[发明专利]一种分时段考虑时空关联性的快速路交通状态预测方法

摘要

本发明公开了一种分时段考虑时空关联性的快速路交通状态预测方法，首先利用有序聚类算法对流量及速度时间序列进行分析时段动态划分，在不打乱交通流参数时间顺序的前提下将全天划分为具有不同交通特征的分析时段；进而针对不同时段，选用多变量的向量自回归模型，综合考虑上下游交通流的时空关联性，对目标地点的流量或速度进行预测。本发明的动态时段划分为快速路交通状态短时预测提供了一种廉价简便但却能够显著提高效率的基础方法；时段划分后考虑时空关联性的向量自回归模型，与未考虑上下游交通流影响的传统方法相比，预测结果在精度上明显提高。

主权项

一种分时段考虑时空关联性的快速路交通状态预测方法，包括下列步骤：(1)界定目标区域及相邻路段确定快速路目标区域，界定与目标路段相邻的周围路段，获取目标区域内所有路段交通流量及速度时间序列数据，并对采集的数据进行预处理，根据各路段在一天中各个时刻交通状态数据95％置信度的置信区间，过滤剔除异常数据，对于缺失数据，根据动态交通流特征，采用相邻时段实测数据和历史趋势数据的加权平均值进行补足；(2)交通流时空分布相关性分析根据预处理后的各路段流量、速度时间序列数据，采用相关系数度量交通流时空分布的相关性，即各路段交通状态在典型工作日/非工作日的相似性与周期性，以及各路段之间交通状态的时滞性与相关性，确定与目标预测路段相关联的路段时空范围；(3)交通状态分析时段动态划分将目标区域内待预测路段典型工作日/非工作日的流量和速度时间序列作为交通状态的表征类，采用有序聚类算法，即最优分割法，将全天划分为具有典型交通流变化特征的时段；(4)构建交通状态向量自回归预测模型；在交通状态分析时段动态划分的基础上，针对各个划分出的时段，分别建立目标路段流量及速度的向量自回归预测模型；(5)分时段快速路交通状态短时预测在实时获取研究区域内所有路段流量及速度数据的基础上，根据交通状态分析时段动态划分的结果，采用分时段建立的流量及速度向量自回归模型，预测目标路段在未来一个或多个时段的交通状态；所述的步骤(3)中具体方法为：设路段流量与速度的二维交通状态矩阵X：其中：x1,x2,…xm代表每隔一定时间间隔路段流量与速度的二维交通状态向量，xi1代表流量时间序列，xi2代表速度时间序列；i＝1,2,…,m，m为时间序列的个数；将二维交通状态矩阵X正规化处理，即矩阵X中的路段流量、速度的交通状态xij变换为：其中，zij为正规化处理后的路段流量、速度交通状态，i＝1,2,…,m；j＝1,2；得到正规化处理后的二维交通状态矩阵Z：其中：z1,z2,…zm代表正规化后的路段流量与速度的二维交通状态向量，zi1代表正规化后的流量时间序列，zi2代表正规化后的速度时间序列；计算离差平方和矩阵D来度量表征类中二维时间序列的差异，设每隔一定时间间隔连续n个时段的二维交通状态序列{zp,zp+1,…,zn}为一类，1≤p≤n≤m，其平均值样本的离差平方和则整个矩阵Z的离差平方和矩阵D为：表示矩阵Z中前a行路段流量与速度的二维交通状态向量的平均值；用c(k,m)表示对二维有序交通状态样本{z1,z2,…,zm}分割为k类，即将全天划分为k个具有典型交通特征的分析时段，t1,t2,…,tk分别为每一类第一个有序样本的下标，即分割为(t1＝1,t1+1,…,t2‑1)，(t2,t2+1,…,t3‑1)，…，tk＝1,tk+1,…,m；计算误差函数即k个分类对应的离差平方和之和，其中q＝1,2,…,k，表示上述离差平方和矩阵D中第tq行、第tq+1列的元素；分别计算k＝1,2,…,m时对应的k分类误差函数E[c(k,m)]，误差函数曲线的斜率中，连续分类数目k及k+1对应的误差函数连线与水平线夹角α随k值增大而不断减小，取α首次小于30度的点对应的k值为最优的交通状态分析时段动态划分数目。