[发明专利]一种基于机器学习与copula模型的高速公路交通流自适应预测方法

说明书

本发明公开了一种基于机器学习与copula模型的高速公路交通流自适应预测方法，将一条待预测的高速公路按匝道口划分成许多小段，设计一种“算法择优器”模型，该模型储存多种预测算法，给每个小路段都分配一个模型，然后利用历史数据经过训练和测试，模型能够依据最近的训练结果选择最好的预测算法，从而克服了单个模型预测效果存在的瓶颈。同时，本发明从交通流点预测模型的的预测值与真实值的相关性出发，利用copula函数的相关性理论，得到在某一预测值条件下，计算实际值的条件概率分布，进而转移到误差的条件概率分析中，后再将误差分布估计转化为交通流预测的不确定性估计，从而更好的捕捉交通流的随机性，大大提高预测精度。

技术领域

本发明涉及交通流预测的技术领域，尤其涉及到一种基于机器学习与copula模型的高速公路交通流自适应预测方法。

背景技术

对于智能交通系统而言，可靠、精准的实时交通流预测是缓解交通拥堵、实现交通管理、交通控制、交通诱导、提高道路运营效率等的必要前提。交通流预测是诱导有效交通管理、缓解交通拥堵的基础。交通流具有周期性、随机性、时间相关性和空间相关性。准确预测交通流，掌握交通流动态变化趋势是ITS的关键步骤，对缓解交通拥堵、指定可靠的交通控制与引导策略、研究车路协同和自动驾驶具有重要意义。经验表明，预先预测交通状态的监测管理往往不如现场部署措施有效，而现场布置措施所获得的效益更加明显；因此利用大数据进行交通流预测已成为交通预测最热门的研究课题。

目前，高速公路交通流预测技术大致包括三种主要的方法：线性统计、非线性理论和机器学习方法。基于线性统计的预测方法起步较早，主要采用时间序列方法进行交通流预测，包括回归模型(AR)、移动平均模型(MA)、自回归移动平均模型(ARIMA)和卡尔曼滤波等方法。其中，文献[1]Okutani I,Stephanedes Y J.Dynamic prediction of trafficvolume through Kalman filtering theory[J].Transportation Research Part B:Methodological,1984,18(1):1-11.首次将卡尔曼理论模型应用于交通流预测，并在卡尔曼滤波理论的基础上，提出了两种预测误差较小的短期交通流预测模型；随后，一些研究者将卡尔曼滤波理论与其他方法相结合，建立了各种混合预测方法。统计模型具有计算简单、易于操作的优点，然而，对于复杂的非线性交通流数据，其变化特征无法完全捕捉，导致预测精度较低。为了克服这一缺点，相关学者开始探索非参数方法的应用，经典的非线性预测模型主要包括混沌理论模型和小波分析模型等。其中，文献[2]Frazier C,Kockelman KM.Chaos theory and transportation systems:instructive example[J].Transportation Research Record,2004,1897(1):9-17.将混沌理论应用于交通系统，证明了该方法的预测性能优于非线性最小二乘方法。近年来，随着机器学习方法的兴起，学者们开始探索机器学习方法和深度学习在交通流预测技术中的应用。其中，文献[3]El-SayedH,Sankar S,Daraghmi Y A,et al.Accurate traffic flow prediction inheterogeneous vehicular networks in an intelligent transport system using asupervised non-parametric classifier[J].Sensors,2018,18(6):1696.研究了异构车联网环境下的交通流特性，改进了支持向量机方法。实验结果表明，改进的支持向量机预测精度较高，优于其他交通流预测方法。

通过对现有的高速公路预测研究方法的总结与归纳，得到以下两点问题：①大多数研究的做法都是希望单一算法解决一整条高速公路交通流预测的问题，而实际情况是高速公路不同路段之间的道路通行能力不不尽相同的。②高速公路交通流具有很强的非线性和随机性，在不同时段也呈现出不同的变化规律。

发明内容