[發明專利]一種交通流速度預測方法及系統

在審

• 申請號: 201710889703.8
• 申請日: 2017-09-27
• 公開（公告）號: CN107481523A
• 公開（公告）日: 2017-12-15
• 發明（設計）人: 唐進君;劉芳;黃合來
• 申請（專利權）人: 中南大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06Q10/04
• 代理公司: 北京高沃律師事務所11569
• 代理人: 王戈

技術領域

本發明涉及交通流速度預測領域，特別是涉及一種交通流速度預測方法及系統。

背景技術

交通流速度是指在道路斷面采集到的通過該斷面所有車輛的瞬時速度的平均值。交通流速度是評價交通流運行特征的重要參數之一，它直接反應了道路交通流運行效率的高低。交通流速度預測是指基于歷史的交通流速度時間序列數據推測未來時段的交通流狀態。預測的結果可以為先進的交通信息系統、先進的交通管理系統以及先進的出行者信息誘導系統提供參考，使出行者能夠根據預測的路網交通狀態提前規劃出行路徑，減少延誤，緩解路網擁堵。

現有的交通流預測算法大致可以分為以下幾個大類：統計預測方法，人工神經網絡，模糊神經網絡，支持向量機，卡爾曼濾波理論以及組合預測方法。盡管目前預測方法眾多，但是依然存在如下兩個關鍵問題：首先，當前的研究成果較為豐富，預測模型各有優點，適用于不同的條件和環境，但是在模型的訓練過程中，對訓練樣本的分類學習機制研究較少，應根據交通流不同的分布模式或狀態制定相應的學習算法，優化相應的參數，提升預測模型的自適應學習能力。其次，在總結的不同預測模型中，發現大部分模型并沒有充分考慮交通流在時間上的相似性，比如天相似性，周相似性，月相似性等。大量研究表明，正常情況下每天(工作日和非工作日)的交通流的都具有相似的分布模式，交通流在時間分布上具有明顯的周相似性，如何利用這種特性提升預測效果仍有待進一步深入研究。

發明內容

本發明的目的是提供一種交通流速度預測方法及系統，具有預測精度高的特點。

為實現上述目的，本發明提供了如下方案：

一種交通流速度預測方法，所述方法包括：

獲取樣本數據，所述樣本數據為t時刻采集到的交通流速度數據，所述樣本數據為多個；

對模糊神經網絡模型進行改進，具體包括：

對所述樣本數據進行分類；

根據所述樣本數據的分類結果確定模糊神經網絡模型中模糊變量的隸屬函數中的參數；

采用最小二乘估計法優化所述模糊神經網絡模型中的規則函數；

采用改進后的神經網絡模型對所述樣本數據進行訓練，得到t時刻的交通流速度的神經網絡預測值。

可選的，所述方法還包括：

對所述交通流速度數據的周期特性采用三角函數多項式進行曲線擬合，得到所述交通流速度數據隨時間變化的擬合曲線；

根據所述擬合曲線獲取t時刻的交通流速度的周期特性擬合曲線預測值；

根據所述交通流速度的神經網絡預測值和擬合曲線預測值，綜合確定t時刻的所述交通流速度。

可選的，所述對所述樣本數據進行分類，具體包括：

采用K均值法對所述樣本數據進行分類。

可選的，所述根據所述樣本數據的分類結果確定模糊神經網絡模型中模糊變量的隸屬函數中的參數，具體包括：

獲取每類樣本數據的聚類中心；

將所述隸屬函數中的參數μ確定為所述聚類中心；

將所述隸屬函數中的參數σ確定為所述樣本數據與所述樣本數據所屬類的聚類中心之間的距離的方差。

可選的，所述對所述交通流速度數據的周期特性采用三角函數多項式進行曲線擬合，得到所述交通流速度數據隨時間變化的擬合曲線，具體包括：

采用三角函數多項式

對所述交通流速度數據進行曲線擬合，其中，M_t表示擬合的采樣時刻為t的周期性函數，t＝1,2,…720，n表示三角函數多項式的數量，m₀,m₁,…,m_2n為系數。

可選的，所述根據所述交通流速度的神經網絡預測值和周期特性擬合曲線預測值，確定t時刻的所述交通流速度，具體包括：

根據公式計算t時刻的所述交通流速度S_t，其中，為神經網絡預測值，M_t為周期特性擬合曲線預測值。

本發明還提供了一種交通流速度預測系統，所述系統包括：

樣本數據獲取模塊，用于獲取樣本數據，所述樣本數據為t時刻采集到的交通流速度數據，所述樣本數據為多個；

神經網絡模型改進模塊，用于對模糊神經網絡模型進行改進，所述神經網絡模型改進模塊具體包括：

分類單元，用于對所述樣本數據進行分類；

參數確定單元，用于根據所述樣本數據的分類結果確定模糊神經網絡模型中模糊變量的隸屬函數中的參數；