[发明专利]一种基于时空相关性的短时交通流量预测方法

权利要求书

1.一种基于时空相关性的短时交通流量预测方法，其特征在于：包括下述步骤：

步骤1：分析路网中各路段之间的空间关系建立路网空间权重矩阵，并将此矩阵与在时间延迟d下的时间相关性公式结合得到时空相关性的计算公式；

步骤2：确定路网中要进行交通流预测的目标路段，计算路网中各路段与目标路段的时空相关性系数，筛选出相关性高的路段；

步骤3：使用神经网络对相关性高的路段数据进行训练并预测交通流量，然后基于粗糙集理论对其结果进行修正和补偿得到最后的预测结果。

2.如权利要求1所述的方法，其特征在于：步骤1中，所述的空间权重矩阵和时空相关性系数通过如下方式获取：

步骤1.1：首先建立空间权重矩阵W_ij，i与j为路网中任意两条路段；其数学表达式如下：

式中，当i，j两条路段有路网连接即i与j互通，i能通向j，j能通向i，则称路段i，j邻接，空间矩阵的值取1，否则都置0；

步骤1.2：计算时间相关性系数，时间相关系数ρ_ij表示在t时刻，路段i，j的时间序列X_i，X_j的交通流量在时间延迟d的作用下的相关性；采用Pearson相关系数计算时间序列X_i，X_j相关性，其相关系数表达式为：

式中，X_i,t表达的含义为在t时刻时间序列X_i的车流量，X_j,t+d表达的含义为在t+d时刻时间序列X_j的车流量。和分别为时间序列X_i，X_j的均值，E为数学期望，和分别为时间序列X_i，X_j的方差；

步骤1.3：计算时空相关性系数，将时间相关性系数概念进行扩展结合空间权重矩阵W_ij可以得到路网中各路段之间的时空相关性；相关性系数表达式如下：

3.如如权利要求2所述的方法，其特征在于：步骤2中，所述时空相关性高的路段通过如下方式获取：

将步骤1.3中计算得到的时空相关性系数η_ij(d)与阈值θ比较，η_ij(d)大于阈值θ的路段为时空相关性高的路段，从路网中筛选出与目标路段相关性高的路段并保存这些路段的交通流数据；其中阈值θ的计算公式如下：

式中，m为路网中相关性高的路段个数。

4.如如权利要求3所述的方法，其特征在于：步骤3中，所述预测交通流量通过如下方式获取：

在步骤3中基于粗糙集理论对神经网络预测结果进行修正和补偿得到最后的预测结果的过程如下：

假设神经网络的短时交通流量预测结果为R_t+1，粗糙集修正式子如下：

式中，R′_t+1为t+1时刻修正后的交通流预测值；R_t+2、R_t+1、R_t分别表示修正前t+2、t+1、t时刻神经网络模型交通流预测值；K_t+1、K_t分别表示预测函数在t+1时刻两侧的斜率；s为尺度因子。

5.如权利要求1-4任一项所述的方法，其特征在于：还包括以下步骤：

步骤4：根据最后的交通流预测结果和实际的交通流数据进行比较分析计算，得到预测误差进行评价分析；具体为：

步骤4.1：计算误差平方均值MSE

步骤4.2：计算误差绝对值均值MAE

步骤4.3：计算误差百分比绝对值均值MAPE

其中，为最后的预测结果，y_i为真实的观测值，n为预测的样本总量。