[發明專利]具有在線自整定優化能力的高速公路交通流量融合預測方法

有效

• 申請號: 201310415725.2
• 申請日: 2013-09-12
• 公開（公告）號: CN103489039A
• 公開（公告）日: 2014-01-01
• 發明（設計）人: 孫棣華;趙敏;廖孝勇;劉衛寧;鄭林江;陳帥
• 申請（專利權）人: 重慶大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26
• 代理公司: 北京匯澤知識產權代理有限公司 11228
• 代理人: 張瑾

技術領域

本發明涉及交通流狀態分析領域，尤其涉及一種高速公路交通流量融合預測方法。?

背景技術

近年來，社會經濟快速發展，汽車的普及率有了很大的提高，同時隨著我國高速公路服務水平的提升，越來越多的人們選擇駕駛或者乘坐汽車通過高速公路出行，這給高速公路的管理誘導提出了新的挑戰，所以，高速公路交通流量預測的重要性在此就顯現出來了。?

在交通狀態預測模型方面，基于傳統數學方法(如數理統計和微積分等)而提出的模型和基于現代科學技術和方法(如神經網絡和模擬技術等)而提出的模型都具有其優點和局限性。高速公路的交通流量是由交通需求、路網條件、交通管理控制方案、公共交通出行比例、信息誘導等共同作用的結果，所以交通流量時刻在變化，單一的預測模型當中，還沒有哪一個能夠在不同時刻保持絕對較好的預測精度，所以通過可以融合不同預測模型的在不同條件下的優點來預測交通，以提高預測精度。不同的預測模型各有其優點和缺點，它們之間并不是相互排斥，而是相互聯系、相互補充。融合預測法的關鍵在于權值的動態確定。權值的確定的合理程度直接決定這預測精度的高低。?

清華大學的鄭為中和史其信提出一種貝葉斯組合神經網絡模型并將其應用于短期交通流量的預測，結果表明：模型的預測性能整體上優于單一的神經網絡模型，并且確保了模型預測的穩定性；譚滿春和馮葷斌將自回歸求和滑動平均(ARIMA)與人工神經網絡組合模型用于短時交通流預測，結果表明：融合模型的預測準確性高于各自單獨使用時的準確性；叢新宇和虞慧群提出將歷史趨勢模型和多元回歸模型加權融合以建立組合預測模型，并利用加權平均的方法，?對較精確的預測值賦予較大的權重，從而提高了模型預測的精度。?

隨著時間的推移，高速公路交通流的特性會發生變化，而國內外已經提出的融合模型使用的是靜態和離線的算法，無法對融合模型中的基礎模型的參數值和內部結構進行在線調整，這將導致預測模型的預測精度下降。?

發明內容

有鑒于此，本發明提供一種具有在線自整定優化能力的高速公路交通流量融合預測方法，對模型進行在線優化更新，適應隨時間變化的交通流特性，提高預測精度。?

本發明通過以下技術手段解決上述技術問題：?

具有在線自整定優化能力的高速公路交通流量融合預測方法，包括如下步驟：?

1）獲取高速公路檢測交通數據，每一組高速公路檢測交通數據包括時間、流量、速度和占有率；?

2）建立滑動時間窗(t-m+1,t)，m為時間窗的長度，即需要讀取的高速公路檢測歷史交通數據的組數；通過滑動時間窗讀取高速公路檢測交通數據，每次讀取1組新數據，并刪除1組最老的數據；?

3）對當前滑動時間窗內的數據進行處理：檢測是否有數據缺失，若有，則進行插值處理；?

4）對比4種單體預測模型在當前滑動時間窗中的預測精度，將預測精度最差的單體預測模型在當前滑動時間窗下進行訓練，，一直訓練到下次單體預測模型精度對比的時刻，同時選定另外3種單體預測模型；?

5）將步驟4）中選定的三種單體預測模型的預測結果進行數據融合；?

6）保存步驟5）融合后的預測數據；?

7）判斷高速公路檢測交通數據是否更新，如更新則讀取新的高速公路檢測交通數據，判斷當前滑動時間窗內的數據是否缺失，若有，則進行插值處理；?

8）判斷當前已進行預測的次數，如果預測的次數沒有達到m次，則返回步?驟5），如果預測的次數達到m次，則返回步驟4）。?

進一步，所述高速公路檢測歷史交通數據為時間、流量、速度和占有率。?

進一步，所述步驟3）具體包括如下步驟：?

31）在滑動時間窗(t-m+1,t)中，檢查該時間段內的數據是否有缺失，如果有缺失就選定該段數據；?

32）設定一個時間起始點，然后將時間字段轉化成數據字段，作為插值橫坐標，將流量、速度和占有率分別作為插值縱坐標；?

33）根據三次樣條插值法插值。?

進一步，所述步驟4）中，4種單體預測模型分別為時間序列預測模型、卡爾曼濾波預測模型、神經網絡預測模型以及混沌預測模型；?

對于時間序列預測模型，若其為預測精度最差的單體預測模型，則重新訓練預測模型，確定最優的樣本量；?

對于卡爾曼濾波預測模型的訓練機制，若其為預測精度最差的單體預測模型，則重新訓練預測模型，確定最優的狀態向量的維數。?

對于BP神經網絡預測模型，若其為預測精度最差的單體預測模型則，重新訓練預測模型，確定新的預測模型參數。?