CN104821082A - 一种基于综合评价的短时交通流预测方法 - Google Patents
一种基于综合评价的短时交通流预测方法 Download PDFInfo
- Publication number
- CN104821082A CN104821082A CN201510212889.4A CN201510212889A CN104821082A CN 104821082 A CN104821082 A CN 104821082A CN 201510212889 A CN201510212889 A CN 201510212889A CN 104821082 A CN104821082 A CN 104821082A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- evaluation index
- historical data
- data
- dttm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于综合评价的短时交通流预测方法,通过研究分析结合实际的交通流预测场景,获得待定评价指标;采集待定评价指标的历史数据,得到历史数据库;通过数据预处理,构建基于历史数据库的历史数据矩阵;通过计算各待定评价指标与交通流的相关系数,筛选出主要评价指标,并计算主要评价指标各自的贡献权值;结合实时的交通流数据,通过改进的时间序列相似性度量方法对历史数据库中的交通流历史数据进行分析,得到在每个主要评价指标下的交通流量预测值;根据得到的在每个主要评价指标下交通流量预测值,采用线性加权综合评价方法预测交通流量,本发明的方法综合多维时间序列,得到更加精准的数值预测结果。
Description
技术领域
本发明涉及一种交通流预测方法,尤其涉及一种基于综合评价的短时交通客流量预测方法。
背景技术
近年来,随着经济不断发展以及各类机动车量***式增长,导致城市的交通问题日益严重。在越来越大的交通压力下,智能交通的概念应运而生。智能交通是未来交通***的发展方向,通过将先进的信息技术、数据通讯传输技术、电子传感技术、控制技术及计算机技术等有效地集成运用于整个地面交通管理***而建立的综合交通运输管理***。通过数据挖掘技术对历史交通流量数据进行研究分析,得出相关的规律。根据所得规律应用于当前的场景,并对未来短期交通流量进行预测是动态交通诱导的前提和基础,有了精度较高的实时交通流量信息,才能进一步运用现代通讯技术、计算机技术等为出行者提供最佳的行驶路线,达到网路畅通、高效运行的目的。
交通流可以认为是一组值随着时间推移而不断变化的时间序列。而目前对于时间序列的研究大部分都是局限于一维的时间序列。而在复杂的实际应用场景中研究目标往往受到多重因素的影响,因此若只考虑一维的情况则很有可能会产生较大的偏差。因此必须引入多维时间序列。多维时间序列预测是指通过对按时间顺序取得的多种属性的一系列观测值进行综合分析后得出的对于分析目标的预测结果。目前对多维时间序列的研究方向主要包括分类、聚类、相关规律性、探索式数据分析等基于相似性的模式挖掘研究。通常所采用的时间序列分析模型包括小波分析、神经网络、混沌理论、支持向量机方法的非线性预测模型等。而且对于多维时间序列预测也是侧重于对已有大量数据的模式挖掘基础上的得出的比较宏观的预测分析结果与规律总结,而没有精准的数值预测结果。无法适用于对数值预测精度有较高要求的场景。组合预测模型对数据要求严苛且实现复杂,难以在实际应用场景中实现。
发明内容
本发明为解决的上述技术问题,提出一种基于综合评价的短时交通流预测方法。
本发明采用的技术方案是:一种基于综合评价的短时交通流预测方法,包括以下步骤:
S1、通过研究分析结合实际的交通流预测场景,获得待定评价指标;
S2、采集步骤S1获得的待定评价指标的历史数据,得到历史数据库;
S3、通过数据预处理,构建基于历史数据库的历史数据矩阵;
S4、计算各待定评价指标与交通流的相关系数,将相关系数换算为百分比,然后将各相关系数按从大到小的顺序进行排序,并将相关系数按从大到小顺序依次累加,直至累加结果大于或等于第一阈值,则停止累加运算,从而剔除未被累加的相关系数较小的待定评价指标,从而得到主要评价指标,并计算主要评价指标各自的贡献权值;
S5、结合实时的交通流数据,通过改进的欧式距离对历史数据库中的交通流历史数据进行分析,得到在每个主要评价指标下的交通流量预测值;根据得到的在每个主要评价指标下交通流量预测值,采用线性加权综合评价方法预测交通流量。
进一步地,所述步骤S2创建的历史数据库为:DB_TABLE=[DTTM,F,r1,r2,…,rp];
其中,DTTM表示记录采样时间点,F表示对应采样时间点的交通流历史数据。
进一步地,所述步骤S3具体包括:S31:数据预处理;S32:构建历史数据矩阵;
所述步骤S31数据预处理具体包括以下分步骤:
S311:符号信息数值化,将符号信息,转化为数值化信息;
S312:数值缺失与数值错误预处理,对于不连续的交通流数值序列,采用平均插值法对数据补齐;而对于多个时段统计和的数据采用按时段均分的方法补齐各时段的数据;对于明显错误的数据则将该数据点删除,同时采用平均插值法补齐;
S313:数据预处理,采用数据分段处理对各待定评价指标的取值集合进行数据处理;
所述步骤S32:构建历史数据矩阵具体为:基于步骤S2的历史数据库构建历史数据矩阵。
进一步地,所述步骤S4指标筛选与权值计算具体包括以下分步骤:
S41:数据标准化操作,并根据标准化后的数据得到标准化的历史数据矩阵;
S42:计算标准化历史数据矩阵中各评价指标与交通流的相关系数,对相关系数排序,将相关系数换算为百分比,然后将各相关系数按从大到小的顺序进行排序,并将相关系数按从大到小顺序依次累加,直至累加结果大于或等于第一阈值,则停止累加运算,剔除未被累加的相关系数较小的待定评价指标,从而得到K个主要评价指标;
S43:计算主要评价指标各自对于交通流的贡献权。
进一步地,所述步骤S5具体包括以下分步骤:
根据设定的时间窗口的长度为T,历史数据的采样频度t,得到时间窗口内历史数据的记录个数;
S52:构造交通流矩阵,并计算交通流矩阵对应的相关系数矩阵,根据得到的相关系数矩阵计算时间窗口内不同时段历史数据的占比:
S53:根据改进的欧式距离计算在每个主要评价指标下的交通流量预测值;
S54:采用线性加权综合评价的预测方法预测交通流量。
更进一步地,所述步骤S52具体包括以下分步骤:
S521:构造交通流矩阵,假设交通流F长度为len的时间序列为:f1,f2,…fi,…,flen,满足条件len>>n,则构造如下交通流矩阵TF:
其中,矩阵第1列表示预测时间的数据,第2至n+1列表示时间窗口长度内的n个交通流历史数据;
S522:计算矩阵TF的相关系数矩阵:
S523:计算时间窗口内每个历史数据的占比αi′:
更进一步地,所述步骤S53具体包括以下分步骤:
S531:获取当前主要评价指标rk,当前主要评价指标rk的值为Val,则将历史数据库中rk的值为Val的历史数据提取出来组成新的数据集DTS:<DTTM,F>,数据集DTS中记录的个数为dts_count;
S532:若dts_count=0则表明主要评价指标rk的值为Val时,历史数据库中无相应的 数据,因此令Fpredict_k=0,同时转至步骤S535,否则转至步骤S533;
其中,Fpredict_k表示第k个主要评价指标对应的交通流预测值;
S533:将时刻(DTTMnow-T)至DTTMnow时间段内的长度为m的时间序列记为F_NOW,对数据集DTS中的每一个DTTMa,将时刻(DTTMa-T)至DTTMa时间段内的长度为m的时间序列记为F_HISTORYa,其中a=1,2,…,dts_count;
其中,DTTMnow表示预测时间点;
S534:在主要评价指标rk下,使用下式预测交通流的具体数值:
Fpredict_k=Fkey_dttm
其中,Fkey_dttm表示历史数据库中DTTM值为key_dttm所对应的历史记录中的交通流的值;
S535:判断各主要评价指标是否已完成交通流的预测,是则结束判断,否则转到步骤S531,获取下一个主要评价指标。
更进一步地,所述步骤S534中key_dttm的取值应满足如下条件:
dist(F_NOW,F_HISTORYkey_dttm)
;
=min{dist(F_NOW,F_HISTORYa)},a=1,2,…,dts_count
其中,dist(i),表示根据改进的欧式距离求相似度,min{·}表示取集合内的最小值。
更进一步地,所述步骤S54具体为:
S541:记各评价指标的累计贡献权值为wtotal,则当评价指标rk产生有效预测结果时,将其对交通流的贡献权值进行累加;
S542:根据步骤S541得到的wtotal,采用线性加权综合评价的预测方法预测交通流量Fpredict。
本发明的有益效果:本发明的一种基于综合评价的短时交通流预测方法,通过研究分析结合实际的交通流预测场景,获得待定评价指标;采集待定评价指标的历史数据,得到历史数据库;通过数据预处理,构建基于历史数据库的历史数据矩阵;通过计算各待定评 价指标与交通流的相关系数,筛选出主要评价指标,并计算主要评价指标各自的贡献权值;结合实时的交通流数据,通过改进的时间序列相似性度量方法对历史数据库中的交通流历史数据进行分析,得到在每个主要评价指标下的交通流量预测值;根据得到的在每个主要评价指标下交通流量预测值,采用线性加权综合评价方法预测交通流量,本发明的方法综合多维时间序列,得到更加精准的数值预测结果。
附图说明
图 1为本发明的方法流程图。
图 2为本发明的数据预处理流程图。
图 3为本发明的评价指标的筛选与权值计算流程图。
图 4为本发明的时间窗口示意图。
图 5为本发明的基于改进欧氏距离的时间序列相似性度量方法。
图 6为本发明实施例提供的的时间窗口内历史数据的记录个数示意图。
图 7为步骤S52的详细步骤分解图。
图 8为步骤S53的详细步骤分解图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明内容进一步阐释。
如图 1所示为本发明的方法流程图,本专利所提出的基于综合评价的短时交通流预测算法共分为如下五个步骤:
S1、通过研究分析结合实际的交通流预测场景,选出对交通流有影响的因素r1,r2,…rp,并作为待定的评价指标;
S2、采集步骤S1获得的待定评价指标的历史数据,得到历史数据库;
S3、通过数据预处理,构建基于历史数据库的历史数据矩阵;
S4、指标筛选与权值计算,得出对交通流有较大影响的指标r1,r2,…rK,相应的贡献权值为w1,w2,…,wK;
S5、考虑每个评价指标rk,结合实时的交通流数据,通过改进的时间序列相似性度量方法对历史数据库中的交通流历史数据进行分析,得到在单个评价指标条件下交通流量预测值Fpredict_k;采用线性加权综合评价的预测方法得到未来短时的交通流量Fpredict。
本发明实施例以机场为例。
步骤S1中评价指标选取可以通过调研分析结合实际的交通流预测场景,选出共p个对交通流F有影响的影响因子作为交通流预测的待定评价指标,记为r1,r2,…,rp。机场出租车运力受多种因素的影响,包括航班信息r1,天气信息r2,不同时段r3,乘坐出租车的人数r4,当前出租车的运力情况r5等。
步骤S2采集步骤S1获得的待定评价指标的历史数据,得到历史数据库为:DB_TABLE=[DTTM,F,r1,r2,…,rp];
其中,DTTM表示记录采样时间点,F表示对应采样时间点的交通流历史数据。
所述步骤S3包括:S31:数据预处理;S32:构建历史数据矩阵;
如图 2所示,所述步骤S31数据预处理具体为:数据预处理部分考虑到指标r1,r2,…rp的数据形式多样,包括符号、数值等多种数据类型,无法直接进行计算,同时不规整或错误的数据会造成计算结果的较大偏差。因此需要对相应的数据进行预处理,这样不仅能得到较好的预测结果,同时也能有效提升运算速度。如图2所示为本发明的数据预处理流程图,具体的数据预处理的主要步骤如下:
S311:符号信息数值化。由于评价指标r1,r2,…rp可能包含文字等符号信息,如对交通流有较大影响的天气信息等。因此需要将文字类型的数据数值化便于计算。
以天气信息r2为例,其对航班到港造成的影响程度将天气信息r2划分为4类,如表1所示。
表 1 天气信息分类
天气类型 | 描述 |
第Ⅰ类天气(无影响) | 晴天、阴天 |
第Ⅱ类天气(微弱影响) | 阵雨、小到中雨、小雨、小到中雪、小雪 |
第Ⅲ类天气(中度影响) | 中雪、雨夹雪、中雨、中到大雨、大雨、轻雾、霾 |
第Ⅳ类天气(严重影响) | 大雪、浮尘、大到暴雨、雷阵雨、暴雨、雾 |
以四种类型天气为基本类型,可得到如表2所示的天气变换趋势及其符号表示,本文设定考察天气变换趋势的时间窗口长度为2小时。
表 2 天气变换趋势及其类型表
天气变换趋势 | 类型 |
Ⅰ→Ⅰ | 1 |
Ⅰ→Ⅱ | 2 |
Ⅰ→Ⅲ | 3 |
Ⅰ→Ⅳ | 4 |
Ⅱ→Ⅰ | 5 |
Ⅱ→Ⅱ | 6 |
Ⅱ→Ⅲ | 7 |
Ⅱ→Ⅳ | 8 |
Ⅲ→Ⅰ | 9 |
Ⅲ→Ⅱ | 10 |
Ⅲ→Ⅲ | 11 |
Ⅲ→Ⅳ | 12 |
Ⅳ→Ⅰ | 13 |
Ⅳ→Ⅱ | 14 |
Ⅳ→Ⅲ | 15 |
Ⅳ→Ⅳ | 16 |
S312:数值缺失与数值错误预处理。对于不连续的交通流数值序列,采用平均插值法对数据补齐。而对于多个时段统计和的数据采用按时段均分的方法补齐各时段的数据。对于明显错误的数据则将该数据点删除,同时采用平均插值法补齐。
S313:数据预处理。由于任意评价指标rj,j=1,2,…,p其取值范围都比较大,若是将每一个值都视为一个分类,则会导致分类太多而影响预测效率。而对于评价指标rj而言,相同数量级的取值对交通流F往往有相同的影响,因此可以采用数据分段处理的方法对评价指标rj的取值集合{vje|j=1,2,…,p;e=1,2,…s}进行处理,其中s表示评价指标rj的取值个数。数据预处理后评价指标ri的取值集合表示为:
rj→{v* je|j=1,2,…,p;e=1,2,…s*}
其中,v* je表示将评价指标rj进行数据预处理后的取值,s*表示数据预处理后评价指标rj取值的个数。
步骤S32:构建历史数据矩阵具体为:根据步骤S2中得到的历史数据库的数据表,如下所示:
DB_TABLE=[DTTM,F,r1,r2,…,rp];
其中,DTTM表示记录采样时间点,F表示对应采样时间点的交通流历史数据。基于上述历史数据表构建历史数据矩阵为:
MTX=[F,r1,r2,…,rp]
步骤S4评价指标筛选与权值计算主要对步骤S1中所提出的评价指标进行判断与选择。如图3所示,通过计算各指标与交通流的相关度,选择相关性较大的评价指标,去除相关性较小或者无相关性的指标。具体步骤如下:
S41:数据标准化操作,根据下式对数据进行标准化的操作:
其中,和分别表示历史数据矩阵中第g项的均值与方差,且q=p+1,得到标准化后的矩阵MTX′=(xig *)n×q;
S42:计算矩阵MTX′各评价指标与交通流的相关系数uFg,如下所示:
对相关系数排序,将相关系数换算为百分比,然后将各相关系数按从大到小的顺序进行排序,并将相关系数按从大到小顺序依次累加,直至累加结果大于或等于第一阈值,本实施例中第一阈值取值为80%,则停止累加运算,剔除未被累加的相关系数较小的待定评价指标,从而得到K个主要评价指标r1,r2,…rk,…,rK;
S43:计算主要评价指标各自对于交通流的贡献权值wk,公式如下:
其中,uFk表示第k个主要与交通流的相关系数。
步骤S5中在仅考虑单个评价指标情况下进行交通流预测的过程中,采用时间序列相似性度量方法从历史数据库中查找最相似的交通流数据作为预测值。在考查交通流随时间变化的规律时,可以认为交通流是取值随时间变化的时间序列。而由于交通流的连续性,过去时段的交通流数据会对当前时段的交通流造成影响,如图4所示为时间窗口示意图。考虑到不同的历史时段对当前的交通流影响程度也不同,因此本发明采用改进的欧氏距离作为时间序列相似性度量的方法设计流程如图5所示。详细的设计度量方法包括如下步骤:
S51:设定时间窗口的长度,假设时间窗口的长度为T(min),则当历史数据的采样频度为t(min)时,时间窗口内历史数据的记录个数为:
其中,记当前预测时间点为tpredict,记当前最近的采样时间点为tsample,Δt=tpredict-tsample, 表示取整。
S52:构造交通流矩阵,并计算交通流矩阵对应的相关系数矩阵,根据得到的相关系数矩阵计算时间窗口内不同时段历史数据的占比αi′:
S53:计算在每个主要评价指标下的交通流量Fpredict_k;
S54:采用线性加权综合评价的预测方法预测交通流量Fpredict。
所述步骤S51具体为:设定时间窗口的长度为T(min),则假设历史数据的采样频度为t(min),可得时间窗口内历史数据的记录个数为:
记当前预测时间点为tpredict,记当前最近的采样时间点为tsample,则时间窗口内历史数据的记录个数可表示为:
其中,Δt=tpredict-tsample,表示取整。
如图 6所示,1)预测点为半小时点,即8:00、8:30、9:00、9:30、10:00,采样时间点为半点,即8:00、8:30、9:00、9:30、10:00,则根据当前预测时间点为tpredict=9:30,当前最近的采样时间点为tsample=9:00,得到Δt=tpredict-tsample=30min<T=130min,则
2)预测点为半小时点,即8:00、8:30、9:00、9:30、10:00,采样时间点为半点差5分,即7:55、8:25、8:55、9:25、9:55,,则根据当前预测时间点为tpredict=9:30,当前最近的采样时间点为tsample=9:25,得到Δt=tpredict-tsample=5min<T=130min,则
3)预测点为半小时点,即8:00、8:30、9:00、9:30、10:00,采样时间点为半点差15分,即7:45、8:15、8:45、9:15、9:45,,则根据当前预测时间点为tpredict=9:30,当前最近的采样时间点为tsample=9:15,得到Δt=tpredict-tsample=15min<T=130min,则
如图 7所示,所述步骤S52具体为:在考查交通流随时间变化的规律时,可以认为交通流是取值随时间变化的时间序列。本文利采用以改进的欧氏距离作为时间序列相似性度量的方法,并从历史数据库中查找与当前场景最为相似的记录,并作为预测值。其中改进的欧式距离的表达如下:
其中,P,Q分别表示长度为m的时间序列,pi′,qi′表示对应时间点的序列值,αi′ 表示时间序列中所占的比重,且满足 如图7所示,具体包括以下分步骤:
S521:假设交通流F长度为len的时间序列为:f1,f2,…fi,…,flen,满足条件len>>n。则构造如下交通流矩阵TF:
其中,矩阵第一列即表示预测时间的数据,而后n,列则表示时间窗口内的n·个交通流历史数据。
S522:计算相关系数矩阵。
对矩阵TF计算其相关系数矩阵:
S523:计算时间窗口内每个历史数据的占比αi′:
根据改进的欧式距离公式计算相似度
其中,P表示长度为m的时间序列,Q表示长度为m的时间序列,pi′,qi′表示对应时间点的序列值,αi′表示每个历史数据在时间序列中所占的比重,且满足
所述步骤S53具体为:假设预测时间点为DTTMnow,其对应评价指标rk的值为Val。如图8所示,具体分步骤如下:
S531:获取当前主要评价指标rk,当前主要评价指标rk的当前值为Val,则将历史数据库中rk的值为Val的历史数据提取出来组成新的数据集DTS:<DTTM,F>,数据集DTS中记录的个数为dts_count。
S532:若dts_count则表明主要评价指标rk的值为Val时,历史数据库中无相应的数据,因此令Fpredict_k=0,同时转至步骤S535,否则转至步骤S533。
S533:将时刻(DTTMnow-T)至DTTMnow时间段内的长度为m的时间序列记为F_NOW,对数据集DTS中的每一个DTTMa,将时刻(DTTMa-T)至DTTMa时间段内的长度为m的时间序列记为F_HISTORYa,其中a=1,2,…,dts_count;
S534:在主要评价指标rk下,使用下式预测交通流的具体数值:
Fpredict_k=Fkey_dttm
其中,Fkey_dttm表示历史数据库中DTTM值为key_dttm所对应的历史记录中的交通流的值。key_dttm的取值应满足如下条件:
数据集DTS中DTTM取值为key_dttm的取值应满足如下条件:
dist(F_NOW,F_HISTORYkey_dttm)
。
=min{dist(F_NOW,F_HISTORYa)},a=1,2,…,dts_count
即在仅考虑评价指标rk时,在所有历史记录中,采样时间为key_dttm所对应的历史数据与当前的场景最为相似。因此以Fkey_dttm的值作为在考察主要评价指标rk时的交通流量为Fpredict_k。
S535:判断各主要评价指标是否已完成交通流的预测,是则结束判断,否则转到步骤S531,执行k=k+1;
其中,k表示第k个主要评价指标,且k=1,2,…,K。
所述步骤S54具体包含以下分步骤:
S541:记各评价指标的累计贡献权值为wtotal,则当评价指标rk产生有效预测结果时, 将其对交通流的贡献权值累加至wtotal,如下式所示:
wtotal=wtotal+wk;
S542:根据步骤S541得到的wtotal,采用线性加权综合评价的预测方法预测交通流量Fpredict,计算公式如下:
其中,wk是主要评价指标rk对交通流Fpredict的贡献度,wtotal是各主要评价指标的累计贡献度,Fpredict_k是在仅考察主要评价指标rk的前提下所得到的交通流预测结果。
本发明的一种基于综合评价的短时交通流预测方法,通过研究分析结合实际的交通流预测场景,获得待定评价指标;采集待定评价指标的历史数据,得到历史数据库;通过数据预处理,构建基于历史数据库的历史数据矩阵;通过计算各待定评价指标与交通流的相关系数,筛选出主要评价指标,并计算主要评价指标各自的贡献权值;结合实时的交通流数据,通过改进的时间序列相似性度量方法对历史数据库中的交通流历史数据进行分析,得到在每个主要评价指标下的交通流量预测值;根据得到的在每个主要评价指标下交通流量预测值,采用线性加权综合评价方法预测交通流量,本发明的方法综合多维时间序列,得到更加精准的数值预测结果。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (8)
1.一种基于综合评价的短时交通流预测方法,其特征在于,包括以下步骤:
S1、通过研究分析结合实际的交通流预测场景,获得待定评价指标;
S2、采集步骤S1获得的待定评价指标的历史数据,得到历史数据库;
S3、通过数据预处理,构建基于历史数据库的历史数据矩阵;
S4、计算各待定评价指标与交通流的相关系数,将相关系数换算为百分比,然后将各相关系数按从大到小的顺序进行排序,并将相关系数按从大到小顺序依次累加,直至累加结果大于或等于第一阈值,则停止累加运算,从而剔除未被累加的相关系数较小的待定评价指标,从而得到主要评价指标,并计算主要评价指标各自的贡献权值;
S5、结合实时的交通流数据,通过改进的欧式距离对历史数据库中的交通流历史数据进行分析,得到在每个主要评价指标下的交通流量预测值;根据得到的在每个主要评价指标下的交通流量预测值,采用线性加权综合评价方法预测交通流量。
2.根据权利要求1所述的基于综合评价的短时交通流预测方法,其特征在于,所述步骤S2创建的历史数据库为:DB_TABLE=[DTTM,F,r1,r2,…,rp];
其中,DTTM表示记录采样时间点,F表示对应采样时间点的交通流历史数据。
3.根据权利要求1所述的基于综合评价的短时交通流预测方法,其特征在于,所述步骤S3具体包括:S31:数据预处理;S32:构建历史数据矩阵;
所述步骤S31数据预处理具体包括以下分步骤:
S311:符号信息数值化,将符号信息,转化为数值化信息;
S312:数值缺失与数值错误预处理,对于不连续的交通流数值序列,采用平均插值法对数据补齐;而对于多个时段统计和的数据采用按时段均分的方法补齐各时段的数据;对于明显错误的数据则将该数据点删除,同时采用平均插值法补齐;
S313:数据预处理,采用数据分段处理对各待定评价指标的取值集合进行数据处理;
所述步骤S32:构建历史数据矩阵具体为:基于步骤S2的历史数据库构建历史数据矩阵。
4.根据权利要求1所述的基于综合评价的短时交通流预测方法,其特征在于,所述步骤S4指标筛选与权值计算具体包括以下分步骤:
S41:数据标准化操作,并根据标准化后的数据得到标准化的历史数据矩阵;
S42:计算标准化历史数据矩阵中各评价指标与交通流的相关系数对相关系数排序,将相关系数换算为百分比,然后将各相关系数按从大到小的顺序进行排序,并将相关系数 按从大到小顺序依次累加,直至累加结果大于或等于第一阈值,则停止累加运算,剔除未被累加的相关系数较小的待定评价指标,从而得到K个主要评价指标;
S43:计算主要评价指标各自对于交通流的贡献权。
5.根据权利要求1所述的基于综合评价的短时交通流预测方法,其特征在于,所述步骤S5具体包括以下分步骤:
S51:根据设定的时间窗口的长度为T,历史数据的采样频度t,得到时间窗口内历史数据的记录个数;
S52:构造交通流矩阵,并计算交通流矩阵对应的相关系数矩阵,根据得到的相关系数矩阵计算时间窗口内不同时段历史数据的占比;
S53:根据改进的欧式距离计算在每个主要评价指标下的交通流量预测值;
S54:采用线性加权综合评价的预测方法预测交通流量。
6.根据权利要求5所述的基于综合评价的短时交通流预测方法,其特征在于,所述步骤S53具体包括以下分步骤:
S531:获取当前主要评价指标rk,当前主要评价指标rk的值为Val,则将历史数据库中rk的值为Val的历史数据提取出来组成新的数据集DTS:<DTTM,F>,数据集DTS中记录的个数为dts_count;
S532:若dts_count=0则表明主要评价指标rk的值为Val时,历史数据库中无相应的数据,因此令Fpredict_k=0,同时转至步骤S535,否则转至步骤S533;
其中,Fpredict_k表示第k个主要评价指标对应的交通流预测值;
S533:将时刻(DTTMnow-T)至DTTMnow时间段内的长度为m的时间序列记为F_NOW,对数据集DTS中的每一个DTTMa,将时刻(DTTMa-T)至DTTMa时间段内的长度为m的时间序列记为F_HISTORYa,其中a=1,2,…,dts_count;
其中,DTTMnow表示预测时间点;
S534:在主要评价指标rk下,使用下式预测交通流的具体数值:
Fpredict_k=Fkey_dttm
其中,Fkey_dttm表示历史数据库中DTTM值为key_dttm所对应的历史记录中的交通流的值;
S535:判断各主要评价指标是否已完成交通流的预测,是则结束判断,否则转到步骤S531,获取下一个主要评价指标。
7.根据权利要求6所述的基于综合评价的短时交通流预测方法,其特征在于,所述步骤S534中key_dttm的取值应满足如下条件:
dist(F_NOW,F_HISTORYkey_dttm);
=min{dist(F_NOW,F_HISTORYa)},a=1,2,…,dts_count
其中,dist(i),表示根据改进的欧式距离求相似度,min{i}表示取集合内的最小值。
8.根据权利要求5所述的基于综合评价的短时交通流预测方法,其特征在于,所述步骤S54具体为:
S541:记各评价指标的累计贡献权值为wtotal,则当评价指标rk产生有效预测结果时,将其对交通流的贡献权值进行累加;
S542:根据步骤S541得到的wtotal,采用线性加权综合评价的预测方法预测交通流量Fpredict。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510212889.4A CN104821082B (zh) | 2015-04-29 | 2015-04-29 | 一种基于综合评价的短时交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510212889.4A CN104821082B (zh) | 2015-04-29 | 2015-04-29 | 一种基于综合评价的短时交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104821082A true CN104821082A (zh) | 2015-08-05 |
CN104821082B CN104821082B (zh) | 2017-01-18 |
Family
ID=53731362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510212889.4A Expired - Fee Related CN104821082B (zh) | 2015-04-29 | 2015-04-29 | 一种基于综合评价的短时交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104821082B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118294A (zh) * | 2015-09-25 | 2015-12-02 | 山东易构软件技术股份有限公司 | 一种基于状态模式的短时交通流预测方法 |
CN105957329A (zh) * | 2016-06-29 | 2016-09-21 | 肖锐 | 一种公路信息化智能*** |
CN106951976A (zh) * | 2016-10-12 | 2017-07-14 | 华南理工大学 | 一种基于模式分类的公交客流预测方法 |
CN107066831A (zh) * | 2017-05-19 | 2017-08-18 | 君晟合众(北京)科技有限公司 | 一种区域综合环境评价方法、装置及*** |
CN107085942A (zh) * | 2017-06-26 | 2017-08-22 | 广东工业大学 | 一种基于狼群算法的交通流预测方法、装置及*** |
CN107610470A (zh) * | 2017-10-31 | 2018-01-19 | 迈锐数据(北京)有限公司 | 一种交通拥堵评价方法和装置 |
CN107844848A (zh) * | 2016-09-20 | 2018-03-27 | ***通信集团湖北有限公司 | 一种区域人流量预测方法及*** |
CN108053646A (zh) * | 2017-11-22 | 2018-05-18 | 华中科技大学 | 基于时间敏感特征的交通特征获取方法、预测方法及*** |
CN108090241A (zh) * | 2016-11-23 | 2018-05-29 | 财团法人工业技术研究院 | 连续性工艺的趋势变量鉴定方法与*** |
CN108922183A (zh) * | 2018-07-17 | 2018-11-30 | 重庆大学 | 一种时空关联度与svr结合的高速公路短时流量预测方法 |
CN109241077A (zh) * | 2018-08-30 | 2019-01-18 | 东北大学 | 基于相似性的生产指标变化趋势可视化查询***及方法 |
CN109559512A (zh) * | 2018-12-05 | 2019-04-02 | 北京掌行通信息技术有限公司 | 一种区域交通流量预测方法及装置 |
CN111862583A (zh) * | 2019-04-24 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种车流量预测方法及装置 |
CN111862592A (zh) * | 2020-05-27 | 2020-10-30 | 浙江工业大学 | 一种基于rgcn的交通流预测方法 |
CN117437786A (zh) * | 2023-12-21 | 2024-01-23 | 速度科技股份有限公司 | 一种基于人工智能的实时交通路网短时交通流预测方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517479B (zh) * | 2018-05-22 | 2020-11-03 | 杭州海康威视***技术有限公司 | 一种城市道路交通预测方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694744A (zh) * | 2009-10-28 | 2010-04-14 | 北京交通大学 | 道路应急疏散能力评价方法及***、分级方法及*** |
JP2010272142A (ja) * | 2010-08-27 | 2010-12-02 | Nippon Telegr & Teleph Corp <Ntt> | 旅行時間推計方法,旅行時間推計装置,その方法を実装した旅行時間推計プログラム及びそのプログラムを格納した媒体、旅行時間予測方法,旅行時間予測装置,その方法を実装した旅行時間予測プログラム及びそのプログラムを格納した媒体 |
CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
WO2014003321A1 (ko) * | 2012-06-27 | 2014-01-03 | 명지대학교 산학협력단 | 최단경로를 이용한 출발점 기반의 통행 배정방법 |
-
2015
- 2015-04-29 CN CN201510212889.4A patent/CN104821082B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694744A (zh) * | 2009-10-28 | 2010-04-14 | 北京交通大学 | 道路应急疏散能力评价方法及***、分级方法及*** |
JP2010272142A (ja) * | 2010-08-27 | 2010-12-02 | Nippon Telegr & Teleph Corp <Ntt> | 旅行時間推計方法,旅行時間推計装置,その方法を実装した旅行時間推計プログラム及びそのプログラムを格納した媒体、旅行時間予測方法,旅行時間予測装置,その方法を実装した旅行時間予測プログラム及びそのプログラムを格納した媒体 |
CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
WO2014003321A1 (ko) * | 2012-06-27 | 2014-01-03 | 명지대학교 산학협력단 | 최단경로를 이용한 출발점 기반의 통행 배정방법 |
Non-Patent Citations (2)
Title |
---|
刘敬贤等: "船舶交通流组合预测方法研究", 《中国航海》 * |
张一: "基于卡尔曼滤波的短时交通流量预测模型研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118294A (zh) * | 2015-09-25 | 2015-12-02 | 山东易构软件技术股份有限公司 | 一种基于状态模式的短时交通流预测方法 |
CN105957329A (zh) * | 2016-06-29 | 2016-09-21 | 肖锐 | 一种公路信息化智能*** |
CN105957329B (zh) * | 2016-06-29 | 2019-04-19 | 芜湖达成储运有限公司 | 一种公路信息化智能*** |
CN107844848A (zh) * | 2016-09-20 | 2018-03-27 | ***通信集团湖北有限公司 | 一种区域人流量预测方法及*** |
CN107844848B (zh) * | 2016-09-20 | 2020-12-29 | ***通信集团湖北有限公司 | 一种区域人流量预测方法及*** |
CN106951976A (zh) * | 2016-10-12 | 2017-07-14 | 华南理工大学 | 一种基于模式分类的公交客流预测方法 |
CN108090241A (zh) * | 2016-11-23 | 2018-05-29 | 财团法人工业技术研究院 | 连续性工艺的趋势变量鉴定方法与*** |
CN107066831A (zh) * | 2017-05-19 | 2017-08-18 | 君晟合众(北京)科技有限公司 | 一种区域综合环境评价方法、装置及*** |
CN107085942A (zh) * | 2017-06-26 | 2017-08-22 | 广东工业大学 | 一种基于狼群算法的交通流预测方法、装置及*** |
CN107610470A (zh) * | 2017-10-31 | 2018-01-19 | 迈锐数据(北京)有限公司 | 一种交通拥堵评价方法和装置 |
CN108053646A (zh) * | 2017-11-22 | 2018-05-18 | 华中科技大学 | 基于时间敏感特征的交通特征获取方法、预测方法及*** |
CN108922183A (zh) * | 2018-07-17 | 2018-11-30 | 重庆大学 | 一种时空关联度与svr结合的高速公路短时流量预测方法 |
CN109241077A (zh) * | 2018-08-30 | 2019-01-18 | 东北大学 | 基于相似性的生产指标变化趋势可视化查询***及方法 |
CN109559512A (zh) * | 2018-12-05 | 2019-04-02 | 北京掌行通信息技术有限公司 | 一种区域交通流量预测方法及装置 |
CN111862583A (zh) * | 2019-04-24 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种车流量预测方法及装置 |
CN111862583B (zh) * | 2019-04-24 | 2021-12-03 | 北京嘀嘀无限科技发展有限公司 | 一种车流量预测方法及装置 |
CN111862592A (zh) * | 2020-05-27 | 2020-10-30 | 浙江工业大学 | 一种基于rgcn的交通流预测方法 |
CN117437786A (zh) * | 2023-12-21 | 2024-01-23 | 速度科技股份有限公司 | 一种基于人工智能的实时交通路网短时交通流预测方法 |
CN117437786B (zh) * | 2023-12-21 | 2024-02-27 | 速度科技股份有限公司 | 一种基于人工智能的实时交通路网短时交通流预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104821082B (zh) | 2017-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104821082A (zh) | 一种基于综合评价的短时交通流预测方法 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
Yu et al. | Prediction of bus travel time using random forests based on near neighbors | |
CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
CN108877223A (zh) | 一种基于时空相关性的短时交通流预测方法 | |
CN111882869B (zh) | 一种考虑不良天气的深度学习交通流预测方法 | |
CN105809287A (zh) | 一种高压输电线路覆冰过程综合预测方法 | |
CN102081846A (zh) | 基于高速公路收费数据轨迹匹配的交通状态识别方法 | |
CN110705850A (zh) | 一种基于层次分析法的道路风险评估方法 | |
CN107978153B (zh) | 一种基于空间向量自回归模型的多模式交通需求影响分析方法 | |
CN113159374B (zh) | 一种数据驱动的城市交通流速模式识别与实时预测预警方法 | |
CN102721397A (zh) | 基于垂直动载荷的现代时间序列提取路面特征参数的方法 | |
CN105678406A (zh) | 一种基于云模型的短期负荷预测方法 | |
CN108415885A (zh) | 基于近邻回归的实时公交客流预测方法 | |
CN104239722A (zh) | 一种基于因素间相关关系识别的预测方法 | |
CN114596700A (zh) | 一种基于门架数据的高速公路路段实时流量估计方法 | |
CN115907822A (zh) | 一种考虑区域及经济影响的负荷特征指标关联性挖掘方法 | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
CN116739376A (zh) | 一种基于数据挖掘的公路路面预防性养护决策方法 | |
CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及*** | |
CN116756825A (zh) | 一种中小跨径桥梁的群结构性能预测*** | |
CN111175852B (zh) | 一种基于长短时记忆算法的机场大雾预报预警方法 | |
CN108053646A (zh) | 基于时间敏感特征的交通特征获取方法、预测方法及*** | |
Adedotun et al. | Modelling and forecasting climate time series with state-space model | |
Xu et al. | Road traffic states estimation algorithm based on matching of regional traffic attracters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170118 Termination date: 20190429 |
|
CF01 | Termination of patent right due to non-payment of annual fee |