[发明专利]一种Spark环境下基于多重相空间的短时交通流预测方法

权利要求书

1.一种Spark环境下基于多重相空间的短时交通流预测方法，其特征在于，包括以下步骤：

步骤(1)：获取某个路段的实时车辆信息，并发送至数据库HBase中；

步骤(2)：根据数据库HBase中存储的历史车辆信息，获取历史交通流数据并存储在数据库中；

步骤(3)：在Spark环境下，构建多重相空间模型，结合历史交通流数据，运用该模型对下一个时段的交通流数据进行预测；

其中，所述步骤(3)进一步包括以下步骤：

步骤(31)：对于某路段R，确定延迟时间集合S_τ，嵌入维度集合S_m，以及

对应的权重分配

步骤(32)：根据嵌入维度m_i确定预测交通流时间序列X，再根据延迟时间τ_i得到前置时间序列交通流向量X_f；

步骤(33)：取路段R中的历史交通流数据，依次构成时间序列交通流向量X₁,X₂…X_n,计算与X_f的相似度并升序排列d₁,d₂…d_n；

步骤(34)：从历史交通流数据中找到与“前置时间序列”最相近的z个“相关时间序列”，即获取前z个距离d₁,d₂…d_z，对应的向量为X₁,X₂…X_z，对应权重分配s＝1，d_m＝min{d₁,d₂…d_z}；

步骤(35)：由时间序列交通流向量及权重分配结合延迟时间权重集合Q_τ，根据公式加权计算得到部分交通流；

步骤(36)：重复步骤(32)至步骤(35)，取每一对{τ，m}为一组相空间，代入计算得到部分交通流向量将这些结果累加得到最终的预测交通流X_v:

2.根据权利要求1所述的Spark环境下基于多重相空间的短时交通流预测方法，其特征在于，在所述步骤(1)中，进一步包括以下步骤：

利用道路交通监控设备及图像处理算法获取通过车辆车牌信息，并发送至数据库中；

运用数据清洗算法对数据库中的车辆数据进行深度清洗，剔除无效的数据信息。

3.根据权利要求1或2所述的Spark环境下基于多重相空间的短时交通流预测方法，其特征在于，所述步骤(2)进一步包括以下步骤：

利用以下公式建立交通信息集合：

其中，C表示车辆收集信息集合，H_i表示第i辆车的车牌号码，N为总的车辆个数，B_i,j表示第i辆车的第j条卡口过车记录对应的卡口编号，T_i,j表示第i辆车的第j条卡口过车记录对应的过车时间，T_low表示设定时间的下限、T_up表示设定时间的上限，M_i表示H_i号车在设定时间段内的车辆总数；

通过以下算法计算卡口间的车辆总数：

其中，l(·)代表布尔表达式，l(true)＝1,l(false)＝0；

对海量的交通流数据中所有路段的车辆信息集合C_Hi，重复的执行上述步骤获得某一路段在某一段时间的车辆总数P_n,m，时间间隔为t，通过以下公式来计算每个路段的交通流：

F_n,m＝P_n,m/t。