[发明专利]一种时空关联度与SVR结合的高速公路短时流量预测方法

说明书

本发明公开了一种时空关联度与SVR结合的高速公路短时流量预测方法，包括：确定待预测的目标断面i和多个上游断面j；获取目标断面i以及多个上游断面j在时刻t所对应的时段T_t内的交通流量原始数据序列；对时刻t所对应的时段T_t内的交通流量原始数据序列进行预处理；计算交通流量原始数据序列与历史状态矩阵的时空关联度；对目标断面下一检测周期的流量进行预测，得到预测结果q_i‑D(t+T)；训练得到支持向量机回归模型；用支持向量机回归模型对测试样本集进行预测，输出预测结果q_i‑SVR(t+T)；将预测结果q_i‑D(t+1)、q_i‑SVR(t+1)进行加权融合，得到最终的预测结果。本发明将高速公路路段交通流的时空关联特性与支持向量机回归(SVR)结合，提高高速公路路段流量的预测精度。

技术领域

本发明涉及交通信息技术领域，具体涉及一种时空关联度与SVR结合的高速公路短时流量预测方法。

背景技术

随着汽车持有量的持续增加，以及各地区经济互动的愈加频繁，行驶于高速公路上的车辆越来越多，导致高速公路上的交通拥堵越来越严重，交通事故也频频发生。

单靠传统“修路限行”的方法，很难从根本上解决高速公路交通拥堵、事故频发等问题，还需加强对高速公路交通的管理和控制，提升现有高速公路的通行效率，从而达到缓解拥堵、减少事故的目的。对流量变化趋势的掌握，是对高速公路进行有效管理和及时实施管控措施的前提。因此要实现对高速公路的有效管理，减少交通拥堵和交通事故的发生，其重点在于对高速公路交通流量的准确预测。

交通系统受到诸多因素的影响，是一个复杂、时变的非线性系统。同时，其较强的随机性和不确定性的特征增强了进行交通流预测的困难程度。支持向量机作为机器学习领域的一大研究热点，在解决小样本、高维度识别、非线性分类等问题有着十分显著的优势，Vapnik等人提出基于统计学习理论框架下的支持向量机回归(SVR)方法，能够克服局部最小，高维度和过度学习等问题，具有很强的泛化能力，在交通流预测中得到了广泛的应用。

但是，高速公路交通流不仅随时间变化，同时也受空间因素的影响，具有明显的时间和空间变化特性。而传统的基于支持向量机回归的高速公路交通流量预测算法主要针对交通流的时间变化特性，而忽略相邻断面及匝道进出口流量对目标断面流量的影响，造成预测结果不准确。

发明内容

有鉴于此，为了解决上述问题，本发明提供一种时空关联度与SVR结合的高速公路短时流量预测方法。

为实现上述目的及其他目的，本发明提供一种时空关联度与SVR结合的高速公路短时流量预测方法，包括以下步骤：

确定待预测的目标断面i，记当前时刻为t，预测时长为T，选择与目标断面i在t+T时刻的流量相关的多个上游断面j；

获取目标断面i以及多个上游断面j在时刻t所对应的时段T_t内的交通流量原始数据序列；

对目标断面i以及多个上游断面j在时刻t所对应的时段T_t内的交通流量原始数据序列进行预处理；

计算当前时刻t上游断面j所对应的时段T_t内的交通流量原始数据序列与历史状态矩阵的时空关联度；

对目标断面下一检测周期的流量进行预测，得到预测结果q_i-D(t+T)；

选择目标断面i与t时刻相邻的前n个检测周期的数据作为支持回归机的输入来训练得到支持向量机回归模型；

用支持向量机回归模型进行预测，输出预测结果q_i-SVR(t+T)；