[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

本發明涉及一種基于交通流時空相似性的城市短時交通流預測方法，該方法對傳統的非參數回歸方法進行了改造，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、時空狀態向量；S2、構造當前時段下交通流的“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”；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”；S5、選擇k個時空相似距離最小的歷史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；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；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。目的在于提高城市短時交通流預測的準確度。

技術領域

本發明涉及智能交通浮動車軌跡大數據的應用技術領域，尤其涉及一種基于交通流時空相似性的城市短時交通流預測方法。

背景技術

交通流預測分為以交通規劃為目的的長期交通流預測，以交通管理為目的的中期交通流預測，以及以實時交通控制和引導為目的短時交通流預測。為控制和誘導服務的短時交通流預測的時間跨度較之前兩種大大的縮小，一般不超過15分鐘。在較短的時間段內，交通流變化的周期性降低，隨機性和非線性增強，各種干擾造成的影響也較大，因此短時交通流預測相對中長期預測難度更大。

自20世紀80年代初以來，短時交通預測理論為智能交通系統的實現提供基礎理論支持和數據支持，一直是智能交通系統的研究和應用的一個重要組成部分，也是近年來興起的智慧城市、城市計算和時空數據挖掘等研究的重要內容，對改進城市規劃、緩解交通擁堵、節約能耗、提高城市交通管理水平和人們的出行效率有重要作用。

傳統的短時交通預測方法主要有歷史平均模型(HA)、BP神經網絡模型、原始短時交通流預測Original KNN模型等，這些模型的預測結果及分析中，HA模型只考慮了交通狀態的周期性，沒有考慮其時變性，抗干擾能力差，不能反映交通流的動態性和非線性；BP-NN模型能識別復雜非線性系統，不需要經驗公式，但隱層節點數的確立沒有統一的方法，只能憑經驗試湊，存在局部極小，收斂速度慢，難以實現在線調節；Original KNN模型雖然也是基于數據驅動的非參數回歸方法，但是其只考慮了時間維度上交通流的相似性，而只使用基于時間相似性的狀態向量并不能很全面的描述道路交通流的特征。

隨著短時交通預測方法研究的不斷深入，其他學者提出了基于時空權重的KNN改進模型(STW-KNN)，STW-KNN模型雖然也考慮了空間因素對交通狀態的影響，但是只是簡單的加入了上下游交通狀態，并沒有考慮周圍路段與目標路段的流量關系，也沒有度量周圍路段的影響程度。

基于上述研究背景，為了能夠克服傳統短時交通預測中存在的上述缺陷或者不足，以及近些年部分學者提出的短時交通流預測方法中缺點，本發明引入城市交通流的時空相似性，改進傳統的非參數回歸模型，提出一種基于交通流時空相似性的K近鄰非參數回歸預測模型——STS-KNN模型(K-Nearest Neighbors model based on Spatial-TemporalSimilarity of Traffic based)。

發明內容

本發明的目的在于：克服現有技術中短時交通預測方法存在的上述不足，提供一種基于交通流時空相似性的城市短時交通流預測方法，目的在于提高城市短時交通流預測的準確度。

為了達到上述目的，本發明采用如下技術方案實現：

一種基于交通流時空相似性的城市短時交通流預測方法，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；

S2、構造當前時段下交通流的“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”；