[发明专利]具有在线自整定优化能力的高速公路交通流量融合预测方法

权利要求书

1.具有在线自整定优化能力的高速公路交通流量融合预测方法，其特征在于：包括如下步骤：

1）获取高速公路检测交通数据，每一组高速公路检测交通数据包括时间、流量、速度和占有率；

2）建立滑动时间窗(t-m+1,t)，m为时间窗的长度，即需要读取的高速公路检测交通数据的组数；通过滑动时间窗读取高速公路检测交通数据，每次读取1组新数据，并删除1组最老的数据；

3）对当前滑动时间窗内的数据进行处理：检测是否有数据缺失，若有，则进行插值处理；

4）对比4种单体预测模型在当前滑动时间窗中的预测精度，将预测精度最差的单体预测模型在滑动时间窗下进行训练，一直训练到下次单体预测模型精度对比的时刻，同时选定另外3种单体预测模型；

5）将选定的三种单体预测模型的预测结果进行数据融合；

6）保存步骤5）融合后的预测数据；

7）判断高速公路检测交通数据是否更新，如更新则读取新的高速公路检测交通数据，判断当前滑动时间窗内的数据是否缺失，若有，则进行插值处理；；

8）判断当前已进行预测的次数，如果预测的次数没有达到m次，则返回步骤5），如果预测的次数达到m次，则返回步骤4）。

2.如权利要求1所述的具有在线自整定优化能力的高速公路交通流量融合预测方法，其特征在于：所述高速公路检测历史交通数据为时间、流量、速度和占有率。

3.如权利要求2所述的具有在线自整定优化能力的高速公路交通流量融合预测方法，其特征在于：所述步骤3）具体包括如下步骤：

31）在滑动时间窗(t-m+1,t)中，检查该时间段内的数据是否有缺失，如果有缺失就选定该段数据；

32）设定一个时间起始点，然后将时间字段转化成数据字段，作为插值横坐标，将流量、速度和占有率分别作为插值纵坐标；

33）根据三次样条插值法插值。

4.如权利要求1至3中任一项所述的具有在线自整定优化能力的高速公路交通流量融合预测方法，其特征在于：所述步骤4）中，4种单体预测模型分别为时间序列预测模型、卡尔曼滤波预测模型、神经网络预测模型以及混沌预测模型；

对于时间序列预测模型，若其为预测精度最差的单体预测模型，则重新训练预测模型，确定最优的样本量；

对于卡尔曼滤波预测模型的训练机制，若其为预测精度最差的单体预测模型，则重新训练预测模型，确定最优的状态向量维数。

对于BP神经网络预测模型，若其为预测精度最差的单体预测模型则，重新训练预测模型，确定新的预测模型参数。

对于混沌预测模型，若其为预测精度最差的单体预测模型，则重新训练预测模型，确定最优的嵌入维数和延迟时间，以构造满足混沌特性的相空间。

5.如权利要求4所述的具有在线自整定优化能力的高速公路交通流量融合预测方法，其特征在于：步骤5）中，将三种单体预测模型的预测结果进行数据融合的方法如下：用三种单体预测模型分别进行预测，利用误差反比例法将预测结果分别给予权重，然后进行预测结果融合。