[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

说明书

本发明公开了一种Spark环境下基于多重相空间的短时交通流预测方法，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。采用本发明的技术方案，通过多对延迟时间和嵌入维度构建多重相空间以及大数据框架Spark技术，更加科学准确的实时预测下一时刻的交通流。

技术领域

本发明涉及智能交通系统领域，特别涉及一种Spark环境下基于多重相空间的短期交通实时预测方法。

背景技术

随着我国经济的飞速发展，交通运输业在带来巨大的经济与社会效应的同时，也面临着巨大管理压力。数目巨大的车辆造成交通拥堵，加剧空气污染，减缓交通效率，严重地影响着人们的出行。精确及时的利用交通流信息进行交通流预测，可以帮助管理者做出合理的交通管控方案，为人们的出行决策提供了巨大参考价值。交通流系统是一个十分复杂的非线性系统，且符合混沌理论特性。混沌理论作为研究非线性系统随时间变化的一门科学，可以更好的反应交通流系统的内在规律。现有技术的交通预测方法主要存在以下两个问题：

1)短时交通预测模型都在单机环境下预测，传统的数据库不能满足交通数据的高效存储计算，达到时间延迟，为预测模型的数据处理带来了挑战。如今，我们已经进入了交通大数据时代，数据信息日益丰富，单机环境难以处理海量的大数据。现有技术中Spark作为一个非常优秀的开源的大数据处理框架，参见图1，所示Spark架构的原理框图，该框架基于内存计算来提高数据处理速度，底层运用高性能分布式开源数据库HBase，极大的提高了数据存储能力，在众多领域得到了很广泛的应用。

2)传统算法主要利用浅层交通预测模型，但其并没有考虑交通系统的混沌特性，不能适应不确定性强的短时交通流预测。而传统混沌算法虽考虑混沌特性，但使用单个延迟时间和嵌入维度来进行预测，预测精度并不理想。因此，目前迫切需要一种实时且精确预测道路短期交通流的方法，使人们更自由地选择出行时间，以最大程度地保证拥堵问题的减缓，使得道路交通问题得到进一步的改善。

故，针对目前现有技术中存在的上述缺陷，实有必要进行研究，以提供一种方案，解决现有技术中存在的缺陷。

发明内容

有鉴于此，确有必要提供一种Spark环境下基于多重相空间的短期交通实时预测方法，该方法是在海量的交通流数据信息环境下，利用大数据Spark技术，以及建立多重相空间预测模型，从而对下一时段的交通流数据准确地进行实时预测。

为了解决现有技术的问题，本发明的技术方案如下：

一种Spark环境下基于多重相空间的短时交通流预测方法，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；