[发明专利]基于HMM的高速路交通量预测方法

权利要求书

1.一种基于HMM的高速路交通量预测方法，其特征在于，具体步骤如下：

步骤1、基于采集的历史交通量数据划分训练集，采用FFT分析频域特性，基于残差噪声分布的衰减特性，确定平均回转时间，具体方法为：

对训练集数据，进行时间域交通流数据傅里叶变换，获取周期-幅度谱图，利用帕斯瓦尔定理计算残差噪声能量，如下式：

F(ω_t)表示当时间周期为t时残差噪声的频域幅值；

步骤2、基于平均回转时间，利用马尔可夫模型对历史交通量数据训练集的数字特征进行拟合，获取马尔可夫模型参数，其中，隐含状态空间{1,2,3,...,12}的一步转移概率矩阵：

式中，表示年度平峰交通量状态自i-1月份转移至i月份的一步转移概率；

步骤3、利用更新过程分析节假日期间交通量的峰值特性，获取更新过程模型及模型参数，具体步骤为：

步骤3.1、建立假设，若在春节假期内交通流因出游而达到峰值的时间t₁服从均匀分布，则在春假期间[0,ε]内满足下式分布函数：

步骤3.2、建立假设，若春假返程的交通量峰值在t₂计数时刻达到，则基于更新过程的春假返程分布函数以及返程交通流在t₂计数时刻的概率表达式如下：

式中，t_p表示春运返程的峰值时刻，λ为泊松系数；

步骤3.3、根据步骤3.1和步骤3.2中所建立的春假期间出游及返程的概率表达式，利用每年1月～3月的月度平峰交通量x_j,i(t)以及春假期间的月度高峰交通量实测值即可见变量z_j,i(t)，构建更新过程模型，具体表达式为：

z_j，i(t)＝P(t_p＝t)x_j，i(t)

式中，x_j,i(t)为j年第i个月的月度平峰交通量，z_j,i(t)为j年第i个月的月度交通量实测值，R为全体实数；

利用数值拟合的方法获取步骤3.3中的模型参数；

步骤3.4、利用更新过程模型对马尔可夫模型中所确定的隐含状态进行补充，获得隐马尔可夫模型；

步骤4、根据历史平峰交通量数据，利用构建的隐马尔可夫模型对未来月度交通流数据进行预测。

2.根据权利要求1所述的基于HMM的高速路交通量预测方法，其特征在于，确定平均回转时间为12个月。