[发明专利]一种短时交通流预测模型方法

说明书

技术领域

本发明属于智能交通、计算机与数学交叉技术领域，涉及一种短时交通流预测模型方法，是一种实现交通流诱导和智能交通控制的短时交通流预测模型方法。

背景技术

近年来，随着科学技术的发展，数据的收集越来越易于实现。在智能交通领域，海量的交通流数据被收集，如何利用海量的交通流数据准确高效的对未来时刻的交通流量作为智能交通和交通决策制定者的挑战问题被提出。

混合预测模型是短时交通流领域内一个比较活跃的研究方向，其中WNN模型和ARIMA模型被广泛应用于短时交通流预测中。在处理交通流时，一种观点是将交通流分解为趋势部分和波动部分。在WNN-ARIMA模型中，WNN模型和ARIMA模型分别用于对交通流的趋势部分和波动部分建模。但是随着数据采集技术的不断发展，交通流中存在着大量的噪声和其他无关因素。噪声和无关因素的存在，常常造成WNN模型的过拟合，并且得到的波动部分也不是平稳的时间序列，从而使得模型的性能受到影响。常规的数据去噪方法则有可能将时间序列中的关键信息(如事故)过滤掉，并且大量的数据也使的模型的训练非常耗时。为了使WNN-ARIMA模型获得更高的准确性和实时性，基于聚类的WNN-ARIMA短时交通流预测模型，通过对原始交通流序列数据集重构，使用聚类算法对重构后的数据集进行聚类分析，生成m个聚类中心，使用聚类中心训练WNN模型，并利用聚类中心对原始数据进行处理，计算残差序列训练ARIMA模型，在有效的大量的减少训练数据的同时也使得模型的性能得到了提升。因此在对原始数据进行聚类分析时，在有效滤除噪音和不相关因素的同时又不丢失原有的关键信息，有益于模型性能的提升。

发明内容

为了解决上述问题，通过对原始数据进行聚类分析，有效的滤除噪音和不相关因素并保留原有的关键信息，提供性能更为优秀的模型，本发明提供一种短时交通流预测模型方法——基于聚类的WNN-ARIMA短时交通流预测模型方法。

WNN-ARIMA短时交通流预测模型是一种混合交通流预测模型方法。通过将原始交通流分解为趋势部分和波动部分，趋势部分用于WNN模型的训练而波动部分用于ARIMA模型的训练，最后通过将WNN模型的输出和ARIMA模型的输出的和作为下一个采样时间的预测值。基于聚类的WNN-ARIMA短时交通流算法在WNN-ARIMA的基础上对训练数据进行聚类分析，通过提升训练数据的质量来提高WNN-ARIMA模型的性能。由于原始交通流中包含大量的噪声，且常规的降噪算法会过滤掉一些关键信息(如事故等)，这些关键信息对交通流的预测至关重要。根据交通流理论，交通流流量的变化在不同的情况下具有一定的相似性，本发明通过聚类分析将不同情况下的相似性分离出来，而又不失去关键信息，通过聚类分析后的原交通流序列的残差序列作为ARIMA模型的输入训练ARIMA模型，从而可以从整体上提升WNN-ARIMA模型的性能。

在海量的交通流数据中，交通环境的复杂性使得数据中充斥着大量的噪声和无关因素，通过考虑因驾驶员和其他一些因素而导致的在不同情况下短时交通流的相似性，在有效的降低训练数据的同时提升模型的性能。在聚类问题中，通过计算短时交通流序列间的距离和一阶差分短时交通流间的相似性共同反映样本的差异，有效的将交通流数据中的有效信息提取出来，并最大程度的保留原有数据的关键信息。

一种短时交通流预测模型方法，步骤如下：

(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]。