[发明专利]一种基于多变量灰色模型时间序列的车流量预测方法

说明书

本发明涉及一种基于多变量灰色模型时间序列的车流量预测方法，所述方法包括以下内容：输入采集的观测站车流量和相关外部变量数据以及观测站信息数据；对输入的数据进行数据预处理；将进行数据预处理后的数据输入到基于数据分解的多变量时间序列融合预测模型和基于结果加权的多变量时间序列融合预测模型中进行预测；将预测值与实际值进行对比，输出最终结果。通过多种多变量时间序列预测模型的融合对高速公路的车流量进行预测，提高了预测精度，通过对交通领域中高速公路上的应用实现，可以帮助交通管理部门提高智能化管理水平，降低运营成本；通过应用演示系统的展示，可以直观为管理人员提供数据支撑，以便及时做出相应的决策并予以实施。

技术领域

本发明涉及一种车流量预测方法，特别是涉及一种基于多变量灰色模型时间序列的车流量预测方法。

背景技术

时间序列分析预测的主旨是对一定长度范围内的系统运行记录建立数学模型，该模型可以较为准确地分析并拟合时间序列各项指标中包含的动态依存关系，并利用它对系统未来的数值或行为进行预测。时间序列的预测可以从不同角度和领域去研究，有建立在统计方法基础之上的经典时间序列分析方法，也有针对序列中的不确定性进行研究的灰色系统理论，还有基于计算智能技术的时间序列预测技术。

将时间序列分析预测方法应用到车流量预测上，旨在把理论应用于实际，以解决生活中的真实问题。从车流量的数据特征来分析，它的数据分布在长时间的范围内呈现出较为清晰的上下波动且具有一定的规律性，属于典型的时间序列范畴，但由于其变化受多种外界因素干扰，随机性较大，故需采用特定的时间序列建模方法才能进行准确的预测。

在最初的时候，Ahmaed等人使用基本的ARIMA模型预测车流量，将模型参数进行动态化设置，使其可以随时间的推移而变化，也只能使得预测精度差强人意。后来，Okutani等人使用卡尔曼滤波对短时车流量进行了预测，利用预测残差对模型进行调整，并结合实际路段的具体情况，使得预测精度最高达到了91％。21世纪后，Stathopoulos等人使用状态空间模型对多变量情况下的城市交通车流量预测进行了预测，输入数据集中除目标车流量外，还包括观测点上游的车流量数据，通过实验分析得出结论为多变量的状态空间模型的预测精度优于单变量的时间序列模型。但他同时也指出，城市流量、速度和占有率数据的多元建模是一个相当复杂和繁琐的过程，来自不同探测器的数据不仅需要相互高度相关，而且还要与当前具有较高频率的短期波动的交通状况有关。另外，在极端条件下可能会因为无法描述其交通特性而产生的数值上预测偏差，故有必要开发能够在边界条件下捕捉交通行为的新方法。

短时车流量的变化也呈现出一定的非线性特征，故采用非线性预测模型对车流量进行预测也是近年来的研究趋势，其具有预测灵活，能够拟合复杂数据的特性。丁栋等人将交通网络中每个节点的交通流处理为一个隐马尔科夫过程，则整个网络便成为多个隐马尔科夫过程的交互，再使用影响模型对其建模，采用EM算法训练得出模型参数，从而对短时交通流量进行预测。Huang等人突破性地使用了深度学习模型对车流量进行预测，并利用多任务学习的方法预测了多个节点的车流量，取得了较常见模型更好的预测准确度。Oh等人使用基于K近邻(K-Nearest Neighbors,KNN)的搜索算法预测交通状态，这种新式的顺序搜索策略相比于传统的单级搜索方法，有着较高的预测准确率、效率和稳定性。上述方法也存在着一定的局限性，例如他们对历史数据需求量大，且对数据的训练和计算需消耗较多的时间，同时在交通系统复杂的数据环境下，如何进行变量的选择，也是急需解决的问题。