[发明专利]一种基于多源数据融合的城市交通流预测方法

权利要求书

1.一种基于多源数据融合的城市交通流预测方法，其特征在于，包括下述步骤：

(1)面向结构化与非结构化交通数据的融合算法；

首先，设计含有三层网络拓扑结构的小波神经网络WNN对多源检测器的交通量参数进行处理，所述三层网络拓扑结构即输入层、隐含层、输出层；假定交通检测器以5min为一个周期进行统计，所采集交通流量序列为x_i(i＝1，2，3，…，k)，并作为小波神经网络的输入交通参数，则隐含层输出计算如公式(1)所示：

其中，s(j)为隐含层第j个节点的输出流量值；s_j为小波基函数；λ_ij为输入层到隐含层的权值；b_j、a_j分别为小波基函数s_j的平移因子和伸缩因子；

通过Morlet小波作为WNN的基函数，对所采集的交通流量序列进行处理，如公式(2)所示：

网络输出层计算交通量测量值如公式(3)所示：

其中，y(k)为输出层第k个节点的预测流量输出值；λ_jk为隐含层到输出层的权值；s(j)为隐含层第j个节点的输出流量值；m、l分别为输出层和隐含层节点的个数；

以多源数据值中的加权误差平方和最小为原则，充分利用不同数据源经WNN输出结果的不同交通流特性，依据数据测量值与实测流量值分别进行实时方差计算，并根据上一时段融合值与实测值实时更新下一时段各单源交通数据估计值的最小二乘动态融合权重，使精度较高的交通量所占比重大，而精度较低的交通量占比重小；基于最小二乘动态加权融合的算法既考虑了不同数据来源的不同交通特征信息，又考虑了随机因素的影响，增强了融合的精度与抗干扰能力；

(2)基于深度信念网络的交通流预测算法；

S1，路网相关性分析；

将一个区域内的路网抽象化为一个网状图G，该网状图中有N个结点，E是整个网络中所有路段的集合；对于任意一个路段的某一个连续的时间序列内所有的交通流量统计为一个二维数组，然后计算该路网中任意两个路段之间的相关系数；

S2，构造路网数据压缩矩阵；

对路网交通流数据矩阵进行分解，根据相关系数的绝对值大小对路段进行分组，设定一个阈值α，以某一个路段开始，求出与其相关系数大于α的所有路段，将其归为一组；然后从每一组中选择一个路段作为代表，并且选出这些路段所对应的交通流数据，然后将路段编号与对应的交通流数据形成压缩矩阵；

S3，基于谱分析的交通流分解；

傅里叶变换后的频谱能量分布在不同的频段，利用傅里叶变换的这一特征将交通流信号分离，分为趋势项与残差分量；将原始交通流数据通过谱分析处理，去除趋势项信息，作为模型的输出，以此得到预测值；

S4，支持向量回归；

支持向量机(Support Vector Machine，SVM)模型具有自学习自调整的特点，能够解决非线性问题，可以很好的函数拟合；交通流数据是一种典型的、复杂的、随机的非平稳时间序列，支持向量回归(Support Vector Regression，SVR)是具有隐藏单元的非线性前馈网络，具有良好的处理非线性时间序列的特性，能够利用非线性映射关系把数据映射到某个高维空间，在高维空间线性回归；

S5，DBN模型；

DBN模型是一个含有三个隐含层的网络模型；通过三个RBM模型自底向上叠加形成一个DBN模型，高层的RBM的隐层的输入为低层的RBM的隐层的输出，整个模型是一个逐层特征提取的过程，每一层训练后的输出都是输入特征的非线性变换。

2.根据权利要求1所述的基于多源数据融合的城市交通流预测方法，其特征在于，所述交通量参数主要有：车流量、车速、交通流密度、车道占有率、排队长度、车头间距和车头时距。

3.根据权利要求1所述的基于多源数据融合的城市交通流预测方法，其特征在于，所述多源检测器类型可分为：环形线圈检测器、微波检测器和视频检测器。

4.根据权利要求1所述的基于多源数据融合的城市交通流预测方法，其特征在于，所述S5具体步骤如下：

①根据实际的交通流数据，构造路网数据矩阵；

②用相关性分析方法对路网数据进行压缩处理，得到压缩矩阵，并且可以得到路网矩阵与压缩矩阵的关系矩阵；

③根据得到的压缩矩阵，利用DBN-SVR预测模型进行分步预测；

④分步预测得到所有路段的预测值，构建预测压缩矩阵；

⑤最后利用关系矩阵和预测压缩矩阵求出路网交通流的预测值。