[发明专利]一种基于时段划分的短时交通流预测方法

摘要

本发明属于智能交通控制技术领域，提供一种基于时段划分的短时交通流预测方法，考虑了车型和时段对交通流特性的影响。首先，选定空间范围、历史数据的时间范围和预测时间间隔，利用该空间范围内的检测器获取原始交通量数据集，基于预测时间间隔将原始交通量数据集按车型进行集计后获得每种车型的交通量数据；其次，保持时间顺序不变，使用有序聚类法按每种车型对交通流分别进行时段划分；然后，针对每种车型，使用不同的马尔可夫模型预测不同时段的交通量；最后，将所有车型的交通量预测值进行求和，从而得到含所有车型的交通量的最终预测值。相比于单一的马尔可夫模型，所提出的基于时段划分的马尔科夫模型能够显著地提高短时交通流预测的精度。

主权项

1.一种基于时段划分的短时交通流预测方法，称之为FMAR模型；首先，确定短时交通流预测的空间范围、历史数据的时间范围和预测时间间隔；其次，利用该空间范围内的各种检测器获取预测地点每种车型的交通量历史数据；接着，使用有序聚类法对一日交通流进行时段划分；然后，根据交通流的波动规律，使用不同的马尔可夫模型分别预测每个时段的交通量数据；最后，基于预测时间间隔得到一日交通量预测值；其特征在于，包括如下具体步骤：/n(1)交通流数据获取/n选定空间范围、历史数据的时间范围和预测时间间隔，通过检测器获取预测时间之前的原始交通量数据集p为断面编号，o为车型编号，o∈{1,2,3,…,O}，O为车型数，z为任一时刻，a为检测器采样时间间隔；从原始交通量数据集中筛选出预测日之前的所有周对应日的交通量数据和预测日当天预测时间之前的交通量数据，按照时间顺序由远至近排列，称为筛选交通量数据集根据预测时间间隔，将筛选交通量数据集进行集计后，得到第o类车通过断面p的交通量时间序列为第个时间间隔内第o类车通过断面p的交通量，为序列中的时间间隔数；/n(2)交通流时段划分/n当对交通流进行时段划分时，需保持时间顺序不变，使用Fisher有序聚类法对一日交通流进行时段划分，包括以下步骤：/n1)时段直径定义/n从交通量时间序列中筛选出预测日前一周对应日的交通量时间序列为预测日前一周对应日第t′个时间间隔内第o类车通过断面p的交通量，t′∈{1,2,3,…,T′}，T′为序列中的时间间隔数；序列的第k个时段所含交通量数据为和分别为预测日前一周对应日第m_k和n_k个时间间隔内第o类车通过断面p的交通量，k∈{1,2,3,…,K}，K∈{1,2,3,…,T′}，K为划分的时段数，记时段内交通量的均值和直径分别为/n /n /n式中：m_k∈{1,2,3,…,T′}，n_k∈{m_k,m_k+1,m_k+2,…,T′}，m_k为时段的第一个时间间隔；n_k为时段的最后一个时间间隔；m₁＝1，n_k＝m_k+1-1，n_K＝T′；/n2)分类函数定义/n将交通量时间序列划分为K个时段，其分类函数为/n /n当某时段划分方式使分类函数达到最小，则该时段划分方式最合理，记为即/n /n式中：min为取最小值；/n3)时段划分算法/n第一步，找到时间间隔m_K，使式(5)所示递推公式最小/n /n式中：为使分类函数最小的时段划分方式；为时段的直径；/n得第K个最优时段/n第二步，找到时间间隔m_K-1，使式(6)最小/n /n式中：为使分类函数最小的时段划分方式；为时段的直径；/n得第K-1个最优时段/n使用前一时段代替后一时段，再反复利用式(6)，不断循环直至得到划分的所有时段，此时所划分的时段即为所划分的最优时段；/n(3)模型选取/n选取合适的马尔可夫模型预测各时段的交通量，这里给出两种马尔可夫模型，即传统马尔可夫MAR模型和基于隶属度的马尔可夫MMAR模型；MAR模型适用于预测交通流稳定的时段，MMAR模型适用于预测交通流波动的时段；/n1)MAR模型/n根据历史交通量时间序列使用MAR模型得第个时间间隔内交通量预测值；将划分为S种状态，即为序列的第s种状态，s∈{1,2,3,…,S}，如果表明第个时间间隔内交通流处于状态和分别为状态的下界和上界；为获取不同时间间隔内交通量之间的关系，需计算状态转移概率，记状态经过w步转移至状态的转移概率为其计算公式为/n /n式中：为状态经过w步转移至状态的频次；为状态的频次；s′∈{1,2,3,…,S}，w∈{1,2,3,…,S}；/n根据状态转移概率进一步得到w步转移概率矩阵P^o,w，即/n /n选取距第个时间间隔最近的S个时间间隔对应的交通量，按由近及远的顺序其所需转移步数分别为1,2,3,…,w,…,S，记这S个时间间隔内交通流的状态为初始状态，取其对应的w步转移概率矩阵中的行向量从而形成新的转移概率矩阵R^o，即/n /n式中：为选取的S个时间间隔中第s个时间间隔内交通流从状态经过w步转移至状态的转移概率；/n取对应的状态为第个时间间隔内交通流的状态，为第个时间间隔内交通流落入状态的概率，max表示取最大值，则第个时间间隔内MAR模型所得交通量预测值为/n /n式中：和分别为状态的下界和上界；/n2)MMAR模型/n传统马尔科夫模型所划分的状态往往不精确，若使用隶属度表示交通流处于某种状态的程度，则更好地考虑不同状态对交通流预测的影响，即可弥补状态划分不精确的缺点；因此，提出一种基于隶属度的马尔可夫模型，设为状态的中心点，即/n /n根据所划分的状态E^o得其中心点序列为将所有交通量数据包含在中心点序列所构成的区间内，将中心点序列向左右延拓，得到两个新的中心点和则有新中心点序列基于中心点三角白化函数，对于利用式(12)得到交通流处于状态的隶属度即/n /n进一步，得隶属度矩阵M^o为/n /n根据式(8)得到w步转移概率矩阵P^o,w，选取预测时间之前的S个时间间隔对应的交通量，以这S个时间间隔内交通流的状态为初始状态，取其对应的w步转移概率矩阵中的行向量分别乘以其隶属度后再加和得到新的转移概率矩阵R′^o的行向量即/n /n式中：为第o类车第个时间间隔内交通流经过w步转移至第s种状态的概率；为第o类车选取的S个时间间隔中第s个时间间隔内交通量的权重系数，/n进而得到新的转移概率矩阵R′^o，即/n /n式中：为选取的S个时间间隔中第个时间间隔内交通量对应的行向量；/n由此得到预测值落入第s′种状态的概率为/n /n式中：为第o类车第个时间间隔内交通流经过步转移至第s′种状态的概率；/n那么，第个时间间隔内MMAR模型所得交通量预测值为/n /n式中：为第o类车对应的第s′种状态的中心点；/n(4)交通流预测/n进行时段划分后得所划分的最优时段为将其作为预测日当天的K个时段；不同时段的交通流表现出不同的波动规律，因此选用不同的马尔可夫模型对不同时段进行交通流预测，进而得到预测日一天的交通量预测值，即/n /n /n /n式中：为第个时间间隔内第o类车通过断面p的交通量预测值；为第η′种马尔可夫模型得到的第个时间间隔内第o类车通过断面p的交通量预测值，η′＝1表明所选模型为MAR模型，η′＝2表明所选模型为MMAR模型，η＝2为马尔可夫模型的种类数；为判断第k个时段内是否选用第η′种马尔可夫模型的标识符，如果是，否则，为预测日第t个时间间隔内第o类车通过断面p的交通量预测值；mod表示取余数；为预测日第t个时间间隔内通过断面p的交通量预测值；t∈{1,2,3,…,T}，T为预测日当天交通量序列的时间间隔数；/n使用平均绝对百分比误差MAPE、平均绝对误差MAE和均方根误差RMSE三个指标评价模型的预测性能；MAPE用来衡量模型的预测准确度，其值越小说明模型预测准确度越高，MAE和RMSE用来衡量预测值与实测值之差的离散程度，其值越小说明预测值和实测值之差的波动性越小；MAPE、MAE和RMSE的计算公式分别为/n /n /n /n式中：x_p,t为预测日第t个时间间隔内通过断面p的交通量实测值。/n