[發明專利]基于SVM和卡爾曼濾波的路段行程時間預測方法及裝置

在審

• 申請號: 201811239031.7
• 申請日: 2018-10-23
• 公開（公告）號: CN109409598A
• 公開（公告）日: 2019-03-01
• 發明（設計）人: 徐振強;楊衛東;秦鵬;高淼;程立;李濱
• 申請（專利權）人: 河南工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06K9/62
• 代理公司: 鄭州睿信知識產權代理有限公司 41119
• 代理人: 吳敏

本發明涉及交通管控領域，特別是基于SVM和卡爾曼濾波的路段行程時間預測方法及裝置。獲取設定行程段信息及其對應的行程時間構成的訓練集數據和測試集數據，通過支持向量機回歸算法訓練得到支持向量回歸機；根據支持向量回歸機和測試集數據得到初始預測行程時間矩陣，根據設定行程段信息中交叉路口時間延誤和道路狀況構建狀態方程，根據該任一時刻之前的連續采樣時刻對應的預測行程時間、天氣狀況和所述狀態方程構建觀測方程；根據卡爾曼濾波算法求解觀測方程得到該任一時刻對應的實際預測時間，通過選取任一時刻之前的連續設定個采樣時刻對應的預測行程時間，實時改變卡爾曼濾波的系數矩陣，使得整個預測模型更加的合理、更加的準確。

技術領域

本發明涉及交通管控領域，特別是基于SVM和卡爾曼濾波的路段行程時間預測方法及裝置。

背景技術

路段行程時間，是城市交通管理控制部門向出行者提供有效信息，合理進行交通誘導，提高交通利用率的主要依據，因此，行程時間預測(Travel Time Prediction，TTP)也因此成為國內外各專家學者研究熱點。近些年來，隨著智能交通系統的蓬勃發展，此領域的研究也得了重大進展，目前，國內外在行程時間預測特別是基于歷史行程時間預測方面已經有了很多研究。例如，改進的K均值聚類法、改進的移動平均法以及貝葉斯分類器和基于規則的分類器預測行程時間，但是需要的數據樣本量非常大。實際的現有的形成時間預測模型按其原理不同可以分為交通流理論模型、時間序列分析模型和機器學習模型；其中交通流理論模型主要包括宏觀交流模型和配對模型，時間序列分析模型主要包括回歸模分析法及卡爾曼濾波模型法，機器學習模型主要包括神經網絡模型和支持向量機(SupportVector Machine-SVM)模型；上述預測模型中，交通流理論模型預測精度較低，且標定較為困難，時間序列分析模型中回歸模型適用性差，預測精度較低，而卡爾曼濾波模型預測精度高，可操作性較強，且能夠在線預測，但對于異常觀測值抗干擾性差，同時，基于機器學習方法的預測模型精度高，其中神經網絡模型具有良好的學習能力，能夠較好地跟蹤擬合非線性、非平穩時間序列數據，但需要大量的歷史數據且存在過多學習和欠學習以及局部極小點等問題，支持向量機是借助于最優化方法解決機器學習問題的新工具，具備完備的統計學習理論基礎和出色的學習能力，對數據樣本較少和維數較高的情況下仍然能夠較好的進行預測，但是難以用于在線預測行程時間。

在2012年8月的《交通運輸系統工程與信息》第12卷第4期的期刊中刊出了題目名稱為“基于SVM和Kalman濾波的BRT行程時間預測模型研究”的論文，提出了結合支持向量機理論與卡爾曼濾波算法建立的綜合預測模型，根據支持向量機的遠離和影響公交形成時間的因素，以研究線路上的各車站為劃分點，支持向量機以v-支持向量回歸機作為基本算法，以高斯徑向基核為核函數，以ε-不敏感損失函數為損失函數；將數據一部分構成訓練矩陣用于訓練支持向量回歸機，一部分構成預測矩陣用于預測和檢驗結果，通過交叉驗證來確定支持向量回歸機的最優化參數，用訓練矩陣按最優化參數對支持向量回歸機進行訓練，并用訓練好的支持向量回歸機預測初始行程時間，將該初始行程時間輸入卡爾曼濾波器進行結果的動態調整，該綜合模型既能夠克服對訓練數據量的依賴性，又具有較強的抗干擾能力。但是，上述模型里的卡爾曼濾波器采用的系統矩陣、輸入變量系數和觀測矩陣均取單位矩陣，無法根據實際的路況對卡爾曼濾波器進行變換，同時，雖然考慮了道路中的雨雪天氣的影響，但是沒有處理緊急情況的能力，因此得到的預測結果無法精準的反映出實際情況，有待進一步的改進。

發明內容

本發明的目的是提供基于SVM和卡爾曼濾波的路段行程時間預測方法及裝置，用以解決現有SVM和卡爾曼濾波結合模型無法依據車輛的前段行程時間實時改變卡爾曼濾波的系數矩陣導致當前行程時間預測結果不精準的問題。

為了實現路段行程時間的預測，解決現有SVM和卡爾曼濾波結合模型無法依據車輛的前段行程時間實時改變卡爾曼濾波的系數矩陣導致當前行程時間預測結果不精準的問題。本發明提供一種基于SVM和卡爾曼濾波的路段行程時間預測方法，包括以下步驟：