一种短时交通流加权组合预测方法

摘要

本发明公开了一种短时交通流加权组合预测方法。包括如下步骤：（1）利用动态聚类算法组织交通流历史数据；（2）运用改进的近邻非参数回归方法进行短时交通流预测；（3）将历史数据库中与当前点最相似的类作为模糊神经网络的训练样本，并运用模糊神经网络模型进行短时交通流预测；（4）根据改进的近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果。本发明考虑了过去时段的交通流和上游路口相关转向的交通流、优化了模糊神经网络的训练样本，并且采用加权组合的方式输出最终的预测结果，提高了短时交通流预测的准确性与实时性。

权利要求

1.一种短时交通流加权组合预测方法，其特征在于，包括以下步骤：（1）利用动态聚类算法组织交通流历史数据，将历史数据分为多个类，每个类都有一个聚类中心；

（2）运用改进的K近邻非参数回归方法进行短时交通流预测：用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度；预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，并得出K近邻非参数回归方法的预测结果；

（3）利用当前点和历史数据库中的点的相似度，将历史数据库中与当前点最相似的类作为模糊神经网络的训练样本；将当前时段的交通流q(t)与上游路口相关转向的交通流量 …、 同时作为模糊神经网络模型的输入，其中 …、分别为上游路口相关转向对应时段的交通流量，m为上游路口相关转向的个数；然后运用该模糊神经网络模型进行短时交通流预测；

（4）根据改进的K近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果；

所述的用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度的具体公式为：式中，dh为当前点和历史数据库中的点的匹配距离；q(t)、q(t-1)、q(t-2)分别为当前时段的交通流、上一时段的交通流、上两个时段的交通流；qh(t)、qh(t-1)、qh(t-2)分别为历史数据库中对应时段的交通流；{a,b,c}为一组权值，满足a+b+c=1且a∈[0,1]，b∈[0,1]，c∈[0,1]；

预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，具体的公式为：式中，k为在历史数据库中所选取的与当前点最近邻的点的个数； 为用改进的K近邻非参数回归方法预测的下一时段的交通流量；di为历史数据库中计算出的匹配距离从小到大排列的第i个时空的匹配距离；qi(t)为与di对应时空的交通流量。

2.根据权利要求1所述的一种短时交通流加权组合预测方法，其特征在于，所述的运用模糊神经网络进行下一时段交通流预测为：所采用的模糊神经网络，隶属度函数采用高斯核函数， ，其中 为

隶属度函数，civ、σiv分别为隶属度函数的中心和宽度，i=1,2,…,m+1；v=1,2,…,ni，其中的ni代表第i个输入的模糊分割数；

每条模糊规则的适应度为 其中

模糊神经网络经过一定的训练之后，对于给定的输入，其输出的预测结果为：式中， 为模糊神经网络预测的下一时段的交通流量；wj是每条模糊规则对应于输出的权值系数。

3.根据权利要求1所述的一种短时交通流加权组合预测方法，其特征在于，所述的根据改进的K近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果，具体公式为：其中， 为最终预测输出； 分别为上个时段改进的K近邻非参数回

归方法和模糊神经网络模型的预测结果； 分别为上个时段改

进的K近邻非参数回归方法和模糊神经网络模型预测的绝对误差。

说明书

一种短时交通流加权组合预测方法

技术领域

[0001] 本发明涉及一种交通流预测方法，尤其涉及一种短时交通流加权组合预测方法。

背景技术

[0002] 近年来，随着社会经济的发展、机动车辆的迅猛增加，城市交通问题日益严重，交通压力越来越大。在这样的现实条件下，智能交通系统得以蓬勃发展。智能交通系统主要是为了实现在大范围内，对交通运输进行全方位、实时、准确、高效的诱导和控制。根据当前的交通流量对下一时段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。为交通诱导与控制服务的交通流预测属于短时交通流预测，预测时间一般小于15分钟。

[0003] 根据预测模型参数来分类，可分为基于参数模型方法和非参数模型方法。参数模型是指预测对象的数学模型能用有限个实参加以描述，否则为非参数模型。参数模型主要有历史平均模型、 系列模型、卡尔曼滤波模型等；非参数模型包括神经网络、非参数回归、谱分析法、基于小波分解与重构的方法等。

[0004] 目前单一的短时交通流预测方法都要求独特的信息特征和特定的适用条件，致使单一的预测模型对复杂的交通流量预测精度不高，并且在预测之前往往需要进行大量的分析判断来选择最佳方法。一些组合的短时交通流预测方法往往不能同时兼顾预测的准确性与实时性，虽然这其中的一些组合方法在一定程度上提高预测精度，但是其算法复杂、计算量较大，不利于进行实时交通流预测。

发明内容

[0005] 本发明的目的是提供一种短时交通流加权组合预测方法，以提高短时交通流预测的准确性与实时性。

[0006] 短时交通流加权组合预测方法包括以下步骤：

[0007] （1）利用动态聚类算法组织交通流历史数据，将历史数据分为多个类，每个类都有一个聚类中心；

[0008] （2）运用改进的 近邻非参数回归方法进行短时交通流预测：用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度；预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，并得出 近邻非参数回归方法的预测结果；

[0009] （3）利用当前点和历史数据库中的点的相似度，将历史数据库中与当前点最相似的类作为模糊神经网络的训练样本；将当前时段的交通流 与上游路口相关转向的交通流量 、 、…、 同时作为模糊神经网络模型的输入，其中 、 、…、分别为上游路口相关转向对应时段的交通流量， 为上游路口相关转向的个数；然后运用该模糊神经网络模型进行短时交通流预测；

[0010] （4）根据改进的 近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果。

[0011] 所述的用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度的具体公式为：

[0012]

[0013] 式中， 为当前点和历史数据库中的点的匹配距离； 、 、分别为当前时段的交通流、上一时段的交通流、上两个时段的交通流； 、 、分别为历史数据库中对应时段的交通流； 为一组权值，满足
且 ， ， ；

[0014] 预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，具体的公式为：

[0015]

[0016]

[0017] 式中，为在历史数据库中所选取的与当前点最近邻的点的个数； 为用改进的 近邻非参数回归方法预测的下一时段的交通流量；为历史数据库中计算出的匹配距离从小到大排列的第 个时空的匹配距离； 为与 对应时空的交通流量。

[0018] 所述的运用模糊神经网络进行下一时段交通流预测为：

[0019] 所采用的模糊神经网络，隶属度函数采用高斯核函数， ，其中 为隶属度函数， 、 分别为隶属度函数的中心和宽度，=1,2,…, +1；
=1,2,…, ，其中的 代表第 个输入的模糊分割数；

[0020] 每条模糊规则的适应度为 { , ,…, }，其中 =1,2,…,， =1,2,…, ，…， =1,2,…, ，=1,2,…, ， = ；

[0021] 模糊神经网络经过一定的训练之后，对于给定的输入，其输出的预测结果为：

[0022]

[0023] 式中， 为模糊神经网络预测的下一时段的交通流量； 是每条模糊规则对应于输出的权值系数。

[0024] 所述的根据改进的 近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果，具体公式为：

[0025]

[0026] 其中， 为最终预测输出； 、 分别为上个时段改进的 近邻非参数回归方法和模糊神经网络模型的预测结果； 、 分别为上个时段改进的 近邻非参数回归方法和模糊神经网络模型预测的绝对误差。

[0027] 本发明结合了改进 近邻非参数回归方法较强的预测能力和模糊神经网络较强的学习与非线性映射能力，考虑了过去时段的交通流和上游路口相关转向的交通流、优化了模糊神经网络的训练样本，并且采用加权组合的方式输出最终的预测结果，提高了短时交通流预测的准确性与实时性，是一种行之有效的短时交通流预测方法，其预测结果可以为交通管理部门进行交通诱导与控制服务提供依据。

附图说明

[0028] 图1为本发明提供的短时交通流加权组合预测方法的流程图；

[0029] 图2为城市路网中典型的上游路口有3个相关转向的交通流量示意图。

具体实施方式

[0030] 短时交通流加权组合预测方法包括以下步骤：

[0031] （1）利用动态聚类算法组织交通流历史数据，将历史数据分为多个类，每个类都有一个聚类中心；

[0032] （2）运用改进的 近邻非参数回归方法进行短时交通流预测：用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度；预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，并得出 近邻非参数回归方法的预测结果；

[0033] （3）利用当前点和历史数据库中的点的相似度，将历史数据库中与当前点最相似的类作为模糊神经网络的训练样本；将当前时段的交通流 与上游路口相关转向的交通流量 、 、…、 同时作为模糊神经网络模型的输入，其中 、 、…、分别为上游路口相关转向对应时段的交通流量， 为上游路口相关转向的个数；然后运用该模糊神经网络模型进行短时交通流预测；

[0034] （4）根据改进的 近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果。

[0035] 所述的用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度的具体公式为：

[0036]

[0037] 式中， 为当前点和历史数据库中的点的匹配距离； 、 、分别为当前时段的交通流、上一时段的交通流、上两个时段的交通流； 、 、分别为历史数据库中对应时段的交通流； 为一组权值，满足
且 ， ， ；

[0038] 预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，具体的公式为：

[0039]

[0040]

[0041] 式中，为在历史数据库中所选取的与当前点最近邻的点的个数； 为用改进的 近邻非参数回归方法预测的下一时段的交通流量；为历史数据库中计算出的匹配距离从小到大排列的第 个时空的匹配距离； 为与 对应时空的交通流量。

[0042] 所述的运用模糊神经网络进行下一时段交通流预测为：

[0043] 所采用的模糊神经网络，隶属度函数采用高斯核函数， ，其中 为隶属度函数， 、 分别为隶属度函数的中心和宽度，=1,2,…, +1；
=1,2,…, ，其中的 代表第 个输入的模糊分割数；

[0044] 每条模糊规则的适应度为 { , ,…, }，其中 =1,2,…,， =1,2,…, ，…， =1,2,…, ，=1,2,…, ， = ；

[0045] 模糊神经网络经过一定的训练之后，对于给定的输入，其输出的预测结果为：

[0046]

[0047] 式中， 为模糊神经网络预测的下一时段的交通流量； 是每条模糊规则对应于输出的权值系数。

[0048] 所述的根据改进的 近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果，具体公式为：

[0049]

[0050] 其中， 为最终预测输出； 、 分别为上个时段改进的 近邻非参数回归方法和模糊神经网络模型的预测结果； 、 分别为上个时段改进的 近邻非参数回归方法和模糊神经网络模型预测的绝对误差。
实施例

[0051] 图1为本发明提供的短时交通流加权组合预测方法的流程图。图1，采用改进的近邻非参数回归方法，通过计算匹配距离，来评价历史数据库中的点与当前点的相似度，选取与当前点最相近的 个近邻点进行短时交通流预测；采用模糊神经网络模型，将历史数据库中与当前点最相似的类作为模糊神经网络的训练样本，经训练后再进行预测；然后根据上个时段的预测误差，确定组合方法的权值，并加权组合输出。

[0052] 所述的用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度的具体公式为：

[0053]

[0054] 式中， 为当前点和历史数据库中的点的匹配距离； 、 、分别为当前时段的交通流、上一时段的交通流、上两个时段的交通流； 、 、分别为历史数据库中对应时段的交通流； 为一组权值，满足
且 ， ， ，这里取 =0.6， =0.3， =0.1；

[0055] 预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，具体的公式为：

[0056]

[0057]

[0058] 式中，为在历史数据库中所选取的与当前点最近邻的点的个数； 为用改进的 近邻非参数回归方法预测的下一时段的交通流量；为历史数据库中计算出的匹配距离从小到大排列的第 个时空的匹配距离； 为与 对应时空的交通流量。

[0059] 利用当前点和历史数据库中的点的相似度，将历史数据库中与当前点最相似的类作为模糊神经网络的训练样本，也就是说，该训练样本并不是全部的历史数据，而是历史数据的所有类中，其聚类中心与当前点最近的那个类中的数据；

[0060] 将当前时段的交通流 与上游路口相关转向的交通流量 、 、…、同时作为模糊神经网络模型的输入，其中 、 、…、 分别为上游路口相关转向对应时段的交通流量， 为上游路口相关转向的个数。

[0061] 图2为城市路网中典型的上游路口有3个相关转向的交通流量示意图。如图2所示， 为上游路口和下游路口之间的观测点在某一时段的交通流量； 、 、分别为上游路口北口左转车流、西口直行车流和南口右转车流在同一时段的交通流量。显然，图2中上游路口有3个相关转向的交通流。

[0062] 所采用的模糊神经网络，隶属度函数采用高斯核函数， ，其中 为隶属度函数， 、 分别为隶属度函数的中心和宽度，=1,2,…, +1；
=1,2,…, ，其中的 代表第 个输入的模糊分割数；

[0063] 每条模糊规则的适应度为 { , ,…, }，其中 =1,2,…,， =1,2,…, ，…， =1,2,…, ，=1,2,…, ， = ；

[0064] 模糊神经网络经过一定的训练之后，对于给定的输入，其输出的预测结果为：

[0065]

[0066] 式中， 为模糊神经网络预测的下一时段的交通流量； 是每条模糊规则对应于输出的权值系数。

[0067] 所述的根据改进的 近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果，具体公式为：

[0068]

[0069] 其中， 为最终预测输出； 、 分别为上个时段改进的 近邻非参数回归方法和模糊神经网络模型的预测结果； 、 分别为上个时段改进的 近邻非参数回归方法和模糊神经网络模型预测的绝对误差。