[发明专利]一种基于交通流时空相似性的城市短时交通流预测方法

权利要求书

1.一种基于交通流时空相似性的城市短时交通流预测方法，在预测目标路段下一时段交通流时，其特征在于，该方法包括如下步骤：

S1、基于交通流时空相似性，定义交通流的时间状态向量TSV、时空状态向量STSV；步骤S1的计算具体如下：

S11、定义路段m交通流的时间状态向量时间状态向量是指从时间维度上来描述目标路段交通状态的特征，包括本路段过去若干时段的交通流，以及相邻路段间交通流的变化趋势，定义如下：

其中，V_m(t)代表路段m在时段t的交通流；V_m(t-d)代表路段m在过去时段t-d的交通流；d代表滞后时段，也称为匹配窗口，利用历史数据通过试验确定，公式的前半部分用于描述过去时段的影响，后半部分描述交通变化趋势的影响；

S12、定义路段m交通流的时空状态向量时空状态向量从时间和空间两个维度来描述道路的交通特征，即认为目标路段的交通状态还与周边区域的交通状态有关，定义如下：

其中，代表路段m在时段t的时间状态向量；m1……mn代表路段m的n个流量相似路段，代表路段m的第n个“流量相似路段”的时间状态向量；n代表路段m的流量相似路段的数量，与具体的路网结构有关，利用历史数据通过试验确定，通过公式能够看出，时空状态向量是由目标路段与其空间相邻的“流量相似路段”的“时间状态向量”组成；

S13、流量相似路段的判别方法：使用同一时段内穿过相邻两个路段的浮动车的数量来度量路段之间的流量相似性，如果穿过两个路段的浮动车数量多，说明这两个路段的交通流相似性越大；

S2、构造当前时段下交通流的“当前时空状态向量”；步骤S2的计算具体如下：

S21、根据公式(1)计算当前时段t下，目标路段m的当前时间状态向量及其流量相似路段m1……mn的当前时间状态向量

S22、根据S21计算的各路段时间状态向量和公式(2)，计算当前时段t下，目标路段m的当前时空状态向量

S3、构造历史上不同日期同一时段下交通流的“历史时空状态向量”；步骤S3的计算具体如下：

S31、根据公式(1)计算不同历史日期的时段t下，目标路段m的各历史时间状态向量及其流量相似路段m1……mn的各历史时间状态向量

S32、根据S31计算的各路段时间状态向量和公式(2)，计算各历史日期的时段t下，目标路段m的各历史时空状态向量

S4、使用距离度量函数计算当前和各历史时空状态向量间的“时空相似距离”STD；步骤S4的计算具体如下：

S41、首先计算当前和各历史时间状态向量间的距离：时间相似距离，通过下式计算：

其中0≤α≤1，d^T(X^CT(t),X^HT(t))表示当前和历史时间状态向量间的距离，即“时间相似距离”；V_c(t-p)和(V_c(t-p-1)-V_c(t-p))是当前时间状态向量中的元素，分别表示当前t-p时段的交通流和交通流在相邻时段间的变化量；V_h(t-p)和V_h(t-p-1)-V_h(t-p)是历史时间状态向量中的元素，分别表示历史不同日期同一时段的交通流和交通流的变化量；该公式不仅度量了当前交通状态和历史交通状态的差距，也度量了当前交通变化趋势和历史交通变化趋势的差距，这种差距反映了历史状态与当前状态的相似程度；这里用参数α表示交通流差距和交通流变化趋势差距所占的权重，通过交通流历史数据分析确定最优值；

S42、基于公式(3)计算的目标路段和其相似路段的“时间相似距离”，使用距离度量函数计算目标路段当前和各历史时空状态向量间的“时空相似距离”，通过下式计算：

其中，代表目标路段自身的“时间相似距离”，表示目标路段的第i个“流量相似路段”的“时间相似距离”；能够看出，“时空相似距离”是由目标路段的和其流量相似路段的加权“时间相似距离”组成；W_k是不同流量相似路段所占的权重，按照“流量相似度”降序排序，通过下式秩次加权的方法计算：

其中：r_k为第k个候选近邻的顺序，K为近邻的数量；“流量相似度”越大，r_k越小，W_k越大，即“流量相似度”越大的路段对目标路段的交通状态影响越大；

S5、选择K个时空相似距离最小的历史时空状态向量所在的日期，查出这K个历史日期对应的预测时段的交通流；步骤S5的计算具体如下：

S51、在上一步计算出当前和各历史时空状态向量间的“时空相似距离”后，对该时空相似距离排序，查出K个时空相似距离最小的历史时空状态向量，并得出对应的K个历史日期；

S52、在历史交通流数据库中，查出这K个历史日期下t+1时段的交通流V_k’(t+1)；

S6、基于这K个历史日期对应的预测时段的交通流，使用预测函数计算目标路段下一时段的交通流；步骤S6的计算具体如下：

S61、获得历史上K个历史日期的t+1时段的交通流V_k’(t+1)

S62、使用预测函数计算t+1时段路段m的交通流V_m(t+1)，预测函数如下式所示；

其中：V_k’(t+1)为历史数据库中搜索到的第k个近邻所对应的下一时段的平均交通流，近邻的度量标准使用的即“距离度量函数”；W_k为V_k’(t+1)所占的权重；

S63、基于秩次加权的权函数W_k通过下式计算：

其中：r_k为第k个候选近邻的顺序，K为近邻的数量，由于交通系统的强时变性，同一路段在不同时期的交通状况差别很大，因此在预测目标路段未来交通状况时，搜索到的不同历史近邻的重要程度也不同，因此使用加权的方式度量不同近邻对预测结果的影响程度；

S7、根据交通流的预测结果和实际结果，对目标路段的预测误差进行评价分析；

在所述步骤S7中，采用以下的评价标准对预测误差进行评价分析：

其中，MAPE是平均相对百分比误差，D代表预测的天数；L代表预测的时段数量；F_J,t和O_J,t分别代表目标路段第J天第t个时段的预测值和真实值，使用MAPE对比不同模型的预测精度，更低的MAPE意味着更高的预测精度，并且模型的预测性能由不同的MAPE范围评价，当MAPE≤20％，就认为预测是有效的。