[发明专利]一种基于动态时空分析的短时交通流预测模型

权利要求书

1.一种基于动态时空分析的交通流预测模型，该模型包含以下四个步骤：

步骤一、构建动态时空状态矩阵：首先使用互相关函数分析路网内各路段间的空间相关性，为每条路段确定最优的空间邻居；其次，使用自相关函数和交叉验证方法，分析单条路段交通流时间序列数据之间的时间相关性，为每条路段确定最优的预测时间窗；最后，根据确定的空间邻居和预测时间窗，从交通流数据中截取相关时空数据片段，组成时空状态矩阵；

路段x_i和路段x_j在时滞τ下的互相关函数定义如公式(1)所示，其中和表示x_i和x_j的序列标准差，表示x_i和x_j在时滞τ下的相关系数：

用于计算某个时间序列x和x在某个时滞τ后的时间序列之间的数据相关性的自相关函数定义如公式(2)所示，其中n是时间序列数据采样个数，是时间序列的均值，τ∈[0,h]，且h＜n，vol(t)表示路段t时刻的流量数据：

假设有预测目标路段u，经过相关性计算，得到了u在当前时刻t的空间邻居数目为预测时间窗长度为则u在时刻t的动态时空状态矩阵的定义如公式(3)所示，其中z表示所在区域路网内的路段总数，表示第i个空间邻居，表示u当前时刻t的流量数据：

步骤二、构建动态时空权重矩阵：首先依据互相关函数值，为时空状态矩阵空间维度的数据元素分配大小不等的权重，构成动态空间权重矩阵；然后根据时间接近度，为预测时间窗中不同的历史交通数据分配不同权重，构成动态时间权重矩阵；

空间权重函数的定义如公式(4)所示，其中表示u的第i个空间邻居，表示u的空间邻居总数，表示u和的互相关函数值，表示u的第i个空间邻居的空间权重：

空间权重矩阵如公式(5)所示：

时间权重函数的定义如公式(6)所示，其中t_i表示预测时间窗中第i个历史交通数据的编号，表示预测时间窗的长度，表示第i个历史交通数据的时间权重：

时间权重矩阵如公式(7)所示：

步骤三、构建动态时空加权欧氏距离：将时空状态矩阵引入到传统欧氏距离，形成时空加权欧氏距离，更加准确地度量时空状态矩阵之间的相似度，时空加权欧氏距离的定义如公式(8)所示，其中WS^u表示空间权重，WT^u表示时间权重，表示当前时空状态矩阵，表示历史库中所有时空状态矩阵，表示两者的相似度：

步骤四、确定最佳动态近邻：使用交叉验证方法，为每一条路段确定最佳近邻个数K，并依据计算出的当前时空状态矩阵和所有历史时空状态矩阵的相似度，选出K个历史状态矩阵作为最佳近邻；

步骤五、相似度占比加权预测：将最佳近邻未来时刻的交通流数据输入到基于相似度占比的加权预测模型中，得出最终预测结果；基于相似度占比的权重分配法以每个最佳近邻和当前时空状态矩阵之间的相似度数值与所有K个近邻(K^u表示u的近邻总数)和当前时空状态矩阵之间的相似度数值总和的比值为权值，合理地将权重分配给每个最佳近邻，其定义如公式(9)所示：