[發明專利]一種可進行置信區間估計的短時交通流預測方法

有效

• 申請號: 201810788337.1
• 申請日: 2018-07-18
• 公開（公告）號: CN108877224B
• 公開（公告）日: 2019-05-14
• 發明（設計）人: 康軍;郭佳豪;段宗濤;樊娜;唐蕾;楊云;陳柘;王青龍
• 申請（專利權）人: 長安大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06Q10/04;G06Q50/30
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 張明

本發明公開了一種可進行置信區間估計的短時交通流預測方法，在進行在線短時交通流預測時，不僅可以獲得短時交通流的預測值，而且能夠同時獲得上述預測值的方差估計值，并利用該方差的估計值可以進一步獲得短時交通流預測值的置信區間，從而實現對短時交通流預測的不確定性進行定量分析。本發明的方法適用于交通流預測，在智能交通系統中有重要的應用價值。

技術領域

本發明涉及一種交通流的預測方法，具體涉及一種可進行置信區間估計的短時交通流預測方法。

背景技術

交通流預測是智能交通系統的關鍵組成部分，具有重要的研究意義。交通流預測主要是針對實時交通流時間序列構成的動力系統進行的一種預測性研究。認為交通流混沌在短期內是可以被預測的，短時間交通預測是指對統計間隔為2至15分鐘內的短時交通流時間序列所進行的預測。短時交通流預測按技術手段可概括為三大類：第一類是線性預測方法，主要包括時間序列預測方法、狀態空間預測方法和卡爾曼濾波預測方法等；第二類是非線性預測方法，主要包括非參數回歸方法、神經網絡預測方法和支持向量機預測方法等。第三類是混合預測方法，主要是指兩種及兩種以上預測方法在中間預測過程的結合或最終預測結果的融合。其中，由于短時交通流動力系統的非線性特征，線性預測方法預測效果通常并不理想。非線性預測方法符合短時交通流非線性的特點，通過針對歷史數據的監督學習獲得預測模型，具有較強的自適應性。混合預測模型能夠提升模型的預測精度，但卻降低了模型的預測速度并增加模型的復雜度；同時，混合模型中子模型與混合方式的選擇無系統化方法，主要依賴于實際應用和工程經驗。

根據學習理論基本原理，通過對樣本數據的學習而獲得的對總體的認識只是概率意義上的逼近。在有限樣本的條件下，任何一種短時交通流預測方法僅能使預測值依概率收斂于實際值，因此有必要在給出預測值的同時對其預測的不確定性進行量化估計。然而，已有的短時交通流預測方法均屬于確定性預測，即對某一時刻交通流的預測結果通常是一個確定數值，無法對預測的不確定性進行定量分析。

發明內容

針對上述現有技術中存在的問題，本發明的目的在于，提供一種可進行置信區間估計的短時交通流預測方法，實現對短時交通流進行預測的同時可獲得短時交通流預測值方差的估計值，并利用該方差的估計值進一步確定短時交通流預測值的置信區間。

為了實現上述任務，本發明采用以下技術方案：

一種可進行置信區間估計的短時交通流預測方法，包括以下步驟：

選定需要進行交通流預測的路段，獲取所選路段的短時交通流歷史數據并構建所選路段的短時交通流歷史數據庫，選擇短時交通流預測的預測時段，確定短時交通流數據的樣本周期；

確定用于生成短時交通流預測模型的訓練數據集的交通流歷史數據的規模，從所述數據庫中選擇相應數量的短時交通流歷史數據，根據所述的樣本周期，對選擇的短時交通流歷史數據進行周期性差分處理，將差分處理后的結果作為所述的訓練數據集；

建立可進行置信區間估計的短時交通流預測模型，確定預測模型中需要求解的待定參數，根據所述的訓練數據集求得待定參數的最優值，然后通過所述預測模型進行短時交通流預測，分別獲得短時交通流的預測值及其方差估計值，并在給定的置信水平條件下，獲得針對所述預測值的置信區間。

進一步地，所述的根據所述的訓練數據集求得待定參數的最優值，包括：

求取訓練數據條件概率的負對數似然函數，對負對數似然函數按預測模型中的待定參數求偏導數，通過求取使得所述偏導數最小的參數值即可獲得待定參數的最優值。

進一步地，所述的從所述數據庫中選擇相應數量的短時交通流歷史數據，表示為：

{y_j|j＝1,2,...,M} 式1