[發明專利]一種城市快速路交通流短時預測方法、計算機及存儲介質

有效

• 申請號: 202210170381.2
• 申請日: 2022-02-24
• 公開（公告）號: CN114241779B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 林濤;奇興族;吳超華;闞倩
• 申請（專利權）人: 深圳市城市交通規劃設計研究中心股份有限公司
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06K9/62;G06N3/04;G06N3/08;G06Q10/04;G06Q50/26
• 代理公司: 哈爾濱市偉晨專利代理事務所(普通合伙) 23209
• 代理人: 李曉敏

本發明提出一種城市快速路交通流短時預測方法、計算機及存儲介質，屬于交通流短時預測技術領域。首先，構建歷史交通流量數據庫；其次，對目標路段歷史交通流數據進行分析與選擇，構建數據庫；篩選與目標路段交通流相關性符合預設標準的歷史交通流數據，組建為互信息量數據庫；再次，利用CEEMDAN模型對互信息量數據庫進行分解，并對分量進行篩選，重新組成新的時間序列分量；再次，利用BP?Adaboost模型對時間序列分量進行訓練預測；最后，將各個維度的分量預測后的預測值及余波進行累加求和，最終得到短時交通流預測結果。解決了預測模型抗干擾能力較差、預測精度低的技術問題，提高交通流量不穩定狀態時的預測精度。

技術領域

本申請涉及一種預測方法，尤其涉及一種城市快速路交通流短時預測方法、計算機及存儲介質，屬于交通流短時預測技術領域。

背景技術

短時交通流預測是當前針對快速路狀態判別的一個重要領域。目前，國內外關于短時交通流預測方面的研究成果較多，并建立了針對快速路交通流短時預測的大量模型。而快速路作為城市交通的快捷通道，受各類城市交通影響程度較小，通過準確把握快速路交通流變化特性，對提高城市快速路精細化管理、提高出行質量具有重要的理論研究價值和現實意義。早期的預測模型主要有：支持向量機模型（SVM）、極限學習機模型（ELM）、歷史平均模型（HA）、經驗模態分解(EEMD)等模型。隨著交通狀態預測方法不斷發展，逐步出現了精度及準確度大幅提升的預測方法。當前外針對交通流短時預測的模型主要有以下幾類：基于統計學預測模型、基于非線性理論預測模型、基于深度學習預測模型、基于多目標算法預測模型等。

交通流的時空不穩定性及預測模型的精度決定了快速路交通流的預測難以通過單一模型或方法解決。因此，交通流預測過程中的關鍵問題是考慮實際交通狀態，建立最優預測模型。傳統的統計學模型主要針對數據量較大，且線性關系較強的數據集，而對于非穩態的交通流數據，需要較多的參數標定，難以適應隨機性較強、非穩定性較多的交通流特征；深度學習理論模型因其參數較多，模型訓練時間較長，且所需的數據規模較大，在短時交通流預測中難以做到及時的預測結果反饋；小波分析中的經驗模態分解(EEMD)的算法能夠依據數據自身的時間尺度特征來進行信號分解，無須預先設定任何基函數，但該算法在分解時間序列的過程中會殘留一定的白噪聲，預測結果存在較多的干擾信息。

目前，針對城市快速路交通流短時預測模型的精確度均有提升。但是，仍然存在以下兩點問題：（1）缺乏充分考慮交通流時空關聯性。交通流的時空關聯性決定了交通狀態難以基于單一模型進行預測，而傳統模型及神經網絡等模型缺乏高維度非線性特征的提取能力，僅從交通流空間或時間單一維度進行研究分析，無法準確有效的識別交通流突變時刻，因此在預測過程中存在較大偏差。（2）非穩態交通流預測精度問題。在高峰時期及交通流非穩態時期，非線性模型、深度學習理論模型及小波分析等模型的預測精度不高，特別是當交通流波動幅度較大的狀態下，模型的抗干擾能力較差。

發明內容

在下文中給出了關于本發明的簡要概述，以便提供關于本發明的某些方面的基本理解。應當理解，這個概述并不是關于本發明的窮舉性概述。它并不是意圖確定本發明的關鍵或重要部分，也不是意圖限定本發明的范圍。其目的僅僅是以簡化的形式給出某些概念，以此作為稍后論述的更詳細描述的前序。

鑒于此，為解決現有技術中存在的預測模型抗干擾能力較差、預測精度低的技術問題，本發明提供一種城市快速路交通流短時預測方法、計算機及存儲介質。

方案一：本發明提供了一種城市快速路交通流短時預測方法，包括以下步驟：

步驟一：獲取目標路段歷史交通流數據，構建目標路段歷史交通流量數據庫；

步驟二：對目標路段歷史交通流數據進行分析與選擇，并構建歷史交通流數據庫，所述歷史交通流數據庫中包含有歷史交通流和目標路段交通流之間具有相關性的數據；篩選與目標路段交通流相關性符合預設標準的歷史交通流數據，組建為互信息量數據庫；