[发明专利]一种交通流量预测方法

说明书

本发明公开了一种交通流量预测方法，包括以下步骤：S1、获取交通流量的数据集；S2、对数据集中不同的流量采集点，计算任意两流量采集点间的相关系数，并生成相关系数矩阵；S3、根据相关系数获得与流量采集点相关的参考点点集；S4、以背景信息为依据，分别获取流量采集点和参考点点集的历史平均预测值；S5、获取流量采集点的参考采集点权重；S6、将参考点点集及流量采集点的历史平均预测值和流量采集点的参考采集点权重进行加权求和，获得流量采集点的交通流量预测值。本发明将流量采集点的相关的其他节点的流量信息进行关联，并与交通流量的历史平均值方法相结合，预测精度相对较高，且不需大量消耗计算资源，提高了计算速度。

技术领域

本发明涉及道路交通监测领域，尤其涉及一种交通流量预测方法。

背景技术

交通流量预测有多种方法，传统方法包括历史平均值算法，整合移动平均自回归模型(ARIMA)算法等。最近由于机器学习的崛起，存在着利用长短时记忆机制(LSTM)和其变体扩散卷积循环神经网络(DCRNN)等新型算法。对于传统算法，大多只考虑交通流量采集点本身的流量信息作为参考给出预测，对于新型的机器学习算法，由于其需要大量的计算资源和计算时间，且一般机器学习算法预测长度较短，如1小时，不能满足交通预测对于快速长时高效的要求。

发明内容

本发明目的是解决现有技术中预测精度不高，数据处理速度较慢的问题，提出一种交通流量预测方法。

本发明提出的一种交通流量预测方法，包括以下步骤：S1、获取交通流量的数据集；S2、对数据集中不同的流量采集点p，计算任意两个流量采集点之间的相关系数，并生成相关系数矩阵S3、根据相关系数获得与流量采集点p相关的参考点点集R_P；S4、以背景信息为依据，分别获取流量采集点p和参考点点集R_P的历史平均预测值；S5、获取流量采集点p的参考采集点权重S6、将参考点点集R_P的历史平均预测值、流量采集点p的历史平均预测值和流量采集点的参考采集点权重进行加权求和，获得流量采集点p的交通流量预测值v_p。

优选地，所述交通流量预测方法还包括步骤S7、对数据集中的各流量采集点进行验证以剔除流量采集点中的噪声点。

优选地，步骤S2中所述相关系数矩阵的获得方法为：获取数据集中各流量采集点p的历史流量信息，并求取其历史流量平均值

其中，来表示在第i个时间段第p个数据采集点的历史流量信息，i＝0,1，···L_train；

根据各流量采集点的历史流量平均值计算各流量采集点之间的Pearson相关系数；

将获得的所有Pearson相关系数组成相关系数矩阵

优选地，所述背景信息包括以下因素之一：所述背景信息为节假日/工作日因素作用下的时间段；所述背景信息为节假日/工作日以及天气信息因素共同作用下的时间段。

优选地，所述参考点点集R_P为与流量采集点p的相关系数大于8的相关流量采集点，且参考点点集R_P中相关流量采集点的个数小于等于10。

优选地，步骤S5中获取参考采集点权重的方法包括：由流量采集点p和参考点点集R_P构造扩展点集通过相关系数矩阵获取流量采集点p与扩展点集的相关系数对相关系数进行归一化处理获得参考采集点权重

优选地，步骤S6中获得流量采集点p的交通流量预测值的方法包括：根据背景信息，获取扩展点集的交通流量并取其平均值作为其历史平均预测值将参考采集点权重与扩展点集的历史平均预测值的转置矩阵做积，获取流量采集点p的交通流量预测值