CN108447260B - 一种基于Fourier级数改进残差的短时交通流预测方法及*** - Google Patents
一种基于Fourier级数改进残差的短时交通流预测方法及*** Download PDFInfo
- Publication number
- CN108447260B CN108447260B CN201810297913.2A CN201810297913A CN108447260B CN 108447260 B CN108447260 B CN 108447260B CN 201810297913 A CN201810297913 A CN 201810297913A CN 108447260 B CN108447260 B CN 108447260B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- sequence
- initial
- flow sequence
- prediction
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000009825 accumulation Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000005096 rolling process Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 230000002087 whitening effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Fourier级数改进残差的短时交通流预测方法与***,所述方法包括以下步骤:S1、基于历史交通流量建立初始交通流量序列,并对初始交通流量序列进行累加预处理,得到目标交通流量序列;S2、建立灰色预测模型,对目标交通流量序列进行预测处理得到目标交通流量序列的初始预测值;S3、基于初始预测值的残差利用Fourier级数对目标交通流量序列进行修正,得到最终预测值。本发明针对交通流数据具有周期性的特点,在不需要大量的数据情况下建模,适用于实时的交通流预测,能够有效地提高交通流数据的预测精度,本方法减少了计算冗杂性、降低了计算难度、提高了预测速度,保证本方法对交通流的实时预测能力和效果。
Description
技术领域
本发明涉及交通预测方法技术领域,尤其涉及一种基于Fourier级数改进残差的短时交通流预测方法及***。
背景技术
交通拥堵已经成为制约城市经济和社会发展的瓶颈,它所带来的时间浪费、运营成本上升、交通事故、空气污染、噪声污染等问题直接造成城市的整体运转效率降低,在城市发展过程中的短板效应日益明显。国内外的交通治理多以提高交通供给为主,控制交通需求与交通管理为辅。然而,交通供给的增加存在时间和空间上的限制,在汽车需求快速增长情况下,仅仅增加交通供给只能在短期内缓解交通拥堵问题。要从根本上改变交通拥堵状况,应该综合运用现代信息通讯技术与智能交通控制与诱导相结合的***来提高交通路网的通行能力及运输效率。而准确的短时交通流量预测是实现该***的基础和关键所在,预测模型的精度已成为制约该***高效运行的主要瓶颈。目前,已有大量从事交通流量预测研究工作,如基于线性理论的预测模型侧重于从概率的角度挖掘交通流之间的时空相关信息来进行预测。该方法是线性模型,所以在预测非线性、不确定性的交通流时,模型性能变差;基于非线性的理论的预测模型主要包括基于小波分析的预测方法、基于混沌理论的预测方法等。但此类方法在交通流预测领域应用不多,还有待继续研究;基于机器学习的智能预测模型,这类方法主要包括:神经网络预测方法、深度学习等,这些方法在理论上存在缺陷,不能使期望风险最小化;其次是采用典型的黑箱型学习模式,在学习阶段需要大量的样本数据,在实际情况中,经常由于各种各样的原因容易造成数据遗漏,导致模型精度降低,而且依赖大量的历史数据,成本很高。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于Fourier级数改进残差的短时交通流预测方法及***。
本发明提出的基于Fourier级数改进残差的短时交通流预测方法,包括以下步骤:
S1、基于历史交通流量建立初始交通流量序列,并对初始交通流量序列进行累加预处理,得到目标交通流量序列;
S2、建立灰色预测模型,对目标交通流量序列进行预测处理得到目标交通流量序列的初始预测值;
S3、基于初始预测值的残差利用Fourier级数对目标交通流量序列进行修正,得到最终预测值。
优选地,步骤S1具体包括:
基于历史交通流量建立初始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为初始交通流量序列,x(0)(k)为历史交通流量数据且x(0)(k)≥0,k=1,2,3...n;
取周期q对初始交通流量序列进行滚动累加得到目标交通流量序列,记为:
y(0)={y(0)(1),y(0)(2),y(0)(3)...y(0)(r)},r=n-q+1;
优选地,步骤S2具体包括:
对目标交通流量序列y(0)进行一阶累加得到第一交通流量序列y(1),y(1)={y(1)(1),y(1)(2),y(1)(3)...y(1)(r)};
根据第一交通流量序列y(1)建立GM(1,1)灰色预测模型y(0)(k)+az(1)(k)=b,得到均值生成序列z(1),z(1)={z(1)(2),z(1)(3)...z(1)(r)};
其中,z(1)(k)=0.5y(1)(k)+0.5y(1)(k-1),k=2,3,4...r;
优选地,步骤S3具体包括:
ε(0)={ε(0)(2),ε(0)(3),ε(0)(4)...ε(0)(r)};
利用Fourier级数展开残差序列ε(0),得到:
其中,k=2,3,4...r;
其中,k=q,q+1,q+2...n。
本发明提出的基于Fourier级数改进残差的短时交通流预测***,包括:
累加处理模块,用于基于历史交通流量建立初始交通流量序列,并对初始交通流量序列进行累加预处理,得到目标交通流量序列;
模型建立模块,用于建立灰色预测模型,对目标交通流量序列进行预测处理得到目标交通流量序列的初始预测值;
序列修正模块,用于基于初始预测值的残差利用Fourier级数对目标交通流量序列进行修正,得到最终预测值。
优选地,所述累加处理模块具体用于:
基于历史交通流量建立初始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为初始交通流量序列,x(0)(k)为历史交通流量数据且x(0)(k)≥0,k=1,2,3...n;
取周期q对初始交通流量序列进行滚动累加得到目标交通流量序列,记为:
y(0)={y(0)(1),y(0)(2),y(0)(3)...y(0)(r)},r=n-q+1;
优选地,所述模型建立模块具体用于:
对目标交通流量序列y(0)进行一阶累加得到第一交通流量序列y(1),y(1)={y(1)(1),y(1)(2),y(1)(3)...y(1)(r)};
根据第一交通流量序列y(1)建立GM(1,1)灰色预测模型y(0)(k)+az(1)(k)=b,得到均值生成序列z(1),z(1)={z(1)(2),z(1)(3)...z(1)(r)};
其中,z(1)(k)=0.5y(1)(k)+0.5y(1)(k-1),k=2,3,4...r;
优选地,所述序列修正模块具体用于:
ε(0)={ε(0)(2),ε(0)(3),ε(0)(4)...ε(0)(r)};
利用Fourier级数展开残差序列ε(0),得到:
其中,i=1,2,3...z,并利用Fourier级数对初始预测值进行修正得到目标预测数据:
其中,k=2,3,4...r;
其中,k=q,q+1,q+2...n。
本发明针对交通流数据具有周期性的特点,在不需要大量的数据情况下建模,适用于实时的交通流预测,能够有效地提高交通流数据的预测精度。具体地,本发明通过建立灰色预测模型,且针对交通流数据具有周期性的特点,对数据进行滚动累加处理,以降低数据的波动性和随机性,为后续计算过程提供稳定有效的参考数据;然后利用Fourier级数进行残差修正,有效地提高了灰色预测模型的精度和推广泛化能力;且所述灰色预测模型不需要大量的数据作为预测基础,减少了计算冗杂性、降低了计算难度、提高了预测速度,保证本方法对交通流的实时预测能力和效果。
附图说明
图1为一种基于Fourier级数改进残差的短时交通流预测方法的步骤示意图;
图2为一种基于Fourier级数改进残差的短时交通流预测***的结构示意图。
具体实施方式
如图1所示,图1、图2为本发明提出的一种基于Fourier级数改进残差的短时交通流预测方法及***。
参照图1,本发明提出的基于Fourier级数改进残差的短时交通流预测方法,包括以下步骤:
S1、基于历史交通流量建立初始交通流量序列,并对初始交通流量序列进行累加预处理,得到目标交通流量序列;
本实施方式中,步骤S1具体包括:
基于历史交通流量建立初始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为初始交通流量序列,x(0)(k)为历史交通流量数据且x(0)(k)≥0,k=1,2,3...n;
取周期q对初始交通流量序列进行滚动累加得到目标交通流量序列,记为:
y(0)={y(0)(1),y(0)(2),y(0)(3)...y(0)(r)},r=n-q+1;
S2、建立灰色预测模型,对目标交通流量序列进行预测处理得到目标交通流量序列的初始预测值;
本实施方式中,步骤S2具体包括:
对目标交通流量序列y(0)进行一阶累加得到第一交通流量序列y(1),y(1)={y(1)(1),y(1)(2),y(1)(3)...y(1)(r)};
根据第一交通流量序列y(1)建立GM(1,1)灰色预测模型y(0)(k)+az(1)(k)=b,得到均值生成序列z(1),z(1)={z(1)(2),z(1)(3)...z(1)(r)};
其中,z(1)(k)=0.5y(1)(k)+0.5y(1)(k-1),k=2,3,4...r;
S3、基于初始预测值的残差利用Fourier级数对目标交通流量序列进行修正,得到最终预测值。
本实施方式中,步骤S3具体包括:
ε(0)={ε(0)(2),ε(0)(3),ε(0)(4)...ε(0)(r)};
利用Fourier级数展开残差序列ε(0),得到:
其中,k=2,3,4...r;
其中,k=q,q+1,q+2...n。
参照图2,图2为本发明提出的基于Fourier级数改进残差的短时交通流预测***,包括:
累加处理模块,用于基于历史交通流量建立初始交通流量序列,并对初始交通流量序列进行累加预处理,得到目标交通流量序列;
本实施方式中,累加处理模块具体用于:
基于历史交通流量建立初始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为初始交通流量序列,x(0)(k)为历史交通流量数据且x(0)(k)≥0,k=1,2,3...n;
取周期q对初始交通流量序列进行滚动累加得到目标交通流量序列,记为:
y(0)={y(0)(1),y(0)(2),y(0)(3)...y(0)(r)},r=n-q+1;
模型建立模块,用于建立灰色预测模型,对目标交通流量序列进行预测处理得到目标交通流量序列的初始预测值;
本实施方式中,模型建立模块具体用于:
对目标交通流量序列y(0)进行一阶累加得到第一交通流量序列y(1),y(1)={y(1)(1),y(1)(2),y(1)(3)...y(1)(r)};
根据第一交通流量序列y(1)建立GM(1,1)灰色预测模型y(0)(k)+az(1)(k)=b,得到均值生成序列z(1),z(1)={z(1)(2),z(1)(3)...z(1)(r)};
其中,z(1)(k)=0.5y(1)(k)+0.5y(1)(k-1),k=2,3,4...r;
序列修正模块,用于基于初始预测值的残差利用Fourier级数对目标交通流量序列进行修正,得到最终预测值。
本实施方式中,序列修正模块具体用于:
ε(0)={ε(0)(2),ε(0)(3),ε(0)(4)...ε(0)(r)};
利用Fourier级数展开残差序列ε(0),得到:
其中,i=1,2,3...z,并利用Fourier级数对初始预测值进行修正得到目标预测数据:
其中,k=2,3,4...r;
其中,k=q,q+1,q+2...n。
本实施方式针对交通流数据具有周期性的特点,在不需要大量的数据情况下建模,适用于实时的交通流预测,能够有效地提高交通流数据的预测精度。具体地,本实施方式通过建立灰色预测模型,且针对交通流数据具有周期性的特点,对数据进行滚动累加处理,以降低数据的波动性和随机性,为后续计算过程提供稳定有效的参考数据;然后利用Fourier级数进行残差修正,有效地提高了灰色预测模型的精度和推广泛化能力;且所述灰色预测模型不需要大量的数据作为预测基础,减少了计算冗杂性、降低了计算难度、提高了预测速度,保证本方法对交通流的实时预测能力和效果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种基于Fourier级数改进残差的短时交通流预测方法,其特征在于,包括以下步骤:
S1、基于历史交通流量建立初始交通流量序列,并对初始交通流量序列进行累加预处理,得到目标交通流量序列;
S2、建立灰色预测模型,对目标交通流量序列进行预测处理得到目标交通流量序列的初始预测值;
S3、基于初始预测值的残差利用Fourier级数对目标交通流量序列进行修正,得到最终预测值;
步骤S1具体包括:
基于历史交通流量建立初始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为初始交通流量序列,x(0)(k)为历史交通流量数据且x(0)(k)≥0,k=1,2,3...n;
取周期q对初始交通流量序列进行滚动累加得到目标交通流量序列,记为:
y(0)={y(0)(1),y(0)(2),y(0)(3)...y(0)(r)},r=n-q+1;
步骤S2具体包括:
对目标交通流量序列y(0)进行一阶累加得到第一交通流量序列y(1),y(1)={y(1)(1),y(1)(2),y(1)(3)...y(1)(r)};
根据第一交通流量序列y(1)建立GM(1,1)灰色预测模型y(0)(k)+az(1)(k)=b,得到均值生成序列z(1),z(1)={z(1)(2),z(1)(3)...z(1)(r)};
其中,z(1)(k)=0.5y(1)(k)+0.5y(1)(k-1),k=2,3,4...r;
步骤S3具体包括:
ε(0)={ε(0)(2),ε(0)(3),ε(0)(4)...ε(0)(r)};
利用Fourier级数展开残差序列ε(0),得到:
其中,k=2,3,4...r;
其中,k=q,q+1,q+2...n。
2.一种基于Fourier级数改进残差的短时交通流预测***,其特征在于,包括:
累加处理模块,用于基于历史交通流量建立初始交通流量序列,并对初始交通流量序列进行累加预处理,得到目标交通流量序列;
模型建立模块,用于建立灰色预测模型,对目标交通流量序列进行预测处理得到目标交通流量序列的初始预测值;
序列修正模块,用于基于初始预测值的残差利用Fourier级数对目标交通流量序列进行修正,得到最终预测值;
所述累加处理模块具体用于:
基于历史交通流量建立初始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为初始交通流量序列,x(0)(k)为历史交通流量数据且x(0)(k)≥0,k=1,2,3...n;
取周期q对初始交通流量序列进行滚动累加得到目标交通流量序列,记为:
y(0)={y(0)(1),y(0)(2),y(0)(3)...y(0)(r)},r=n-q+1;
所述模型建立模块具体用于:
对目标交通流量序列y(0)进行一阶累加得到第一交通流量序列y(1),y(1)={y(1)(1),y(1)(2),y(1)(3)...y(1)(r)};
根据第一交通流量序列y(1)建立GM(1,1)灰色预测模型y(0)(k)+az(1)(k)=b,得到均值生成序列z(1),z(1)={z(1)(2),z(1)(3)...z(1)(r)};
其中,z(1)(k)=0.5y(1)(k)+0.5y(1)(k-1),k=2,3,4...r;
所述序列修正模块具体用于:
ε(0)={ε(0)(2),ε(0)(3),ε(0)(4)...ε(0)(r)};
利用Fourier级数展开残差序列ε(0),得到:
其中,k=2,3,4...r;
其中,k=q,q+1,q+2...n。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810297913.2A CN108447260B (zh) | 2018-03-30 | 2018-03-30 | 一种基于Fourier级数改进残差的短时交通流预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810297913.2A CN108447260B (zh) | 2018-03-30 | 2018-03-30 | 一种基于Fourier级数改进残差的短时交通流预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108447260A CN108447260A (zh) | 2018-08-24 |
CN108447260B true CN108447260B (zh) | 2020-05-29 |
Family
ID=63199313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810297913.2A Expired - Fee Related CN108447260B (zh) | 2018-03-30 | 2018-03-30 | 一种基于Fourier级数改进残差的短时交通流预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108447260B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410059A (zh) * | 2018-10-18 | 2019-03-01 | 西安交通大学 | 一种基于三元区间数的灰色预测方法 |
CN110991698B (zh) * | 2019-11-07 | 2023-09-22 | 南通大学 | 基于混合处理的季节***通流灰色预测方法 |
CN111754776A (zh) * | 2020-07-07 | 2020-10-09 | 南通大学 | 一种基于加权分数阶灰色模型的交通流预测方法及*** |
CN113191560B (zh) * | 2021-05-08 | 2024-06-07 | 北京工业大学 | 一种改进sgm(1,1)模型的共享单车短时需求预测方法及*** |
CN114519262B (zh) * | 2022-01-25 | 2024-02-20 | 河南大学 | 基于改进gm(1,1)模型的空中目标威胁预测方法 |
US20230267363A1 (en) * | 2022-02-07 | 2023-08-24 | Lemon Inc. | Machine learning with periodic data |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
-
2018
- 2018-03-30 CN CN201810297913.2A patent/CN108447260B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
Non-Patent Citations (2)
Title |
---|
基于残差修正GM(1,1)模型的车流量预测;赵卓峰,等;《计算机科学》;20170430;第44卷(第4期);参见论文第2-3章 * |
基于短_长期模型组合的交通流预测方法;彭栋栋;《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》;20121215(第12期);参见论文第2.4节、第3.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108447260A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108447260B (zh) | 一种基于Fourier级数改进残差的短时交通流预测方法及*** | |
CN109637128B (zh) | 一种基于Markov的灰色Verhulst短时交通流预测方法及*** | |
Zeng et al. | Predicting vacant parking space availability: A DWT-Bi-LSTM model | |
CN107967803A (zh) | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 | |
Azadani et al. | Performance evaluation of driving behavior identification models through can-bus data | |
CN105117593A (zh) | 基于小波变换和粒子群改进灰色模型的短期风速预测方法 | |
Yao et al. | Tool remaining useful life prediction using deep transfer reinforcement learning based on long short-term memory networks | |
CN109858681B (zh) | 一种基于ic卡的交通短时客流预测方法和相关装置 | |
CN113554060B (zh) | 一种融合dtw的lstm神经网络轨迹预测方法 | |
CN108128309A (zh) | 一种车辆工况实时预测的方法 | |
CN112734094B (zh) | 一种智慧城市智轨车辆故障基因预测方法及*** | |
CN103413038A (zh) | 基于矢量量化的长期直觉模糊时间序列预测方法 | |
Yang et al. | Research on Short‐Term Traffic Flow Prediction Method Based on Similarity Search of Time Series | |
CN107688556B (zh) | 一种基于函数型主成分分析的实时行程时间计算方法 | |
CN112785080A (zh) | 一种基于水泥工业的实时动态水泥粉磨***能耗优化方法 | |
Zhao et al. | A novel predict-prevention quality control method of multi-stage manufacturing process towards zero defect manufacturing | |
Yufang et al. | Prediction of vehicle energy consumption on a planned route based on speed features forecasting | |
CN101763087A (zh) | 一种基于非线性共轭梯度法的工业过程动态优化***及方法 | |
CN117056765A (zh) | 一种车速多时间尺度预测方法、***、设备、介质及终端 | |
Badhrudeen et al. | Short‐term prediction of traffic parameters—performance comparison of a data‐driven and less‐data‐required approaches | |
CN109376957B (zh) | 一种火电厂负荷的预测方法 | |
CN108909833B (zh) | 基于策略迭代的智能汽车转向控制方法 | |
CN113869359B (zh) | 基于模块化神经网络的城市固废焚烧过程氮氧化物预测方法 | |
JP2018147103A (ja) | モデル学習装置、制御量算出装置、及びプログラム | |
CN113158415B (zh) | 一种基于误差分析的车辆轨迹相似度评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200529 |