[发明专利]一种城市快速路交通流短时预测方法、计算机及存储介质

权利要求书

1.一种城市快速路交通流短时预测方法，其特征在于，包括以下步骤：

步骤一：获取目标路段历史交通流数据，构建目标路段历史交通流量数据库；

步骤二：对目标路段历史交通流数据进行分析与选择，并构建历史交通流数据库，所述历史交通流数据库中包含有历史交通流和目标路段交通流之间具有相关性的数据；筛选与目标路段交通流相关性符合预设标准的历史交通流数据，组建为互信息量数据库，具体方法是：

步骤二一、计算边缘概率密度函数，通过下述公式计算：

其中，I(X；Y)为目标路段交通流与历史交通流的边缘概率密度；p(x，y)为X和Y的联合概率密度函数，p(x)和p(y)分别是X和Y的边缘概率密度函数；

步骤二二、筛选与目标路段交通流具有相关性的历史交通流时间序列，通过下述公式筛选：

其中，C为目标变量，X为目标路段交通流所有变量的集合，Y为历史交通流所有变量的集合，S^t为t时刻所选变量的子集；X_i和X_j分别为要添加到子集S的候选变量和在t时刻已选择的变量；|S^t|为子集S^t的基数，式中I(X_i；C)为给定变量X_i与目标变量C之间的相关性，为候选变量与被选变量之间的冗余度，描述了C中的候选变量与S^t子集变量之间相互作用的程度；

步骤二三、在时刻t，从变量集合X\S^t中选择第t+1个变量X^t+1，通过选择使得J(X_i)最大化的变量并将其加入到集合S^t中，得到新的集合S^t+1，选择出与目标变量相关性最大的变量子集，同时降低变量之间的冗余度，具体选择过程如下：

步骤三：利用CEEMDAN模型对互信息量数据库进行分解，并对分量进行筛选，重新组成新的时间序列分量，具体方法是：

步骤三一、利用CEEMDAN模型对步骤二中互信息量数据库进行分解，在分解过程中添加标准差为0.2的高斯白噪声；

步骤三二、选择排列熵计算各个分量的时间复杂度；

步骤三三、计算嵌入维数与延迟时间的有效值，代入排列熵中对分量进行筛选，选择分量中排列熵最大值的1/10作为阈值进行筛选，将筛选后的有效时间序列分量进行重构，得到重构后的时间序列；

步骤四：利用BP-Adaboost模型对步骤三所述的时间序列分量进行训练预测，具体方法是：将BP神经网络作为弱分类器，反复训练BP神经网络预测样本，通过Adaboost得到多个BP神经网络弱分类器组成的强分类器，利用构建的强分类器对时间序列分量进行预测训练；

步骤五：将各个维度的分量预测后的预测值及余波进行累加求和，最终得到短时交通流预测结果。

2.一种计算机，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1所述的方法的步骤。

3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1所述的方法。