[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

说明书

本发明提出一种城市快速路交通流短时预测方法、计算机及存储介质，属于交通流短时预测技术领域。首先，构建历史交通流量数据库；其次，对目标路段历史交通流数据进行分析与选择，构建数据库；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；再次，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；再次，利用BP‑Adaboost模型对时间序列分量进行训练预测；最后，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。解决了预测模型抗干扰能力较差、预测精度低的技术问题，提高交通流量不稳定状态时的预测精度。

技术领域

本申请涉及一种预测方法，尤其涉及一种城市快速路交通流短时预测方法、计算机及存储介质，属于交通流短时预测技术领域。

背景技术

短时交通流预测是当前针对快速路状态判别的一个重要领域。目前，国内外关于短时交通流预测方面的研究成果较多，并建立了针对快速路交通流短时预测的大量模型。而快速路作为城市交通的快捷通道，受各类城市交通影响程度较小，通过准确把握快速路交通流变化特性，对提高城市快速路精细化管理、提高出行质量具有重要的理论研究价值和现实意义。早期的预测模型主要有：支持向量机模型（SVM）、极限学习机模型（ELM）、历史平均模型（HA）、经验模态分解(EEMD)等模型。随着交通状态预测方法不断发展，逐步出现了精度及准确度大幅提升的预测方法。当前外针对交通流短时预测的模型主要有以下几类：基于统计学预测模型、基于非线性理论预测模型、基于深度学习预测模型、基于多目标算法预测模型等。

交通流的时空不稳定性及预测模型的精度决定了快速路交通流的预测难以通过单一模型或方法解决。因此，交通流预测过程中的关键问题是考虑实际交通状态，建立最优预测模型。传统的统计学模型主要针对数据量较大，且线性关系较强的数据集，而对于非稳态的交通流数据，需要较多的参数标定，难以适应随机性较强、非稳定性较多的交通流特征；深度学习理论模型因其参数较多，模型训练时间较长，且所需的数据规模较大，在短时交通流预测中难以做到及时的预测结果反馈；小波分析中的经验模态分解(EEMD)的算法能够依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数，但该算法在分解时间序列的过程中会残留一定的白噪声，预测结果存在较多的干扰信息。

目前，针对城市快速路交通流短时预测模型的精确度均有提升。但是，仍然存在以下两点问题：（1）缺乏充分考虑交通流时空关联性。交通流的时空关联性决定了交通状态难以基于单一模型进行预测，而传统模型及神经网络等模型缺乏高维度非线性特征的提取能力，仅从交通流空间或时间单一维度进行研究分析，无法准确有效的识别交通流突变时刻，因此在预测过程中存在较大偏差。（2）非稳态交通流预测精度问题。在高峰时期及交通流非稳态时期，非线性模型、深度学习理论模型及小波分析等模型的预测精度不高，特别是当交通流波动幅度较大的状态下，模型的抗干扰能力较差。

发明内容

在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

鉴于此，为解决现有技术中存在的预测模型抗干扰能力较差、预测精度低的技术问题，本发明提供一种城市快速路交通流短时预测方法、计算机及存储介质。

方案一：本发明提供了一种城市快速路交通流短时预测方法，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；