[发明专利]一种基于时空关联的城市交通流量预测方法

摘要

本发明属于智能交通领域，尤其涉及一种基于时空关联的城市交通流量预测方法。该方法包括以下步骤1)预测模型训练根据不同的时间预测粒度，生成相应的预测模型；2)流量实时预测与模型训练的过程一致，进行交通流量预测时会将最新采集到的流量数据加入预测模型的输入端，再经过预测模型的处理，即可输出下一时段的预测流量。本发明对城市道路交通流量进行准确预测，可以实现智能交通控制与管理，交通信息服务，为缓解城市交通拥堵提供实时数据，具有显著的社会和经济效益。

主权项

一种基于时空关联的城市交通流量预测方法，其特征在于：该方法包括以下步骤：1)预测模型训练：根据不同的时间预测粒度，生成相应的预测模型；1.1)流量分类统计1.1.1)设定每天的统计时间范围、统计时间；1.1.2)采集每一统计时间需要进行预测的路段的时段数据；1.2)样本预处理1.2.1)完整性检验：为保证历史数据的完整性，对历史数据进行检验，如当日某一统计时间段内数据不存在，则计算在该时间段内的其余所有历史数据的平均值，将该均值作为其他日期内在该时间段内数据缺失时的默认补充值，若某条道路当天的缺失数据累计超过预设时间段，则丢弃该路段当天所有数据；1.2.2)有效性检验：将每日所有路段所有统计时间间隔内统计的流量转换到以小时为单位，即pcu/小时，当每小时交通流量超出预设的车道流量上限和下限时，视为错误数据，用其余所有日期内该时间段的流量均值替换；若某条道路当天的无效数据累计超过预设时间段，则丢弃该路段当天所有数据；1.2.3)将所有的历史数据整理为训练网络所需的输入输出对；1.2.4)数据归一化：将所有原始数据归一化到[0，1]范围内，利用以下公式：归一化后流量值＝((归一化前流量值)‑MINVALUE)/(MAXVALUE‑MINVALUE)MAXVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最大值，MINVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最小值，这两个数值在完成数据完整性检验和数据有效性检验后通过人工观察或程序检索得到；1.3)神经网络模型训练：训练模型采用BP神经网络，输入层神经元的数目与输入数据的维度一致，神经网络结构如下：1.3.1)设定输入层的神经元数目,输出层神经元数目,隐藏层层数，隐藏层神经元的数目由经验公式确定，其中n为输入层神经元数目,l为输出层数目，α取0；1.3.2)选择迭代次数，训练收敛时的绝对误差不大于0.001；2)流量实时预测：与模型训练的过程一致，进行交通流量预测时会将最新采集到的流量数据加入预测模型的输入端，再经过预测模型的处理，即可输出下一时段的预测流量；2.1)数据采集：根据不同的预测的时间范围，启动不同的预测进程，不同的进程根据各自数据更新的时间粒度去检索对应的文件，将最新统计的流量数据加载到模型的输入端，如果在统计时刻结束时没有对应的文件生成，则保持等待，如在等待预设时间后仍无对应的文件生成，则直接将上一时段的统计流量作为补充进行发布；2.2)数据预处理：将最新生成的流量数据从文件中解析出来，并与各时段历史流量数据、关联路段流量数据按照与模型训练过程一致的格式组合成训练模型的输入数据，再经归一化处理后送入预测模型；归一化的格式、MAXVALUE和MINVALUE与样本训练时的保持一致；2.3)预测输出：预测模型的输出是介于[0，1]之间经过归一化后的数值，在发布前进行反归一化，采用公式：反归一化后流量值＝反归一化前流量值*(MAXVALUE‑MINVALUE)+MINVALUE。