[发明专利]一种短时交通流预测模型方法

权利要求书

1.一种短时交通流预测模型，其特征在于以下步骤：

(1)设当前观察的交通流序列为O＝{o₁,o₂,…,o_n}，o_n为每隔5min的交通流采样点；

(2)对原始交通流序列进行重建，生成样本空间X＝{x₁,x₂,…,x_n}和一阶差分样本空间X‘＝{x’₁,x′₂,…,x′_n}，其中

x_n＝{o₁,o₂,…,o_k}，x′_n＝{o₂-o₁,o₃-o₂,…,o_k-o_k-1}，k＝[6,7,8,9]；

(3)根据样本x_n＝{o₁,o₂,…,o_k}，x′_n＝{o₂-o₁,o₃-o₂,…,o_k-o_k-1}的综合距离使用聚类算法对样本空间X进行聚类，，m‘个聚类中心，按照类别中的样本数量进行排序，提取前80％的聚类中心，即m个聚类中心；

(4)假设m个聚类中心为c_i＝{o₁,o₂,…,o_k}，i＝1…m；将m个聚类中心作为小波神经网络WNN的输入数据集，使用随机梯度算法训练WNN，得到WNN模型；

(5)对得到的WNN模型进行评估，如果模型误差较大，则重复步骤(3)和(4)，(6)利用m个聚类中心对交通流序列O＝{o₁,o₂,…,o_n}重建，设重建后的交通流序列为O′＝{o′₁,o′₂,…,o′_n}，计算得到残差序列S＝{s₁,s₂,…,s_n}，其中s_n＝o_n-o′_n；根据序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，确定模型的p，d，q，利用得到的残差序列S作为ARIMA模型的输入，对ARIMA模型进行参数估计和假设检验，得到通过检验的ARIMA模型；

(7)当基于聚类的WNN-ARIMA模型进行预测时，将样本作为WNN模型的输入和样本残差作为ARIMA模型的输入，最后利用将两部分的和作为下一时刻的交通流预测值。

2.根据权利要求1所述的所述的一种短时交通流预测模型，其特征在于：样本以欧式距离为标准时，样本分类标准如下：

a.样本间的间距计算公式如下：

dstmn=|xm-xn|=Σi=1k(omi-oni)2,]]>

其中x_m＝{o_m1,o_m2,…,o_mk}，x_n＝{o_n1,o_n2,…,o_nk}

b.样本一阶差分的间距计算公式如下：

dstmn′=|xm′-xn′|=Σi=1k-1(omi′-oni′)2,]]>

其中x′_m＝{o′_m1,o′_m2,…,o′_m,k-1}，x′_n＝{o′_n1,o′_n2,…,o′_n,k-1

c.当且仅当样本和样本一阶差分属于同一个样本聚类中心时，才会被这个样本空间所接受。