[发明专利]一种基于时间序列分解的短时交通流预测方法

权利要求书

1.一种基于时间序列分解的短时交通流预测方法，通过时间序列分解方法将历史交通流序列分解为趋势、周期和残差3个成分，再建立合适的模型对这3个成分单独训练并预测，最后将这3个成分的预测结果相加，作为最终的预测结果，其包括以下6个步骤：

(1)选择需要预测的道路断面，采集道路断面的交通流数据；

(2)通过时间序列分解方法，将历史交通流序列分解为趋势、周期和残差3个成分；

其中，将历史交通流序列分解为趋势、周期和残差3个成分具有以下步骤：

(21)定义采集的交通流序列为Y(t)，周期长度为C，周期数量为M，则交通流序列Y(t)的样本数量为MC，初始化趋势分量T(t)＝0，t＝1,2,...,MC；

(22)去趋势，用原始交通流序列Y(t)减去趋势分量T(t)，得到去趋势的时间序列即：

(23)周期子序列平滑，对每个周期子序列作K为M/2的LOESS，并分别向前和向后各延展一个周期，即：

对自变量为X＝[1,2,3,4,..,M]^T，因变量为周期子序列Y＝[Y(c),Y(C+c),Y(2C+c),...,Y((M-1)C+c))]，基于LOESS求X＝[0,1,2,3,4,..,M,M+1]^T时对应的估计值

再把所有周期子序列的LOESS估计值按照时间先后重组成临时时间序列

其中，周期子序列S_c(t)＝{Y(c),Y(C+c),Y(2C+c),...,Y((M-1)C+c))},c＝1,2,...,C指在每个周期同一位置组成的时间序列；

(24)周期子序列的低通量过滤，对步骤(23)得到的依次做长度为C、C和3的移动平均，然后再做K＝C的LOESS，得到时间序列L(t)，t＝1,2,...,MC；

(25)去平滑周期子序列趋势，用步骤(23)得到的减去步骤(24)得到的L(t)，即：

计算周期分量，依据步骤(25)得到的F(t)，首先计算单个周期的周期分量Q(t),t＝1,2,...,C

然后把将Q(t)扩展C个周期，得到周期分量P(t)，t＝1,2,...,MC

(26)去周期，用原始交通流序列Y(t)减去步骤(25)得到周期分量P(t)，得到去周期的时间序列即：

(27)计算趋势分量，对步骤(26)得到的去周期的时间序列做K＝C的LOESS，得到趋势分量T(t)；

(28)终止条件判断，若满足终止条件，则执行下一步骤(29)，否则继续执行步骤(22)至(27)；

(29)计算残差分量，用原始序列Y(t)减去趋势分量T(t)和周期分量P(t)，得到残差分量R(t)，即：

R(t)＝Y(t)-T(t)-P(t)；

(3)对趋势成分和残差成分建立合适的预测模型，并进行模型训练；

其中，模型需选择能够实现回归任务的预测模型，并使用趋势成分和残差成分分别训练对应的模型，设通过趋势序列和残差序列训练好的模型分别为f_T(x)和f_R(x)；

(4)通过动态分解方法，将新观测的交通流数据分解为趋势、周期和残差3个成分；

其中，将新观测的交通流数据分解为趋势、周期和残差3个成分，其具有以下步骤：

(41)计算周期分量，根据原始观测值z_t所在周期的位置和单周期分量Q(t)，计算其周期分量p_t；

(42)去周期，用原始观测值z_t减去周期分量p_t得到去周期数值

(43)计算趋势分量，把附加到的尾部，并做LOESS求相应的估计值，得到趋势分量t_t；

计算残差分量，用原始观测序列z_t减去趋势分量t_t和周期分量p_t，得到残差分量r_t，即：

r_t＝z_t-t_t-p_t；

(5)基于已训练好的预测模型，对趋势、周期和残差3个成分单独预测；

其中，对趋势、周期和残差3个成分单独预测，其具有以下步骤：

(51)趋势成分预测，基于训练好的模型f_T(x)和动态分解的结果，对趋势成分进行预测：

其中n表示趋势预测模型f_T(x)需要输入数据的步长；

并通过回代的方法实现多步向前预测：

…

(52)周期成分预测，由于周期成分具有周期性，依据分解得到的单周期的周期分量Q(t)，计算周期成分的预测值

同样可以实现多步预测：

…

(53)残差成分预测，与趋势成分预测原理相同，基于训练好的模型f_R(x)和权利要求5中动态分解的结果，对趋势成分进行预测：

其中n表示残差预测模型f_R(x)需要输入数据的步长；

并通过回代的方法实现多步向前预测：

…；

(6)对趋势、周期和残差3个成分的预测结果相加，作为最终的预测结果，

其中，

…

所述交通流数据为交通流量或车辆平均速度指标所组成的时间序列。