[發明專利]一種基于交通流時空相似性的城市短時交通流預測方法

有效

• 申請號: 201810603991.0
• 申請日: 2018-06-12
• 公開（公告）號: CN108564790B
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 胡玉龍;羅倫;熊國清;李迪龍;王芳;巢倫;逯躍鋒;盧晶晶
• 申請（專利權）人: 國交空間信息技術（北京）有限公司;中國交通通信信息中心
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06Q10/04;G06Q50/30
• 代理公司: 北京東方昭陽知識產權代理事務所(普通合伙) 11599
• 代理人: 呂玉健

1.一種基于交通流時空相似性的城市短時交通流預測方法，在預測目標路段下一時段交通流時，其特征在于，該方法包括如下步驟：

S1、基于交通流時空相似性，定義交通流的時間狀態向量TSV、時空狀態向量STSV；步驟S1的計算具體如下：

S11、定義路段m交通流的時間狀態向量時間狀態向量是指從時間維度上來描述目標路段交通狀態的特征，包括本路段過去若干時段的交通流，以及相鄰路段間交通流的變化趨勢，定義如下：

其中，V_m(t)代表路段m在時段t的交通流；V_m(t-d)代表路段m在過去時段t-d的交通流；d代表滯后時段，也稱為匹配窗口，利用歷史數據通過試驗確定，公式的前半部分用于描述過去時段的影響，后半部分描述交通變化趨勢的影響；

S12、定義路段m交通流的時空狀態向量時空狀態向量從時間和空間兩個維度來描述道路的交通特征，即認為目標路段的交通狀態還與周邊區域的交通狀態有關，定義如下：

其中，代表路段m在時段t的時間狀態向量；m1……mn代表路段m的n個流量相似路段，代表路段m的第n個“流量相似路段”的時間狀態向量；n代表路段m的流量相似路段的數量，與具體的路網結構有關，利用歷史數據通過試驗確定，通過公式能夠看出，時空狀態向量是由目標路段與其空間相鄰的“流量相似路段”的“時間狀態向量”組成；

S13、流量相似路段的判別方法：使用同一時段內穿過相鄰兩個路段的浮動車的數量來度量路段之間的流量相似性，如果穿過兩個路段的浮動車數量多，說明這兩個路段的交通流相似性越大；

S2、構造當前時段下交通流的“當前時空狀態向量”；步驟S2的計算具體如下：

S21、根據公式(1)計算當前時段t下，目標路段m的當前時間狀態向量及其流量相似路段m1……mn的當前時間狀態向量

S22、根據S21計算的各路段時間狀態向量和公式(2)，計算當前時段t下，目標路段m的當前時空狀態向量

S3、構造歷史上不同日期同一時段下交通流的“歷史時空狀態向量”；步驟S3的計算具體如下：

S31、根據公式(1)計算不同歷史日期的時段t下，目標路段m的各歷史時間狀態向量及其流量相似路段m1……mn的各歷史時間狀態向量

S32、根據S31計算的各路段時間狀態向量和公式(2)，計算各歷史日期的時段t下，目標路段m的各歷史時空狀態向量

S4、使用距離度量函數計算當前和各歷史時空狀態向量間的“時空相似距離”STD；步驟S4的計算具體如下：

S41、首先計算當前和各歷史時間狀態向量間的距離：時間相似距離，通過下式計算：

其中0≤α≤1，d^T(X^CT(t),X^HT(t))表示當前和歷史時間狀態向量間的距離，即“時間相似距離”；V_c(t-p)和(V_c(t-p-1)-V_c(t-p))是當前時間狀態向量中的元素，分別表示當前t-p時段的交通流和交通流在相鄰時段間的變化量；V_h(t-p)和V_h(t-p-1)-V_h(t-p)是歷史時間狀態向量中的元素，分別表示歷史不同日期同一時段的交通流和交通流的變化量；該公式不僅度量了當前交通狀態和歷史交通狀態的差距，也度量了當前交通變化趨勢和歷史交通變化趨勢的差距，這種差距反映了歷史狀態與當前狀態的相似程度；這里用參數α表示交通流差距和交通流變化趨勢差距所占的權重，通過交通流歷史數據分析確定最優值；

S42、基于公式(3)計算的目標路段和其相似路段的“時間相似距離”，使用距離度量函數計算目標路段當前和各歷史時空狀態向量間的“時空相似距離”，通過下式計算：

其中，代表目標路段自身的“時間相似距離”，表示目標路段的第i個“流量相似路段”的“時間相似距離”；能夠看出，“時空相似距離”是由目標路段的和其流量相似路段的加權“時間相似距離”組成；W_k是不同流量相似路段所占的權重，按照“流量相似度”降序排序，通過下式秩次加權的方法計算：

其中：r_k為第k個候選近鄰的順序，K為近鄰的數量；“流量相似度”越大，r_k越小，W_k越大，即“流量相似度”越大的路段對目標路段的交通狀態影響越大；

S5、選擇K個時空相似距離最小的歷史時空狀態向量所在的日期，查出這K個歷史日期對應的預測時段的交通流；步驟S5的計算具體如下：

S51、在上一步計算出當前和各歷史時空狀態向量間的“時空相似距離”后，對該時空相似距離排序，查出K個時空相似距離最小的歷史時空狀態向量，并得出對應的K個歷史日期；

S52、在歷史交通流數據庫中，查出這K個歷史日期下t+1時段的交通流V_k’(t+1)；

S6、基于這K個歷史日期對應的預測時段的交通流，使用預測函數計算目標路段下一時段的交通流；步驟S6的計算具體如下：

S61、獲得歷史上K個歷史日期的t+1時段的交通流V_k’(t+1)

S62、使用預測函數計算t+1時段路段m的交通流V_m(t+1)，預測函數如下式所示；

其中：V_k’(t+1)為歷史數據庫中搜索到的第k個近鄰所對應的下一時段的平均交通流，近鄰的度量標準使用的即“距離度量函數”；W_k為V_k’(t+1)所占的權重；

S63、基于秩次加權的權函數W_k通過下式計算：

其中：r_k為第k個候選近鄰的順序，K為近鄰的數量，由于交通系統的強時變性，同一路段在不同時期的交通狀況差別很大，因此在預測目標路段未來交通狀況時，搜索到的不同歷史近鄰的重要程度也不同，因此使用加權的方式度量不同近鄰對預測結果的影響程度；

S7、根據交通流的預測結果和實際結果，對目標路段的預測誤差進行評價分析；

在所述步驟S7中，采用以下的評價標準對預測誤差進行評價分析：

其中，MAPE是平均相對百分比誤差，D代表預測的天數；L代表預測的時段數量；F_J,t和O_J,t分別代表目標路段第J天第t個時段的預測值和真實值，使用MAPE對比不同模型的預測精度，更低的MAPE意味著更高的預測精度，并且模型的預測性能由不同的MAPE范圍評價，當MAPE≤20％，就認為預測是有效的。