间序列会表现出更强的随机性、不确定性和非线性。因此，采用传统方法(如数学模型)在预测精度和实时性方面难以达到要求。理论上更精确的方法是用符合短期交通流特性的非线性动力学理论对交通流进行预测，随着非线性动力学系统，特别是混沌理论的不断发展，为从交通系统固有的随机性和复杂性角度研究交通参数时间序列预测提供了一条全新的途径。

在混沌理论的研究中，基于时间序列的混沌预测方法已成为当前混沌理论研究热点，其目的在于使预测模型更好地逼近系统实际的物理过程，从而提高预测的可靠性和实用性。关于混沌时间序列的预测， 主要分为局域预测法和全域预测法两类。局域预测法的特点是计算量小、简单易行，缺点是不能预测历史数据中没有的新点，而全局预测法可以克服这个缺点。常用的局域法有基于Lyapunov指数的局域法、零阶局域法、一阶局域法以及高阶局域法等。而常用的全局预测方法包括多项式模型、神经网络模型。其中，神经网络因能逼近任意复杂的非线性函数关系，具有很强的模式识别和自学能力，在解决高度非线性系统的模型辨识和控制等方面显示出巨大的潜力，并在交通参数时间序列预测中发挥着重要作用。短期交通参数时间序列预测的神经网络包括反向传播神经网络(BPNN)、径向函数神经网络(RBFNN)、时间迟滞神经网络(TDNN)及时间迟滞性循环神经网络(TLRN)。其中，RBF神经网络网络的训练次数更少，具有更高的预测性能，以及RBF(Radial Basis Function)神经网络因只有单个隐含层，结构更加简单。通过实验验证，相比ARIMA模型，采用RBF神经网络进行交通流短时预测，RBF神经网络预测精度更高，耗时更少。且在混沌时间序列的建模和预测中，与现有方法相比，RBF网络模型对原混沌模型有比较强的拟合能力和比较高的预测精度，而且收敛速度快，算法比较简单，明显优于BP网络和其它方法。通过对实际采集的交通流量数据进行仿真研究，结果表明RBF神经网络在交通流量的短时预测上具有较高的预测精度。相比之下，RBF神经网络能克服其它网络存在的局部最优、收敛速度慢及效率低等问题，因此，RBF神经网络被广泛用于短时交通参数的预测。

然而，以上方法大都是针对单个交通参数进行的。但交通系统本 质上是一个开放、非线性和泛时空的复杂系统，单个交通参数难以准确的描述交通系统错综复杂的运动过程，也不能适应当前时变且复杂的道路交通环境。因此，针对现有交通状态时间序列预测方法的不足，需要采用一种合理的能综合反映交通系统特征的数据融合和预测方法。

发明内容

本发明所要解决的技术问题在于，提供一种基于混沌理论的交通状态预测方法及其装置，能全面地包含真实交通道路的信息，可以反映更为完备的交通流的特征，且实时性强、预测精度高。

为了解决上述技术问题，本发明提供了一种基于混沌理论的交通状态预测方法，其包括步骤：

S11，采集交通道路的数据流，得到多个交通参数的时间序列；

S13，根据所述交通参数的时间序列进行多参数相空间重构，得到多参数相空间，并在所述多参数相空间中，结合Bayes估计理论进行相点最优融合，得到对应的融合相空间；

S15，对所述融合相空间中的相点进行混沌分析，且当分析得出所述融合相空间的时间序列呈现混沌特性时，则结合RBF神经网络对交通道路进行混沌预测，预测得到道路交通状态。

进一步地，所述RBF神经网络的的输入层输入节点个数为所述融合相空间的嵌入维数m，而其输出层包含1个输出节点。