[发明专利]一种基于Markov的灰色Verhulst短时交通流预测方法及系统

说明书

本发明公开了一种基于Markov的灰色Verhulst短时交通流预测方法：S1、基于原始交通流量序列建立灰色Verhulst模型，得出原始交通流量预测值；S2、利用倒数变换和最小二乘法对原始交通流量预测值进行改进，得出初始预测值；S3、利用Markov链对初始预测值的残差进行修正，得到最终预测值。本发明将原始交通流量预测值作为待定参数，再利用倒数变换和最小二乘法求对公式中的初值进行改进，得交通流量的初始预测值，使其预测的偏差达到最小，保证预测结果的准确性和有效性；最后利用Markov链对预测所得到的残差进行修正，一方面有利于提高模型的精度，另一方面能够大大提高最终预测结果的精确性，从而为实际短时交通流的计算提供准确有效的参照基础。

技术领域

本发明涉及交通预测方法技术领域，尤其涉及一种基于Markov的灰色Verhulst短时交通流预测方法及系统。

背景技术

随着城市化进程的不断加快，城市交通问题日益突出，在一定程度上影响其可持续发展。智能交通系统是缓解交通拥堵、避免交通事故发生的有效途径之一，而实时准确的短时交通流预测是智能交通系统中的关键。因此，短时交通流预测研究对智能交通系统的发展以及城市交通可持续发展有着重要的推进作用。目前，已有大量从事交通流量预测研究工作，如基于线性理论的预测模型侧重于从概率的角度挖掘交通流之间的时空相关信息来进行预测。该方法是线性模型，在预测非线性、不确定性的交通流时，模型性能变差；基于非线性的理论的预测模型主要包括基于小波分析的预测方法、基于混沌理论的预测方法等。但此类方法在交通流预测领域应用不多，还有待继续研究；基于机器学习的智能预测模型，这类方法主要包括：神经网络预测方法、深度学习等，这些方法在理论上存在缺陷，不能使期望风险最小化；其次是采用典型的黑箱型学习模式，在学习阶段需要大量的样本数据，在实际情况中，经常由于各种各样的原因容易造成数据遗漏，导致模型精度降低，而且依赖大量的历史数据，成本很高。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于Markov的灰色Verhulst短时交通流预测方法及系统。

本发明提出的基于Markov的灰色Verhulst短时交通流预测方法，包括以下步骤：

S1、基于原始交通流量序列建立灰色Verhulst模型，得出原始交通流量预测值；

S2、利用倒数变换和最小二乘法对原始交通流量预测值进行改进，得出初始预测值；

S3、利用Markov链对初始预测值的残差进行修正，得到最终预测值。

优选地，其特征在于，步骤S1具体包括：

基于历史交通流量数据建立原始交通流量序列，记为：

x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3)...x⁽⁰⁾(n)}；

其中，x⁽⁰⁾为原始交通流量序列，x⁽⁰⁾(k)为历史交通流量数据，x⁽⁰⁾(k)≥0,k＝1,2,3...n；

对原始交通流量序列x⁽⁰⁾进行一次累加操作生成(1-AGO)，得到累加后序列：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))；

其中，

x⁽¹⁾的均值生成序列为：

建立灰色Verhulst模型：