[發明專利]基于奇異譜分析和回聲狀態網絡的短時交通流預測方法

有效

• 申請號: 202011493512.8
• 申請日: 2020-12-17
• 公開（公告）號: CN112614346B
• 公開（公告）日: 2022-02-15
• 發明（設計）人: 王煒;周偉;金坤;趙德;于維杰
• 申請（專利權）人: 東南大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/065;G06K9/00;G06K9/62;G06N3/04
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 羅運紅

本發明公開了一種基于奇異譜分析和回聲狀態網絡的短時交通流預測方法，具體包括如下步驟：首先，設置一定的時間間隔，收集得到反應交通狀態信息隨時間變化的交通流時間序列；利用奇異譜分析(SSA)將原始交通流時間序列分解為趨勢、周期和殘差3個成分；其次，利用回聲狀態網絡(ESN)對這3個成分分別建模、訓練并預測，使用粒子群優化(PSO)優化模型的超參數；最后，對3個成分的預測結果相加作為最終預測結果。該方法能夠用于分析交通流量的變化特征，并有效提高短時交通流預測結果的精確度。

技術領域

本發明涉及智能交通技術領域，尤其涉及一種基于奇異譜分析和回聲狀態網絡的短時交通流預測方法。

背景技術

短時交通流預測是智能交通系統的基礎任務，精準的交通流預測結果不僅可以為居民出行提供參考依據，也可以為政府管理部門指定交通管控方案提供數據支撐。因此，短時交通流預測受到了學者的廣泛關注。短時交通流預測以連續的短時段(如5分鐘、10分鐘、15分鐘等)的交通狀態(交通流量、平均車速等)為研究對象，實現交通流的實時預測。

目前的研究普遍認為交通流序列是一種時間序列模型，其高度依賴歷史狀態。根據目前的研究，短時交通流預測的模型主要分為3大類：(1)參數模型：如移動平均(MA)、ARIMA、卡爾曼濾波(KF)等；(2)非參數模型：如最近鄰回歸(KNN)、支持向量回歸(SVR)、人工神經網絡(ANN)、長短期記憶神經網絡(LSTM)等；(3)組合模型：通過組合兩種或兩種以上的模型。由于交通流序列是由多種成分復合的復雜成分，單一模型往往不能有效挖掘交通流序列的內在信息，無法取得較為準確的預測結果。

發明內容

發明目的：針對以上問題，本發明提出一種基于奇異譜分析和回聲狀態網絡的短時交通流預測方法。

技術方案：為實現本發明的目的，本發明所采用的技術方案是：一種基于奇異譜分析和回聲狀態網絡的短時交通流預測方法，所述方法具體包括：

(1)設置一定的時間間隔，收集得到反映交通狀態信息隨時間變化的交通流時間序列，并將交通流時間序列進行劃分，構建得到所述訓練集，驗證集和測試集；所述訓練集和驗證集中的交通流時間序列在時間上連續；

其中，交通流時間序列用Y(t)＝y₁,y₂,...,y_N,t＝1,2,...,N表示；式中，t表示時間；N表示交通流時間序列的長度；

所述交通流時間序列為交通狀態信息按照時間順序組成的時間序列；所述交通狀態信息包括交通流量、平均車速、車道占有率、路段平均行程時間和道路擁堵指數；

(2)通過奇異譜分析將步驟(1)所述訓練集、驗證集和測試集中的交通流時間序列Y(t)均分解為趨勢Y_T(t)、周期Y_P(t)和殘差Y_N(t)三個子成分；

(3)構建PSO-ESN網絡訓練模型，并利用步驟(2)所述訓練集和驗證集的交通流時間序列Y(t)的趨勢Y_T(t)、周期Y_P(t)和殘差Y_N(t)三個子成分分別對PSO-ESN網絡訓練模型進行訓練，得到三個子成分所對應的PSO-ESN網絡模型；

(4)將步驟(1)所述測試集中交通流時間序列Y(t)的趨勢Y_T(t)、周期Y_P(t)和殘差Y_N(t)三個子成分分別輸入其對應的PSO-ESN網絡模型，得到關于三個子成分的預測結果值；將三個子成分的預測結果值相加，作為交通流的預測結果。

進一步地，步驟(2)通過奇異譜分析將步驟(1)所述訓練集、驗證集和測試集中的交通流時間序列均分解為趨勢、周期和殘差三個子成分的方法如下：

(21)將交通流時間序列嵌入為軌跡矩陣