CN104821082B - 一种基于综合评价的短时交通流预测方法 - Google Patents

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

一种基于综合评价的短时交通流预测方法

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,…,r_p]；

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,…f_i,…,f_len，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α_i′：

${\mathrm{\α}}_{i^{\′}}=\frac{r_{\mathrm{1,1}+i^{\′}}}{\underset{i^{\′}=1}{\overset{n}{\mathrm{\Σ}}}{r}_{\mathrm{1,1}+i^{\′}}},i=\mathrm{1,2},\·\·\·,n.$

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r_k，当前主要评价指标r_k的值为Val，则将历史数据库中r_k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r_k的值为Val时，历史数据库中无相应的 数据，因此令F_{predict_k}＝0，同时转至步骤S535，否则转至步骤S533；

其中，F_{predict_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(DTTM_now-T)至DTTM_now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DTTM_a，将时刻(DTTM_a-T)至DTTM_a时间段内的长度为m的时间序列记为F_HISTORY_a，其中a＝1,2,…,dts_count；

其中，DTTM_now表示预测时间点；

S534：在主要评价指标r_k下，使用下式预测交通流的具体数值：

F_{predict_k}＝F_{key_dttm}

其中，F_{key_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_HISTORY_{key_dttm})

＝min{dist(F_NOW,F_HISTORY_a)}，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w_total，则当评价指标r_k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w_total，采用线性加权综合评价的预测方法预测交通流量F_predict。

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,…r_p，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,…r_K，相应的贡献权值为w₁,w₂,…,w_K；

S5、考虑每个评价指标r_k，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F_{predict_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F_predict。

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,…,r_p。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,…,r_p]；

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,…r_p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,…r_p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r_j,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r_j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r_j的取值集合{v_je|j＝1,2,…,p；e＝1,2,…s}进行处理，其中s表示评价指标r_j的取值个数。数据预处理后评价指标r_i的取值集合表示为：

r_j→{v^* _je|j＝1,2,…,p；e＝1,2,…s^*}

其中，v^* _je表示将评价指标r_j进行数据预处理后的取值，s^*表示数据预处理后评价指标r_j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,…,r_p]；

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,…,r_p]

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：

${x_{\mathrm{ig}}}^{*}=\frac{x_{\mathrm{ig}}-\stackrel{\&OverBar;}{x_g}}{\sqrt{\mathrm{var}\left(x_g\right)}},i=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n;g=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,q$

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′＝(x_ig ^*)_n×q；

S42：计算矩阵MTX′各评价指标与交通流的相关系数u_Fg，如下所示：

$u_{\mathrm{Fg}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({x^{*}}_{\mathrm{iF}}-\stackrel{\&OverBar;}{{x_F}^{*}})({x^{*}}_{\mathrm{ig}}-\stackrel{\&OverBar;}{{x_g}^{*}})}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{({x^{*}}_{\mathrm{iF}}-\stackrel{\&OverBar;}{{x_F}^{*}})}^2}\sqrt{\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{({x^{*}}_{\mathrm{ig}}-\stackrel{\&OverBar;}{{x_g}^{*}})}^2}},i=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n,g=\mathrm{2,3},\&CenterDot;\&CenterDot;\&CenterDot;,q$

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,…r_k,…,r_K；

S43：计算主要评价指标各自对于交通流的贡献权值w_k，公式如下：

$w_k=\frac{u_{\mathrm{Fk}}}{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{u}_{\mathrm{Fk}}},k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,K;$

其中，u_Fk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t_predict，记当前最近的采样时间点为t_sample，Δt＝t_predict-t_sample， 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α_i′：

S53：计算在每个主要评价指标下的交通流量F_{predict_k}；

S54：采用线性加权综合评价的预测方法预测交通流量F_predict。

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t_predict，记当前最近的采样时间点为t_sample，则时间窗口内历史数据的记录个数可表示为：

其中，Δt＝t_predict-t_sample，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t_predict＝9:30，当前最近的采样时间点为t_sample＝9:00，得到Δt＝t_predict-t_sample＝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t_predict＝9:30，当前最近的采样时间点为t_sample＝9:25，得到Δt＝t_predict-t_sample＝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t_predict＝9:30，当前最近的采样时间点为t_sample＝9:15，得到Δt＝t_predict-t_sample＝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：

$\mathrm{dist}(P,Q)=\sqrt{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{(p_i-q_i)}^2}$

其中，P，Q分别表示长度为_m的时间序列，p_i′，q_i′表示对应时间点的序列值，α_i′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,…f_i,…,f_len，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α_i′：

${\mathrm{\&alpha;}}_{i^{\&prime;}}=\frac{r_{\mathrm{1,1}+i^{\&prime;}}}{\underset{i^{\&prime;}=1}{\overset{n}{\mathrm{\&Sigma;}}}{r}_{\mathrm{1,1}+i^{\&prime;}}},i=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n$

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，p_i′，q_i′表示对应时间点的序列值，α_i′表示每个历史数据在时间序列中所占的比重，且满足

$\underset{i^{\&prime;}=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{i^{\&prime;}}=1$

所述步骤S53具体为：假设预测时间点为DTTM_now，其对应评价指标r_k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r_k，当前主要评价指标r_k的当前值为Val，则将历史数据库中r_k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r_k的值为Val时，历史数据库中无相应的数据，因此令F_{predict_k}＝0，同时转至步骤S535，否则转至步骤S533。

S533：将时刻(DTTM_now-T)至DTTM_now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DTTM_a，将时刻(DTTM_a-T)至DTTM_a时间段内的长度为m的时间序列记为F_HISTORY_a，其中a＝1,2,…,dts_count；

S534：在主要评价指标r_k下，使用下式预测交通流的具体数值：

F_{predict_k}＝F_{key_dttm}

其中，F_{key_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_HISTORY_{key_dttm})

＝min{dist(F_NOW,F_HISTORY_a)}，a＝1,2,…,dts_count

即在仅考虑评价指标r_k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F_{key_dttm}的值作为在考察主要评价指标r_k时的交通流量为F_{predict_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w_total，则当评价指标r_k产生有效预测结果时， 将其对交通流的贡献权值累加至w_total，如下式所示：

w_total＝w_total+w_k；

S542：根据步骤S541得到的w_total，采用线性加权综合评价的预测方法预测交通流量F_predict，计算公式如下：

$F_{\mathrm{predict}}=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}(\frac{w_k}{w_{\mathrm{total}}}\&times;F_{\mathrm{predict}\_k})$

其中，w_k是主要评价指标r_k对交通流F_predict的贡献度，w_total是各主要评价指标的累计贡献度，F_{predict_k}是在仅考察主要评价指标r_k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,…,r_p]；

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；r₁,r₂,…,r_p表示待定的评价指标。

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r_k，当前主要评价指标r_k的值为Val，则将历史数据库中r_k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r_k的值为Val时，历史数据库中无相应的数据，因此令F_{predict_k}＝0，同时转至步骤S535，否则转至步骤S533；

其中，F_{predict_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(DTTM_now-T)至DTTM_now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DTTM_a，将时刻(DTTM_a-T)至DTTM_a时间段内的长度为m的时间序列记为F_HISTORY_a，其中a＝1,2,…,dts_count；

其中，DTTM_now表示预测时间点；

S534：在主要评价指标r_k下，使用下式预测交通流的具体数值：

F_{predict_k}＝F_{key_dttm}

其中，F_{key_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：

$\begin{array}{c}dist(F\_NOW,F\_{\mathrm{HISTORY}}_{key\_dttm})\\ =\min \left\{dist(F\_NOW,F\_{\mathrm{HISTORY}}_a)\right\},a=1,2,...,dts\_count\end{array};$

其中，F_HISTORY_{key_dttm}表示采样时间为key_dttm所对应的历史数据，dist(·)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。

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w_total，则当评价指标r_k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w_total，采用线性加权综合评价的预测方法预测交通流量F_predict。