[发明专利]基于时空数据流融合分析的城市交通预测方法和系统

说明书

本发明提供了一种基于时空数据流融合分析的城市交通预测方法和系统。所述方法包括：基于多项式函数拟合单类交通数据流，根据拟合结果对交通状态进行预测；基于数据包络分析模型对各类交通数据流进行融合，根据融合结果对交通状态进行预测；基于预设聚类算法对各交通枢纽点的连续时间间隔进行分析，根据聚类结果对交通状态进行预测；基于预设方法计算所有交通枢纽点的中心点，根据中心点变化幅度进行交通状态预测。本实施例可以识别单一监测点覆盖范围内由单一交通数据流和多数据流反应出的交通异常状态，以及由多个检测点共同反应出的城市区域性交通异常，基于不同层级的交通数据分析，可以提高预测的准确性。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于时空数据流融合分析的城市交通预测方法和系统。

背景技术

城市交通是城市内部及城市与外部之间的人员物资实现空间位移的系统，城市规模、地理位置、自然环境、出行时间以及节假日等诸多因素以非线性方式相互关联影响，共同构成一个典型的复杂时空系统。随着城市规模化进程加快，路网结构优化的速度迟滞于各类交通媒介增加的速度，城市交通平稳性面临严峻的挑战，因此需要有效的分析手段对交通流进行实时准确的预测，可以提前部署应对方案，最大程度缓解道路压力。

目前，基于交通流研究主要分为两大类：微观交通流理论和宏观交通流理论。以宏观交通流理论为例：

宏观交通流理论旨在对反应整体交通运行特性的指标(如流量、密度和速度等)进行关联分析与建模，通过采集到的大量数据进行实证分析。从宏观分析角度，由数据拟合的城市交通状况具有一定规律的周期性变化，每天不同的时段，工作日与周末，各个月份以及各种类型的节假日都有其特定的规律，呈现出显著的时间相关性。同时，城市各区域的交通状况联通，当其它区域的交通流发生变化时，会对当前时刻或下一时毗邻区域的交通流形成影响，呈现出显著的空间相关性。

换言之，城市交通由出租车，公交车，私家车，自行车以及行人等多种交通媒介组成，城市交通状态由多种信息综合反应，多种交通数据流之间存在显著的相关关系，因此，对城市交通流进行预测的本质是对反应交通状况的多条时空数据流进行建模与融合分析的过程。现有，基于时空数据分析途径实现交通流预测的研究可大致分为三类：

第一，基于数理方法的研究旨在使用如混合分布模型，主成分分析法，梯度下降法等数值分析技术去拟合交通数据本身的数学特征。在历史数据充足(即数据标签明确)的情况下，可以较好的反映给的数据集的实际分布特征，但异常值非常敏感且对模型的依赖性太高，难以应对实时检测中突发或未知的状况。

第二，基于数据相似性度量的研究旨在通过距离、密度等邻域度量标准，基于聚类方式识别各类交通行为模式。这类方法不处理数据之间的相关性，只是根据既定的度量规则识别交通数据中相似数据稠密的区域。在城市交通的实时检测中，其预测的准确性高度依赖度量规则的合理性，难以快速识别源自于机理未知的数据模式。

第三，基于模式挖掘的研究旨在通过数据分析技术挖掘交通流中出现的频繁模式，通过模式对比诊断当前交通状态。这类方法以交通大数据为驱动，对模型和规则的依赖性较低，能够识别交通流中出现的各种模式，但这类方法需要对数据进行多次扫描，算法复杂度高、耗时长，难以满足城市交通状态的实时在线检测。

发明内容

针对现有技术中的缺陷，本发明提供了一种基于时空数据流融合分析的城市交通预测方法和系统，用于解决相关技术中存在的技术问题。

第一方面，本发明实施例提供了一种基于时空数据流融合分析的城市交通预测方法，包括：

获取目标城市内各检测点采集的交通数据流；所述交通数据流包括预设分类的多种单类交通数据；

基于预设的多项式函数拟合所述各检测点的单类交通数据流，获得拟合结果；所述拟合结果用于表征相同时点下所述各检测点覆盖区域内各类交通数据流是否异常交通；