CN101593424B - 一种短时交通流智能组合预测方法 - Google Patents

Abstract

本发明公开了一种短时交通流智能组合预测方法。它至少包括下列模块：1)历史平均模块：把一年不同的日期分为三种不同的类型：节假日类型、周末类型、周一和周五类型，基于历史交通流统计数据，对每种类型分别计算不同的交通流量；2)神经网络模块：是一个并行的分布式的信息处理网络，具有非线性映射和联想记忆的功能，通过数据本身的内在联系建模，对交通流进行预测；3)模糊组合模块：针对不同的交通状况，将历史平均模块和神经网络模块的输出作模糊组合变换，预测短时交通流。本发明的预测精度高于单项预测方法各自单独使用时的精度，是短时交通流预测的一种有效方法。

Description

一种短时交通流智能组合预测方法

技术领域

本发明涉及一种交通流预测方法，尤其涉及一种短时交通流智能组合预测方法。

背景技术

近年来，随着ITS(Intelligent traffic system)的蓬勃发展，智能交通管理与控制、动态交通状态辨识和预测以及实时交通流动态诱导成为ITS研究的热门课题。对这三个系统而言，它们首先需要的信息便是从某一时刻kT到下一时刻(k+1)T乃至以后若干时刻的短时交通流预测信息，因此准确实时的短时交通流预测是这三个系统实现的前提及关键，预测结果的好坏直接关系到这三个系统实施的效果。一般认为，预测周期时间T的跨度不超过15min的预测是短时交通流预测。

短时交通流预测模型和方法主要分为2类：一是统计预测算法模型，如移动平均、线性回归、自回归滑动平均、卡尔曼滤波以及非参数回归模型等；二是基于人工智能的模型。然而城市道路交通流量变化受多种自然和社会因素的影响，且各因素的作用机制通常不能用精确的数学语言来描述，属于时变的、复杂的非线性大系统。

目前单纯的某一种交通流预测方法都有其要求的独特的信息特征和应用条件，只能从各自不同的角度反映未来的情况，具有一定片面性，预测前往往需要进行大量的分析判断来选用最佳的方法。

发明内容

本发明的目的是为了充分发挥统计方法的静态稳定特点和神经网络强大的动态非线性映射能力，从而提高预测精度，提供一种短时交通流智能组合预测方法。

短时交通流智能组合预测方法至少包括下列模块：

1)历史平均模块：把一年不同的日期分为三种不同的类型：节假日类型、周末类型、周一和周五类型，基于历史交通流统计数据，对每种类型分别计算不同的交通流量；

2)神经网络模块：是一个并行的分布式的信息处理网络，具有非线性映射和联想记忆的功能，通过数据本身的内在联系建模，对交通流进行预测；

3)模糊组合模块：针对不同的交通状况，将历史平均模块和神经网络模块的输出作模糊组合变换，预测短时交通流。

所述的历史平均模块：

历史平均模块采用一次指数平滑法，定义为：

${\tilde{q}}_h(k+1)=\mathrm{\αq}\left(k\right)+(1-\mathrm{\α})\stackrel{\‾}{q}(k+1),$

其中：q(k)为观测点在时段((k-1)T，kT]内的交通流量，其中，k＝1，2，…，T为预测周期，一般取值为5-15min；

为历史平均模块的输出，代表某观测点在时段(kT，(k+1)T]内该模块的交通流量预测值，q(k+1)代表该观测点在时段(kT，(k+1)T]内的历史平均交通流量，α∈[0，1]为平滑系数。

所述的神经网络模块：

采用一种由S函数神经元组成的前馈神经网络，其神经元输出为所有输入加权和与某一阀值的S型非线性函数，S型函数σ(·)是一个非减函数，满足σ(-∞)＝0和σ(∞)＝1，可表示为：

$\mathrm{\σ}\left(x\right)=\frac{1}{1+e^{-\mathrm{cx}}},$

其中，c为一常数，它决定S函数的形状；

采用的前馈神经网络，它是由p个神经元组成的一种多输入单输出网络，输出为隐层神经元输出的加权和，设输入向量为[x₁，…，x_n]，输出变量为y，它的数学描述如下：

$y=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{t}_j\mathrm{\σ}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i+w_{n+1,j}),$

其中：w_ij和t_j为可调权重。

所述的模糊组合模块：

采用一种模糊算法，针对不同的交通状况，将历史平均模块和神经网络模块的输出作适当的组合变换，建立了一种短时交通流智能组合预测方法，即：

$\tilde{q}(k+1)=\mathrm{\β}{\tilde{q}}_n(k+1)+(1-\mathrm{\β}){\tilde{q}}_h(k+1),$

其中：

为模糊组合模块的输出，代表某观测点在时段(kT，(k+1)T]内模糊组合模块的交通流量预测值；

为神经网络模块的输出，代表某观测点在时段(kT，(k+1)T]内神经网络模块的交通流量预测值；

为历史平均模块的输出，代表某观测点在时段(kT，(k+1)T]内历史平均模块的交通流量预测值；β为模块权重系数，在实际应用时，β∈[0.1，0.9]，模糊组合模块β调整算法的模糊规则的基本规则为：参数β越大，则神经网络模块输出所占的权重越大，代表交通流突变较大；反之，则历史平均模块输出所占的权重越大，代表交通流变化较为平稳。

所述的模糊组合模块β调整算法的模糊规则如下：

设Δβ为β的变化率，Δβ正比于历史平均模块预测输出的百分比相对误差，但反比于预测周期，也就是说，如果当前采用的预测周期较大，或前一个预测周期内历史平均模块预测输出的百分比相对误差较小，则Δβ为负值，也就是β要减小，组合模块输出中历史平均模块输出所占的权重要适当增大。

本发明将历史平均模块和神经网络模块用于短时交通流预测，利用模糊逻辑方法对2个单项预测模块的预测结果进行综合，其输出作为最终的交通流量预测值。虽然交通流量的变化看似错综复杂，但其变化具有内在的规律，只要历史数据采集准确，本发明能够对交通变化做出较为准确的预测。其预测结果可以为交通管理部门进行交通管理和控制提供有力的保障。

附图说明

图1城市交通路网中典型的两个相邻交叉口的交通流量相关性示意图；

图2为交通流量观测站示意图；

图3为神经网络模块才用的1.5层前馈神经网络的结构图；

图4为交通流组合预测模块的结构图；

图5(a)为百分比相对误差PRE的模糊集定义示意图；

图5(b)为预测周期T的模糊集定义示意图；

图5(c)为β的变化率Δβ的模糊集定义示意图。

具体实施方式

短时交通流智能组合预测方法至少包括下列模块：

1)历史平均模块：把一年不同的日期分为三种不同的类型：节假日类型、周末类型、周一和周五类型，基于历史交通流统计数据，对每种类型分别计算不同的交通流量；

2)神经网络模块：是一个并行的分布式的信息处理网络，具有非线性映射和联想记忆的功能，通过数据本身的内在联系建模，对交通流进行预测；

3)模糊组合模块：针对不同的交通状况，将历史平均模块和神经网络模块的输出作模糊组合变换，预测短时交通流。

所述的历史平均模块：

历史平均模块采用一次指数平滑法，定义为：

${\tilde{q}}_h(k+1)=\mathrm{\αq}\left(k\right)+(1-\mathrm{\α})\stackrel{\‾}{q}(k+1),$

其中：q(k)为观测点在时段((k-1)T，kT]内的交通流量，其中，k＝1，2，…，T为预测周期，一般取值为5-15min；

为历史平均模块的输出，代表某观测点在时段(kT，(k+1)T]内该模块的交通流量预测值，q(k+1)代表该观测点在时段(kT，(k+1)T]内的历史平均交通流量，α∈[0，1]为平滑系数。

所述的神经网络模块：

采用一种由S函数神经元组成的前馈神经网络，其神经元输出为所有输入加权和与某一阀值的S型非线性函数，S型函数σ(·)是一个非减函数，满足σ(-∞)＝0和σ(∞)＝1，可表示为：

$\mathrm{\σ}\left(x\right)=\frac{1}{1+e^{-\mathrm{cx}}},$

其中，c为一常数，它决定S函数的形状；

采用的前馈神经网络，它是由p个神经元组成的一种多输入单输出网络，输出为隐层神经元输出的加权和，设输入向量为[x₁，…，x_n]，输出变量为y，它的数学描述如下：

$y=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{t}_j\mathrm{\σ}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i+w_{n+1,j}),$

其中：w_ij和t_j为可调权重。

所述的模糊组合模块：

采用一种模糊算法，针对不同的交通状况，将历史平均模块和神经网络模块的输出作适当的组合变换，建立了一种短时交通流智能组合预测方法，即：

$\tilde{q}(k+1)=\mathrm{\β}{\tilde{q}}_n(k+1)+(1-\mathrm{\β}){\tilde{q}}_h(k+1),$

其中：为模糊组合模块的输出，代表某观测点在时段(kT，(k+1)T]内模糊组合模块的交通流量预测值；

为神经网络模块的输出，代表某观测点在时段(kT，(k+1)T]内神经网络模块的交通流量预测值；

为历史平均模块的输出，代表某观测点在时段(kT，(k+1)T]内历史平均模块的交通流量预测值；β为模块权重系数，在实际应用时，β∈[0.1，0.9]，模糊组合模块β调整算法的模糊规则的基本规则为：参数β越大，则神经网络模块输出所占的权重越大，代表交通流突变较大；反之，则历史平均模块输出所占的权重越大，代表交通流变化较为平稳。

所述的模糊组合模块β调整算法的模糊规则如下：

设Δβ为β的变化率，Δβ正比于历史平均模块预测输出的百分比相对误差，但反比于预测周期，也就是说，如果当前采用的预测周期较大，或前一个预测周期内历史平均模块预测输出的百分比相对误差较小，则Δβ为负值，也就是β要减小，组合模块输出中历史平均模块输出所占的权重要适当增大。

如图1所示，本发明认为城市交通路网中典型的两个相邻交叉口的交通流量具有相关性。其中，q₁(k)、q₂(k)和q₃(k)分别为路口A北口左转车流、西口直行车流和南口右转车流在时段((k-1)T，kT]内的交通流量，q(k)为路口A和B之间路段上某一观测点在时段((k-1)T，kT]内的交通流量，其中，k＝1，2，…。从图中可以看出，该观测点在时段(kT，(k+1)T]内的交通流量q(k+1)，不仅与它在前一时段流量q(k)有关，而且还与路口A前一时段进入该路段的交通流量q₁(k)、q₂(k)和q₃(k)有关，即：

q(k+1)＝f(q₁(k)，q₂(k)，q₃(k)，q(k))，

其中，f(□)为一非线性函数。

具体实施时，设置如图2所示的交通流量观测站。该观测站每天24h检测并记录经过该站的各种车辆，每10min汇总一次，得到各检测周期内的交通流量序列并折算成小时流量。

历史平均模块采用一次指数平滑法，定义为：

${\tilde{q}}_h(k+1)=\mathrm{\αq}\left(k\right)+(1-\mathrm{\α})\stackrel{\‾}{q}(k+1),$

其中：q(k)为观测点在时段((k-1)T，kT]内的交通流量，其中，k＝1，2，…，T为预测周期，一般取值为5-15min；

为历史平均模块的输出，代表某观测点在时段(kT，(k+1)T]内该模块的交通流量预测值；q(k+1)代表该观测点在时段(kT，(k+1)T]内的历史平均交通流量；α∈[0，1]为平滑系数。

为了提高历史平均模块的预测精度，把一年不同的日期分为三种不同的类型：1.节假日类型；2.周末类型；3.周一和周五类型。上述三种类型按顺序优先级依次降低。譬如2007年10月1日，这天是周一，属于周一和周五类型，同时这天也是国庆节，属于节假日类型，而按优先级这天就属于节假日类型。基于历史数据，对每种类型分别计算不同的q(k+1)。

如图3所示，神经网络模块采用一种由S函数神经元组成的前馈神经网络，其神经元的输出为所有输入加权和与某一阀值的S型非线性函数。S型函数σ(·)是一个非减函数，满足σ(-∞)＝0和σ(∞)＝1，可表示为：

$\mathrm{\σ}\left(x\right)=\frac{1}{1+e^{-\mathrm{cx}}},$

其中，c为一常数，它决定S函数的形状。

采用的前馈神经网络，它是由p个神经元组成的一种多输入单输出网络，输出为隐层神经元输出的加权和，设输入向量为[x₁，…，x_n]，输出变量为y，它的数学描述如下：

$y=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{t}_j\mathrm{\σ}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i+w_{n+1,j}),$

其中：w_ij和t_j为可调权重。

如图4所示，模糊组合模块采用一种模糊算法，集历史平均模块和神经网络模块的优势于一体，针对不同的交通状况，将2个单项模块的输出作适当的组合变换，建立了一种短时交通流智能组合预测方法，即：

$\tilde{q}(k+1)=\mathrm{\β}{\tilde{q}}_n(k+1)+(1-\mathrm{\β}){\tilde{q}}_h(k+1),$

其中：

为模糊组合模块的输出，代表某观测点在时段(kT，(k+1)T]内模糊组合模块的交通流量预测值；

为神经网络模块的输出，代表某观测点在时段(kT，(k+1)T]内神经网络模块的交通流量预测值；

为历史平均模块的输出，代表某观测点在时段(kT，(k+1)T]内历史平均模块的交通流量预测值；β为模块权重系数，理论上β∈[0，1]，但在实际应用时，一般β∈[0.1，0.9]。参数β越大，则神经网络模块输出所占的权重越大，代表交通流突变较大；反之，则历史平均模块输出所占的权重越大，代表交通流变化较为平稳。

如图4所示，β的调整由一个双输入单输出的模糊算法实现，输入历史平均模块预测输出的百分比相对误差为PRE和预测周期T，输出为β的变化率Δβ。

如图5所示，PRE是历史平均模块预测输出的百分比相对误差， $\mathrm{PRE}=\left(\right|{\tilde{q}}_n\left(k\right)-q\left(k\right)|/q\left(k\right))\×100\%,$ 代表历史平均模块的预测精度，也就是路段交通流平稳性，取值范围理论上为[0，∞)，其语言值为：Z(零)、VS(很小)、S(小)、RS(较小)、M(中等)、RB(较大)、B(大)、VB(很大)。T为预测周期，一般取值为5-15min，T越小，交通流动态性越明显，反之，稳态性越明显，其语言值为：S(短)、RS(较短)、M(中等)、RL(较长)、L(长)、VL(很长)。Δβ为β的变化率，且Δβ∈[-0.5，0.5]，其语言值为：NB(负大)、NM(负中)、NS(负小)、Z(零)、PS(正小)、PM(正中)、PB(正大)。如果Δβ为正值，则表示β要增加，说明该路段交通流动态变化增强，组合模块输出中神经网络模块输出所占的权重需增大；反之，则表示β要减小，说明该路段交通流趋于平稳，组合模块输出中历史平均模块输出所占的权重需增大。

交通流预测结果主要用于路网协调控制实施和基于LED屏的动态交通诱导。系统在被控区域内所有的主要交叉口和以及部分关键路段上安装了环形线圈车辆检测器，用于实时检测各种交通信息，通过专用网络传输到交通指挥中心，并存储在交通信息数据库中。

Claims (2)

1.一种短时交通流智能组合预测方法，其特征在于至少包括下列模块：

1)历史平均模块：把一年不同的日期分为三种不同的类型：节假日类型、周末类型、周一和周五类型，基于历史交通流统计数据，对每种类型分别计算不同的交通流量；

2)神经网络模块：是一个并行的分布式的信息处理网络，具有非线性映射和联想记忆的功能，通过数据本身的内在联系建模，对交通流进行预测；

3)模糊组合模块：针对不同的交通状况，将历史平均模块和神经网络模块的输出作模糊组合变换，预测短时交通流；

所述的历史平均模块：

历史平均模块采用一次指数平滑法，定义为：

${\tilde{q}}_h(k+1)=\mathrm{\αq}\left(k\right)+(1-\mathrm{\α})\stackrel{\‾}{q}(k+1),$

其中：q(k)为观测点在时段((k-1)T，kT]内的交通流量，其中，k＝1，2，…，T为预测周期，一般取值为5-15min；

为历史平均模块的输出，代表某观测点在时段(kT，(k+1)T]内该模块的交通流量预测值，

代表该观测点在时段(kT，(k+1)T]内的历史平均交通流量，α∈[0，1]为平滑系数；

所述的神经网络模块：

采用一种由S函数神经元组成的前馈神经网络，其神经元输出为所有输入加权和与某一阀值的S型非线性函数，S型函数σ(·)是一个非减函数，满足σ(-∞)＝0和σ(∞)＝1，可表示为：

$\mathrm{\σ}\left(x\right)=\frac{1}{1+e^{-\mathrm{cx}}},$

其中，c为一常数，它决定S函数的形状；

采用的前馈神经网络，它是由p个神经元组成的一种多输入单输出网络，输出为隐层神经元输出的加权和，设输入向量为[x₁，…，x_n]，输出变量为y，它的数学描述如下：

$y=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{t}_j\mathrm{\σ}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i+w_{n+1,j}),$

其中：w_ij和t_j为可调权重；

所述的模糊组合模块：

采用一种模糊算法，针对不同的交通状况，将历史平均模块和神经网络模块的输出作适当的组合变换，建立了一种短时交通流智能组合预测方法，即：

$\tilde{q}(k+1)=\mathrm{\β}{\tilde{q}}_n(k+1)+(1-\mathrm{\β}){\tilde{q}}_n(k+1),$

其中：

为模糊组合模块的输出，代表某观测点在时段(kT，(k+1)T]内模糊组合模块的交通流量预测值；

为神经网络模块的输出，代表某观测点在时段(kT，(k+1)T]内神经网络模块的交通流量预测值；

为历史平均模块的输出，代表某观测点在时段(kT，(k+1)T]内历史平均模块的交通流量预测值；β为模块权重系数，在实际应用时，β∈[0.1，0.9]，模糊组合模块β调整算法的模糊规则的基本规则为：参数β越大，则神经网络模块输出所占的权重越大，代表交通流突变较大；反之，则历史平均模块输出所占的权重越大，代表交通流变化较为平稳。

2.如权利要求1所述的一种短时交通流智能组合预测方法，其特征在于所述的模糊组合模块β调整算法的模糊规则如下：

设Δβ为β的变化率，Δβ正比于历史平均模块预测输出的百分比相对误差，但反比于预测周期，也就是说，如果当前采用的预测周期较大，或前一个预测周期内历史平均模块预测输出的百分比相对误差较小，则Δβ为负值，也就是β要减小，组合模块输出中历史平均模块输出所占的权重要适当增大。

Images