[发明专利]一种基于ARIMA模型和kalman滤波的道路交通流预测方法有效

专利信息
申请号: 201510595771.4 申请日: 2015-09-18
公开(公告)号: CN105321345B 公开(公告)日: 2017-06-30
发明(设计)人: 徐东伟;王永东;张贵军;李章维;周晓根;郝小虎 申请(专利权)人: 浙江工业大学
主分类号: G08G1/01 分类号: G08G1/01;G06Q10/04
代理公司: 杭州斯可睿专利事务所有限公司33241 代理人: 王利强
地址: 310014 浙江省杭州市*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 arima 模型 kalman 滤波 道路 通流 预测 方法
【权利要求书】:

1.一种基于ARIMA模型和kalman滤波的道路交通流预测方法,其特征在于:包括以下步骤:

1)建立时间序列上的道路交通数据ARIMA模型

提取道路交通流历史数据,建立时间序列上的道路交通数据ARIMA模型;

2)构建基于ARIMA模型和kalman滤波的道路交通流预测算法

利用道路交通流时间序列的ARIMA模型结合kalman滤波预测算法,构建基于ARIMA模型和kalman滤波预测道路交通流过程中的状态方程、测量方程以及更新方程;

3)基于ARIMA模型和kalman滤波实现道路交通数据实时预测提取道路交通实时数据,基于ARIMA模型和kalman滤波的道路交通流预测算法,实现道路交通数据的实时预测;

所述步骤1)中,获取道路交通流历史数据,进行数据预处理,基于预处理后的道路交通数据、构建ARIMA模型的一般表达式如下:

其中,

θ(b)=1-θ1(t)b-θ2(t)b2-…θq(t)bq

k=1-b

其中,{xt}为道路交通数据的时间序列,t=1,2…;为自回归项;θ(b)为移动平均项;{et}为均值为0,方差为σ2的正态白噪声过程;为待估的自回归项系数,i=1,2,…p;θj(t)为待估的滑动平均项系数,j=1,2,…q;b为后移差分算子;k为差分算子;d为差分阶数;p为自回归阶数;q为滑动平均阶数;

则t+1时刻的道路交通状态可预测为:

其中,x(t+1),x(t),…x(t-p+1)分别表示t+1,t…t-p+1时刻对应的交通数据值;表示t时刻自回归项系数;θ1(t),θ2(t)...θq(t)表示t时刻滑动平均项系数;e(t+1),e(t)…e(t-q+1)为t+1,t…t-p+1时刻对应的噪声值,且服从正态分布;

所述步骤2)中Kalman滤波的观测方程和测量方程用下述公式表述:

Xk+1=AXk+Wk (3)

Yk=BXk+Vk (4)

其中,Xk+1为系统的n维状态向量,Yk为系统的m维观测向量,Wk是系统的p维随机干扰向量,Vk是系统的随机m维观测噪声向量,A是系统的n×n维状态转移矩阵,B是系统的观测矩阵;

设x1(t)=x(t),x2(t)=x(t-1),…xp(t)=x(t-p+1),e1(t)=e(t),e2(t)=e1(t-1),…eq(t)=e(t-q+1),将道路交通数据的ARIMA模型引入到kalman滤波预测算法的状态方程和测量方程中,则ARIMA模型可表达为:

其中,x1(t),x2(t),…xp(t)分别表示在t时刻、道路交通数据序列在1,2…p阶的对应值;e1(t),e2(t)…eq(t)分别表示在t时刻、噪声序列在1,2…q阶的对应值;

x2(t+1)=x1(t),x3(t+1)=x2(t),…xp+1(t+1)=xp(t),e2(t+1)=e1(t),e3(t+1)=e2(t),…eq(t+1)=eq-1(t),则式(5)表述如下:

由(3)、(4)、(5)、(6),可得测量方程:

<mrow><mo>&lsqb;</mo><mi>Y</mi><mrow><mo>(</mo><mi>t</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>&rsqb;</mo><mo>=</mo><mfenced open = "[" close = "]"><mtable><mtr><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd><mtd><mo>...</mo></mtd><mtd><mn>0</mn></mtd></mtr></mtable></mfenced><mfenced open = "[" close = "]"><mtable><mtr><mtd><msub><mi>x</mi><mn>1</mn></msub><mo>(</mo><mi>t</mi><mo>+</mo><mn>1</mn><mo>)</mo></mtd></mtr><mtr><mtd><msub><mi>x</mi><mn>2</mn></msub><mo>(</mo><mi>t</mi><mo>+</mo><mn>1</mn><mo>)</mo></mtd></mtr><mtr><mtd><mo>...</mo></mtd></mtr><mtr><mtd><msub><mi>x</mi><mi>p</mi></msub><mo>(</mo><mi>t</mi><mo>+</mo><mn>1</mn><mo>)</mo></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>7</mn><mo>)</mo></mrow></mrow>

其中,Y(t+1)表示t+1时刻对应的道路交通数据值,x1(t+1),x2(t+1),…xp(t+1)分别表示t+1时刻、道路交通数据序列在1,2…p阶的对应值。

2.如权利要求1所述的基于ARIMA模型和kalman滤波的道路交通流预测方法,其特征在于:所述步骤3)中,基于ARIMA模型和kalman滤波的道路交通数据预测算法,利用式(6)和(7)所示的状态方程和测量方程,可得如下方程:

P(t+1|t)=A*P(t|t)*A'+R1+R2+…+Rq

Kg(t+1)=P(t+1|t)*B'/(B*P(t+1|t)*B'+Q)

X(t+1|t+1)=X(t+1|t)+Kg(t+1)*(Z(t+1)-B*X(t|t))

P(t+1|t+1)=(I-Kg(t+1)*B)*P(t+1|t)

其中,X(t+1|t)为基于t时刻预测t+1时刻的道路交通数据值,P(t+1|t)为X(t+1|t)对应的协方差矩阵;R1,…,Rq为噪声e1,e2,…,eq对应的协方差矩阵;Q为观测方程噪声的协方程矩阵;A为系统的状态转移矩阵,B为系统的观测矩阵;

则可得,t+1时刻的道路交通数据的预测值为:

<mrow><mover><mi>Y</mi><mo>&OverBar;</mo></mover><mrow><mo>(</mo><mi>t</mi><mo>+</mo><mn>1</mn><mo>=</mo><mi>B</mi><mi>X</mi><mo>(</mo><mi>t</mi><mo>+</mo><mn>1</mn><mo>|</mo><mi>t</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>8</mn><mo>)</mo></mrow></mrow>

其中,为t+1时刻的道路交通数据值,X(t+1|t+1)为t+1时刻道路交通数据最优化估计矩阵。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江工业大学,未经浙江工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201510595771.4/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top