基于時空特性的分時段多參數短時交通流預測方法
【技術領域】
[0001] 本發明涉及智能交通系統領域，具體涉及一種基于時空特性的分時段多參數短時 交通流預測方法。
【背景技術】
[0002] 在智能交通系統的組成部分中，道路交通狀態的動態分析與預測是一項重要的基 礎理論，其核心之一是實時、準確地進行短時交通流預測。
[0003] 交通流預測按照預測步長的長短，可分為長期、中期和短期三種預測類型。短時預 測一般指預測步長A t<15min。在城市交通路網當中，一般需要預測未來短時間內的交通 流狀況，實時性要求比較高，而短時交通流預測能夠比較好地滿足這種要求。
[0004] 短時交通流具有很強的時變性和隨機性，因此建立預測精度高、實時性強和預測 結果穩定的短時交通流預測模型一直是智能交通系統領域的研究難點之一。
【發明內容】
[0005] 本發明的目的在于提供基于時空特性的分時段多參數短時交通流預測方法，充分 考慮交通流數據的時空特性，既考慮前后時間段交通流數據的相關性，也考慮上下游交通 流數據的相關性，并構建TS-WNN預測模型，采用分時段多參數的預測方法進行短時交通流 預測，以提高交通流預測精度和普適性。
[0006] 基于時空特性的分時段多參數短時交通流預測方法:在獲得目標監測點和上下游 監測點的速度、交通流量和時間占有率三種交通參數的實時和歷史數據的基礎上，通過利 用交通流的時空特性(Time-Space，TS)與小波神經網絡(Wavelet Neural Network,WNN)預 測算法相結合，構建TS-WNN預測模型，并利用分時段多參數的預測方法，將三種交通參數在 工作日和非工作日分別進行短時交通流預測。
[0007] 進一步地，上述預測方法獲取實時和歷史交通流數據的時間間隔為5min，且包括 速度（speed)、交通流量(flow)和時間占有率(occupancy)三種交通流數據;所述歷史數據 需至少包含一個月的數據，以保證有足夠的數據訓練預測模型。
[0008] 進一步地，上述預測方法對交通流數據進行時空特性分析，確定最佳的時間和空 間維數，當預測時間間隔Δ? = 5π?η時，將時間維度設置為2,即前一時刻x(t-At)和當前時 亥ljx(t)，將空間維數設置為4,即選擇當前點交通流數據、兩個上游點交通數據和一個下游 點交通數據。
[0009] 進一步地，所述構建TS-WNN預測模型的具體步驟包括：
[0010] 1)TS-WNN預測模型是以BP神經網絡拓撲結構為基礎，選用Morlet小波基函數替代 隱含層節點的傳遞函數，其表達式為：
[0011] 爐(X)二 cos(l .75x) C ，: X為參數變量，
[0012] 2)初始化輸入向量:根據最佳的時間和空間維數參數設置輸入向量：
[0013] X=[x(p-2,t0) ,x(p-l ,t0) ,x(p,t0) ,x(p+l ,t0) ,x(p-2,t0-A t),
[0014] x(p_l，to- Δ t)，x(p，to- Δ t)，x(p+l，to- Δ t)]，
[0015] 3)小波神經網絡WNN構建:設置輸入層節點、隱含層節點、輸出層節點；
[0016] 4)小波神經網絡訓練:選擇一個月的交通流數據作為訓練數據，設置訓練次數，設 置WNN的學習率lrl和lr2;
[0017] 5)小波神經網絡預測:根據訓練好的TS-WNN預測模型，對道路進行短時交通流預 測 。
[0018] 進一步地，選取分時段多參數預測方法，分時段是指由于交通流在工作日與非工 作日呈現不同的分布規律，工作日的交通分布曲線存在明顯的早晚高峰，非工作日的交通 分布曲線則比較平穩，沒有明顯的早晚高峰;多參數是指預測參數包括速度、交通流量和時 間占有率三種參數，該預測方法將三種交通參數在工作日和非工作日分別進行短時交通流 預測。
[0019] 本發明與現有交通預測技術相比，具有如下優點：
[0020] (1)考慮了交通流數據的時空特性，構建了 TS-WNN交通流預測模型，減少了預測誤 差，提高了預測精度。
[0021] (2)進行分時段多參數預測，交通流在工作日和非工作日呈現不同的分布規律，本 發明構建的預測模型能對三個交通參數的工作日和非工作日交通狀況分別進行預測，提高 了預測精度和普適性。
【附圖說明】
[0022] 圖la是小波神經網絡預測模型示意圖；
[0023]圖lb是基于時空特性的分時段多參數短時交通流預測流程圖。
[0024] 圖2是基于時空特性的交通流預測示意圖；
[0025] 圖3是分時段多參數預測方法示意圖；
[0026]圖4是本發明中速度在工作日預測值與觀測值擬合效果圖；
[0027] 圖5是本發明中交通流量在工作日預測值與觀測值擬合效果圖；
[0028] 圖6是本發明中時間占有率在工作日預測值與觀測值擬合效果圖；
[0029]圖7是本發明中速度在非工作日預測值與觀測值擬合效果圖；
[0030]圖8是本發明中交通流量在非工作日預測值與觀測值擬合效果圖；
[0031]圖9是本發明中時間占有率在非工作日預測值與觀測值擬合效果圖。
【具體實施方式】
[0032]下面結合附圖對本發明的具體實施過程作詳細說明，但本發明要求保護的范圍并 不局限于下例表述的范圍，需指出的是，以下若有未特別詳細說明之過程或參數，例如神經 網絡中相關函數是常用表達式中的參數，無需特別說明含義。
[0033]本發明的基于時空特性的分時段多參數短時交通流預測方法，充分考慮前后時間 段交通流數據的相關性和上下游交通流數據的相關性，并利用小波神經網絡算法，構建TS-WNN交通流預測模型，并進行分時段多參數預測。
[0034]如圖lb，本實例是采用如下技術方案實現的：
[0035] (1)獲取實時的交通流數據，數據的時間間隔為5min，且包括速度(speed )、交通流 量(flow)和時間占有率(occupancy)三種交通流數據。另外，歷史數據需至少包含一個月的 數據，以保證有足夠的數據訓練預測模型；
[0036] (2)對交通流數據進行時空特性分析，確定最佳的時間和空間維數；
[0037] (3)構建TS-WNN交通流預測模型：
[0038] TS-WNN預測模型是以BP神經網絡拓撲結構為基礎，選用小波基函數替代隱含層節 點的傳遞函數小波基函數選用Morlet小波基函數其表達式為公式：
[0039]
⑴
[0040]通過對式（1)進行伸縮和平移變換，可以得到小波基函數，其表達式見公式(2)。其 中，a是賢〇)的伸縮因子，b是，的平移因子。
[0041 ]
(2)
[0042] 根據小波分析和神經網絡的理論知識，可得出其輸出量y為：
[0043]
(3)
[0044] 其中，N是隱含層神經元個數，Μ是輸入層神經元個數。TS-WNN預測模型是以BP神經 網絡拓撲結構為基礎，選用小波基函數替代隱含層節點的傳遞函數，其預測模型如圖la所 示，圖中，X1，X2, . . .，Xm是輸入，y是預測輸出，ω ij表示輸入層與隱含層之間的連接權值，Wj 表示輸出層與隱含層之間的連接權值。
[0045] (4)進行分時段多參數交通預測，即對速度、交通流量和時間占有率三個交通參數 在工作日和非工作日的交通狀況分別進行預測。
[0046] TS-WNN交通流預測模型的大致步驟如下：
[0047] 1.時空特性分析：
[0048]如圖2所示，城市道路是相互連通的，上下游路段的交通狀況會互相影響，上游路 段的交通流驟增，會導致下游路段出現交通擁堵，而下游路段的交通狀況同樣也反過來會 影響上游