CN105185106A - 一种基于粒计算的道路交通流参数预测方法 - Google Patents

Abstract

本发明涉及交通信息发布及交通管理与控制领域，本发明公开了一种基于粒计算的道路交通流参数预测方法，其特征具体包括：一、以信息颗粒替代数据点作为数据挖掘分析的基本单元。二、以粒计算思想贯穿整体预测框架，粒处理作为一种具有统一结构的数据处理方法，让决策者更清楚地理解各种不同的形式体系之间进行交互所处的地位，掌握它们的沟通方式，在各个不同的途径之间建立了增强的和谐环境；三、以模糊时间序列与Gath-Geva聚类理论为依托，通过聚焦于现有正式方法的共性，认识既有的良好的框架的正交性（如概率论及各种变量的概率密度函数），并以可变粒度概念为基础，建立根据数值实体构建粒度范围的区间长度分析模型，据此实现模式识别与推测。

Description

一种基于粒计算的道路交通流参数预测方法

技术领域

本发明涉及涉及交通信息发布及交通管理与控制领域，尤其涉及一种基于粒计算的道路交通流参数预测方法。

背景技术

交通流参数预测是交通流诱导和交通信息发布的重要依据。在城市交通背景下，交通流是基于时间域动态变化的，从而交通流参数的预测是一个基于时间域动态处理的问题。传统的预测方法，在精度和动态处理中，难以寻找到平衡点，造成其预测结果偏离实际交通参数数据变化趋势。

SongandChissom(1993)首次提出模糊时间序列的概念，与传统模糊集比较，其在动态时间域具有良好的变化特性。近年来，模糊时间序列已经成功解决多个领域的决策问题，基于模糊时间序列的概念，学者们相继提出了基于固定时间间隔的模糊时间序列模型和动态变化时间间隔的模糊时间序列模型。模糊时间序列模型的应用研究已经取得了很大的成果，但依旧存在一定的不足。以往研究中，学者们很少考虑时间变量本身的影响(或未将时间本身视为变量)，而且研究往往局限于数据本身的信息量，很少挖掘数据内在的关联信息，如数据分布规律。学者们运用了支持向量机、基于熵的粗糙集、信息提取计算等算法划定研究范围内间隔长度以寻求更高的预测精度，却仅在研究范围内取得好的预测效果，一旦研究范围随实际需求或时间动态变化后，估计效果明显下降，在适用性上有所欠缺。

针对交通流参数预测，CN201210102006.0公开了一种基于模糊卡尔曼滤波的交通流预测方法，其特征在于包括以下步骤：在路段上游各车道和路段下游各车道布设检测器采集实时交通流参数数据；获取各车道检测器同期历史交通流参数数据；采用卡尔曼滤波技术构建动态卡尔曼滤波交通流参数预测模型；通过卡尔曼滤波时间更新方程和状态更新方程，得到卡尔曼滤波参数预测结果；将历史同期平均交通流参数引入公式中，构建模糊卡尔曼滤波交通流参数预测模型；根据检测器采集到的实时交通流参数和历史同期平均交通流参数，对下一时间间隔及之后的交通流参数进行预测。CN201210102006.0公开的基于模糊卡尔曼滤波的预测方法在于利用卡尔曼滤波方法，结合模糊思想完成参数的动态预测，其预测精度较传统方法取得了一定的提高，但是精度非百分百精确，即预测结果与真实数据存在波动性的随机误差，并且误差无法估计。可以明确一点，CN201210102006.0公开的预测方法虽然预测的值精确度高，但是却一定存在偏差，是一种精确型的错误。

发明内容

针对现有技术中对于道路交通流参数预测可靠度不高以及缺乏适应性强的动态预测的技术问题，本发明公开了一种基于粒计算的道路交通流参数预测方法。

本发明的目的通过下述技术方案来实现：

一种基于粒计算的道路交通流参数预测方法，其特征在于具体包括以下的步骤：

一种基于粒计算的道路交通流参数预测方法，其具体包括以下的步骤：步骤一、根据检测到的交通流参数的数值范围跨度，定义研究范围U＝[U_l,U_u]并确定信息颗粒数目h，其中U_l表示比整体数据中数值最小值任意小的整数值，U_u表示比整体数据中数值最大值任意大的整数值；步骤二、在研究范围内划定模糊集，并确定检测到的交通流参数数据与模糊集之间的隶属关系；其中模糊集数目与信息颗粒数目相同；步骤三、确定模糊集间的逻辑关系，得到模糊关系组；步骤四、根据模糊关系组的走向，采用模糊时间序列进行信息颗粒区间估计，从而预测出下一时间段的交通流参数。

更进一步地，上述信息颗粒区间估计的过程具体为：假设逻辑关系，A_j→A_j1,A_j2,...,A_jp，如果逻辑关系组走向为上升趋势，则区间估计的下限为m_j，区间估计的上限为(m_j1+m_j2,...,m_jp)/p；如果逻辑关系组走向为下降趋势，则区间估计的下限为(m_j1+m_j2,...,m_jp)/p，区间估计的上限为m_j；如果逻辑关系组走向既有上升趋势又有下降趋势，则区间估计的下限为(m_j1+m_j2,...,m_jk)/k，区间估计的上限为(m_jk+1+m_jk+2,...,m_jp)/(p-k)，其中，j为逻辑关系前端模糊集的下标，A_j表示第j个模糊集，A_j1,A_j2,...,A_jp表示逻辑关系前端模糊集对应的后端模糊集，共p个，k为1～p间的中间点，m_j为A_j模糊集对应的u_j的中值点。

更进一步地，上述信息颗粒由数据集D＝{x_k|k＝1,...,n}构成，颗粒特征包含区间范围长度及涵盖数据点个数两个特征，信息颗粒表述为Ω＝[a,b]，其中a和b为数据集D＝{x_k|k＝1,...,n}的界限，所述界限是指颗粒的上下界限，即颗粒所包含数据集的上下界限。

更进一步地，对于不同时间点的模糊时间序列F(t-1)＝A_i和F(t)＝A_j，模糊逻辑关系看作是F(t-1)和F(t)之间的逻辑关系，记为A_i→A_j，A_i为关系前端，A_j为关系后端；对于同一个模糊集A，当几个模糊逻辑关系前端相同时，合并为模糊逻辑关系组。

更进一步地，当时间序列χ＝{x_k|k＝1,...,n}，共n个样本，对应的时间坐标为θ＝{t_k|k＝1,...,n}，通过隶属度u_i,k和聚类中心η_i构成的最小化函数完成的在时间数据集上的模糊聚类，最小化函数构造为： $J_{GGt}=\underset{k=1}{\overset{n}{\Σ}}\underset{i=1}{\overset{c}{\Σ}}{u}_{i,k}^m\left|\right|z_k-{\mathrm{\η}}_i|{|}^2=\underset{k=1}{\overset{n}{\Σ}}\underset{i=1}{\overset{c}{\Σ}}{u}_{i,k}^m{D}^2(z_k,{\mathrm{\η}}_i);$ 其中z_k＝[t_k,x_k ^T]^T是包含时间坐标的数据点；m是权重指数，m＞1；c是聚类种类数，c＞2；D²(z_k,η_i)是数据点z_k与聚类中心η_i间的距离；u_i,k表示n个样本中第k个数据点隶属于第i类的隶属度。

更进一步地，上述U＝[U_l,U_u]为研究范围，该研究范围被划分为h个不等长度的区间，即h个信息颗粒，确定这h个区间长度的方法如下：Step1.确定种类数c，计算相应的隶属度；种类数c＝[h/2]，表示不超过h/2值的最大整数，h为区间数，并计算聚类中心η₁,η₂,...,η_c及对应的隶属度u_i,k(i＝1,...,c；k＝1,...,n)；Step2.依据隶属度构造数据子集；对于聚类中心η₁,η₂,...,η_c及相应的隶属度u_i,k(i＝1,...,c；k＝1,...,n)，构造数据子集如下： $D_2=\{x_k\∈D|u_{2,k}=\underset{1\≤i\≤c}{max\left\{u_{i,k}\right\}}\},...,D_c=\{x_k\∈D|u_{c,k}=\underset{1\≤i\≤c}{max\left\{u_{i,k}\right\}}\};$ Step3.构建信息颗粒；是数据子集D_i的聚类中心，即为利用信息颗粒构造方法计算信息颗粒的最优上下界限，信息颗粒为Ω_i＝[a_i,b_i]；Step4.确定相应的研究范围区间u₁,u₂,...,u_h。

更进一步地，上述方法还包括对检测到的交通流参数进行预处理。

更进一步地，上述预处理具体为采用临近两时间点的均值作为插值进行数据的补充与修复。

通过采用以上的技术方案，本发明具有以下的有益效果：

在如今的城市交通背景中，道路交通流状态总是在实时动态变化。交通流参数的预测，不能脱离交通流状态的影响。传统的预测方法，在精度和动态处理中，难以寻找到平衡点，造成其预测结果偏离实际交通参数数据变化趋势。现在的预测需求是在时间域下动态处理的过程，本发明为了适应此特点，构造了基于信息颗粒的模糊时间序列模型：以粒计算思想，以信息颗粒替代数据点作为数据挖掘分析的基本单元，通过构建具有可变粒度的信息颗粒，研究交通流参数的动态预测问题。在实际交通环境中，交通流参数动态变化的频度使得基于数值的准确预测变为了学术领域的难点。但是城市交通决策者往往对参数预测的需求是区间范围即可，以此判断交通流状态。本发明的预测模型，恰好在实际需求与动态处理寻求到了恰当的预测方案，保证了预测准确度，并且更好地服务于交通决策者的决策信息供给。

与CN201210102006.0公开的预测方法相比，本发明的预测方法基于粒计算思想，结合模糊时间序列和相关聚类理论，完成了交通流参数的动态区间预测，即预测的结果为一种区间范围形式。虽然本专利未提供一种精确的数值，但是通过实例验证了本专利可以保证真实值一定在此范围内，即本专利提供的是一种模糊型的精确。与CN201210102006.0相比，本质上的区别在于精确型的错误提供了数值，但是却一定存在误差，并且动态预测过程中误差是随机波动的。而模糊型的精确是以区间范围代替数值，数值为区间范围的任一值，却保证了数值一定不会超出此区间范围，与精确型的错误相比，相当于将数值预测及波动(误差)的估计同时完成。在实际应用中，城市交通决策者往往是根据城市道路服务水平的分析标准与交通流参数的比照，从而判断交通流状态。在道路服务水平分析标准中，其提供了各种交通状态下交通流参数的所属范围，即城市交通决策者对参数预测的需求是区间范围即可。因此，在两种专利的预测方法中，本专利提出的区间范围预测更贴近于实际需求，实用性更高。

附图说明

图1为以数据点为数据分析单元的结构示意图。

图2为以信息粒为数据分析单元的结构示意图。

图3为本发明交通流参数预测模型的构建流程图。

图4为本发明交通流参数预测算例中趋势分析图。

具体实施方式

下面结合说明书附图，详细说明本发明的具体实施方式。

本发明公开了一种基于粒计算的道路交通流参数预测方法，其特征具体包括以下的步骤：步骤一、根据检测到的交通流参数的数值范围跨度，定义研究范围并确定信息颗粒数目；步骤二、在研究范围内划定模糊集，并确定检测到的交通流参数数据与模糊集之间的隶属关系；其中模糊集数目与信息颗粒数目相同；步骤三、确定模糊集间的逻辑关系，得到模糊关系组；步骤四、采用模糊时间序列进行信息颗粒区间估计，从而预测出下一时间段的交通流参数。本发明将模糊时间序列结合到交通流参数预测领域，实现了交通流参数的准确预测，预测出下一个时间段的交通流参数的区间范围，其预测结果100％准确，相比于现有技术中的递归预测、神经网络预测等方式，其准确率提高到100％，同时根据交通参数的特点，比如速度，其只需要得到一个范围值即可进行判断是否拥堵，不需要精确的数据点值，很显然与其得到一个存在误差的点值，本发明能够得到一个100％准确的范围值是一个更好的选择。本发明以信息颗粒替代数据点作为数据挖掘分析的基本单元，以粒计算思想贯穿整体预测框架，以模糊时间序列与Gath-Geva聚类理论为依托，通过聚焦于现有正式方法的共性，认识既有的良好的框架的正交性，以可变粒度概念为基础，建立根据数值实体构建粒度范围的区间长度分析模型，据此实现模式识别与推测。

上述的信息颗粒作为本发明的数据挖掘分析基本单元，区别于传统数据分析方法，信息颗粒的引入，便于从极其不同的问题层面中鉴别出数据本质的共性。信息颗粒由数据集D＝{x_k|k＝1,...,n}构成，颗粒特征包含颗粒区间范围长度及涵盖数据点个数两个特征。信息颗粒表述为Ω＝[a,b]，其中a和b可以看作数据集D＝{x_k|k＝1,...,n}的界限。其中L(Ω)为颗粒的区间长度，计算长度的函数可以设为F₁，则信息颗粒的特征表达可以定义为F₁(L(Ω))。颗粒还需描述的是颗粒所含的数据个数，记为Card{x_k|x_k∈Ω}，可以用函数F₂(Card{x_k|x_k∈Ω})表示。则界限的计算方法可以表示如下：

V(b)＝F₁(|b-med(D)|)·F₂(Card{x_k∈D|med(D)≤x_k≤b})(1)

V(a)＝F₁(|a-med(D)|)·F₂(Card{x_k∈D|a≤x_k≤med(D)})(2)

其中med(D)是数据集D的中间值。在此基础上，最优的信息颗粒上下界计算方法如下：

$V\left(b_{opt}\right)=\underset{b\≥med\left(D\right)}{max}V\left(b\right),V\left(a_{opt}\right)=\underset{a\≤med\left(D\right)}{min}V\left(a\right)---\left(3\right)$

找出满足上式的a_opt和b_opt作为信息颗粒的上下限即可。关于长度和数据个数函数，可以按下式计算：

F₁(u)＝exp(-αu),F₂(u)＝u(4)

更进一步地，上述对信息颗粒的构造(公式(1)～(3)及前后相关文字均在描述信息颗粒应该包含的特征及特征的表述与计算，其中计算部分涉及理论)涉及到模糊时间序列与Gath-Geva聚类理论(公式(6)～(10)就是聚类理论思想，详细表述了如何在时间序列的基础上，应用该聚类理论，完成聚类，即模糊分割。其中隶属度本身就是模糊聚类的基本概念，概率密度计算采用高斯函数分析即为调整。本发明为了适用于信息颗粒的构造，对两种理论进行调整如下：

模糊时间序列，是在模糊集的基础上加入时间这一因素的作用，重新定义模糊集，构建方法如下：

定义1.用U＝{u₁，u₂，...，u_n}表示问题的研究范围，则在范围U下的模糊集定义如下：

$A=\frac{f_A\left(u_1\right)}{u_1}+\frac{f_A\left(u_2\right)}{u_2}+,...,+\frac{f_A\left(u_n\right)}{u_n}---\left(5\right)$

其中f_A是隶属于模糊集A的隶属函数，f_A表示u_i隶属于模糊集A的程度，1≤i≤n，即f_A→[0,1]。

定义2.假设一个时间变量集合Y(t)(t＝...,0,1,2,...)，按对应的数据时间点，将其应用于模糊集A的各个时间子集f_i(t)(i＝1,2,...)中，将F(t)视为对应时刻的f_i(t)(i＝1,2,...)的集合，则F(t)称为在时间变量Y(t)(t＝...,0,1,2,...)上的模糊时间序列。

定义3.对于不同时间点的模糊时间序列F(t-1)＝A_i和F(t)＝A_j，模糊逻辑关系可以看作是F(t-1)和F(t)之间的逻辑关系，记作A_i→A_j，A_i为关系前端，A_j为关系后端。

定义4.针对于同一个模糊集A，当几个模糊逻辑关系前端相同时，可以合并为模糊逻辑关系组，减少计算分析量。即存在关系A_i→A_j1,A_i→A_j2,...,，可以形成模糊逻辑关系组A_i→A_j1,A_j2,...。

使用Gath-Geva模糊聚类对时间序列进行模糊分割，将时间信息加入其中，得到一个带有时间域信息的模糊分割。假定一时间序列χ＝{x_k|k＝1,...,n}，共n个样本，对应的时间坐标为θ＝{t_k|k＝1,...,n}，该聚类理论本质是通过隶属度u_i,k和聚类中心η_i构成的最小化函数完成的在时间数据集上的模糊聚类，最小化函数构造如下：

$J_{GGt}=\underset{k=1}{\overset{n}{\Σ}}\underset{i=1}{\overset{c}{\Σ}}{u}_{i,k}^m\left|\right|z_k-{\mathrm{\η}}_i|{|}^2=\underset{k=1}{\overset{n}{\Σ}}\underset{i=1}{\overset{c}{\Σ}}{u}_{i,k}^m{D}^2(z_k,{\mathrm{\η}}_i)---\left(6\right)$

取局部最小值，其中z_k＝[t_k,x_k ^T]^T是包含时间坐标的数据点；m是权重指数，一般m＞1；c是聚类种类数，一般c＞2；D²(z_k,η_i)是数据点z_k与聚类中心η_i间的距离。最小化函数的约束条件如下：

$0\&le;u_{i,k}\&le;1\&DoubleRightArrow;\&ForAll;i,k,0<\underset{k=1}{\overset{n}{\&Sigma;}}{u}_{i,k}\&le;n\&DoubleRightArrow;\&ForAll;i,\underset{i=1}{\overset{c}{\&Sigma;}}{u}_{i,k}=1\&DoubleRightArrow;\&ForAll;k---\left(7\right)$

因为t_k与x_k相互独立，距离D²(z_k,η_i)可以用下式表达：

$D^2(z_k,{\mathrm{\&eta;}}_i)=\frac{1}{{\mathrm{\&alpha;}}_{i}p\left(t_k\right|{\mathrm{\&eta;}}_i)}=\frac{1}{{\mathrm{\&alpha;}}_{i}p\left(t_k\right|{\mathrm{\&eta;}}_i^t)p\left(x_k\right|{\mathrm{\&eta;}}_i^x)}---\left(8\right)$

针对时间变量与数值变量的独立性，对Gath-Geva模糊聚类理论中的概率密度进行调整，即将距离D²(z_k,η_i)中涉及的概率密度采用如下方法计算：

概率密度函数表示t_k属于第i类的概率，可以利用高斯函数计算：

$p\left(t_k\right|{\mathrm{\&eta;}}_i^t)=G(t_k;v_i^t,{\mathrm{\&sigma;}}_{i,t}^2)=-\frac{1}{\sqrt{2{\mathrm{\&pi;\&sigma;}}_{i,t}^2}}\exp (-\frac{1}{2}\frac{{(t_k-v_i^t)}^2}{{\mathrm{\&sigma;}}_{i,t}^2})---\left(9\right)$

其中和分别表示均值和方差。而概率密度函数表示x_k属于第i类的概率，可以利用高斯函数计算：

$p\left(x_k\right|{\mathrm{\&eta;}}_i^x)=G(x_k;v_i^x,F_i^x)=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{\frac{r}{2}}\sqrt{\det F_i^x}}\exp (-\frac{1}{2}{(x_k-v_i^x)}^T\frac{1}{F_i^x}(x_k-v_i^x))---\left(10\right)$

其中和分别表示均值和协方差，r是协方差矩阵的行数。α_i是系数，满足： $\underset{i=1}{\overset{c}{\&Sigma;}}{\mathrm{\&alpha;}}_i=1,{\mathrm{\&alpha;}}_i\&GreaterEqual;0,i=1,...,c.$

综上所述，当给定研究范围的划分段数，该理论可以基于时间序列完成聚类及相应的模糊分割。

更进一步地，基于上述两种理论，信息颗粒的长度(区间长度及数据个数)的确定流程如下：

信息颗粒区间长度的划定会影响最后预测结果的精度，本发明采用一种不等区间长度的划分方法，以提高预测结果的准确度。

研究范围划分时首先需假设划分的区间个数，即信息颗粒个数。从而给出c类聚类中心，然后根据对应的隶属度，构建c类子集，并计算最大的信息颗粒子集，最后确定信息颗粒的区间长度。

具体划分方法如下：假设给定时间序列集D＝{x_k|k＝1,...,n}，定义D_min＝min{x_i|x_i∈D}，D_max＝max{x_i|x_i∈D}。假设U＝[U_l,U_u]为研究范围，该研究范围被划分为h个不等长度的区间(信息颗粒数)，确定这h个区间长度的方法如下：

Step1.确定种类数c，计算相应的隶属度。种类数c＝[h/2]，表示不超过h/2值的最大整数，h为区间数(信息颗粒数)并计算聚类中心η₁,η₂,...,η_c及对应的隶属度u_i,k(i＝1,...,c；k＝1,...,n)；

Step2.依据隶属度构造数据子集。对于聚类中心η₁,η₂,...,η_c及相应的隶属度u_i,k(i＝1,...,c；k＝1,...,n)，构造数据子集如下： $D_2=\{x_k\&Element;D|u_{2,k}=\underset{1\&le;i\&le;c}{max\left\{u_{i,k}\right\}}\},...,D_c=\{x_k\&Element;D|u_{c,k}=\underset{1\&le;i\&le;c}{max\left\{u_{i,k}\right\}}\};$

Step3.构建信息颗粒。是数据子集D_i的聚类中心，即为利用信息颗粒构造方法计算信息颗粒的最优上下界限，信息颗粒为Ω_i＝[a_i,b_i]；

Step4.确定相应的研究范围区间u₁,u₂,...,u_h。

综上所述，区间长度的确定可以简化为下述两种情况：

(Ⅰ)当h为奇数时，如果则u₁＝[U_l,(U_l+med(D₁))/2]，u₂＝[(U_l+med(D₁))/2,med(D₁)]，u_2i-1＝[med(D_i-1),(b_i-1+a_i)/2]，u_2i＝[(b_i-1+a_i)/2,med(D_i)]，u_h＝[med(D_(h-1)/2),U₀](i＝2,...,(h-1)/2)，否则u₁＝[U_l,med(D₁)]，u_2i＝[med(D_i),(b_i+a_i+1)/2]，u_2i+1＝[(b_i+a_i+1)/2,med(D_i+1)]，u_h-1＝[med(D_(h-1)/2),(U_u+b_(h-1)/2)/2]，u_h＝[(U_u+b_(h-1)/2)/2,U_u](i＝2,...,(h-3)/2)。

(Ⅱ)当h为偶数时，u₁＝[U_l,med(D₁)]，u_2i＝[med(D_i),(b_i+a_i+1)/2]，u_2i+1＝[(b_i+a_i+1)/2,med(D_i+1)]，u_h＝[med(D_h/2),U_u](i＝1,...,(h-2)/2)。

更进一步地，以上述预测思想、基础理论、颗粒区间长度构造模型为基础，基于粒计算的交通流参数预测模型构建由以下四个步骤构成：

Step1.定义研究范围并确定信息颗粒区间长度

研究范围为一个信息矩阵，将A点到B点之间各个时刻交通检测器检测到的交通流参数作为矩阵中的一个元素并完成信息颗粒区间长度的划分：

$U=\left(\begin{array}{cccc}{u}_{11}& u_{12}& ...& u_{1m}\\ u_{21}& u_{22}& ...& u_{2m}\\ ...& ...& ...& ...\\ u_{n1}& u_{n2}& ...& u_{nm}\end{array}\right)---\left(11\right)$

Step2.构建模糊集和模糊时间序列

根据模糊时间序列的概念，在已知信息颗粒区间长度的基础上，可以按下述方法建立模糊集：

A_i＝1/u_i+0.5/u_i-1+0.5/u_i+1，(i＝1,...,h)(12)

其中u₀和u_h+1取无穷大的数值。

Step3.确定模糊集间的逻辑关系

模糊集间的逻辑关系并不好直接描述，但是由于模糊集与信息颗粒间构建时的时间域对应关系，可以通过模糊集与信息颗粒间的一致性程度进行描述，记作Poss(Ω,A_i)，计算方法如下：

Poss(Ω,A_i)＝sup_x∈Ω[Ω(x)tA_i(x)](13)

其中sup函数表示取上限，相当于求关联度最大化问题。通过该方法的表述，时间序列可以转变为信息颗粒时间序列。

在上述分析中，存在一种特殊情况，假设Ω₇(表示划分为7个区间)对应的A_i一致程度分别为0,0,0,0,0.5,1,1，最大处为A₆和A₇，则Ω₇的逻辑关系映射应为0.5A₆+0.5A₇。确定了逻辑关系后，需依据各个信息颗粒逻辑关系的映射进行逻辑书写，例如假设各个信息颗粒的映射分别为A₁,A₃,A₃,A₄,A₃,A₄,0.5A₆+0.5A₇，则逻辑关系组可以书写为：A₁→A₃；A₃→A₃,A₄；A₄→A₃,0.5A₆+0.5A₇三组。

Step4.区间估计

在得到模糊集间的逻辑关系的基础上，假设逻辑关系，A_j→A_j1,A_j2,...,A_jp区间估计方法主要为三种原则：

原则1.如果逻辑关系组走向为上升趋势，即j1,j2,...,jp＞j，则区间估计的下限为m_j(u_j的中值点)，区间估计的上限为(m_j1+m_j2,...,m_jp)/p，从而获得当前时间点的区间估计结果。

原则2.如果逻辑关系组走向为下降趋势，即j1,j2,...,jp≤j，则区间估计的下限为(m_j1+m_j2,...,m_jp)/p，区间估计的上限为m_j，从而获得当前时间点的区间估计结果。

原则3.如果逻辑关系组走向既有上升趋势又有下降趋势，即j1,j2,...,jk≤j且jk+1,...,jp＞j，则区间估计的下限为(m_j1+m_j2,...,m_jk)/k，区间估计的上限为(m_jk+1+m_jk+2,...,m_jp)/(p-k)，从而获得当前时间点的区间估计结果。

下面详细说明如何构建预测模型并完成动态预测。其具体包括以下的步骤：数据预处理，划定模糊集，构建模糊集间的关系，区间估计。

通过算例进行模型构建及应用的详细说明：采用2011年3月份北京市三环路微波检测数据进行交通流参数动态预测分析。微波检测数据原始数据形式如表1所示：

表1微波检测原始数据(部分数据)Table1microwavedetectiondata

上表所示的仅是获取的北京市三环路部分时段记录的部分数据。微波原始检测数据蕴含的交通流参数有交通流量(通过CAR_ID的统计次数获取)、占有率、速度等参数，为了便于算例分析，在此仅以速度这一参数为基础数据，验证模型估计效果。原始数据取1-19时间点数据，20-22时间点数据作为验证数据。

在已有基础数据的基础上，针对速度参数信息进行数据的预处理，如部分时间点的速度数据为0值，主要是因为检测器识别时存在漏检的情况，可以临近两时间点的均值作为插值进行数据的补充与修复，完善数据信息的完整度。数据预处理后，得到结果如表2所示：

表2微波检测速度预处理数据(部分数据)Table2preprocessingofmicrowavedetectiondata(snapshot)

利用本发明的模型，进行速度的估计预测，计算过程如下：

Step1.定义研究范围并确定信息颗粒数目。

根据数值范围跨度，定义研究范围U＝[35，95]，算例中假设划分为h＝7个信息颗粒，即研究范围内，聚类的种类数c＝[7/2]＝3。研究范围划分情况为：

U＝{u₁,u₂,...,u₇}。

Step2.划定模糊集

在研究范围内划定模糊集，算例中假设了7个信息颗粒，一般模糊集数目与其相同即可。利用信息颗粒确定模糊集方法如下：

A_i＝1/u_i+0.5/u_i-1+0.5/u_i+1，(i＝1,...,h)(14)

按此方法，参照本发明所建模型，模糊集相应隶属关系计算结果如表3所示：

表3数据隶属情况

Table3data’sdegreeofmembership

参数α取值不同，数据隶属情况可能存在一定的差异，实际应用中可利用历史数据标定参数α的取值，选值一般为数组中的元素值。

Step3.构建模糊集间的逻辑关系

利用式(13)确定模糊集间的逻辑关系并将这些关系整理排列，得到模型中需要的模糊关系组，如表4所示：

表4模糊集间的逻辑关系组Table4logicrelationshipgroupsbetweenfuzzysets

Step4.区间估计

模糊时间序列预测完成的是信息颗粒特征结构的估计，即颗粒长度的估计。信息颗粒内包含的时间点的估计值均可以区间长度内任一值替代，产生的误差均在模型允许范围内。信息颗粒数目根据实际需要进行确定，信息颗粒包含的时间点越少，颗粒细化程度越高，估计精度也越高，但随之计算量亦会迅增。面对庞大数据时，信息颗粒所含的时间点较多，但庞大数据一般关心的不是具体时间点，而是时间段的估计精度，与信息颗粒的区间估计并不矛盾，同时还会缩减工作量。依据本文提出的区间估计原则，结合已经获得的模糊集间的逻辑关系组，可以得到7个时间段(信息颗粒的)区间估计结果如下：

表5区间估计结果Table5estimationresultsinIntervals

根据上表可知，下一时间段的预测结果为[79.5,98.5]，由于算例中将19个时间点的数据分为了7个信息颗粒，代表一个时间段涵盖的时间点为2-3个。所以上表估计的结果表示接下来2-3个时间点的数据值应该在[79.5,98.5]内。观察时间点20-22的真实数据值可知估计结果准确。

当然，由于偶然等因素的影响，一般预测3个点不足以证明模型的适用性。利用微波数据，又继续进行预测试验，每次只取预测时间点的前19个数据作为历史数据，绘制预测趋势分析图如图4所示。

从预测趋势图可以看出，预测数据的折线图趋势与原始真实数据折线图趋势基本相同。本发明的模型重点分析数据的置信区间，注重与真实值的变化趋势的比照。连续预测时，依据历史数据更新模型输入，按算例所示即可实现动态预测。

上述的实施例中所给出的系数和参数，是提供给本领域的技术人员来实现或使用本发明的，本发明并不限定仅取前述公开的数值，在不脱离本发明的发明思想的情况下，本领域的技术人员可以对上述实施例作出种种修改或调整，因而本发明的保护范围并不被上述实施例所限，而应该是符合权利要求书提到的创新性特征的最大范围。

Claims (8)

1.一种基于粒计算的道路交通流参数预测方法，其特征在于具体包括以下的步骤：步骤一、根据检测到的交通流参数的数值范围跨度，定义研究范围并确定信息颗粒数目，其中表示比整体数据中数值最小值任意小的整数值，表示比整体数据中数值最大值任意大的整数值；步骤二、在研究范围内划定模糊集，并确定检测到的交通流参数数据与模糊集之间的隶属关系；其中模糊集数目与信息颗粒数目相同；步骤三、确定模糊集间的逻辑关系，得到模糊关系组；步骤四、根据模糊关系组的走向，采用模糊时间序列进行信息颗粒区间估计，从而预测出下一时间段的交通流参数。

2.如权利要求1所述的基于粒计算的道路交通流参数预测方法，其特征在于所述信息颗粒区间估计的过程具体为：假设逻辑关系，，如果逻辑关系组走向为上升趋势，则区间估计的下限为，区间估计的上限为；如果逻辑关系组走向为下降趋势，则区间估计的下限为，区间估计的上限为；如果逻辑关系组走向既有上升趋势又有下降趋势，则区间估计的下限为，区间估计的上限为，其中，为逻辑关系前端模糊集的下标，表示第个模糊集，表示逻辑关系前端模糊集对应的后端模糊集，共个，为间的中间点，为模糊集对应的的中值点。

3.如权利要求1或者2所述的基于粒计算的道路交通流参数预测方法，其特征在于所述信息颗粒由数据集构成，颗粒特征包含区间范围长度及涵盖数据点个数两个特征，信息颗粒表述为，其中和为数据集的界限，所述界限是指颗粒的上下界限，即颗粒所包含数据集的上下界限。

4.如权利要求1或者2所述的基于粒计算的道路交通流参数预测方法，其特征在于对于不同时间点的模糊时间序列和，模糊逻辑关系看作是和之间的逻辑关系，记为，为关系前端，为关系后端；对于同一个模糊集，当几个模糊逻辑关系前端相同时，合并为模糊逻辑关系组。

5.如权利要求1或者2所述的基于粒计算的道路交通流参数预测方法，其特征在于当时间序列，共个样本，对应的时间坐标为，通过隶属度和聚类中心构成的最小化函数完成的在时间数据集上的模糊聚类，最小化函数构造为：；其中是包含时间坐标的数据点；是权重指数，；是聚类种类数，；是数据点与聚类中心间的距离；表示个样本中第个数据点隶属于第类的隶属度。

6.如权利要求1或者2所述的基于粒计算的道路交通流参数预测方法，其特征在于为研究范围，该研究范围被划分为个不等长度的区间，即个信息颗粒，确定这个区间长度的方法如下：Step1.确定种类数，计算相应的隶属度；种类数，表示不超过值的最大整数，为区间数，并计算聚类中心及对应的隶属度；Step2.依据隶属度构造数据子集；对于聚类中心及相应的隶属度，构造数据子集如下：，，…，；Step3.构建信息颗粒；是数据子集的聚类中心，即为；利用信息颗粒构造方法计算信息颗粒的最优上下界限，信息颗粒为；Step4.确定相应的研究范围区间。

7.如权利要求1所述的基于粒计算的道路交通流参数预测方法，其特征在于所述方法还包括对检测到的交通流参数进行预处理。

8.如权利要求1所述的基于粒计算的道路交通流参数预测方法，其特征在于所述预处理具体为采用临近两时间点的均值作为插值进行数据的补充与修复。