[发明专利]一种基于函数型主成分分析的实时行程时间计算方法

说明书

本发明公开了一种基于函数型主成分分析的实时行程时间计算方法，本发明方法通过FPCA方法处理高维且密集的观测数据，相较于传统的PCA分析，此方法避免了大型维度的数据矩阵运算，避免了维数灾难，提高了计算机运算效率；并从交通流传播规律出发，采用嵌套式延迟模型预测路径行程时间分布，从而对于交通事件下的行程时间预测也能取得理想的结果；对整体行程时间的预测计算上采用滚动式预测模型，有效的利用实时数据进行预测，从而使得结果更具有实时性、精准性。本发明作为一种基于函数型主成分分析的实时行程时间计算方法可广泛应用于交通领域。

技术领域

本发明涉及交通领域，尤其是一种基于函数型主成分分析的实时行程时间计算方法。

背景技术

交通问题一直是阻碍城市发展的一大障碍。随着“智慧城市”这一理念提出，智能交通系统成为缓解城市交通问题的一个重要手段。智能交通系统是将先进的信息技术、数据通讯传输技术、电子传感技术、控制技术及计算机技术等有机得结合起来，为管理者提供有效的交通控制策略，为出行者提供实时的交通状况信息。而发布实时准确的行程时间能大幅提高智能交通系统的服务质量，从而在很大程度上缓解交通拥堵，提到道路安全和效率、减少汽车排放量。因此，行程时间的预测一直是研究的热点。

ARIMA(自回归求积移动平均)模型现有的普遍应用于时间序列预测得一种方法。下面介绍下利用ARIMA如何预测行程时间：

ε(t)＝{e(t),e(t-1),...,e(t-n)},n＝1,2,.... (2)

Θ_q(B)＝1+φ₁B+φ₂B²+…+φ_qB^q (4)

式中Y(t)＝{y(t),y(t-1),...,y(t-n)},n＝1,2,...，是{Y(t)}的d次差分，B为后移算子，p为自回归系数，q为滑动平均系数，e(t)是均值为0的白噪声。

参照图1，ARIM模型建立分为四步：

(1)ARMIA模型的判别：首先通过自相关函数和偏相关函数图来判断原来数据的大致性质，并且初步定下p和q的值；

(2)然后再预估模型里的其他参数；

(3)模型测试是为了测试p、q的值是否合理。如果不能通过模型测试，需要对模型重新判别；

(4)利用已经训练好的模型来进行预测。

ARIMA模型是一种参数模型，它不能处理复杂、强非线性数据，容易造成维数灾难。虽然此模型在正常的交通状态下有较好的预测效果，但当发生交通事件时，这种模型的预测效果并不理想。

发明内容

为了解决上述技术问题，本发明的目的是：提供一种基于函数型主成分分析的能处理非常密集、维数较高的观测数据，且能根据实时的交通数据实现交通的实时监控，并精准的预测交通事件下的行程时间的计算方法。

本发明所采用的技术方案是：一种基于函数型主成分分析的实时行程时间计算方法，包括有以下步骤：

将一段路程分为多个路段，根据历史行程时间数据和实时数据,利用函数型主成分分析算法计算得到每个路段对应的预测行程时间均值和方差；

根据每个路段对应的预测行程时间均值和方差，利用嵌套式延迟算法计算得到路程的总行程时间的概率分布；

将当前时间和待预测行程时间均向前移动一个滚动步长时间，重新执行上述步骤。