[发明专利]一种交通流预测方法

说明书

本发明公开了一种交通流预测方法，能够降低数据复杂度并提高预测精度。本发明实施例提供的交通流预测方法包括如下步骤：采集获取实时交通流数据，并利用变分模态分解将实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量；本征模态分量的数量设定为使得所有本征模态分量的估计带宽之和最小。采用增量型超限学习机网络，建立针对各本征模态分量的预测模型，并采用预先采集的历史交通流数据对预测模型进行训练。利用训练后的预测模型，对各本征模态分量进行交通流预测，将所有本征模态分量的预测结果累加得到最终的交通流预测结果。

技术领域

本发明涉及道路交通监测技术领域，具体涉及一种交通流预测方法。

背景技术

交通既可为城市的稳定发展创造有利条件，也可维系城市经济顺利进行。良好的交通状况是城市飞速发展的助推剂，同时也是人民群众幸福生活的保障。

伴随城市经济的飞速发展，城市规模不断扩大，与此同时，许多城市问题也越发突出。其中，交通问题就是最为尖锐的城市问题。城市汽车数量激增，但城市交通基础设施与管理水平并未与时俱进，从而引发一系列交通事故与严重的交通拥堵，严重影响着城市经济与生态环境的健康发展。

交通流预测技术可有效地缓解交通问题对城市功能所造成的影响。作为智能交通中的一项关键技术，交通流预测技术可为交通管理提供重要的决策支持。在节省时间与金钱成本的条件下，精确与可靠的交通流预测模型为智能交通系统提供准确的交通流信息，实现路面交通的智能管理，从而减缓交通拥堵与减少交通事故。

设计预测模型与学习算法是交通流预测研究的关键问题。利用历史交通流数据对预测模型进行监督学习，以期获得较好的泛化性能，但交通流所具有非平稳和非线性的特征必对预测模型精度造成一定的影响，这也是在交通流预测研究中必须克服的。

发明内容

有鉴于此，本发明提供了一种交通流预测方法，能够降低数据复杂度并提高预测精度。

本发明实施例提供的交通流预测方法包括如下步骤：

采集获取实时交通流数据，并利用变分模态分解将实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量；本征模态分量的数量设定为使得所有本征模态分量的估计带宽之和最小。

采用增量型超限学习机网络，建立针对各本征模态分量的预测模型，并采用预先采集的历史交通流数据对预测模型进行训练。

利用训练后的预测模型，对各本征模态分量进行交通流预测，将所有本征模态分量的预测结果累加得到最终的交通流预测结果。

进一步地，利用变分模态分解将实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量，包括：

实时交通流数据分解得到的本征模态分量的数量为K个；第k个本征模态分量的模态函数为u_k，第k个本征模态分量的中心频率为ω_k，k＝1～K。

拉格朗日因子为λ。

以k取遍1～K的所有整数值，重复如下迭代步骤S0～S3，得到所有本征模态分量的表征：

S10、初始化参数u_k、ω_k、λ、n；n为迭代次数，其中u_k的初值为ω_k的初值为λ的初值为λ¹，n的初值为1。

S11、计算u_k、ω_k以及λ在第n+1次迭代中的值分别为以及λⁿ⁺¹。

其中f为输入信号；α为惩罚参数，经验值；ω为频率的变量；τ为学习率，经验值。