[发明专利]一种基于时空关联数据挖掘的交通流预测方法

说明书

技术领域

本发明属于交通流预测技术领域，具体涉及一种基于时空关联数据挖掘的交通流预测方法。

背景技术

近年来，交通流预测技术一直在智能交通系统（ITS）中发挥很重要的作用。交通流预测技术能够帮助通行的个人进行智能的出行路线选择，也可以为交通管理者提供决策支持。

早期的一些技术主要针对单序列的交通流预测。可以根据预测模型的有无参数分为有参数预测模型和无参数预测模型。在有参数预测模型中，季节性ARIMA（Autoregressive Integrate Moving Average）模型是应用最广泛的一种方法（见参考文献[1]）。它在基于单时间序列的交通流预测上可以达到最小的均方误差（MSE）。而在无参数预测模型中，最近邻方法（Nearest Neighbor Method）被认为是可替代季节性ARIMA的方案（见参考文献[2]），但是最邻近预测方法的预测效果依赖于历史数据的质量。总体来讲，单序列的交通流预测方法只考虑了序列自身的特征，忽视了不同序列之间的相互作用和关系。

由于交通流的演化是通过交通网中所有节点交通流之间的相互作用而形成的，所以在交通流的预测中，不同节点交通流之间的关系应该被考虑进去。从而，在近些年基于数据时空关联性的多因子交通流预测成为了研究的热点。目前流行的方法大致有三种：1、状态空间模型或卡尔曼滤波器（见参考文献[3]）；2、神经网络（Neural Network）等机器学习方法（见参考文献[4]）；3、时间序列方法，如Vector Autoregressive Moving Average模型（见参考文献[5]）（VARMA）。而时空关联数据的选取则是进行多因子交通流预测的必要步骤。在以往的研究中，时空关联传感器的选取大部分是根据人工经验手动选取目标节点一定邻近范围内的传感器。只选取目标节点邻近范围内的传感器的数据作为与预测模型的输入比较主观，没有反映现实中数据之间真正的时空关联性，无法获得最佳的预测性能，基于人工经验的方法缺乏适应性，很难实施到大型的交通网中。

稀疏表达作为一种数学工具最早应用于信号处理领域，被广泛应用于信号压缩、图像去模糊、特征提取等，本发明提出将其应用于面向交通流预测的时空关联数据挖掘。稀疏表达的主要思想为：一个信号y可以通过一个字典D包含的K个原子信号{d₁,d₂,...,d_j,...,d_K}的线性组合表示为y=Dx，其中y∈Rⁿ，d_j∈Rⁿ，D∈R^n×K；或者近似表达为y≈Dx，这里其中x∈R^K为信号y的表示系数，稀疏表达要求通过尽可能少的原子信号来表示信号y，即要求线性组合系数x包含的非零系数尽可能少，因此，求稀疏解的目标函数可以写作

    约束条件：y=Dx

或者

x^=argminx||x||0]]>    约束条件：||y-Dx||22≤ϵ0]]>

上式中的||x||₀为x的0范式，表示向量x包含的非零元素的个数。由于已有一些稀疏表达的优化方法方面的数学工具（见参考文献[6]），可以自动从字典中选取有效的原子表示信号，所以本发明将其应用到时空关联性数据挖掘中，以达到从整个交通网络中自动地选取与目标传感器相关的时空关联传感器、并将时空关联传感器的数据作为预测模型的输入用于预测的目的。

参考文献