[發明專利]非常態下基于經驗模態分解和分類組合預測的交通參數短時預測方法

無效

• 申請號: 201210005335.3
• 申請日: 2012-01-10
• 公開（公告）號: CN102568205A
• 公開（公告）日: 2012-07-11
• 發明（設計）人: 楊兆升;于德新;林賜云;鄭黎黎;龔勃文;楊慶芳;楊楠;孟娟;王薇;高學英
• 申請（專利權）人: 吉林大學
• 主分類號: G08G1/01
• 分類號: G08G1/01
• 代理公司: 長春眾益專利商標事務所(普通合伙) 22211
• 代理人: 趙正

技術領域

本發明涉及交通信息技術領域，特別涉及一種非常態下基于經驗模態分解和分類組合預測的交通參數短時預測方法。

背景技術

短時交通參數預測是智能交通系統建設中的核心問題之一，它為先進的交通管理系統(ATMS)制定主動型交通控制策略以及交通出行信息系統(ATIS)進行實時路徑誘導提供了基礎條件。

交通參數預測是指在時刻t，對下一決策時刻t+Δt乃至以后若干時刻的交通參數做出實時預測。一般認為t到t+Δt的預測時間跨度不超過15min的預測為短時交通參數預測。交通參數預測的結果可以直接送到交通信息系統和交通管理系統中，給出行者提供實時有效的信息，幫助他們更好的進行路徑選擇，實現路徑誘導，以縮短出行時間，減少交通擁堵。

就目前來說，我們進行短時交通參數預測大致有因果分析預測、趨勢分析預測和智能模型預測三大類定量分析方法，每大類里面包含許多小類，例如歷史平均法、線性回歸模型；時間序列法、卡爾曼濾波法；非參數回歸模型、人工神經網絡模型等。歷史平均法研究較早但精度較差；線性回歸模型算法簡單但適用性差，未能反映交通流的不確定性和非線性，無法克服隨機干擾；卡爾曼濾波法為線性模型，在預測非線性、不確定性的交通流時，性能變差，且每次計算都要調整權值，計算量過大；非參數回歸模型算法簡單清晰，預測精度高誤差小，有較強的時間強壯性，應付非線性和不確定性變化的能力強，但需要大量的流量數據來建立樣本數據庫，鄰域規模的確定沒有統一的方法；人工神經網絡模型可以識別復雜非線性系統，不需要經驗公式，但可轉移性差，隱層節點數的確立沒有統一方法，只能憑經驗試湊，且存在局部極小，收斂速度慢，難以實現在線調節?，F在的發展趨勢是將這些方法恰當地組合起來應用，即組合預測方法。

但在非常態事件條件下，道路交通參數因為其成因的不確定性、發生時間和地點的隨機性，表現為交通流量、行程時間等交通參數的變化在事件發生之后呈現出不連續狀態，并且隨著事件的嚴重程度有較大差異，其巨大的破壞性也直接導致了歷史數據的匱乏。而以上所述的各種方法，均無法同時滿足預測精度、適用性和大量歷史數據的要求。

發明內容

本發明目的是針對目前存在的交通參數時間序列預測技術沒有考慮到非常態事件下交通參數時間序列的非平穩特性特點，提供一種非常態下基于經驗模態分解和分類組合預測的交通參數短時預測方法，對交通參數時間序列進行平穩化處理，再重組分類根據各類濾波特點分別使用灰色理論、卡爾曼濾波和自回歸滑動平均進行預測，以提高復雜交通參數時間序列的預測準確率。

本發明為實現上述目的，采用如下技術方案，具體包括以下幾個步驟：

1.經驗模態分解：將已經預處理的交通參數時間序列用EMD算法分解，得出n個IMF分量和一個趨勢分量，其中n為大于1的自然數；

2.IMF分量重組分類：基于EMD濾波特性構造濾波器組，步驟1所述分解后的IMF分量呈現由高頻向低頻的篩選過程，將IMF分量分成高頻濾波、中頻濾波和低頻濾波三部分；

3.針對不同頻率的濾波分類預測：

(1)對高頻濾波部分，使用灰色理論進行預測；

(2)對中頻濾波部分，使用卡爾曼濾波進行預測；

(3)對低頻濾波部分，使用自回歸滑動平均進行預測。

4.結果累加：將步驟3所述的包含三部分不同特征的預測結果累加，得到下一時段實時交通參數預測結果；

5.結合歷史數據庫進行多步預測：結合步驟4所述的下一時段實時交通參數結果和非常態事件下歷史數據庫進行多步預測，得到更精確的交通參數預測結果和交通參數的未來發展趨勢。

步驟1所述的經驗模態分解算法EMD，在分解的篩選過程中，采用設置兩個連續的迭代結果之間的標準差SD的大小取0.3。

步驟1所述的n個IMF分量和一個趨勢分量中，第一個IMF分量對應隨機成分，第一至第n個IMF分量對應周期成分，趨勢分量即殘差r_n對應趨勢成分。

步驟2所述的IMF分量分類重組，取前面幾個較高頻率的IMF分量作為高頻濾波，取后面幾個較低頻率的IMF分量及殘差作為低頻濾波，其余中間幾個一般頻率的IMF分量作為中頻濾波。

步驟5所述的多步預測過程中，選取非常態事件下歷史數據庫中與預測的交通參數具有相同變化趨勢的時間序列數據，作為預測實時交通參數變化趨勢的基礎，然后使用歷史數據和實時預測數據對未來多個時段的交通參數進行短時多步預測，得到最終的下一時段實時交通參數預測結果和未來發展趨勢。