[发明专利]一种基于动态时空分析的短时交通流预测模型

说明书

本发明涉及一种基于动态时空分析的短时交通流预测方法，具体包括：系统建模：提出用于表征区域路网各路段交通状态的动态的交通流时空状态矩阵，精准化地定量表征了路段的交通状态；提出用于计算交通流时空状态矩阵之间相似度的交通流动态时空权重矩阵，动态地为时空状态矩阵的每个数据元素分配权值，以构建动态时空加权欧氏距离，优化K近邻模型的近邻搜索机制；提出基于相似度占比的加权预测法，使用美国加州公路管理系统PeMS的真实交通流量数据集进行实证研究。讨论了包含均值预测、反距离加权预测、等级加权预测三种预测函数的精度表现。与现有的统计理论和人工神经网络模型对比，验证了本发明所提模型在短时交通流预测中具有更好的预测精度。

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，具体是一种针对路网交通流动态时空分析的短时交通流预测模型。

二、背景技术

准确实时的短时交通流预测能够有效缓解城市交通拥堵、降低城市空气污染，具有重要社会意义。交通流数据具有趋势性，周期性和动态随机性等特性。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。动态随机性由区域路网交通影响因素事件(如信号灯、行人穿行、道路事故、交通管制等)产生的，会使交通流时间序列数据产生波动的特征。动态随机性是导致交通流难以被准确预测的根本原因。

非参数模型基于数据驱动，以其强大的数据信息提取能力在拟合交通流数据动态随机性上具有强大优势。而在众多的非参数模型之中，基于模式匹配原理的时空K近邻模型以其良好的预测准确性、良好的参数可解释型和强大的模型泛化能力被广泛地运用在各种交通流预测场景之中，因此本发明选择时空K近邻模型作为优化的对象。

时空K近邻模型有四个主要步骤，分别是构建交通向量、交通流状态向量相似度度量、选择K个相似向量以及构建预测函数进行结果预测。在时空K近邻模型优化的相关研究中，研究者分别对距离度量函数、K值选择和预测函数进行了优化。首先，这些研究直接使用预测目标路段历史交通流数据和其上下游路段的交通流数据进行建模，这种构建方式并没有充分地考虑路网交通流的动态随机特性；其次，传统相似度度量方法直接采用等权重的计算方法对两个交通流状态向量进行欧式距离计算，没有考虑不同时刻历史数据和上下游路段交通流对预测目标路段未来交通数据预测产生的不同影响；并且，现有研究大多采用等权重或较为复杂但精度并不高的高斯加权预测算法。通过以上分析，本发明基于对路网交通流的动态时空分析，构建了自适应时空加权增强K近邻模型预测模型(AdaptiveSpatio-Temporal Weighted Enhanced K-Nearest Neighbor，ASTWE-KNN),以更好地适应路网交通流的动态随机性，实现对各路段交通流的定制化建模预测。

三、发明内容

本发明的目的是进一步挖掘区域路网交通流的时空信息，建立能更加适应路网交通流动态随机性的自适应短时交通流预测模型，以进一步提升模型预测精度。

本发明的目的是这样达到的：

针对现有研究没有充分利用路网交通流的动态随机性，并使用静态全局固定的模型结构进行预测的问题，本发明建立了一个自适应动态时空K近邻模型，实现对各路段的定制化建模预测。根据相关计算模型，计算出各个路段最相关的路网交通流时空信息，以此构建交通流动态时空状态矩阵、动态时空加权欧氏距离，以优化K近邻模型的最佳近邻搜索机制。此外，本发明还提出了一种基于相似度占比的短时交通流预测算法，通过最大限度发挥最近邻在预测过程中的数据优势，进一步提升模型的预测精度。

具体做法是：

首先对采集到的美国加州公路管理系统PeMS的交通流数据进行预处理工作，包括数据聚合、缺失数据填充、异常值处理、数据筛选。以提高数据可用性，提升模型的预测精度。