[发明专利]基于时空特性的分时段多参数短时交通流预测方法

权利要求书

1.基于时空特性的分时段多参数短时交通流预测方法，其特征在于：在获得目标监测 点和上下游监测点的速度、交通流量和时间占有率三种交通参数的实时和历史数据的基础 上，通过利用交通流的时空特性(Time-Space，TS)与小波神经网络(WaveletNeural Network,WNN)预测算法相结合，构建TS-WNN预测模型，并利用分时段多参数的预测方法，将 三种交通参数在工作日和非工作日分别进行短时交通流预测。

2.如权利要求1所述的基于时空特性的分时段多参数短时交通流预测方法，其特征在 于：获取实时和历史交通流数据的时间间隔为5min，且包括速度(speed)、交通流量(flow) 和时间占有率(occupancy)三种交通流数据；所述历史数据需至少包含一个月的数据，以保 证有足够的数据训练预测模型。

3.如权利要求1所述的基于时空特性的分时段多参数短时交通流预测方法，其特征在 于：对交通流数据进行时空特性分析，确定最佳的时间和空间维数，当预测时间间隔Δt＝ 5min时，将时间维度设置为2，即前一时刻x(t-+t)和当前时刻x(t)，将空间维数设置为4，即 选择当前点交通流数据、两个上游点交通数据和一个下游点交通数据。

4.如权利要求1所述的基于时空特性的分时段多参数短时交通流预测方法，其特征在 于：构建TS-WNN预测模型的具体步骤包括：

1)TS-WNN预测模型是以BP神经网络拓扑结构为基础，选用Morlet小波基函数替代隐含 层节点的传递函数，其表达式为：

x为参数变量，

2)初始化输入向量：根据最佳的时间和空间维数参数设置输入向量：

X＝[x(p-2,t₀),x(p-1,t₀),x(p,t₀),x(p+1,t₀),x(p-2,t₀-Δt),

x(p-1,t₀-Δt),x(p,t₀-Δt),x(p+1,t₀-Δt)],

3)小波神经网络WNN构建：设置输入层节点、隐含层节点、输出层节点；

4)小波神经网络训练：选择一个月的交通流数据作为训练数据，设置训练次数，设置 WNN的学习率lr1和lr2；

5)小波神经网络预测：根据训练好的TS-WNN预测模型，对道路进行短时交通流预测。

5.如权利要求1所述的基于时空特性的分时段多参数短时交通流预测方法，其特征在 于：选取分时段多参数预测方法，分时段是指由于交通流在工作日与非工作日呈现不同的 分布规律，工作日的交通分布曲线存在明显的早晚高峰，非工作日的交通分布曲线则比较 平稳，没有明显的早晚高峰；多参数是指预测参数包括速度、交通流量和时间占有率三种参 数，该预测方法将三种交通参数在工作日和非工作日分别进行短时交通流预测。