[发明专利]基于动态因子模型的城市路网时空交通状态协同预测方法

说明书

本发明公开了一种基于动态因子模型的城市路网时空交通状态协同预测方法，包括：获取交通区域数据，并进行预处理与空间相关性验证；基于静态因子模型SFM，建立动态因子模型DFM，并确定交通状态观测量的概率密度函数；利用期望最大化EM算法求解DFM参数集的拟极大似然估计；采用向量自回归模型VAR预测未来时间段内的公因子；采用自回归模型AR预测各区域在未来时间段内的个性化分量；通过因子载荷矩阵、公因子分量以及不同区域的个性化分量预测各区域在未来时间段内的交通状态。本发明提高了网络级交通状态预测的精度与效率，在城市路网交通状态预测中具有重要的现实意义。

技术领域

本发明属于交通状态预测领域，具体为一种基于动态因子模型的城市路网时空交通状态协同预测方法。

背景技术

当前，越来越多的城市路网系统存在不同程度的交通拥堵，不仅严重影响交通运行的效率，而且对环境造成了极大的破环。为有效改善交通拥堵现状，准确的交通状态信息在交通运营和管理的多个层面上都是至关重要。然而，由于信号化城市路网交通状况的内在不确定性，对城市路网的交通状态进行准确高效地预测具有极大的挑战性。

现有的交通状态预测方法通常仅限于某一个地点或区域，缺乏对城市路网中多个相关区域交通状态的协同预测，忽略了不同区域，特别是相邻区域之间的空间相关性。同时，交通状态具有显著的时间动态性，某一区域当前时间段内的交通状态受该区域与其他相关区域历史时间段内交通状态的共同影响。综合利用路网中交通状态的高度时空相关性对提高交通状态的预测精度与效率具有重要作用。另一方面，现有方法基本采用交通流量等交通流参数来评价交通状态。然而，对于交通参与者而言，更为直观的城市路网拥堵程度描述指标更容易被接受。

发明内容

本发明提出了一种基于动态因子模型的城市路网时空交通状态协同预测方法。

实现本发明的技术解决方案为：一种基于动态因子模型的城市路网时空交通状态协同预测方法，具体步骤为：

步骤1、获取交通区域数据，并进行预处理与空间相关性验证；

步骤2、基于静态因子模型SFM，考虑公因子和个性化分量随时间的演化特性，结合向量自回归模型VAR及自回归模型AR建立动态因子模型DFM，并确定交通状态观测量的概率密度函数；

步骤3、利用期望最大化EM算法求解DFM参数集的拟极大似然估计；

步骤4、采用向量自回归模型VAR预测未来时间段内的公因子；

步骤5、采用自回归模型AR预测各区域在未来时间段内的个性化分量；

步骤6、通过因子载荷矩阵、公因子分量以及不同区域的个性化分量预测各区域在未来时间段内的交通状态。

优选地，构建的动态因子模型具体为：

x_it＝λ_i′f_t+e_it

其中，x_it为具有N个区域和T个时间段的交通状态矩阵X∈R^N×T的元素，表示区域i在时间段t内的交通状态；f_t表示时间段t中无法观测的公因子，λ_i＝(λ_i1，λ_i2，…，λ_ir)′为r×1维的向量，表示区域i的因子载荷，λ’_i表示λ_i的转置，e_it表示区域i在时间段t的个性化分量；

优选地，区域i在时间段t的个性化分量具体为：

是回归系数，q_i，i＝1，2，…，N是自回归模型AR中区域i的滞后阶数，ε_it是时间段t的白噪声。