CN101789176B - 预约集港模式下的港区短时交通流预测方法 - Google Patents

Abstract

本发明属港区交通管理技术领域，涉及一种预约集港模式下的港区短时交通流预测方法，包括：对交通发生和吸引区域进行划分，获取各交通发生区域、吸引区域历史交通量分时段分布规律；确定交通吸引区域及交通量；确定对应的后方堆场，得到交通发生区域分布及交通量；根据预测周期内预测路段上游路径车流反方向的延伸长度确定预测路段的上游相关路段；建立知识库；实时测量每个预测周期内上下游路段的转弯率；提取当前预测周期p之前的前Nz个周期交通流转弯率各上下游路段的转弯率；估计前N_Z个短时预测周期的加权转弯率；计算预测路段l_i的各个流入综合饱和度；生成交通流预测状态向量；搜索知识库中与所生成的状态向量对应的路段交通流，预测当前预测周期p的下一周期的该预测路段的交通流；生成新搜索策略，更新知识库。本发明能用于短时交通流预测，避免产生大的拥堵点和拥堵区域的蔓延。

Description

预约集港模式下的港区短时交通流预测方法

技术领域

本发明属于港区交通管理技术领域，涉及一种港区交通流预测方法。

背景技术

长期以来的港区交通管理和规划经验表明，缺乏准确的交通流预测，上述措施难以有效地解决港口既以存在的交通问题。城市交通流预测技术的发展为港区交通流预测提供了很好的经验借鉴，但港区交通的复杂性和不确定性决定了必须有针对性对港区交通流预测方法进行研究，以满足对港区交通进行科学规划和管理的需要。

城市交通流预测方法不能直接用于港区交通流预测，从已经检索到的资料可以看出，基本上现有的港区交通管理、组织方法的交通流依据都采用城市交通流预测方法，在做了极少的修正后，直接应用于港区，应用效果均不甚理想。主要可归纳为以下几个方面的原因：

1)每天不同时段港区交通流无规律、变化较大

城市交通由于交通发生、吸引区域稳定且主要为通勤、通学等稳定交通流，因此每天都有固定早晚高峰，交通总量和各路段交通流量在每天不同时段服从一定的规律，可根据历史数据统计后加以预测。而港区交通由于码头集港时间、船舶数量和容量、后方堆场分布等条件的影响，交通流每天无明显高峰和平峰规律，不同时段交通流变化较大，因此，采用按日历史数据统计交通流规律的方法不适用于港区交通流分时段预测。

2)港区道路交通需求产生机理是基于交通需求交通流预测的基础

城市道路交通需求主要是基于人的出行，且受到用地性质变化、出行习惯、发生吸引小区迁移等很多不确定因素的影响，难以根据交通需求进行每日交通流预测。港区交通需求主要产生于货物运输的需要，预约集港模式下，集港船舶达到时间、集港货物量、前方服务堆场、后方供货堆场分布能根据每次集港特征进行确定，因此可知主要的交通发生、吸引区域所在及时间规律，这是基于交通需求的港区交通流预测的基础。

3)港区交通路网简单、干扰少，为基于交通需求的港区交通流预测提供了便利

城市交通路网复杂，出行路径很难预测，且存在很多干扰因素，如商场开业、景点开放等因素都会造成交通流局部的较大变化。港区交通路网相对简单，驾驶员从后方堆场到前方堆场的出行路径较为固定，其它干扰交通流较少且规律明显，基于交通需求的港区交通流预测时可先单独考虑船舶驱动的交通流，再将干扰交通流加以整合，这为基于交通需求的港区交通流预测提供了便利。

为缓解港区交通拥堵，不少港口采用了预约集港和二次集港模式。首先根据预测集港时间将货物运抵后方堆场，集港开始后将货物由后方堆场运向前方堆场，由于码头集港时间、船舶数量和容量等条件的影响，该模式下不同时段交通流变化较大，这给预测港区交通流带来了难度，但另一方面由于交通流流向明确，也为准确预测港区交通流提供了有利条件。

发明内容

本发明的目的在分析预约集港模式下港区交通流特征的基础上，改进城市交通流预测方法，提出适用于港区交通管理的交通流预测方法。为此，本发明采用如下的技术方案。

一种预约集港模式下的港区短时交通流预测方法，包括下列步骤：

(1)对交通发生和吸引区域进行划分，将与集港泊位对应的空间位置相近的前方堆场归入不同吸纳点；根据历史规律统计发生、吸引区域的分时段交通量，形成各交通发生区域、吸引区域历史交通量分时段分布规律；

(2)由下发动态信息获知集港的船舶数量、容量及主要前方堆场，从而确定交通吸引区域及交通量；

(3)由下发动态信息获得货代及揽货风格后，确定对应的后方堆场，从而得到交通发生区域分布及交通量；

(4)根据预测周期内预测路段上游路径车流反方向的延伸长度确定预测路段的上游相关路段；

(5)建立知识库，存储与预测路段相对应的交通流预测状态向量，下一周期该预测路段交通流预测值，前面周期预测准确性评价值及搜索策略；

(6)实时测量每个预测周期内上下游路段的转弯率；

(7)提取当前预测周期p之前的前Nz个周期交通流转弯率各上下游路段的转弯率；

(8)估计前N_Z个短时预测周期的加权转弯率 ${\hat{t}}_r(l_i,l_j,p+1)={\mathrm{\α}}_1{t}_r(l_i,l_j,p)+{\mathrm{\α}}_2{t}_r(l_i,l_j,p-1)+...+{\mathrm{\α}}_{N_Z}{t}_r(l_i,l_j,p-N_Z-1),$ 其中

为各周期的加权系数，

递减且 ${\mathrm{\α}}_1+{\mathrm{\α}}_2+...+{\mathrm{\α}}_{N_Z}=1,$ 并以此作为当前预测周期p的下一周期各上下游路段的转弯率的预测值。

(9)设预测路段为l_i，统计预测路段l_i的饱和度 $S_{l_i}^s=N_T^h/C_{l_i},$ 并按照下列公式计算预测路段l_i的各个流入综合饱和度： $S_{l_u^{i,k}}=\frac{N_T^h}{C_{l_i}}\left(t_{l_u^{i,k},l_i}{N}_V^{l_u^{i,k}}\right),$ 式中，N_T ^h表示饱和度级别数量；l_u ^i，k为影响路段l_i的上游中，顺时钟方向第k条路段；

表示从l_i的上游路段l_u ^i，k进入到l_i的转弯率；

表示上游路段l_u ^i，k上的车辆数；

表示路段l_i的通行能力。

(10)生成交通流预测状态向量，该向量包括：与预测路段相关的各个发生区域和吸引区域，预测路段饱和度，预测路段的各个流入综合饱和度；

(11)搜索知识库中与所生成的状态向量对应的路段交通流，预测当前预测周期p的下一周期的该预测路段的交通流；

(12)根据实时测量值评价当前预测周期交通流预测的准确性，若生成状态对应的最佳预测交通流，生成新搜索策略，更新知识库；

作为优选实施方式，所述的预约集港模式下的港区短时交通流预测方法，其特征在于，步骤(2)中，按照根据前方堆场对应的集港船只数量和容量大小，对吸引区域交通量进行分类，第i个吸纳点交通量等级 $S_A^i=N_A^D\underset{j=1}{\overset{N_C^i}{\mathrm{\Σ}}}{C}_C^{i,j}/N_A^i,$ 其中N_C ⁱ表示第i个吸纳点同时集港的船只数量，C_C ^i，j表示第i个吸纳点第j船只的容量，N_A ⁱ为第i个吸纳点最大同时集港船舶总容量，N_A ^D为吸纳点交通量等级数量。S_A ⁱ的每个等级代表一定数量的交通量N_A ^L，根据S_X ⁱ的等级可计算得出不同吸引区域交通量等级对应的交通量大小，即 $V_A^i=S_A^i{N}_A^L;$

步骤(3)按照下列步骤计算：设第k个发生区域的交通发生量为 $V_P^k=\frac{\underset{i=1}{\overset{N_A}{\mathrm{\Σ}}}{V}_A^i{\stackrel{\‾}{V}}_P^k}{\underset{h=1}{\overset{N_p}{\mathrm{\Σ}}}{\stackrel{\‾}{V}}_P^h},$ 其中N_A表示吸引区域的数量；

表示相似条件下，第k个发生区域的历史统计交通量，由区域内各后方堆场历史交通量累计得到；N_p表示发生区域的数量，则发生区域的交通量等级 $S_p^k=V_p^k/N_P^L,$ 其中N_P ^L表示每个发生区域交通量等级代表的交通量；

步骤(4)中：首先确定从交通发生区域到吸引区域的路径，然后从预测路段往车流反方向延伸，延伸长度按下列方法计算：设预测路段为l_i，其上游路径的集合为R_U ⁱ， $r_j\∈R_U^i,$ 设l_j，k∈r_j为r_j车流反方向的第k条路段，v_j，k(q_j，k)为l_j，k上对应车速，是l_j，k上流量q_j，k的函数，根据路段历史统计数据中的车速与流量关系得到，则路径r_j车流反方向延伸到的路段 $h_{r_j}=\left\{\min \left(h\right)\right|\underset{k=1}{\overset{h}{\mathrm{\Σ}}}{d}_{j,k}/v_{j,k}\≥T_S\},$ 令 $T_L^j=T_S-\underset{k=1}{\overset{h-1}{\mathrm{\Σ}}}(d_{j,k}/v_{j,k}),$ 则预测周期内预测路段上游路径车流反方向的延伸长度 $d\left(r_j\right)=\underset{k=1}{\overset{h-1}{\mathrm{\Σ}}}{d}_{j,k}+\frac{T_L^j}{d_{j,h_{r_j}}/v_{j,h_{r_j}}}{d}_{j,h_{r_j}};$

其中的步骤8中，拥堵程度越严重，N_Z越小且递减越快。

其中的步骤12如下：

1)根据下列公式评价周期p交通流预测准确性： $A_{l_i}^p=\frac{{\hat{q}}_{l_i}^p}{q_{l_i}^p},$ 其中

表示第p周期路段l_i的交通流预测值，

表示第p周期路段l_i的实际交通流量。

2)计算周期p+1路段l_i的最佳预测交通量 ${\hat{q}}_{l_i}^{p+1}=\underset{j=0}{\overset{N_Y}{\mathrm{\Σ}}}{\mathrm{\β}}_j{q}_{l_i}^{p-j},$ 式中，β_j为周期p-j实际交通量的加权值，取β_j＝1/N_Y，该值即为状态向量对应的最佳预测交通流，

3)生成新搜索策略：根据上一周期预测准确性更新β_j的值，采用的方法是如果 $A_{l_i}^p>{\mathrm{\φ}}_{\max },$ 则 ${\mathrm{\β}}_{N_Y}:={\mathrm{\β}}_{N_Y}-\mathrm{\λ},$ 如果 ${\mathrm{\β}}_{N_Y}\≤0,$ N_Y:＝N_Y-1；如果连续3次 $A_{l_i}^p\≤{\mathrm{\φ}}_{\min },$ 则N_Y:＝N_Y+1。

4)更新知识库：将最新的状态向量，下一周期该预测路段交通流预测值，前面周期预测准确性评价值及新搜索策略进行更新，存入知识库中。

本发明的有益效果是：短时交通流预测精度高，特别是预测时长为5分钟的预测结果，与实际交通流量的平均偏差很小，因此对交通控制、诱导等交通管理措施的动态优化能提供数据基础，为更提高港区交通管理和组织效率、充分利用港区交通设施提供保障，具有重要的意义。

附图说明

图1本发明采用的基于非参数回归的港区交通流预测方法流程图。

图2预测路段 路径确定示意图。

图3预测路段 上游路径长度确定示意图图。

图4仿真路网。

图5主要发生\吸引区域分时段交通量。

图6路段34实验3客流预测结果(预测时长15分钟)。

图7路段34实验4客流预测结果(预测时长10分钟)。

图8路段34实验5客流预测结果(预测时长5分钟)。

具体实施方式

首先定义本发明中使用的一些概念。

周期：短时交通预测的预测时间长度；

港区集港交通吸引区域：将与集港泊位对应的空间位置相近的前方堆场进行划分，形成的区域为港区集港交通吸引区域。

港区集港交通发生区域：将空间位置相近的后方堆场进行划分，形成的区域为港区集港交通发生区域。

下面结合附图和实施例，对本发明做进一步详述。

本发明提出了一种基于非参数回归的港区交通流预测方法，如图1所示。

本发明的基于非参数回归的港区交通流预测方法包含两个回路，一个是预测回路，一个是学习回路。预测回路主要作用是根据实时数据在知识库中寻找最佳交通流预测值，学习回路主要作用是更新搜索策略和知识库，以得到更准确的预测数据。

预测回路：

1)根据实测的p周期转弯率及数据库中数据，提取前Nz周期交通流转弯率；

2)预测下一周期各上下游路段交通流转弯率。用前N_Z个短时预测周期的加权平均转弯率进行综合的方法来对转弯率进行估计。短时交通流预测周期为p+1时，前N_Z个短时预测周期的加权转弯率 ${\hat{t}}_r(l_i,l_j,p+1)={\mathrm{\α}}_1{t}_r(l_i,l_j,p)+{\mathrm{\α}}_2{t}_r(l_i,l_j,p-1)+...+{\mathrm{\α}}_{N_Z}{t}_r(l_i,l_j,p-N_Z-1),$ 其中

为各周期的加权系数，

递减且 ${\mathrm{\α}}_1+{\mathrm{\α}}_2+...+{\mathrm{\α}}_{N_Z}=1,$ 一般拥堵程度严重时，N_Z较小且递减快，道路较通畅时，N_Z较大且

递减慢。

3)计算预测路段上游相关路段的综合饱和度

上游相关路段的确定：首先确定从交通发生区域到吸引区域的路径，然后从预测路段往车流反方向延伸，延伸长度与当前对应路段的车辆行驶速度有关。由于不同时段的路段拥堵程度是不一样的，因此需要根据路段流速密的关系，动态确定不同路段的车速。设预测路段l_i上游路径的集合为R_U ⁱ， $r_j\∈R_U^i,$ 设l_j，k∈r_j为r_j车流反方向的第k条路段，v_j，k(q_j，k)为l_j，k上对应车速，是l_j，k上流量q_j，k的函数，根据路段历史统计数据中的车速与流量关系得到。则路径r_j车流反方向延伸到的路段 $h_{r_j}=\left\{\min \left(h\right)\right|\underset{k=1}{\overset{h}{\mathrm{\Σ}}}{d}_{j,k}/v_{j,k}\≥T_S\}.$ 令 $T_L^j=T_S-\underset{k=1}{\overset{h-1}{\mathrm{\Σ}}}(d_{j,k}/v_{j,k}),$ 则预测周期内预测路段上游路径车流反方向的延伸长度 $d\left(r_j\right)=\underset{k=1}{\overset{h-1}{\mathrm{\Σ}}}{d}_{j,k}+\frac{T_L^j}{d_{j,h_{r_j}}/v_{j,h_{r_j}}}{d}_{j,h_{r_j}}.$ 如下图2所示，首先确定从发生区域1，2到吸引区域1，2的主要路径，这些路径覆盖的路段如图2中虚线路段所示。如果要预测路段l₁的在下一预测周期的交通流量，通过上述方法可确定上游路径交通流反方向的延伸区域为图3中虚线路段所示。

路段综合饱和度的计算：如图3所示，路段l₁上游虚线路段上的交通流在下一周期都将预测进入l₁，都应进行考虑，将下一预测周期由上游路段进入当前路段的交通流量计算得到的饱和度称为流入综合饱和度。如果路段l_i影响的上游路段交通流范围包含一级路段，则l_i流入综合饱和度计算公式为：

$S_{l_i}=\frac{N_T^h}{C_{l_i}}\left(\underset{k=1}{\overset{n_u\left[l_i\right]}{\mathrm{\Σ}}}{t}_{l_u^{i,k},l_i}{N}_V^{l_u^{i,k}}\right)$

式中

表示l_i的流入综合饱和度；

N_T ^h表示饱和度分级类别；

l_u ^i，k为影响路段l_i的上游中，顺时钟方向第k条路段；

表示从l_i的上游路段l_u ^i，k进入到l_i的转弯率；

表示上游路段l_u ^i，k上的车辆数；

表示路段l_i的通行能力；

4)生成交通流预测状态向量

状态向量的构造：采用预测路段对应的主要发生区域对应时段交通量等级，主要吸引区域对应时段交通量等级，预测路段饱和度及预测路段流入综合饱和度来形成交通流预测状态向量。图3中路段l_i的短时交通流预测状态向量构造如表1所示。

           表1 短时交通流预测状态向量的构造

分量位置	描述	图1中对应路段\区域
			1	发生区域1对应时段交通量等级	发生区域1
2	发生区域2对应时段交通量等级	发生区域2
			3	吸引区域2对应时段交通量等级	吸引区域2
4	预测路段饱和度	l1
			5	预测路段流入综合饱和度1	l2
6	预测路段流入综合饱和度2	l3

发生区域、吸引区域交通量等级：

1)对交通发生和吸引区域进行划分，将与集港泊位对应的空间位置相近的前方堆场归入不同吸纳点；根据历史规律统计发生、吸引区域的分时段交通量，形成各交通发生区域、吸引区域历史交通量分时段分布规律。

2)由下发动态信息获知集港的船舶数量、容量及主要前方堆场，从而确定交通吸引区域及交通量。根据前方堆场对应的集港船只数量和容量大小，对吸引区域交通量进行分类，第i个吸纳点交通量等级 $S_A^i=N_A^D\underset{j=1}{\overset{N_C^i}{\mathrm{\Σ}}}{C}_C^{i,j}/N_A^i,$ 其中N_C ⁱ表示第i个吸纳点同时集港的船只数量，C_C ^i，j表示第i个吸纳点第j船只的容量，N_A ⁱ为第i个吸纳点最大同时集港船舶总容量，N_A ^D为吸纳点交通量等级数量。S_A ⁱ的每个等级代表一定数量的交通量N_A ^L，根据S_X ⁱ的等级可计算得出不同吸引区域交通量等级对应的交通量大小，即 $V_A^i=S_A^i{N}_A^L.$

3)由下发动态信息获得货代及揽货风格后，确定对应的后方堆场，从而得到交通发生区域分布及交通量。第k个发生区域的交通发生量为 $V_P^k=\frac{\underset{i=1}{\overset{N_A}{\mathrm{\Σ}}}{V}_A^i{\stackrel{\‾}{V}}_P^k}{\underset{h=1}{\overset{N_p}{\mathrm{\Σ}}}{\stackrel{\‾}{V}}_P^h},$ 其中N_A表示吸引区域的数量；

表示相似条件下，第k个发生区域的历史统计交通量，由区域内各后方堆场历史交通量累计得到；N_p表示发生区域的数量。则发生区域的交通量等级 $S_p^k=V_p^k/N_P^L,$ 其中N_P ^L表示每个发生区域交通量等级代表的交通量。

5)搜索知识库中状态向量对应的路段交通流：知识库存储的是状态向量，下次预测交通流，前面周期预测准确性的组合。确定交通流预测状态向量后，从知识库中提取对应的下次预测交通流，作为下周期的交通流预测值。

学习回路：

1)评价周期p交通流预测准确性

准确性计算公式为 $A_{l_i}^p=\frac{{\hat{q}}_{l_i}^p}{q_{l_i}^p},$ 其中

表示第p周期路段l_i的交通流预测值，表示第p周期路段l_i的实际交通流量。

2)生成状态对应的最佳预测交通流

采用状态对应的前N_Y个周期实际加权交通量作为最佳预测交通量。周期p+1路段l_i的最佳预测交通量 ${\hat{q}}_{l_i}^{p+1}=\underset{j=0}{\overset{N_Y}{\mathrm{\Σ}}}{\mathrm{\β}}_j{q}_{l_i}^{p-j},$ β_j为周期p-j实际交通量的加权值，本发明取β_j＝1/N_Y。

3)生成新搜索策略：根据上一周期预测准确性更新β_j的值，采用的方法是如果 $A_{l_i}^p>{\mathrm{\φ}}_{\max },$ 则 ${\mathrm{\β}}_{N_Y}:={\mathrm{\β}}_{N_Y}-\mathrm{\λ},$ 如果 ${\mathrm{\β}}_{N_Y}\≤0,$ N_Y:＝N_Y-1；如果连续3次 $A_{l_i}^p\≤{\mathrm{\φ}}_{\min },$ 则N_Y:＝N_Y+1。

4)更新知识库：将最新的状态向量，下次预测交通流，前面周期预测准确性组合及新搜索策略进行更新，存入知识库中。

为了检验本发明港区交通流预测方法的有效性，设计了3组仿真试验进行验证，如下表2所示。采用的路网结构是天津港北疆港区路网，为仿真需要对路网进行了部分简化和修改。仿真路网的集港交通发生区域和吸引区域各为2个，如下图4所示，其集港交通发生\吸引区域交通量如图5所示。为使仿真更接近实际，在路网中设置了一定的通勤出行等出行发生、吸引区域，这些区域的发生吸引量规律可通过历史数据统计得到，本仿真实验中，各区域间的发生吸引量大小差别在20-50％之间，篇幅所限，不详细列出。

                   表2 仿真实验

实验序号	说明
		1	短时交通流预测，集港时间24小时，预测周期15分钟
2	短时交通流预测，集港时间24小时，预测周期10分钟
		3	短时交通流预测，集港时间24小时，预测周期5分钟

对实验1、2、3进行仿真，得到短时交通流预测结果。提取路段34的实际流量与预测值进行比较，如图6、8、9所示。

由图6，7，8可知，短时交通流预测精度高，特别是预测时长为5分钟的预测结果，与实际交通流量的平均偏差仅为5.2％。这是因为短时交通流预测得主要依据是上游路段即将进入预测路段的交通流，这些交通流量是确定的，通过匹配知识库中最准确预测值，能够较精确反映实际交通流状态，因此对交通控制、诱导等交通管理措施的动态优化能提供数据基础，为更提高港区交通管理和组织效率、充分利用港区交通设施提供保障，具有重要的意义。

Claims (2)

1.一种预约集港模式下的港区短时交通流预测方法，包括下列步骤：

(1)对交通发生和吸引区域进行划分，将与集港泊位对应的空间位置相近的前方堆场归入不同吸纳点；根据历史规律统计发生、吸引区域的分时段交通量，形成各交通发生区域、吸引区域历史交通量分时段分布规律；

(2)由下发动态信息获知集港的船舶数量、容量及主要前方堆场，从而确定交通吸引区域及交通量，方法如下：按照根据前方堆场对应的集港船只数量和容量大小，对吸引区域交通量进行分类，第i个吸纳点交通量等级，其中

表示第i个吸纳点同时集港的船只数量，

表示第i个吸纳点第j船只的容量，为第i个吸纳点最大同时集港船舶总容量，

为吸纳点交通量等级数量；

的每个等级代表一定数量的交通量

，根据的等级可计算得出不同吸引区域交通量等级对应的交通量大小，即 $V_A^i=S_S^i{N}_A^L;$

(3)由下发动态信息获得货代及揽货风格后，确定对应的后方堆场，从而得到交通发生区域分布及交通量，方法如下：设第k个发生区域的交通发生量为

，其中N_A表示吸引区域的数量；

表示相似条件下，第k个发生区域的历史统计交通量，由区域内各后方堆场历史交通量累计得到；N_p表示发生区域的数量，则发生区域的交通量等级，其中

表示每个发生区域交通量等级代表的交通量；

(4)根据预测周期内预测路段上游路径车流反方向的延伸长度，首先确定从交通发生区域到吸引区域的路径，然后从预测路段往车流反方向延伸，确定预测路段的上游相关路段，其中，延伸长度按下列方法计算：设预测路段为l_i，其上游路径的集合为

，设l_j，k∈r_j为上游路径r_j车流反方向的第k条路段，v_j，k(q_j，k)为l_j，k上对应车速，是l_j，k上流量q_j，k的函数，根据路段历史统计数据中的车速与流量关系得到，则上游路径r_j车流反方向延伸到的路段

，令)，则预测周期内预测路段上游路径r_j车流反方向的延伸长度

$d\left(r_j\right)=\underset{k=1}{\overset{h-1}{\mathrm{\Σ}}}{d}_{j,k}+\frac{T_L^j}{d_{j,h_{r_j}}/v_{{j,h}_{r_j}}}{d}_{{j,h}_{r_j}};$

(5)建立知识库，存储与预测路段相对应的交通流预测状态向量，下一周期该预测路段交通流预测值，前面周期预测准确性评价值及搜索策略；

(6)实时测量每个预测周期内上下游路段的转弯率；

(7)提取当前预测周期p之前的前Nz个周期交通流转弯率；

(8)估计前N_Z个短时预测周期的加权转弯率 ${\hat{t}}_r(l_i,l_j,p+1)={\mathrm{\α}}_1{t}_r(l_i,l_j,p)+{\mathrm{\α}}_2{t}_r(l_i,l_j,p-1)+...+{\mathrm{\α}}_{N_z}{t}_r(l_i,l_j,p-N_z-1)$ ，其中

为各周期的加权系数，

递减，且

，并以此作为当前预测周期p的下一周期各上下游路段的转弯率的预测值；

(9)设预测路段为l_i，统计预测路段l_i的饱和度

，并按照下列公式计算预测路段l_i的各个流入综合饱和度：

，式中，表示饱和度级别数量；

为影响路段l_i的上游中，顺时钟方向第k条路段；

表示从l_i的上游路段

进入到l_i的转弯率；

表示上游路段

上的车辆数；

表示路段l_i的通行能力；

(10)生成交通流预测状态向量，该向量包括：与预测路段相关的各个发生区域和吸引区域，预测路段饱和度，预测路段的各个流入综合饱和度；

(11)搜索知识库中与所生成的状态向量对应的路段交通流，预测当前预测周期p的下一周期的该预测路段的交通流；

(12)根据实时测量值评价当前预测周期交通流预测的准确性，若生成状态对应的最佳预测交通流，生成新搜索策略，更新知识库，具体步骤如下：

1)根据下列公式评价周期p交通流预测准确性：

，其中

表示第p周期路段l_i的交通流预测值，

表示第p周期路段l_i的实际交通流量；

2)采用状态对应的前N_Y个周期实际加权交通量作为最佳预测交通量，计算周期p+1路段l_i的最佳预测交通量

，式中，β_j为周期p-j实际交通量的加权值，取β_j＝1/N_Y，该值即为状态向量对应的最佳预测交通流，

3)生成新搜索策略：根据上一周期预测准确性更新β_j的值，采用的方法是如果

则

，如果，N_Y：＝N_Y-1；如果连续3次

，则N_Y：＝N_Y+1；

4)更新知识库：将最新的状态向量，下一周期该预测路段交通流预测值，前面周期预测准确性评价值及新搜索策略进行更新，存入知识库中。

2.根据权利要求1所述的预约集港模式下的港区短时交通流预测方法，其特征在于，其中的步骤(8)中，拥堵程度越严重，N_z越小且

递减越快。

Images