[发明专利]一种基于时段划分的短时交通流预测方法

说明书

本发明属于智能交通控制技术领域，提供一种基于时段划分的短时交通流预测方法，考虑了车型和时段对交通流特性的影响。首先，选定空间范围、历史数据的时间范围和预测时间间隔，利用该空间范围内的检测器获取原始交通量数据集，基于预测时间间隔将原始交通量数据集按车型进行集计后获得每种车型的交通量数据；其次，保持时间顺序不变，使用有序聚类法按每种车型对交通流分别进行时段划分；然后，针对每种车型，使用不同的马尔可夫模型预测不同时段的交通量；最后，将所有车型的交通量预测值进行求和，从而得到含所有车型的交通量的最终预测值。相比于单一的马尔可夫模型，所提出的基于时段划分的马尔科夫模型能够显著地提高短时交通流预测的精度。

技术领域

本发明属于智能交通控制技术领域，涉及一种基于时段划分的短时交通流预测方法。

背景技术

智能交通系统可为出行者提供实时的路况信息，帮助出行者规划和选择路径，同时可以预测路段拥堵程度，并为交通管理者提供决策支持。因此，智能交通系统可以很大程度上缓解城市交通拥堵问题。精准的短时交通流预测是智能交通系统提供可靠实时信息的重要前提。鉴于此，短时交通流预测越来越受到研究者的重视。

近几十年，研究者提出了众多短时交通流预测方法，包括回归方法、差分自回归移动平均模型、马尔可夫模型、支持向量机、卡尔曼滤波、神经网络和深度学习等方法。由于短时交通流具有很强的波动性和非线性，且较难为其假定合适的分布和对应的函数，上述方法中的神经网络和深度学习具有强大的非线性拟合能力，因此得到了较多应用。道路网中，短时交通流下一时刻的状态仅与当前时刻和前几个时刻的交通流状态有较强的关联，与其他时刻的交通流状态的关联性较弱，这与高阶马尔可夫链的特性不谋而合。高阶马尔可夫链特性是指序列中下一时刻数据的状态仅与当前和前几个时刻数据的状态有关，所以高阶马尔可夫模型可以从数据的转化过程中捕获短时交通流的波动规律，因此高阶马尔可夫模型得到了部分研究者的关注。单一模型在预测短时交通流时各有优缺点，为整合不同模型的优点，组合预测方法得以发展，这类方法通常可以分成修正组合模型和加权组合模型。修正组合模型通常将交通流数据分成几部分，使用不同的模型去预测不同部分，对不同部分预测值求和得到最终预测值。加权组合模型则是使用不同模型分别对交通流进行预测，将不同模型的预测值加权求和得到最终的预测值。

实际应用中，短时交通流预测方法除了要求准确性还应具有较强的可操作性。尽管神经网络、深度学习和组合方法通常具有较高的准确性，但这些方法所设计的算法普遍较为繁琐，且需设定很多参数，以致参数训练时间较长，对交通管理者来说较难操作。就交通流而言，不同车型的交通流具有不同的波动规律，同一车型的交通流在不同时段的波动规律也不尽相同，但已有研究鲜有考虑车型和时段对短时交通流预测的影响。

发明内容

本发明针对上述现有研究存在的问题，基于高阶马尔可夫模型，考虑车型和时段对交通流特性的影响，提出一种基于时段划分的短时交通流预测方法，称之为FMAR模型。相比神经网络、深度学习和组合方法，该模型所需参数少、易于计算。对于交通管理者而言，该方法可操作性强且具有较高的准确性。

本发明的技术方案：

一种基于时段划分的短时交通流预测方法，步骤如下：

首先，确定短时交通流预测的空间范围、历史数据的时间范围和预测时间间隔；其次，利用该空间范围内的各种检测器获取预测地点每种车型的交通量数据；接着，使用有序聚类法对一日交通流进行时段划分；然后，根据每个时段交通流的波动规律，使用不同的马尔可夫模型对各时段交通量进行预测；最后，得到一日各时间间隔内交通量的预测值，其具体步骤如下：

1.交通流数据获取