[发明专利]一种短时交通流量预测方法及装置

权利要求书

1.一种短时交通流量预测方法，其特征在于，包括：

获取宏观交通流模型；

确定状态向量、状态方程、观测向量和观测方程；

构建用于交通流量预测的数据同化系统框架；

将不同观测时段类型的观测数据进行分类采样，具体为：根据不同时间段交通流量值分布不同，将交通流量观测数据分为工作日、周末和节假日；

融合历史观测数据，基于调整的集合卡尔曼滤波的数据同化方法，补齐当前时刻路段缺失的观测值，具体为：基于调整的集合卡尔曼滤波的数据同化方法，将所述宏观交通流模型的预报值与历史观测数据相融合，得到当前时刻的路网中路段缺失的交通流量观测值；

基于所述数据同化方法，对所述宏观交通流模型的模型参数进行修正调整；

利用调整模型参数后的所述宏观交通流模型，对未来时刻的交通流量进行预测；

其中，基于调整的集合卡尔曼滤波的数据同化方法预测交通流量的实现过程具体包括：

已知，为第i-1时刻的状态向量的分析值，亦称为背景场，

为第i-1时刻的样本的状态向量的分析值，m为集合样本数；

第一步：通过状态方程获得当前时刻状态向量的预报值即：

其中，为当前时刻样本状态向量的预报值，为当前时刻状态向量的预测值，M_i-1为i-1时刻的状态方程；

第二步：计算状态向量的预报误差协方差矩阵P_i^f，即：

第三步：计算观测新息即：

其中：H为观测算子，即由状态空间到观测空间的映射关系，y^o为观测值，y^b为利用状态向量通过观测算子得到的观测信息，为利用状态向量通过观测算子得到的观测信息的方差，为观测值的方差；

第四步：使用线性回归将观测新息投影到模型空间网格点上，用于计算当前时刻的样本状态向量的分析值即：

其中，c_j为投影系数；

第五步：当循环次数小于指定循环次数时，返回到第一步；

第六步：计算当前时刻状态分析值即：

第七步：计算当前时刻状态分析值的误差协方差矩阵P_i^a，即：

2.如权利要求1所述的交通流量预测方法，其特征在于，所述宏观交通流模型具体为：

q_i(t)＝β(v_i(t)·ρ_i(t))+(1-β)(v_i+1(t)·ρ_i+1(t)) (3)

其中：ρ_i(t)为路段i上t时刻的交通密度；

v_i(t)为路段i上t时刻车辆的平均速度；

q_i(t)为在t时刻路段i和路段i+1间边界点上的交通流量；

r_i(t)，s_i(t)分别是在t时刻路段i上流入和流出的流量值；

Δt为时间增益；

λ_i为在路段i上的车道个数；

v_e(·)为平衡态时的速度，可以通过公式(4)获得，其中：

v_f，ρ_cr，α分别是道路畅通时的自由速率、临界交通密度、速度方程的指数。

τ，η，κ是模型参数；

β是权重参数，取值范围为(0，1)。

3.如权利要求1或2所述的交通流量预测方法，其特征在于，所述确定状态向量、状态方程、观测向量和观测方程，具体为：

将交通密度和平均速度作为状态向量X(t)，即X(t)＝(ρ，v)_t；将交通流量作为观测向量Y(t)，即Y(t)＝(q)_t；将所述宏观交通流模型中的公式(1)和公式(2)作为状态方程，公式(3)作为观测方程。