[发明专利]一种基于时序分析和残差匹配的模型

说明书

本发明公开了一种基于时序分析和残差匹配的短时交通流预测模型。交通流的随机特性是导致交通流难以被准确预测的根本原因，为了更好地拟合交通流数据中的随机波动，本模型采用分解的思路，将原始交通流数据划分为线性部分和残差部分。首先利用时间序列分析技术计算数据中的线性部分，并对剩余的残差部分进行切分以构建残差向量库。然后利用模式匹配算法对残差向量进行匹配，通过寻找相似残差向量的方式进一步拟合交通流数据中的随机波动。本模型相对于其他基于模式匹配算法的模型而言，在稳定性和预测精度上具有一定的优势。

一、技术领域

本发明涉及智能交通领域，尤其涉及短时交通流预测，具体是一种基于时序分析和残差匹配的组合预测模型。

二、背景技术

一个有效的交通流预测模型对于路线规划、交通控制和智能驾驶等方面十分重要。交通流数据是一种时间序列数据，具有趋势性，周期性和不确定性等特性。其中趋势性和周期性属于交通流规律特性，主要表现为根据时间规律变化的趋势或波动，是交通流可以被预测的前提。而不确定性属于交通流随机特性，非经常性事件(如交通事故、极端天气和大型活动等)会使交通流数据产生随机波动，这是导致交通流难以被准确预测的根本原因。非参数模型在拟合交通流数据中的随机波动上具有一定优势。而在众多的非参数模型之中，模式匹配模型由于其良好的准确性、鲁棒性和泛化能力而被广泛地运用在各种交通流预测场景之中，因此本发明选择模式匹配模型作为优化的对象。

模式匹配模型的四个主要步骤分别是构建交通向量、度量向量距离、选择K个相似向量以及输出预测结果。在有关模式匹配模型优化的研究中，分别对距离度量函数、K值选择和预测函数进行了优化。这些研究直接使用原始交通流数据进行建模，在构建交通向量的方式上没有区别，而这种构建方式并没有充分地利用交通流的随机特性。实际上交通流数据可以分解为相对稳定的部分和随机变化的部分，如果能够先分离出交通流数据中随机变化的部分，并针对这部分构建一种新的交通向量，则可以更好地发挥模式匹配模型善于捕获非经常性事件的优势。因此本发明采用分解的思路，提出了基于时序分析和残差匹配的组合预测模型，本模型将原始交通流数据划分为线性部分和残差部分，其中线性部分反映了交通流数据中相对稳定的相似性部分，残差部分则反映了数据中的随机波动。

三、发明内容

本发明的目的是进一步利用交通流的随机特性，从而获得更高的交通流预测精度，通过结合时间序列分析技术和模式匹配算法，从而进一步拟合交通流数据中的随机波动。

本发明的目的是这样达到的：

针对现有研究没有充分利用交通流随机特性的问题，结合时间序列分析技术和模式匹配算法，首先利用时间序列分析技术计算数据中的线性部分，具体包括时序平稳性分析、时序分析模型确定和线性部分获取等步骤，并对剩余的残差部分进行切分以构建残差向量库。然后使用模式匹配算法对残差向量进行匹配，具体包括距离度量、K值选取、输出预测值和预测值映射等步骤，从而进一步拟合交通流数据中的随机波动。

具体做法是：

由于原始交通流数据中存在着丢失、异常和冗余等问题，因此需要进行相应的数据预处理，其中包括数据聚合、数据插补和数据筛选等步骤，如图2所示。

数据聚合分为时间聚合和空间聚合。在时间维度上，默认的数据采样间隔为30秒，本发明将每10次的流量观测值进行累加，从而得到以5分钟为采样间隔的交通流数据；在空间维度上，由于不同环形线圈传感器节点检测到车道数不尽相同，出于统一性考虑，将传感器节点检测到的多个车道进行汇总，以汇总后的流量作为交通流数据。由于环形线圈传感器长期暴露于室外环境，在遇到环境干扰或是故障检修时无法提供准确的交通流数据，可能会出现数据丢失和数据异常等情况。为了解决数据丢失时造成的非连续性问题，本发明采用相邻节点的线性均值进行填充，并采用3-西格玛原则，将取值在平均值3倍标准差之外的观测值视为异常值并剔除。数据筛选是指为了避免不相关的交通模式对预测结果造成影响，只针对工作日数据进行预测。