CN102087787A

CN102087787A - 短时交通状态预测装置及预测方法

Info

Publication number: CN102087787A
Application number: CN2011100588397A
Authority: CN
Inventors: 仲成荣
Original assignee: SHANGHAI THOUSAND YEAR CONSULTANTS Ltd
Current assignee: SHANGHAI THOUSAND YEAR CONSULTANTS Ltd
Priority date: 2011-03-11
Filing date: 2011-03-11
Publication date: 2011-06-08
Anticipated expiration: 2031-03-11
Also published as: CN102087787B

Abstract

本发明公开了一种短时交通状态预测装置，包括一交通状态分析单元用于读取历史交通状态数据，并根据预先设定的一间隔时间筛选所述历史交通状态数据获得筛选后历史交通状态数据；一时间序列分割单元用于将所述筛选后历史交通状态数据按时间序列分割出若干交通状态数据；以及一交通状态预测单元用于通过所述若干交通状态数据以及预设的预测模型产生未来交通状态的预测结果。本发明还公开了一种短时交通状态预测方法，通过从历史交通状态数据分割出若干交通状态数据，精确地表征各个交通状态数据的交通状态特性，并通过采用模糊平均预测的方法，降低交通状态非平稳变化对预测结果的影响，从而实现大规模地应用。

Description

短时交通状态预测装置及预测方法

技术领域

本发明涉及交通管理设备技术领域，尤其涉及一种交通状态预测装置及预测方法，特别是涉及一种短时的分区段的交通状态预测装置及预测方法。

背景技术

在智能化的城市交通管理技术中经常要采用交通流诱导、交通信号控制、事件检测等技术手段，表征交通状态的各种参数的实时预测数据是实现上述技术手段必要的依据。因此交通状态各参数的实时预测是交通管理实现信息化、现代化、智能化、集成化的前提和关键，交通状态参数的预测结果的准确性直接关系到交通管理中智能化诱导和控制的实时性、准确性和高效性。

但在现有技术中，通过交通检测器检测到的各种交通状态参数（流量、占有率、速度等）构成的交通状态数据都属于历史数据，只能表征已经发生的交通流运行的状态。采用上述历史数据作为未来短时的交通流诱导、交通信号控制、事件检测等技术手段的决策依据，势必造成管理策略的滞后，不能做到因时制宜地改善交通状况。因此，短时交通状态的预测就是根据大量历史数据的统计，采用相关的预测方法对未来短时的交通流状态进行估计，从而提高交通管理中智能化诱导和控制的实时性、准确性和高效性。

现有的短时交通状态预测方法例如自回归滑动平均方法、自回归方法、滑动平均和方法历史平均方法等，依据的各种参数数据都较为单一，参数一般都用最小二乘法在线估计，具有计算简便、易于更新数据、便于大规模应用等优点。但是，这些模型未能反映出交通状态的不确定性与非线性等特质，无法克服随机干扰因素对交通流量的影响，所以随着预测间隔时间的缩短，上述模型的预测精度就会大为降低。此外，交通状态还具有周期性变化的特点，例如一天的交通状态中会有早高峰、平峰、晚高峰等状态周期，如果在各个状态周期中使用统一的一个预测模型，必然不能很精确地表征出在某一段时间内交通状态的变化特性，从而不利于对未来短时的交通状态的准确估计。

因此，本领域的技术人员一直致力于开发一种预测精度高的短时交通状态预测装置及方法。

发明内容

本发明要解决的技术问题是为了克服现有的预测方法采集参数较为简单而无法精确表征交通状态变化特性的缺点，提供一种交通状态预测装置，通过对历史交通状态数据的分割，从而精确地表征各个时间段的交通状态特性，以对不同的交通状态数据选择不同方案的交通信号控制策略，从而提高未来交通状态的预测准确性。

本发明是通过下述技术方案来解决上述技术问题的：

本发明提供了一种短时交通状态预测装置，包括：

一交通状态分析单元、用于读取历史交通状态数据，并根据预先设定的一间隔时间筛选所述历史交通状态数据获得筛选后历史交通状态数据；

一时间序列分割单元、用于将所述筛选后历史交通状态数据按时间序列分割出若干交通状态数据；以及

一交通状态预测单元、用于通过所述交通状态数据以及预设的预测模型产生未来交通状态的预测结果。

较佳地，所述交通状态分析单元还用于预先设定一时间周期长度，以对历史交通状态数据的时间序列进行分割。

较佳地，所述交通状态预测单元的预测模型为模糊平均预测模型，以降低交通中出行人的主观因素导致的时间序列交通状态的非平稳变化。

较佳地，所述时间序列分割单元还用于分别对所述分割出的交通状态数据进行趋势平滑处理，以降低个别出现的较大交通变化波动对误差的影响。

本发明还提供了一种应用于上述短时交通状态预测装置的交通状态预测方法，其特点是包括以下步骤：

S₁₀₁、用户设定交通状态分析单元的间隔时间和交通状态预测单元的预测模型；

S₁₀₂、所述交通状态分析单元读入历史交通状态数据并根据所述间隔时间筛选历史交通状态数据获得筛选后历史交通状态数据；

S₁₀₃、所述时间序列分割单元将所述筛选后历史交通状态数据按时间序列分割出若干交通状态数据；

S₁₀₄、所述交通状态预测单元根据用户设定的预测模型和分割出的所述若干交通状态数据产生未来交通状态的预测结果。

较佳地，所述交通状态分析单元还用于预先设定时间周期长度，并在步骤S₁₀₁中还包括：用户设定交通状态分析单元的时间周期长度。

较佳地，在步骤S₁₀₂中还包括以下步骤：所述交通状态分析单元还根据所述时间周期长度筛选历史交通状态数据。

较佳地，所述交通状态预测单元的预测模型为模糊平均预测模型，并在步骤S₁₀₄中还包括以下步骤：所述交通状态预测单元根据所述模拟平均预测模型和交通状态数据产生未来交通状态的预测结果。

较佳地，所述时间序列分割单元还用于分别对所述交通状态数据进行趋势平滑处理，并在步骤S₁₀₃中还包括以下步骤：所述时间序列分割单元分别对分割出的所述交通状态数据进行趋势平滑处理。

本发明的积极进步效果在于：

本发明的交通状态预测装置及其预测方法，由于采用了上述技术手段，通过从历史交通状态数据中分割出若干交通状态数据，从而精确地表征各个交通状态数据的交通状态特性，以根据历史变化进行诱导信息发布，便于宏观控制交通流的变化，而且还便于选择不同的交通信号控制策略。

此外，本发明还通过采用模糊平均预测的方法，降低了交通状态非平稳变化对未来交通状态的预测的影响，降低了预测方法的复杂度和应用环境的要求，从而可以实现大规模的应用。

附图说明

图1为本发明的短时交通状态预测装置较佳实施例的原理结构示意图。

图2为本发明的交通状态预测方法较佳实施例的原理流程图。

图3为本发明中的交通状态数据分段平滑结果图。

具体实施方式

下面结合附图给出本发明较佳实施例，以详细说明本发明的技术方案。

图1所示为本发明的短时交通状态预测装置的原理结构示意图，其中本发明的短时交通状态预测装置在一具体实施例中包括一交通状态分析单元1、一时间序列分割单元2以及一交通状态预测单元3。

其中，交通状态分析单元1用于读取历史交通状态数据，并根据预先设定的一间隔时间和一时间周期长度筛选历史交通状态数据。

例如，现有的历史交通状态数据是以30秒为间隔采集一次，但是如此短的时间间隔的数据对分析交通变化规律没有太大的意义，而且会增加预测运算的复杂程度和运算时间。本实施例中，通过设定间隔时间为5分钟来筛选历史交通状态数据获得筛选后历史交通状态数据，从而在不减少交通状态特性的前提下，尽量地减少需要运算的数据的数量，以有效地降低预测运算的复杂程度和运算时间。

上述间隔时间也可以根据时间交通状况以及数据采集的情况自由设定而不仅仅局限于上述的间隔时间长度。

此外，由于道路交通是具有周期性的，因此交通状态数据是一种具有周期性变化规律的数据。由此，还可以根据交通的实际状况来设定筛选历史交通数据的时间周期长度。

例如，将时间周期长度设定为1天，从而可以根据需要筛选历史交通数据中所需要的各个周期。而且上述时间周期长度的选取可以根据交通状况以及数据采集的情况自由设定，而不仅仅局限于上述的时间周期长度。例如，设定时间周期长度为1周时间或1月时间等等。

上述时间序列分割单元2用于将筛选后历史交通状态数据按时间序列分割出若干交通状态数据。

例如，用表示一个筛选后历史交通状态数据的时间序列，其中

是时间变量，为实数。

取有限的点

，在交通状态的预测中，为了服务于实际的控制方式，时间序列基本上都是等间隔时间的，记

或简记

，

为第

时刻或第

周期的观测值，

。当然，如果在交通状态的预测中需要非相等间隔时间，还可以采用其他的分割方式对筛选后历史交通状态数据的时间序列进行分割。

通过将上述时间序列分割为n个时间段，从而可以从历史交通状态数据中分割出对应于各个时间段的交通状态数据。例如，可以将1天24个小时中的交通状态数据按照时间序列划分出早高峰的7点-10点、晚高峰16-19点以及平峰10点-16点。

此外，用户还可以根据需要依据其他规律对历史交通状态数据进行分割，例如按1周时间进行分割等，而不仅限于上述的分割方式。

上述时间序列分割单元2还用于分别对分割出的各个交通状态数据进行趋势平滑处理。

由于实际的历史交通状态数据中交通变化波动较大，对预测结果的误差的影响较大，所以采用趋势平滑处理减少个别出现的较大交通变化波动对误差的影响。

例如，分别对上述的早高峰、晚高峰以及平峰时段内的历史交通状态数据进行拟合，从而建立起分别对应于上述早高峰、晚高峰以及平峰时段内的历史交通状态数据的3个函数模型，并通过前述3个函数模型对实际的历史交通状态数据进行校正，从而减小交通变化波动。

而且，由于分别对不同时间段内的历史交通状态数据进行了拟合，所以相对于传统的对整个时间序列内的历史交通状态数据进行拟合的技术方式，本发明提高了拟合的准确度，同时又减少了拟合的运算时间，简化了拟合运算的复杂程度。

上述交通状态预测单元3用于通过交通状态数据以及预设的预测模型产生未来交通状态的预测结果。

在本实施例中，交通状态预测单元3的预测模型为模糊平均预测模型。

上述平均预测模型中设有如上所述的时间序列

，记

，

是

上的一个模糊子集，隶属函数为

，则下式（1）中为时间序列在模糊约束

上的模糊平均值。

（1）

通过上述的模糊平均预测模型可以降低交通中出行人的主观因素导致的时间序列交通状态的非平稳变化。

此外，本实施例中的交通状态预测单元3也可以根据实际短时交通状态预测装置的需要或用户的实际需求采用传统的平均数预测模型，当时间序列表现为随机波动，并且波动比较平稳时，平均数预测模型是比较有效。

例如，对于给定的时间观测序列

，为了预测下一时刻或周期的数据，

，采用的平均值近似估计，如下式（2）所示：

（2）

此外由于在实际交通流情况中，近期的数据比起较早的数据对于预测

更为重要，所以这就要求对近期的数据赋予大些的权重系数。为此，可以在上述的平均数预测模型的

中加入权重系数，进一步地提高平均数预测模型预测的准确性。

图2所示为本发明的短时交通状态预测方法的原理流程图，在一具体实施例中，至少包括以下步骤：

步骤S₁₀₁，用户设定交通状态分析单元的间隔时间、时间周期长度和交通状态预测单元的预测模型。

例如，本实施例中，用户设置间隔时间为5分钟，时间周期长度为1天。

步骤S₁₀₂，交通状态分析单元读入历史交通状态数据并根据上述间隔时间和时间周期长度，筛选历史交通状态数据获得筛选后历史交通状态数据。

例如，将连续两天的6点-20点内以1分钟间隔收集的交通状态数据按照5分钟的间隔时间和1天的时间周期长度筛选出总共336组交通状态数据，其中每一天中有168组交通状态数据。

步骤S₁₀₃，时间序列分割单元将筛选后历史交通状态数据按时间序列分割出若干交通状态数据。时间序列分割单元分别对分割出的交通状态数据进行趋势平滑处理。

如图3所示，本实施例中，将上述的1天中的168组交通状况数据根据高峰和平峰分割出4段，其中的实线为所示168组交通状况数据的曲线。

其后，分别对上述4段交通状态数据建立4个函数模型，如下式（3）所示：

（3）

然后，对4段交通状态数据进行平滑处理，从而得到如图3所示虚线的平滑处理后的交通状态数据曲线。

步骤S₁₀₄，交通状态预测单元根据用户设定的模拟平均预测模型和分割出的交通状态数据产生未来交通状态的预测结果。

例如，在上述实施例中采用了2天的交通状态数据，所以

为时间论域，并设定对应的模糊集为

，这里以第20组为例，通过下式（4）计算第20组对应于未来1天中相应时间段的交通状态数据。

（4）

按照上述方法对2天内的共336组交通状态数据进行模糊平均预测，从而得到预测结果。

通过对上述预测结果的分析来看，最大的误差为60％，最小的误差为4％左右，一天平均误差为7.4％。

本实施例中的预测方法在操作性方面比较神经网络、kalman滤波等都要更为简单。虽然本发明的预测方法的误差比较大些，但是其操作性的复杂度低，对环境要求小，便于大范围、大规模地推广应用，尤其适于对精度要求不高的交通管理装置，例如不同状态的诱导决策，控制策略等。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims

1.一种短时交通状态预测装置，其特征在于，所述短时交通状态预测装置包括：

一交通状态分析单元，用于读取历史交通状态数据，并根据预先设定的一间隔时间筛选所述历史交通状态数据获得筛选后历史交通状态数据；

一时间序列分割单元，用于将所述筛选后历史交通状态数据按时间序列分割出若干交通状态数据；以及一交通状态预测单元，用于通过所述交通状态数据以及预设的一预测模型产生未来交通状态的预测结果。

2.如权利要求1所述的短时交通状态预测装置，其特征在于，所述交通状态分析单元还用于预先设定一时间周期长度。

3.如权利要求1所述的短时交通状态预测装置，其特征在于，所述交通状态预测单元的预测模型为模糊平均预测模型。

4.如权利要求1所述的短时交通状态预测装置，其特征在于，所述时间序列分割单元还用于分别对所述分割出的交通状态数据进行趋势平滑处理。

5.一种短时交通状态预测方法，其特征在于包括以下步骤：

6.如权利要求5所述的交通状态预测方法，其特征在于，所述交通状态分析单元还用于预先设定时间周期长度，并在步骤S₁₀₁中还包括：

用户设定交通状态分析单元的时间周期长度。

7.如权利要求6所述的交通状态预测方法，其特征在于，在步骤S₁₀₂中还包括以下步骤：

所述交通状态分析单元还根据所述时间周期长度筛选历史交通状态数据。

8.如权利要求5所述的交通状态预测方法，其特征在于，所述交通状态预测单元的预测模型为模糊平均预测模型，并在步骤S₁₀₄中还包括以下步骤：

所述交通状态预测单元根据所述模拟平均预测模型和交通状态数据产生未来交通状态的预测结果。

9.如权利要求5所述的交通状态预测方法，其特征在于，所述时间序列分割单元还用于分别对所述交通状态数据进行趋势平滑处理，并在步骤S₁₀₃中还包括以下步骤：

所述时间序列分割单元分别对所述分割出的交通状态数据进行趋势平滑处理。