[发明专利]一种基于多源数据融合的城市交通流预测方法

说明书

本发明公开了一种基于多源数据融合的城市交通流预测方法，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；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；本发明结合多种传感器进行多方位检测，获取全面和完整的交通信息，将结构化与非结构化数据进行综合分析并进行数据融合，提高交通流数据的准确性和可靠性；再结合基于深度信念网络的交通流预测算法，实现对交通流量的预测，从而提高交通流预测精度，缓解交通拥堵。

技术领域

本发明涉及交通预测技术领域，具体涉及一种基于多源数据融合的城市交通流预测方法。

背景技术

随着城市化的不断推进，城市问题也越来越多，而准确地进行交通流预测对于解决交通拥堵、城市公共安全等问题具有重要的意义。

短时交通流预测作为智能交通系统的重要组成部分，也是智能交通系统发展的核心技术之一。主要应用于短时交通流预测的理论方法有：基于统计的线性理论模型、非线性理论模型和人工智能模型。基于统计的线性理论模型有历史平均方法、时间序列方法和卡尔曼滤波方法等，线性模型结构简单、计算方便，但对于交通流数据具有很强的随机性和不确定性的非线性特征而言，预测精度较低，并且线性模型的抗干扰能力差。随后，为了满足数据的非线性特征，人们又提出了基于小波的理论模型、混沌理论模型、非参数回归模型等非线性预测模型。基于人工智能化模型的出现，使得对于具有非线性特征的数据的处理进入了一个新的发展阶段，这种模型可以在自学习的过程中，以自适应调节模型参数的方法获取数据的本质特征来达到更优的预测效果。由于交通数据的多样化，城市交通的复杂性，而现有的交通流预测方法大多都只运用到了一、两种数据特征来对交通流数据进行分析处理，处理的数据比较单一，预测精度有待于进一步提高。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于多源数据融合的城市交通流预测方法，该方法通过将结构化和非结构化的交通数据进行融合，得出路的车流量、车流速度、排队长度以及事故状态等信息，提高交通流数据的准确性和可靠性，再结合基于深度信念网络的交通流预测算法，从而提高交通流预测精度，缓解交通拥堵。

本发明的目的通过下述技术方案实现：

一种基于多源数据融合的城市交通流预测方法，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；