[发明专利]基于混合处理的季节性交通流灰色预测方法

说明书

本发明的基于一种混合处理的季节性交通流灰色预测方法，包括如下步骤：S1、根据不同时间间隔，从交通流数据库中提取若干周期的断面交通流量，建立季节性的原始交通流量序列；S2、利用基于比重法和季节指数法的混合处理方法去除原始交通流量序列的季节性，将原始交通流量序列转化为平滑的目标交通流量序列；S3、建立灰色预测模型，对目标交通流量序列进行预测处理，得到下一周期的交通流量预测值。本发明消除了原始交通流数据的季节性，在少量原始数据的情况下，有效提升了灰色预测的能力。本发明对于随机性较强的弱季节性交通流序列也有着较高的预测精度，且预测范围更广、预测效率更高、计算复杂度更低。

技术领域

本发明属于交通预测技术领域，主要应用于城市道路交通流量的预测方法，具体涉及一种基于混合处理的季节性交通流灰色预测方法。

背景技术

短时交通流预测作为ITS的重要组成部分，在缓解车辆拥堵、改善空气质量、降低出行成本等方面都有着重要的研究意义。但由于城市内部的交通状况是复杂多变的，短时交通流极易受到天气状况、交通事故、道路类型等因素的影响，导致其具有非常强烈的随机性、非线性以及季节性。因此，准确实时的短时交通流预测方法成为交通领域研究的热点。目前来说，短时交通流的预测方法可以分成基于模型理论的预测方法和基于数据理论的预测方法。基于模型理论的方法通常需要建立相应的数学模型来对历史数据进行拟合，并根据拟合情况对模型进行不断优化使误差达到最小，其虽然能够拟合非线性序列，但对于原始序列的随机性和季节性却无法很好的处理。基于数据理论的方法则通常需要庞大的历史数据，并通过复杂的内部计算来确定各类特征的权重系数，系数值的精确程度直接影响最终的预测结果。由于对数据的依赖性很强，因此原始数据的完整性、准确性、规模性都对结果精度有着极大的影响，即便输入满足条件的原始数据，这类模型也容易陷入过拟合的情况。特别的，对于深度学习这类新兴技术而言，其内部庞大的运算对硬件的配置需求提出了更高的要求，且需要耗费的时间成本巨大，无法对交通流进行实时预测。此外，基于“黑盒”特征的这类数据驱动方法，其内部的详细机制无从得知，因此模型的解释力不足。

发明内容

针对上述现有技术所存在的问题，本发明于提出一种基于混合处理的季节性交通流灰色预测方法；该方法的具体技术方案如下：

一种基于混合处理的季节性交通流灰色预测方法，所述方法包括如下步骤：

S1、根据不同时间间隔，从交通流数据库中提取若干周期的断面交通流量，建立季节性的原始季节性交通流量序列；

S2、利用基于比重法和季节指数法的混合处理方法去除原始交通流量序列的季节性，将原始交通流量序列转化为平滑的目标交通流量序列；

S3、建立灰色预测模型，对目标交通流量序列进行预测处理，得到下一周期的交通流量预测值。

优选地，步骤S1中原始交通流量序列的提取步骤如下：

S1-1、设定时间间隔，通常为1hour、30min或10min等；

S1-2、根据S1-1中的时间间隔，统计交通流数据库中相应时间段的交通流量，如1hour间隔的情况下，统计每天的0点-1点、1点-2点、...23点-24点的交通流量值；

S1-3、提取断面交通流量，以早高峰为例，则需要提取若干周期的每天早上7点-8点的交通流量，从而得到原始季节性交通流量序列；

优选地，步骤S2中混合处理的步骤如下：

S2-1、从交通流数据库中提取的原始季节性交通流量序列，记为：

x⁽⁰⁾＝{x⁽⁰⁾(1)，…，x⁽⁰⁾(q)，x⁽⁰⁾(q+1)，…，x⁽⁰⁾(nq)}；