[发明专利]一种基于时间序列分解的短时交通流预测方法

说明书

本发明公开了一种基于时间序列分解的短时交通流预测方法，它通过时间序列分解方法将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，最后将预测结果相加，作为最终的预测结果，它包括以下6个步骤：(1)采集所要预测道路断面的交通流数据；(2)将交通流序列分解为趋势、周期和残差3个成分；(3)对趋势成分和残差成分建立合适的预测模型，(4)将新观测的交通流数据动态分解；(5)对动态分解的3个成分单独预测；(6)将3个预测结果相加，作为最终的预测结果。该方法能够有效提高短时交通流预测结果的精确度。

技术领域

本发明涉及智能交通控制技术领域，具体为一种基于时间序列分解的短时交通流预测方法。

背景技术

随着国民经济的快速发展和城市化水平的提高，城市内部交通问题越来越突出并时时刻刻影响着城市居民的出行。为了缓解城市内部交通拥堵，提升人们出行的质量，作为城市交通智能化和信息化的载体的智能交通系统被提出并开始应用于城市交通管理中。而交通流则是智能交通系统能够感知的最直接和最基础的交通状态，交通流预测自然就成为了智能交通系统的研究热点。精准的交通流预测不仅仅可以直接预测未来道路交通流量的变化，为城市居民出行的路径规划提供参考依据，还能够用于分析道路交通流演化转态，为政府交通管理部分提供交通管控依据，诱导路网交通流量均衡分布。

现有短时交通流的预测模型主要包括两大类：一类是以线性回归、移动平均、ARIMA(Autoregressive Integrated Moving Average)模型等为代表的参数回归模型；另一类是以支持向量回归(Support Vector Regression，SVR)、人工神经网络(ArtificialNeural Network，ANN)、长短期记忆网络(Long Short-Term Memory，LSTM)等为代表的非参数回归方法。这些预测模型都已有大量研究，并且都已经成功的应用于短时交通流预测之中。为了进一步提高预测的精确度，近年来，一些研究则致力于寻找组合的预测模型，诸如此类的理论和实验研究都表明组合预测方法能够提高预测结果的精确度。本发明则提出了一种基于时间序列分解的短时交通流预测方法。

发明内容

为了可以将交通流序列分解为趋势、周期和残差3个成分，然后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，本发明提供一种基于时间序列分解的短时交通流预测方法，它通过时间序列分解方法将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，最后将预测结果相加，作为最终的预测结果，为达此目的，本发明提供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，将交通流序列分解为趋势、周期和残差3个成分；

(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；

(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；

(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；

(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。

作为本发明进一步改进，所述交通流历史数据为交通流量、车辆平均速度或其他交通状态指标所组成的时间序列。

作为本发明进一步改进，步骤二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：