[发明专利]一种高速公路收费站交通流量预测方法及系统

说明书

本发明属于交通数据处理领域，公开了一种高速公路收费站交通流量预测方法及系统，采用的聚类方法以空间中k个点为中心进行聚类，对最靠近的对象归类，通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果；高速公路收费站交通流量预测方法还包括：采用关联规则和调用arules包对数据进行处理。本发明解决了大多建模过程与传统时间序列模型相似，存在模型参数无法动态调整，样本量过大导致序列的平稳性减弱，建模过程复杂等不足的问题。

技术领域

本发明属于交通数据处理领域，尤其涉及一种高速公路收费站交通流量预测方法及系统。

背景技术

交通流量预测能有效缓解交通拥堵，降低事故发生率，给出行者舒适安全的交通环境。道路交通变化是一个实时、非线性、非平稳的随机过程，统计时段越短，交通流量短时变化的随机性和不确定性越强。由于十字路口是城市交通的重要组成部分，交通情况复杂，干扰因素多，其交通能力不足的问题已成为交通网络的瓶颈。因此，十字路口短时交通流量预测的研究是实现城市交通智能化的一个关键问题。

实时准确地把握高速公路的交通状态以保障其畅通有序运行，对于城市建设和经济发展具有十分重要的意义，现有检测技术已经能够实时监测高速公路的交通状态，但交通管理部门和出行者更关心未来短时间内的交通状态，预测未来短时间内的交通状态不仅能够为交管部门进行交通管制提供决策和支持，同时能够对出行者加以有效的路径诱导，短时交通状态预测的关键在于短时交通流量预测目前关于短时交通流量预测的方法很多如：时间序列模型、卡尔曼滤波、线性回归、历史平均等方法，时间序列模型就是其中较为成熟的预测方法之一，时间序列模型最主要的特征就是承认观测值之间的依赖关系和相关性，其优点在于不仅考虑了观测数据在时间序列上的依存性，同时也考虑了随机波动的干扰，因此能够进行动态预测，国内外不少学者利用该方法对短时交通流量预测进行了一系列研究。

综上所述，现有技术存在的问题是：

大多建模过程与传统时间序列模型相似，时间间隔较大，预测数据不精确，存在模型参数无法动态调整，样本量过大导致序列的平稳性减弱，建模过程复杂等不足,在一个序列中同时含有多个周期分量时，阶数较低的自回归移动平均模型很难将多个周期同时反映出来,自回归移动平均模型损失样本点，这对于较短的交通流量时间序列将会引起严重的问题。

技术问题不能有效解决的原因为：不同的地区存在影响交通流量的众多因素，单从流量数据本身建立模型来进行预测并不准确，而实际交通情况还存在一定的偶然性，技术问题只能尽可能缩小与实际的误差。

解决的难度在于：对影响交通流量数据因素的不确定性和具体的影响程度，涉及大量的数据类型和不同的数据格式，以及具体地区人群的主观因素和出行的行为特征。同时，交通流量具有复杂的非线性特征，需要分析的交通流量时间序列也多是非线性、非平稳的数据，各种经典的时间序列分析方法遇到非线性、非平稳的数据就会有精确度不够的缺陷，或者得到的结果没有清晰的实际交通情况含义，因此，有必要对交通流量波动中的非线性、非平稳的数据采用新的方法进行分析和研究，考虑特殊值得影响因素。

解决的意义在于：更加准确地预测实际的交通流量数据，充分考虑不同地区周边因素和自然因素对其的影响，更进一步的是，通过数据本身挖掘出人群主观因素的影响，分析人群的出行特点对交通流量数据的具体影响。

发明内容

针对现有技术存在的问题，本发明提供了一种高速公路收费站交通流量预测方法及系统。