CN103413443A - 基于隐马尔科夫模型的短时交通流状态预测方法 - Google Patents

Abstract

本发明涉及智能交通***领域，尤其是涉及利用路段的参数值序列对短时交通流状态进行预测。一种基于隐马尔科夫模型短时交通流状态预测方法，包括以下步骤：对采集的数据进行处理和统计，通过设定预测窗口，对预测窗口起始时刻测得值以及预测窗口内参数平均值和序列对比度离散化，构成隐马尔科夫模型的隐状态和观察状态集合，然后利用Baum-Welch算法结合训练数据对模型参数进行学习。最后，对于一定的预测窗口，在已知观察状态序列的基础上，利用Viterbi算法求得最优的隐状态序列，则最优隐状态序列的最后的状态即为预测状态。本发明方法可以对未来短时的交通状态进行预测，是一种有效的短时交通状态预测方法。

Description

基于隐马尔科夫模型的短时交通流状态预测方法

技术领域

本发明涉及智能交通***领域，具体涉及利用路段的交通流参数值序列对短时交通流状态进行预测，特别涉及一种基于隐马尔科夫模型的短时交通流状态预测方法。 

背景技术

随着国家城市化水平的不断发展深化，以及人民生活水平的持续提高，汽车已然走入了每个人的生活中，并且对每个人的工作、生活、学***的低效，更严重的是因此导致的交通拥挤、环境污染、能源浪费造成了极大的经济损失。因此，智能交通***(Intelligent Transportation System，ITS)应运而生，其在现有交通基础设施和运载工具的基础上，将先进的信息技术、通讯技术、传感技术、控制技术以及计算机技术等有效地集成运用于整个交通运输管理体系，从而建立起的一种在大范围、全方位、实时、准确、高效的综合运输和管理***。ITS是世界交通运输发展的热点和前沿，是现代交通运输业的重要标志。并且随着ITS研究的不断深入，已成为了国家发展战略的重要组成部分。 

并且，随着人们对于交通信息要求的提高，往往在出行前就希望得到未来的交通状况信息，以便选择合适的出行方式，选择最优的出行路线。短时交通流状态预测就是对于某个路段未来短时内的交通状态进行预测，短时交通流状态预测区别于长时交通预测，前者的预测时长一般为5min、10min、15min等不超过1h的情况，主要服务对 象是交通驾驶人员，在先进的交通信息***（ATIS）中完成。而后者的预测时长则为天、月、年等宏观的交通预测，主要服务对象是交通管理部门，以便其做出基础设施建设、公交路线设定、发展规划等，其主要在先进的交通管理***（ATMS）中完成。 

实时准确的短时交通流的预测是实现智能交通控制和诱导的关键，短时交通状态预测有利于出行人员选择合适的出行方式，规划合理的出行路线，进而达到缩短行驶时间、减少污染、疏导交通、提高市政服务水平的目的，因此已经成为了智能交通研究领域的热点课题。并且国内外学者已经提出了一系列的预测模型和方法，用于对交通状态的预测。 

短时交通流预测模型和方法目前主要分为三类，一类是以数理统计和微积分等传统数学方法为基础发展的数学模型，例如：历史平均法（History Average）、线性回归模型、时间序列方法（Time-series Model）、自回归综合移动平均算法（ARIMA，Auto-Regression Integrated Moving Average）、卡尔曼滤波法（Kalman filtering）、Markov预测。 

另一类是利用神经网络、模糊控制等现代科学方法为基础所提出的预测模型，其特点是对交通流的拟合预测，但是参数移植性较差。 

第三类是综合不同方法优缺点的复合预测方法，逐渐成为了近年来研究的热点。例如基于小波分解理论和卡尔曼滤波算法的预测模型、时间序列与小波理论相结合的预测方法等。 

隐马尔科夫模型是一种基于参数表示的描述随机过程的概率模型， 其中包含马尔科夫链和随机过程两部分。马尔可夫链描述状态的转移，用转移概率描述；一般随机过程描述状态与观察序列间的关系，用发生概率描述。隐马尔科夫模型可以用五元组表示，即λ=(N,M,Π,A,B)，参数说明如下： 

（1）N：模型中隐状态的数目，设状态集合为S={s₁,s₂,...,s_N}，当t时刻Markov链状态为X_t，则X_t∈S。 

（2）M：模型中观测状态的数目，设观测集合为O={o₁,o₂,...,o_M}，当t时刻观察状态为O_t，则O_t∈O。 

（3）Π：隐马尔科夫模型中的各状态的初始概率分布；记为Π={π_i}，(1≤i≤N)这里，π_i=P(X₁=s_i)，(1≤i≤N)；且0≤π_i≤1，π_i表示开始时刻初始状态s_i被选中的概率。 

（4）A：隐马尔科夫模型的状态转移概率矩阵，A=(a_ij)_N×N，(1≤i,j≤N)，其中，a_ij=P{X_t+1=s_j|X_t=s_i},(s_i,s_j∈S)，a_ij表示状态s_i向s_j转移的概率。 

（5）B：隐马尔科夫模型中的发生矩阵，描述的是隐状态和对应观察状态的关系；B=(b_ij)_N×M，其中b_ij=P{O_t=o_j|X_t=s_i}，(1≤i≤N,1≤j≤M)。 

发明内容

本发明的目的在于提供一种短时预测某一路段交通流状态的方法，解决了预测短时交通流状态的问题，提供了一种基于隐马尔科夫模型的短时交通流状态预测方法。 

本发明是采用如下技术方案实现的： 

一种基于隐马尔科夫模型的短时交通流状态预测方法，包括如下步骤： 

（1）、确定隐马尔科夫模型的隐状态集合和观察状态集合，具体如下： 

I、以采集周期δ对通过某路段横截面的某一交通流状态参数进行采集，得到对应于该参数在已检测时段内的以采集周期δ为间隔的数据序列； 

Ⅱ、设定固定的时段长度作为预测窗口Φ，即短时预测时长，所述预测窗口Φ是采集周期δ的整数倍，因此预测窗口Φ内含有Φ/δ个某一交通流状态参数值组成的数据序列； 

设定转移窗口Δ，表示预测窗口Φ以转移窗口Δ为单位在时间轴上依次向后滑动转移，所述转移窗口Δ是采集周期δ的整数倍，范围为δ≤Δ≤Φ；据此确定在已检测时段内预测窗口Φ的数量； 

利用灰度联合共生矩阵C和对比度，确定每个预测窗口Φ内数据序列的对比度CON；如下：灰度联合共生矩阵C中的元素c_ij表示数据点的强度值（交通流参数值）为i及其相邻的数据点的强度值为j这样的数据组合出现的频率，即

则CON=∑_i,j|j-i|(j-i)c_ij； 

每个预测窗口Φ均对应有一个参数平均值

每个预测窗口Φ内的起始时刻参数值θ_t作为观察值，则所有观察值构成观察值序列O={O₁,O₂,...,O_T}。 

Ⅲ、统计所有观察值的变化范围，根据统计结果，将观察值的变化范围进行离散化为M个区间，同时得到对应于区间的等级，即将所有观察值离散化为M级，设定等级即为观察状态o_i(i=1,2,...,M)，从而得到观察状态集合O={o₁,o₂,...,o_M}； 

同理，统计预测窗口Φ内的参数平均值

和对比度CON的变化范围，根据统计结果，将参数平均值

和对比度CON分别进行离散化为m个和n个区间，同时得到对应于区间的等级，即将参数平均值

离散化为m级、对比度CON离散化为n级，再利用参数平均值

和对比度CON的所有等级的二维全因子联合描述隐状态就是m×n个，从而得到隐状态集合S={s₁,s₂,...,s_N}，N=m×n。 

（2）、在确定了隐马尔科夫模型的隐状态集合和观察状态集合之后，对隐马尔科夫模型进行训练，得到适于交通流的隐马尔科夫模型 

具体如下： 

首先利用随机赋值对隐马尔科夫模型参数进行初始化，得到隐马尔科夫初始化模型λ_initial=(Π,A,B)，根据λ_initial=(Π,A,B)和已知的观察值序列O={O₁,O₂,...,O_T}，利用隐马尔科夫重估公式迭代得到新的隐马尔科夫模型

可以证明

对重估过程继续迭代直到

收敛，此时的

即为所求的适于交通流的隐马尔科夫模型 $\stackrel{\‾}{\mathrm{\λ}}=(\stackrel{\‾}{\mathrm{\Π}},\stackrel{\‾}{A},\stackrel{\‾}{B}).$

（3）、在给定适于交通流状态的隐马尔科夫模型

和观察值序列的基础上，利用Viterbi算法求得与观察值序列对应的最优隐状态序列，则最优隐状态序列中的最后状态即为已检测时段后的所预测的交 通流状态；并依次推移进行短时交通流状态预测。因为，观察值与每个预测窗口的起始时刻测得值相对应，则隐状态与预测窗口内的交通流状态对应，则预测时间长度就是预测窗口的长度。 

工作时，本发明以预测路段未来短时（5min或10min）内的交通状态为目的，根据从路段数据站所采集的交通流参数数据序列为基础，通过对其进行分析，进一步了解交通流在时间轴上的变化特点，可知，交通流是一种时变的、非线性的随机过程。然而传统预测模型往往是对交通状态进行定量确定性的预测，仅对交通流静态信息进行研究，忽略了交通流的变化趋势。基于此，利用隐马尔科夫（HMM）统计模型对交通状态进行预测。 

首先，对隐马尔科夫模型参数进行构造，对预测窗口内的数据序列进行统计分析，得到其平均值，以及预测窗口内数据序列对比度，从而得到模型的隐状态序列。并设定预测窗口开始时刻的测得值对应的取值区间作为观察状态（值）序列。从而构造出了隐状态集合和观察状态集合。 

其次，利用HMM中的EM算法，利用所采集的训练数据对模型的参数进行训练，得到模型参数，包括状态转移矩阵、发生矩阵、初始状态概率分布，并结合交通流的特点对参数进行分析。 

然后，在所获得的模型基础上，利用新的隐马尔科夫模型对短时交通状态进行了预测。 

本发明对采集的数据进行处理和统计，通过设定预测窗口，对预测窗口起始时刻测得值以及预测窗口内参数平均值和序列对比度离 散化，构成隐马尔科夫模型的隐状态和观察状态集合，然后利用Baum-Welch算法结合训练数据对模型参数进行学习。最后，对于一定的预测窗口，在已知观察状态序列的基础上，利用Viterbi算法求得最优的隐状态序列，则最优隐状态序列的最后的状态即为预测状态。 

本发明设计合理，用于城市快速路未来短时内的交通状态预测，有助于出行人员选择合理的出行方式或最优路径，是一种有效的短时交通状态预测方法。 

附图说明

图1是短时交通状态的预测流程图。 

图2是预测窗口Φ和转移窗口Δ示意图。 

图3是灰度联合共生矩阵示意图。 

图4是Viterbi预测流程图。 

具体实施方式

下面结合附图对本发明的具体实施例进行详细说明。 

本实施例中，基于交通流状态确定的隐马尔科夫模型称为“交通隐马尔科夫模型”，简记为“THMM”。设定参数采集周期δ为30s，则一天24h中含有2880组数据，以每天的从500至1500共计1001组早高峰数据序列作为本实施例的数据。为了便于对THMM的构造，定义三个时间窗口：预测窗口Φ、转移窗口Δ、采集窗口（周期）δ。 

定义1：预测窗口Φ，目的是预测未来短时的交通状态，设定5min的时间长度作为预测窗口，即预测的未来“短时”就是5min。 

定义2：转移窗口Δ，指由时刻t到t+(1*Δ)的时间窗口中，交通状 态发生了转移，例如设定了3种转移窗口，即30s/2min/5min。 

定义3：采集窗口δ：因为数据序列以30s为采样间隔，因此***以30s为1步依次滚动，则设定30s为采集窗口δ，在本实施例中是固定的。 

利用隐马尔科夫模型(HMM)对交通流进行研究，首先需要对模型的隐状态和观察状态进行确定。对于5min的预测窗口Φ，设定预测窗口Φ开始时刻的参数测得值对应的状态作为THMM的观察状态（观察值）；因为模型的隐状态要同时表示交通流的静态和动态信息两方面内容，所以隐状态由两因子联合确定，即利用时间窗口内的参数序列的参数平均值

和对比度CON联合表述。如图2所示为THMM模型在时间轴上隐状态和观察值的示意图。 

因为采样间隔为30s，本实施例中取参数值序列早高峰时段的500-1500共计1001组数据进行研究。预测窗口Φ长度为5min，其中含有10个30s的数据点，由于设定30秒作为转移窗口Δ，因此，早高峰时段中涵盖了992个预测窗口，窗口之间存在重叠部分。其中，S_t(1≤t≤992)表示每个5min预测窗口Φ内的交通流隐状态。为了利用模型对预测窗口内的状态进行预测，设定每个预测窗口Φ的起始时刻的参数值θ_t对应的观察状态为O_t，(1≤t≤992)，并构成了观察状态（值）序列O=(O₁,O₂,...,O₉₉₂)。 

下面对一种基于隐马尔科夫模型的短时交通流状态预测方法进行详细描述，包括如下步骤： 

（1）、确定隐马尔科夫模型的隐状态集合和观察状态集合，具体 如下： 

I、以采集周期δ（30s）对通过某路段横截面的某一交通流状态参数（例如交通流速度、车流量、占有率中的任意一个）进行采集，得到对应于该参数在已检测时段内的以采集周期δ为间隔的数据序列。 

Ⅱ、设定固定的时段长度作为预测窗口Φ（5min），即短时预测时长，所述预测窗口Φ是采集周期δ的整数倍，因此预测窗口Φ内含有Φ/δ（Φ/δ=10）个某一交通流状态参数值组成的数据序列。 

设定转移窗口Δ，表示预测窗口Φ以转移窗口Δ为单位在时间轴上依次向后滑动转移，所述转移窗口Δ是采集周期δ的整数倍，范围为δ≤Δ≤Φ；据此确定在已检测时段（500min）内预测窗口Φ的数量992个。 

每个预测窗口Φ均对应有一个参数平均值

每个预测窗口Φ内的起始时刻参数值θ_t作为观察值，则所有观察值构成观察值序列O={O₁,O₂,...,O_T}。 

利用灰度联合共生矩阵C，确定每个预测窗口Φ内数据序列的对比度CON。具体如下： 

利用预测窗口的某一交通流参数在一定时段（已检测时段500min）内的参数平均值

（一阶统计变量）和描述参数在时间轴上波动情况对比度CON（二阶统计量）二者的联合来对交通状态进行说明。其中，参数平均值可以对交通流的当前或历史的静态信息进行直观的展现，对比度则可以描述参数序列的变化趋势和波动程度。 

要对交通流参数在时间轴上的变化趋势进行分析，从统计的角度， 就必须要对参数序列进行二阶统计分析。 

本发明扩展了图像研究领域中广泛应用的灰度联合共生矩阵(GLCM)和对比度(Contrast，CON)的定义。在对图像分析中，灰度级表示像素的亮度和强度，而对于交通流参数序列而言，交通参数值便相当于灰度值。本实施例中的数据集合的采集间隔为30s，对5min内的10个参数值构成的数据序列进行分析，进而生成灰度联合共生矩阵，从而求得对比度CON。给定一组数据序列，灰度联合共生矩阵(GLCM)C中的元素c_ij表示数据点的强度值（交通流参数值）为i及其相邻的数据点的强度值为j这样的数据组合出现的频率。即元素c_ij表示序列中数据点的强度值（交通流参数值）为i及其相邻的数据点的强度值为j构成数据组合出现的次数，与10个参数值构成的数据序列中所有可能的数据组合的总数的比值，如式（1）所示。此处，灰度联合共生矩阵C是一个N_g×N_g的矩阵，其中N_g表示灰度级的个数。 

图像中衡量像素点与其相邻像素点的强度的对比值，以及图像局部灰度变化的量称为对比度CON，其表达式如下： 

CON=∑_i,j|i-j|²c_ij   （2） 

本发明中，将上式（2）改进，如下： 

CON=∑_i,j|j-i|(j-i)c_ij   （3） 

由式（3）可知，在交通序列中，对比度CON表示参数随时间的正负变化，可以反映出交通参数的变化趋势。其绝对值|CON|的大小 表示了速度变化趋势的剧烈程度。 

现在以一组数据序列为例，直观地对灰度联合共生矩阵(GLCM)和对比度(Contrast，CON)进行说明。设5min的预测窗口中的10个数据值构成了一组序列：O=(10,10,7,10,8,9,10,10,8,8)，根据式（1）可求得联合共生矩阵C，如图3所示。在矩阵C中，元素c_10,10=0.22，因为数据序列O中(10,10)的组合出现了2次，而序列总共有组合数为9，故其比值2/9=0.22。 

由式（3）可知，对比度CON具有正负的变化。在交通序列中，对比度CON就可以表示参数随时间的正负变化，例如当速度具有升高的趋势，对比度CON就为正值，反之为负，而其绝对值|CON|的大小表示了速度变化趋势的剧烈程度。则上述5min内数据序列的对比度CON： 

CON=0.11×(10-7)²+0.11×(9-8)²+0.11×(10-9)²

-0.11×(10-7)²-0.22×(10-8)²=0.67。 

Ⅲ、统计所有观察值的变化范围，根据统计结果，将观察值的变化范围进行离散化为M个区间，同时得到对应于区间的等级，即将所有观察值离散化为M级，设定等级即为观察状态o_i(i=1,2,...,M)，得到观察状态集合O={o₁,o₂,...,o_M}。 

本实施例中，以参数速度为例，速度变化区间大约为（0mph,60mph），将速度观察值分为了11个等级，如表1所示。 

表1速度观察状态离散化 

同理，统计预测窗口Φ内的参数平均值

和对比度CON的变化范围，根据统计结果，将参数平均值

和对比度CON分别进行离散化为m个和n个区间，同时得到对应于区间的等级，即将参数平均值

离散化为m级、对比度CON离散化为n级。 

在构造THMM模型的隐状态时，对预测窗口内速度平均值进行离散化为6级，与传统方法类似，不同速度级对应于交通流的不同参数取值区间。如表2所示， 

表2平均速度离散化 

由预测窗口内的平均速度离散化表可知，不同速度等级描述的是交通流状态的静态信息，可以直观的表述当前交通流的通行能力。 

本实施例中，速度对比度CON的变化范围主要为(-70,70)。为了便于对交通隐马尔科夫模型隐状态的构建，与预测窗口内平均速度的 离散化类似，将对比度CON离散化为7个等级，7个等级分别对应于对比度从负值到正值的7个区间，如表3所示。 

表3速度对比度离散化 

在构造交通流隐马尔科夫模型时，将预测窗口内序列平均值

离散化为若干代表不同速度区间的等级和窗口内参数序列对比度CON离散化等级分别作为隐状态的两个因子。利用对比度CON与数据序列平均值

离散化后等级的二维全因子联合描述模型隐状态集合S={s₁,s₂,...,s_N}。这种对隐状态的联合表述，克服了传统方法仅描述交通状态静态信息较片面的缺点。 

例如，对预测窗口内的参数平均值

以及对比度CON分别离散化为m级和n级，则其可描述的交通流隐状态就是m×n个。本实施例以“速度”为例，对预测窗口内速度平均值和对比度分别离散为6级和7级，因此模型的隐状态就有6×7=42种，则隐状态集合为S={s₁,s₂,...,s₄₂}。 

为了简便，将隐状态用***数字来表示，如表3所示。从而，可以将预测窗口（5min）中的数据序列（5min中含10个检测值）所 表示的交通状况设为某种状态。 

表4隐状态构成表 

注：表4中一些状态是在行驶过程中经常遇到的路况，例如状态17就是高峰时段拥挤导致交通流速度较小的情况。状态39表示道路畅通，并且路况良好，车辆之间影响较小的情况。然而，有的状态很少见，例如状态1，速度已经很低了，继续下降的可能性非常小。尽管如此，为了使模型涵盖所有的状态，仍将其计算在内。 

（2）、在确定了隐马尔科夫模型的隐状态集合和观察状态集合之后，对隐马尔科夫模型进行训练，得到适于交通流的隐马尔科夫模型  $\stackrel{\‾}{\mathrm{\λ}}=(\stackrel{\‾}{\mathrm{\Π}},\stackrel{\‾}{A},\stackrel{\‾}{B}).$ 具体如下： 

首先利用随机赋值对隐马尔科夫模型参数进行初始化，得到了隐马尔科夫初始化模型λ_initial=(Π,A,B)，根据λ_initial=(Π,A,B)和已知的观察值序列O={O₁,O₂,...,O_T}，利用隐马尔科夫重估公式迭代得到新的隐马尔科夫模型

可以证明

对重估过程继续迭代直到

收敛，此时的

即为所求的适于交通流的隐马 尔科夫模型

（3）、在给定的适用于交流流的隐马尔科夫模型和观察值序列的基础上，利用Viterbi算法求得与观察值序列对应的最优隐状态序列，则隐状态序列中的最后状态即为已检测时段后的所预测的交通流状态；并依次推移进行短时交通流状态预测。因为，观察值与每个预测窗口的起始时刻测得值相对应，则隐状态与预测窗口内的交通流状态对应，则预测时间长度就是预测窗口的长度。 

首先，在给定隐马尔科夫模型

以及观察值序列O=(O₁,O₂,...,O_t)的基础上，利用Viterbi算法求得与观察序列的最优隐状态序列S=(S₁,S₂,...,S_t)。 

其次，利用Viterbi变量δ_t(i)和记忆变量

通过Viterbi算法迭代得到对应于O最优的隐状态序列S。 

因为设定预测窗口起始时刻的测得值对应于观察状态O_t，而对应的最优隐状态序列中的最后隐状态S_t即为预测窗口内的中的交通状态的描述，因此最优匹配的状态序列S中最后时刻的状态S_t即为预测的状态，并依次推移进行短时交通流状态预测。 

Claims (5)

1.一种基于隐马尔科夫模型的短时交通流状态预测方法，其特征在于：包括如下步骤：

（1）、确定隐马尔科夫模型的隐状态集合和观察状态集合，具体如下：

I、以采集周期δ对通过某路段横截面的某一交通流状态参数进行采集，得到对应于该参数在已检测时段内的以采集周期δ为间隔的数据序列；

Ⅱ、设定固定的时段长度作为预测窗口Φ，即短时预测时长，所述预测窗口Φ是采集周期δ的整数倍，因此预测窗口Φ内含有Φ/δ个某一交通流状态参数值组成的数据序列；

设定转移窗口Δ，表示预测窗口Φ以转移窗口Δ为单位在时间轴上依次向后滑动转移，所述转移窗口Δ是采集周期δ的整数倍，范围为δ≤Δ≤Φ；据此确定在已检测时段内预测窗口Φ的数量；

利用灰度联合共生矩阵C，确定每个预测窗口Φ内数据序列的对比度CON；如下：灰度联合共生矩阵C中的元素c_ij表示数据点的强度值为i及其相邻的数据点的强度值为j这样的数据组合出现的频率，即

则 $\mathrm{CON}={\mathrm{\Σ}}_{i,j}|j-i|(j-i)c_{\mathrm{ij}};$

每个预测窗口Φ均对应有一个参数平均值

每个预测窗口Φ内的起始时刻参数值θ_t作为观察值，则所有观察值构成观察值序列O={O₁,O₂,...,O_T}；

Ⅲ、统计所有观察值的变化范围，根据统计结果，将观察值的变化范围进行离散化为M个区间，同时得到对应于区间的等级，即将所有观察值离散化为M级，设定等级即为观察状态o_i(i=1,2,...,M)，得到观察状态集合O={o₁,o₂,...,o_M}；

同理，统计预测窗口Φ内的参数平均值

和对比度CON的变化范围，根据统计结果，将参数平均值

和对比度CON分别进行离散化为m个和n个区间，同时得到对应于区间的等级，即将参数平均值

离散化为m级、对比度CON离散化为n级，则利用参数平均值和对比度CON的等级的二维全因子联合描述隐状态就是m×n个，得到隐状态集合S={s₁,s₂,...,s_N}，N=m×n；

（2）、在确定了隐马尔科夫模型的隐状态集合和观察状态集合之后，对隐马尔科夫模型进行训练，得到适于交通流的隐马尔科夫模型 $\stackrel{\‾}{\mathrm{\λ}}=(\stackrel{\‾}{\mathrm{\Π}},\stackrel{\‾}{A},\stackrel{\‾}{B}),$ 具体如下：

首先利用随机赋值对隐马尔科夫模型参数进行初始化，得到了隐马尔科夫初始化模型λ_initial=(Π,A,B)，根据λ_initial=(Π,A,B)和已知的观察值序列O={O₁,O₂,...,O_T}，利用隐马尔科夫重估公式迭代得到新的隐马尔科夫模型

可以证明

对重估过程继续迭代直到收敛，此时的

即为所求的适于交通流的隐马尔科夫模型 $\stackrel{\‾}{\mathrm{\λ}}=(\stackrel{\‾}{\mathrm{\Π}},\stackrel{\‾}{A},\stackrel{\‾}{B});$

（3）、在给定的适用于交通流的隐马尔科夫模型和观察值序列的基础上，利用Viterbi算法求得与观察值序列对应的最优隐状态序列，则隐状态序列中的最后状态即为已检测时段后的所预测的交通流状态，并依次推移进行短时交通流状态预测。

2.根据权利要求1所述的基于隐马尔科夫模型的短时交通流状态预测方法，其特征在于：所述采集的交通流状态参数为交通流速度或者车流量或者占有率。

3.根据权利要求1或2所述的基于隐马尔科夫模型的短时交通流状态预测方法，其特征在于：所述步骤I中的已检测时段的时长为500min或者1440min。

4.根据权利要求3所述的基于隐马尔科夫模型的短时交通流状态预测方法，其特征在于：所述采集周期为δ为30s或1min。

5.根据权利要求4所述的基于隐马尔科夫模型的短时交通流状态预测方法，其特征在于：所述预测窗口Φ的时长为5min或者10min。

Images