[发明专利]一种短时交通流预测模型方法

摘要

一种短时交通流的预测方法，属于公路交通、计算机与数学交叉技术领域。首先，对获取的原始交通流数据进行降噪，对降噪后的原始数据进行样本重建(6-9个采样点作为一个样本，步长为1个采样周期)形成新的重建后的样本数据集，利用聚类算法根据样本和样本的一阶差分对重建后的样本数据集进行分类，得到m个聚类中心，最后用m个聚类中心训练WNN，确定WNN模型参数。再利用残差序列对ARIMA模型训练，得到ARIMA模型，最后通过结合WNN模型和ARIMA模型对交通流数据进行预测。本发明研究了短时交通流预测模型，把聚类算法和WNN相结合，通过改善训练数据的质量，提供了一种更为鲁棒和精确，实时的短时交通流预测模型。

主权项

一种短时交通流预测模型，其特征在于以下步骤：(1)设当前观察的交通流序列为O＝{o₁,o₂,…,o_n}，o_n为每隔5min的交通流采样点；(2)对原始交通流序列进行重建，生成样本空间X＝{x₁,x₂,…,x_n}和一阶差分样本空间X‘＝{x’₁,x′₂,…,x′_n}，其中x_n＝{o₁,o₂,…,o_k}，x′_n＝{o₂‑o₁,o₃‑o₂,…,o_k‑o_k‑1}，k＝[6,7,8,9]；(3)根据样本x_n＝{o₁,o₂,…,o_k}，x′_n＝{o₂‑o₁,o₃‑o₂,…,o_k‑o_k‑1}的综合距离使用聚类算法对样本空间X进行聚类，，m‘个聚类中心，按照类别中的样本数量进行排序，提取前80％的聚类中心，即m个聚类中心；(4)假设m个聚类中心为c_i＝{o₁,o₂,…,o_k}，i＝1…m；将m个聚类中心作为小波神经网络WNN的输入数据集，使用随机梯度算法训练WNN，得到WNN模型；(5)对得到的WNN模型进行评估，如果模型误差较大，则重复步骤(3)和(4)，(6)利用m个聚类中心对交通流序列O＝{o₁,o₂,…,o_n}重建，设重建后的交通流序列为O′＝{o′₁,o′₂,…,o′_n}，计算得到残差序列S＝{s₁,s₂,…,s_n}，其中s_n＝o_n‑o′_n；根据序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，确定模型的p，d，q，利用得到的残差序列S作为ARIMA模型的输入，对ARIMA模型进行参数估计和假设检验，得到通过检验的ARIMA模型；(7)当基于聚类的WNN‑ARIMA模型进行预测时，将样本作为WNN模型的输入和样本残差作为ARIMA模型的输入，最后利用将两部分的和作为下一时刻的交通流预测值。