[发明专利]一种基于高速流量监测及预测的智能诱导方法

权利要求书

1.一种基于高速流量监测及预测的智能诱导方法，其特征在于：基于交通状态实时监测，对交通流量采用新的模型算法进行预测，再根据预测结果并结合高速公路相关设计及管理方案，按照高速诱导信息发布流程进行发布，同时对交通流状态进行实时监测，评价诱导结果，最后将结果反馈更新至诱导知识库；

所述的交通状态实时监测，监测项是：交通流实时状态信息、实时气象信息、道路环境信息、视频信息；

所述交通流实时状态信息，构建交通流量数据矩阵；然后利用短时交通流预测算法，进行交通流量预测；

短时交通流预测算法，其算法过程是

a)构建一个n*N阶的交通流量数据矩阵X，n为每日采样时刻数，N为预测周期天数；采用日均值法处理原始交通流量数据X_N(t)，计算周期分量即对同时刻交通流量数据求均值；

b)计算得到残余分量X_cy(t)，在原始数据X_N(t)的基础上减去周期分量

c)对残余分量X_cy(t)和周期分量做出修正，将残余分量增加一个偏移量，得到保证所有残余分量为正；将周期分量减去一个绝对值相同的偏移量，得到

d)优化ARMA模型，提出ACTI_ARMA参数整定算法对ARMA模型参数整定；对残余分量通过ACTI_ARMA模型修正，得到残余分量的预测值记为残余预测值；

e)将残余预测值与周期分量相加，得到最终的预测结果

所述的日均值法，其计算过程是：

将流量数据表示为矩阵的形式，如下式所示

X(t)＝[X₁(t),X₂(t),…,X_N(t)]

a)交通流量预测天数为N天，每天流量数据采集数据为n个

X₁(t)＝[x₁(1),x₁(2),…,x₁(n)]^T

X₂(t)＝[x₂(1),x₂(2),…,x₂(n)]^T

…

X_N(t)＝[x_N(1),x_N(2),…,x_N(n)]^T

b)周期分量即N天同时刻的流量数据均值的一个集合，如下式所示

c)残余分量表示为

周期分量表征着数据的一个整体趋势，提取周期分量将对流量数据进行拆分，去除了周期分量的残余分量，去除了整体数据的非线性和流量成分复杂性的整体趋势，使残余分量的个体特征更加明显，数据独立性提高，相关性降低，处理数据也更加直接；

周期分量占数据比例的大小会影响预测的效果，周期分量占数据比例较大时，残余分量相对来说比例较小，去除整体数据的非线性和流量成分复杂性的整体趋势更多，提取周期分量之后的残余分量理论上说应预测更准确；

d)周期分量占数据的周期分量能量比表示

E[n]为周期分量的能量比，t[n]为数据的周期分量，y[n]为实际数据；

由残余分量式可看出，当周期分量大于数据真实值，残余分量将出现负值；显然流量值负的情况在实际工程并不存在；则对预测做出调整，即在残余分量出现负值时，增加一个偏移量，保证所有的残余分量为正，同时，所有的周期分量减去相同的偏移量，保持数据总量不变，保证残余分量一直为正；

所述的ARMA模型，若离散随机过程的每一行的离散随机过程{x(n)}服从如下式所示线性差分方程，则称离散随机过程{x(n)}为自回归-滑动平均(ARMA)过程

e(n)是离散白噪声；上式为ARMA模型，a_i为自回归(AR)参数，b_i为滑动平均(MA)参数，p为AR阶数，q为MA阶数；

ACTI_ARMA优化模型，其优化过程是：

a)根据ARMA模型，建立目标函数：并初始化参数值a_i，b_i，p，q；

b)定义一个时间段内高速公路交通信息流监测量为蚂蚁，其数量为m；

c)nc＝0,nc为迭代步数或搜索次数,τ_ij和Δτ_ij的初始化，将m个蚂蚁置于n个顶点上；

d)将各蚂蚁的初始出发点置于当前解集，对每个蚂蚁k,k＝1，…，m，按概率移至下一顶点j，将顶点j置于当前解集；

e)计算各蚂蚁的目标函数值Z_k,k＝1，…，m，记录当前的最好解，并更新参数值a_i，b_i，p，q；

f)按更新方程修改轨迹强度；

g)对各边弧(i，j)，置Δτ_ij＝0，nc＝nc+1；

h)若nc预定的迭代次数，则转步骤b)。