CN107967803A

CN107967803A - 基于多源数据及变权重组合预测模型的交通拥堵预测方法

Info

Publication number: CN107967803A
Application number: CN201711144136.XA
Authority: CN
Inventors: 王炜; 李雪琪; 屠雨
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2017-11-17
Filing date: 2017-11-17
Publication date: 2018-04-27

Abstract

本发明属于交通管理技术领域，涉及一项基于多源数据及变权重组合模型的交通拥堵预测方法：将研究时间划分为不同的时间段，收集每个时间段的车辆GPS数据和天气数据，对车辆GPS数据进行处理，得到研究时间段研究路段上车辆平均运行速度；通过历史数据训练ARIMA模型，标定ARIMA模型参数；通过历史数据训练BP神经网络模型；通过为ARIMA模型和BP神经网络模型赋予一定的权重值得到组合模型，权重值根据ARIMA模型和BP神经网络模型误差确定；通过变权重组合模型预测未来交通流速度，对交通拥堵情况进行判断。本发明采用GPS数据，能够减少道路检测设备和人力的投入，使用变权重组合预测模型能够增强模型的适应性，提高预测准确度，可以辅助解决交通拥堵问题。

Description

基于多源数据及变权重组合预测模型的交通拥堵预测方法

技术领域

本发明涉及交通管理领域，特别是涉及基于多源数据及变权重组合预测模型的交通拥堵预测方法。

背景技术

近些年来由于人们机动车保有量的增加，交通拥堵成为日益严重的社会问题，给社会经济运行和个人幸福感带来越来越多的负面影响。通过预测未来一段时间路段车辆平均运行速度，对交通拥堵状况进行评估，可以为城市交通控制与道路诱导系统提供依据，使其更有效的组织交通流，缓解交通拥堵。

大量不确定影响因素的存在造成了短时交通流往往具有高度复杂的非线性特征，这使得获得准确预测结果并不容易。针对短时交通流的预测技术大致可以分为两类：一类为传统的统计算法模型，如历史平均模型、移动平均模型、卡尔曼滤波模型、线性回归模型、自回归滑动模型等，这类模型考虑因素相对简单，计算较为简便，具有静态稳定的优点，但是不能准确反映交通流过程的不确定性与非线性特点；另一类为基于人工智能技术的模型，典型代表为BP神经网络模型，具有较强的动态非线性映射能力。这些单纯的某一种交通流量预测方法都有其要求的独特信息特征和适用条件，只能从各自不同的角度来反映未来的情况，还没有哪一种方法能够在不同状况下，在不同时刻保持绝对优良的预测性能，所以应用某一单一的预测模型进行复杂交通流量预测具有一定的片面性，预测前往往要进行大量的分析判断来选用最佳的方法。组合预测模型，就是针对不同的交通状况，选择两种及以上的模型参与交通流量预测，将各模型的预测结果通过适当的方法进行加权和，并作为组合预测模型的最后结果，扬长避短以获得最优预测结果。

发明内容

为了解决上述存在的问题，本发明提供基于多源数据及变权重组合预测模型的交通拥堵预测方法，通过预测短时交通流的速度来预测交通拥堵情况，从而可以减少交通拥堵，为达此目的，本发明提供基于多源数据及变权重组合预测模型的交通拥堵预测方法，包括以下步骤：

S1、根据预测时间段及研究路段收集数据，包括GPS数据和天气数据；

S2、对GPS数据进行预处理，获得研究路段车辆平均速度数据；

S3、根据历史数据训练ARIMA模型；

S4、根据历史数据训练BP神经网络模型；

S5、根据ARIMA模型和BP神经网络模型预测结果得到组合预测模型；

S6、通过组合模型对未来时间段某一路段车辆平均速度进行预测；

S6、根据预测的路段车辆平均速度判断路段拥堵情况；

S7、根据ARIMA模型和BP神经网络模型的预测误差调整两个模型在组合模型中的权重。

本发明进一步改进，步骤1中根据预测时间段及研究路段收集数据包括以下步骤：

S1、确定研究时间段是工作日还是非工作日，确定研究时间段天气情况；

S2、如果研究时间段是工作日，则收集前三个与该研究时间段天气情况相同工作日该路段预测时间段的GPS数据、该路段预测时间段前三个时间段的GPS数据和上游三个路段预测时间段前三个时间段的GPS数据。

本发明进一步改进，步骤2中对GPS数据进行预处理，获得研究路段车辆平均速度数据，包括以下步骤：

S1、通过计算将每一时刻车辆位置数据转换为车辆在两个位置之间的平均速度，因为GPS时间间隔较短，可以将平均速度近似为在两个位置中间点的瞬时速度，通过中间点的时间为两个时刻的中间时刻；

S2、分别计算每一路段在每一时间段的车辆平均运行速度。

本发明进一步改进，步骤3中根据历史数据训练ARIMA模型，包括以下步骤：

S1、判断数据是否是平稳化数据，如果数据是非平稳数据，需对数据进行平稳化处理，即二阶差分处理，消除数据的趋势性；

S2、通过样本自相关图和偏相关图初步确定模型的参数范围，根据不同的参数组合得到多个模型，应用AIC、BIC准则并对多个模型进行比较，确定模型参数；

S3、采用最大似然法估计参数；

S4、通过自相关函数法检验残差序列的自相关函数，检验建立的模型是否合适。

本发明进一步改进，步骤4中根据历史数据训练BP神经网络模型，包括以下步骤：

S1、确定输入神经元个数、隐藏层层数及每层神经元个数、输出神经元个数；

S2、在正向传播过程中，输入信息经隐含神经元逐层处理并传向输出层；

S3、如果输出层不能得到所期望的输出，则转入反向传播过程，将实际值与网络输出之间的误差沿原来的连接通路返回，通过修改各层神经元的连接权重使误差减少；

S4、反复进行S2、S3步骤，直至误差小于设定值为止。

本发明进一步改进，步骤5中根据ARIMA模型和BP神经网络模型预测结果得到组合预测模型，包括以下步骤：

S1、分别给定ARIMA模型和BP神经网络模型初始权重值；

S2、在训练过程中，根据每次ARIMA模型的预测误差和BP神经网络模型的预测误差调整两个模型在组合模型中的权重值，得到最终组合模型；

t-1时刻模型误差对于t时刻模型权重的调整系数计算如下：

设e_it为i模型在t-1时刻的预测误差，表达式为：

e_i(t-1)＝Y_(t-1)-f_i(t-1)；

在t-1时刻，对于所有的i，均有e_i(t-1)≥0或(e_i(t-1)≤0)，即t-1时刻所有的预测误差是同向的，假设在t-1时刻，第p中模型预测误差最小，则hi_(t-1)为：

h_i(t-1)＝1(i＝p)；

h_i(t-1)＝0(t＝1,2,3,…,n,i≠p)；

在t-1时刻，对于预测模型的误差，部分i有e_i(t-1)≥0，对于另一部分i，则存在e_i(t-1)≤0，即t-1时刻对于所有预测模型的误差不是完全同向的，假设在t-1时刻，所有预测误差非负数的模型中，第p₁种模型预测误差的绝对值最小；所有预测误差为负数的模型中第p₂种模型预测误差绝对值最小，此种情况下，模型的解为

S52、在t时刻构建变权重组合预测模型时，除了考虑t-1刻各模型误差外，还将t-1时刻组合模型中各模型的权重考虑在内，t时刻各模型权重系数计算公式如下：

g_it＝αg_i(t-1)+(1-α)h_i(t-1)；

其中：g_i(t-1)为模型在t时刻在组合模型中的权重，h_i(t-1)为ARIMA模型和BP神经网络模型在t-1时刻误差对于t时刻模型在组合模型中权重的调整系数，其中α取值为

０≤α≤１。

本发明提供基于多源数据及变权重组合预测模型的交通拥堵预测方法，本专利采用基于ARIMA和人工神经网络的智能组合模型对路段交通量进行短时预测，将传统方法与人工智能方法有机结合，充分发挥ARIMA的静态线性稳定性特点和人工神经网络强大的动态非线性映射能力，具有良好的预测精度。

附图说明

图1为本发明所述基于多源数据及变权重中组合模型交通拥堵预测流程图；

图2为本发明所述GPS数据转化为路段平均速度说明图；

图3为本发明所述变权重组合模型说明图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供基于多源数据及变权重组合预测模型的交通拥堵预测方法，通过预测短时交通流的速度来预测交通拥堵情况，从而可以减少交通拥堵。

作为本发明一种实施例，本发明基于多源数据及变权重组合模型的交通拥堵预测，包括以下步骤：

S3、根据历史数据训练ARIMA模型；

S4、根据历史数据训练BP神经网络模型；

S7、根据预测的路段车辆平均速度判断路段拥堵情况；

S8、根据ARIMA模型和BP神经网络模型的预测误差调整两个模型在组合模型中的权重。

S21、将GPS数据转换为车辆速度数据v_1-1，v_1-2，v_1-3，v_2-1，v_2-2，v_2-3，…,v_1-1，v_1-2，v_1-3为车辆1在三个不同时刻的速度数据，v_2-1，v_2-2，v_2-3为车辆2在三个不同时刻的速度数据。

S22、将研究路段进行分段，根据车辆在不同时刻不同地点的速度数据，可以得到某一时间段某一路段的车辆平均速度。

S23、若预测时间段为工作日，则模型输入数据为前三个与该研究时间段天气情况相同工作日该路段预测时间段的速度数据、该路段预测时间段前三个时间段的速度数据和上游三个路段预测时间段前三个时间段的速度数据。

S31、ARIMA模型可由三个参数表示，即描述自回归阶数(p)，差分次数(d)和移动平均阶数(q),ARIMA模型可表示为(1-B)^dZ_t＝θ₀+θ_q(B)α_t，其中Z_t为原序列；α_t为白噪声序列，是一列相互之间无关，均值为0，方差为σ²的随机变量序列；B为后移算子，即BZ_t＝Z_t-1；P为模型的自回归除数；θ_q为移动平均算子，θ_q(B)＝(1-θ₁(B)-…-θ_qB^q)，q为模型的移动平均除数；θ₀为参数，·为平均数。

S32、判断数据是否是平稳化数据，如果数据是非平稳数据，需对数据二阶差分处理，消除数据的趋势性；

S33、通过样本自相关图和偏相关图初步确定模型(p,d,q)的取值范围，根据不同(p,d,q)组合得到多个模型，应用AIC、BIC准则并对多个模型进行比较，确定模型参数；

S34、采用最大似然法估计参数；

S35、通过自相关函数法检验残差序列的自相关函数，检验建立的模型是否合适。

S41、确定输入神经元个数、隐藏层层数及每层神经元个数、输出神经元个数；

S42、BP神经网络模型正向传播过程：

设X_k为输入向量

X_k＝{x₁，x₂，…，x_n)k＝1，2，…，m (1)；

式中：m为学习模式对；n为输入层单元个数。

对应输入模式的输出向量为：

Y_k＝(y₁，y₂，…，y_q)k＝1，2，…，m (2)；

式中：q为输出层单元数

隐层各单元的输入为：

式中：w_ij为输入层至隐层的连接权重；θ_j为隐层单元的阀值；p为隐层单元的个数，转移函数采用sigmoid函数f(x)＝1/(1+e^-x)。

则隐层单元的输入为：

同理，输出层单元的输入，输出分别为：

式中：v_jt为隐层到输出层的连接权重；V_t为输出层单元的阀值。

S43：如果输出层不能得到所期望的输出，则转入反向传播过程，过程如下：

在误差反向传播过程中，首先要对误差进行计算，设第k个学习模式对期望输出与实际输出的误差为：

则全局总误差为

为使E_k不断按梯度原理减小，Δv_jt应与的负值成正比，可以推导出:

式中：T为学习速率：

同理，隐层的权重和阀值调整量为:

S44、重复进行步骤S42、S43，直至误差小于设定值或迭代次数达到设定值。

S51、t-1时刻模型误差对于t时刻模型权重的调整系数计算如下：

设e_it为i模型在t-1时刻的预测误差，表达式为：

e_i(t-1)＝Y_(t-1)-f_i(t-1) (13)；

在t-1时刻，对于所有的i，均有e_i(t-1)≥0或(e_i(t-1)≤0)，即t-1时刻所有的预测误差是同向的。假设在t-1时刻，第p中模型预测误差最小，则h_i(t-1)为：

h_i(t-1)＝1(i＝p) (14)；

h_i(t-1)＝0(t＝1,2,3,…,n,i≠p) (15)；

在t-1时刻，对于预测模型的误差，部分i有e_i(t-1)≥0，对于另一部分i，则存在e_i(t-1)≤0，即t-1时刻对于所有预测模型的误差不是完全同向的。假设在t-1时刻，所有预测误差非负数的模型中，第p₁种模型预测误差的绝对值最小；所有预测误差为负数的模型中第p₂种模型预测误差绝对值最小。此种情况下，模型的解为

g_it＝αg_i(t-1)+(1-α)h_i(t-1) (18)；

０≤α≤１。

作为本发明一种具体实施例，本发明按照图1所示，基于多源数据及如图3所示变权重组合模型的交通拥堵预测包括如下步骤：

步骤一、采集数据，包括车辆GPS数据及天气数据。

步骤二、对车辆GPS数据进行处理。如图2所示，一段时间内采集到车辆一、车辆二、车辆三GPS数据如图所示，实框表示实际采集GPS数据，虚框表示处理后的数据，如车辆一在时刻t₁,t₂位置分别为(x₁，y₁),(x₂，y₂),则通过计算可得车辆一在时刻速度为v₁，通过此方法计算得到通过该路段车辆的速度信息，经过进一步处理可得在该段时间通过该路段车辆的平均速度。

步骤三、根据历史数据训练ARIMA模型。根据天气情况及是否是工作日确定输入数据，预测第m天路段L_n时间段T_k的输入数据为第m-1,m-2,m-3天路段L_n时间段T_k路段车辆平均速度，第m天路段L_n时间段T_k-1、T_k-2、T_k-3路段车辆平均速度，第m天路段L_n-1、L_n-2、L_n-3在时间段T_n-1的路段车辆平均速度，其中，m-1、m-2、m-3与m天气情况相同，是否是工作日情况相同。

步骤四、根据历史数据训练ARIMA模型。首先利用SPSS判断输入数据是否是平稳数据，当数据不是平稳化数据时对数据进行差分处理；对平稳化数据的自相关图和偏相关图进行分析，确定ARIMA模型参数取值范围；利用AIC、BIC准则比较不同的模型，选定最佳参数组合；采用最大似然法标定ARIMA模型的模型参数；对模型进行检验；确定ARIMA模型初始权重为0.5。

步骤四、根据历史数据训练BP神经网络模型。确定输入神经元个数为7个，隐藏层层数为3层，神经元个数分别为10个、5个、1个，输出神经元为1个；利用MATLAB训练BP神经网络模型；对训练好的模型进行检验；确定BP神经网络模型初始权重为0.5。

步骤五、通过对ARIMA模型和BP神经网络模型赋予不同的权重值得到组合模型，模型权重根据上一次模型误差得到，模型误差与模型权重成反比；

步骤六、通过训练好的组合模型对下一阶段路段车辆平均速度进行预测；

步骤七、根据预测的路段车辆平均速度判断路段拥堵情况。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims

1.基于多源数据及变权重组合预测模型的交通拥堵预测方法，其特征在于，包括以下步骤：

S3、根据历史数据训练ARIMA模型；

S4、根据历史数据训练BP神经网络模型；

S6、根据预测的路段车辆平均速度判断路段拥堵情况；

2.根据权利要求1所述的基于多源数据及变权重组合预测模型的交通拥堵预测方法，其特征在于：步骤1中根据预测时间段及研究路段收集数据包括以下步骤：

3.根据权利要求1所述的基于多源数据及变权重组合预测模型的交通拥堵预测方法，其特征在于：步骤2中对GPS数据进行预处理，获得研究路段车辆平均速度数据，包括以下步骤：

S2、分别计算每一路段在每一时间段的车辆平均运行速度。

4.根据权利要求1所述的基于多源数据及变权重组合预测模型的交通拥堵预测方法，其特征在于：步骤3中根据历史数据训练ARIMA模型，包括以下步骤：

S3、采用最大似然法估计参数；

5.根据权利要求1所述的基于多源数据及变权重组合预测模型的交通拥堵预测方法，其特征在于：步骤4中根据历史数据训练BP神经网络模型，包括以下步骤：

S4、反复进行S2、S3步骤，直至误差小于设定值为止。

6.根据权利要求1所述的基于多源数据及变权重组合预测模型的交通拥堵预测方法，其特征在于：步骤5中根据ARIMA模型和BP神经网络模型预测结果得到组合预测模型，包括以下步骤：

S1、分别给定ARIMA模型和BP神经网络模型初始权重值；

t-1时刻模型误差对于t时刻模型权重的调整系数计算如下：

设e_it为i模型在t-1时刻的预测误差，表达式为：

e_i(t-1)＝Y_(t-1)-f_i(t-1)；

在t-1时刻，对于所有的i，均有e_i(t-1)≥0或(e_i(t-1)≤0)，即t-1时刻所有的预测误差是同向的，假设在t-1时刻，第p中模型预测误差最小，则h_i(t-1)为：

h_i(t-1)＝1(i＝p)；

h_i(t-1)＝0(t＝1,2,3,…,n,i≠p)；

g_it＝αg_i(t-1)+(1-α)h_i(t-1)；

其中：g_i(t-1)为模型在t时刻在组合模型中的权重，h_i(t-1)为ARIMA模型和BP神经网络模型在t-1时刻误差对于t时刻模型在组合模型中权重的调整系数，其中α取值为0≤α≤1。