[发明专利]一种结合周相似特性的分形交通流预测方法

说明书

技术领域

本发明涉及智能交通系统，尤其是一种交通流预测方法。

背景技术

短时交通流预测中使用广泛的模型有：计量模型、神经网络模型、动态交通分配模型以及非线性系统理论模型。交通系统是人参与的、时变的复杂系统，传统的计等量模型(数理统计模型)已经不适应短时交通流的预测精度。人工神经网络对非线性系统的预测具有很好的适应性，但是运用神经网络需要大量样本对模型进行训练，推广能力较差。动态交通分配模型主要目的是对路网上的交通流进行合差理分配，模型中所进行的预测的实时性较差，精度不高。而非线性系统理论包括了分形理论和相空间重构等非线性科学，一些学者所做的研究主要集中在用相空间理论、混沌理论等对交通流的预测，并且取得了较高的预测精度，但是实时性较差。

发明内容

为了克服已有的交通流预测方法的实时性较差、预测精度不高的不足，本发明提供一种实时性好、预测精度高的结合周相似特性的分形交通流预测方法。

本发明解决其技术问题所采用的技术方案是：

一种结合周相似特性的分形交通流预测方法，所述预测方法包括以下步骤：

1)、以周为周期的不同工作日的交通流数据，将交通流数据进行分组，组成设定时间段下的同一路口不同方向上的交通流序列，表示为：

{Ni}＝{N1，N2，N3，...Nn}

{N1i}＝{N11，N12，N13，...，N1n}(i＝1，...，n)

{N2i}＝{N21，N22，N23，...，N2n}(i＝1，...，n)

{N3i}＝{N31，N32，N33，...，N3n}(i＝1，...，n)

…

{Nmi}＝{Nm1，Nm2，Nm3，...，Nmn}(i＝1，...，n)

其中{Ni}、{N1i}、{N2i}、{N3i}...{Nmi}分别代表当前时刻前设定时间到当前时刻的交通流量序列、一周前该时间段的交通流量序列、两周前该时间段的交通流量序列、三周前该时间段的交通流量序列...m周前该时间段的交通流量序列，n、m均为自然数，其中m≥3；

2)、提取当前时刻前设定时间到当前时刻的交通流量序列{Ni}，初始化n＝1，进行n阶累计计算得到{Si}，{Sn_i}(i＝1，...，n)＝N(A，ε)_i，根据下式(2)计算：

D≈lnN(A,ϵ)-lnCln(1/ϵ)---(2)]]>

设定分形维数的下限d，若经过多阶累计后计算得出的分形维数的D＞d，则停止进行累计，并且以所得到的D求取常数C的值，然后将得到的D和C代入公式(3)求得{Sn}_n+1，

N(A，ε)＝C/f(1/ε)^D                        (3)

根据累计的阶数n对所得到的{Sn}_n+1进行n次往回迭代，得到的值即为N(A，ε)_i+1；

3)、根据一周前该时间段的交通流量序列、两周前该时间段的交通流量序列、三周前该时间段的交通流量序列...m周前该时间段的交通流量序列，分别进行步骤2)的计算，得到各自的预测数据，依照公式(10)计算得到误差修正后的预测流程：

Q(t+1)＝Q′(t+1)+K₁[Q₁(t+1)-Q′₁(t+1)]+K₂[Q₂(t+1)-Q′₂(t+1)]      (10)