CN101853573A - 一种城市快速路短时交通信息预测系统及方法 - Google Patents

Abstract

本发明属于交通信息预测领域，涉及一种城市快速路短时交通信息预测系统及方法，该系统由交通信息融合子系统、交通信息数学模型预测子系统和交通信息通信与发布子系统构成。交通信息融合子系统，通过利用历史统计交通信息和实时检测交通信息，并进行预处理及数据融合，最后存入到采集数据库供预测子系统使用。交通信息数学模型预测子系统，基于相空间重构的理论思想，采用基于时间序列重构的混沌时间序列自适应预测法，对城市快速路进行15分钟以内短时交通信息进行分析及预测。通过交通信息通信与发布子系统实时发布预测的交通信息。本发明为交通管理部门优化交通管理方案，预防交通事故的发生提供参考，优化交通资源，提高社会效益和经济效益。

Description

一种城市快速路短时交通信息预测系统及方法

技术领域

本发明涉及交通信息预测领域，特别是提供了一种基于时间序列重构的混沌时间序列自适应预测法对城市快速路短时交通信息预测系统及方法。

背景技术

快速路短时交通信息预测是城市快速路交通控制与诱导等交通管理手段的基础和关键。准确实时的短时交通信息预测是实现交通控制与管理、交通诱导的前提，是使智能交通系统变为“主动式动作”的关键。基于预测信息的交通信息服务和交通管理在国际上属于智能交通系统研究的前沿领域，部分发达国家和地区都进行相关方面的研究工作，但良好的成熟的应用成果非常罕见。目前国外应用较为广泛的基于实时采集信息的交通管理和信息服务系统，绝大多数不能够得到实时高效的交通信息。国内部分研究机构和公司在交通信息服务和交通信息预测方面进行了一些研究工作，但都尚未达到成熟实用的阶段。

近年来，许多研究机构和学者，已经开发出了许多短时交通信息的预测方法，如时间序列方法、非参数回归方法、神经网络方法等，其中有些方法在实际应用或仿真工程中取得了较好的效果。但仍存在着不尽人意的地方，如时间序列模型适合于线性时序的预测，当预测非线性时序准确性较差；神经网络具有逼近非线性的能力，然而当用神经网络来对短时交通信息预测时，其结果不是很理想。根据城市交通系统满足耗散系统的特性，利用基于时间序列重构的混沌时间序列自适应预测法，很好的满足非线性的复杂系统。

已公开的中国发明专利CN1967622A，提出了一种城市道路交通流预测及交通信息诱导系统，利用交通信息综合平台实现交通流数据的分析、融合和预测，并通过信息发布系统发布交通信息。该发明采用神经网络算法与非参数回归模型法相结合的交通信息预测算法。但是，所述的交通信息预测方法存在两个问题：(1)交通数据来源的可靠性问题。交通流数据的可靠性对于交通信息预测具有举足轻重的作用，然而获得的交通信息往往含有错误和丢失数据，所以使用不加以识别和修复的交通信息数据，从而存在降低了模型预测可靠性的问题。(2)交通信息预测模型的缺陷问题。神经网络模型具有自适应和自学习的优势，但在线更新是一个难点问题，存在具体实施上的问题；非参数回归模型是根据样本相似性，用历史数据中相似样本的均值作为预测值，但是预测的实施和可靠性严重的依赖于完整的历史数据，不适合作为子模型与其他模型进行组合。因此在实际的交通信息预测中会出现较大偏差的问题。

发明内容

因此，本发明正是借鉴上述问题的发明，本发明目的在于提供一种城市快速路短时交通信息预测系统及方法，针对交通数据的不完备问题，利用交通信息融合子系统，采用数据融合算法得到完整的交通信息。针对交通信息预测模型的缺陷问题，采用基于时间序列重构的混沌时间序列自适应预测法，提高了交通信息预测的准确性，从而实现了准确而快速的快速路短时交通信息的预测。

本发明的技术方案是：一种城市快速路短时交通信息预测系统，该系统是基于由交通信息融合子系统、交通信息数学模型预测子系统和交通信息通信与发布子系统构成；

所述的交通信息融合子系统，包括统计交通信息模块和交通检测器，用于将历史统计交通信息数据流和交通检测器实时采集交通信息数据流进行预处理，通过数据融合算法得到融合的交通信息；

所述的交通信息数学模型预测子系统，用于将所述融合后的交通信息，通过交通信息预测的核心算法做出实时的预测，并及时地把预测的交通信息存入数据库；

所述的交通信息通信与发布子系统，包括通信模块和交通信息发布模块，通过通信模块传输预测的交通信息，再利用发布模块把实时预测的交通信息发布出去，使广大用户可以通过广播，互联网，路边可变信息板得到实时预测的交通信息。

进一步的，所述的交通信息通信和发布子系统中所述的发布模块可采用可变信息板或互联网发布交通预测信息。

进一步的，所述的交通信息通信和发布子系统中的所述通信模块采用有线或无线通信方式，或者有线和无线通信方式相结合。

进一步的，所述的交通信息融合子系统的所述交通检测器包括视频检测器、微波传感器和感应线圈检测器。

一种城市快速路短时交通信息预测系统的预测方法，其特征是含有以下步骤：

步骤一、首先从交通流数据库中读取某道路段面某方向距离预测时间点临近的N个交通数据，结合交通检测器采集的实时交通信息，并对数据进行预处理，根据这N个数据在时间-流量-速度所处的区间范围判断数据的完备性，利用数据融合算法对数据进行处理，得到完整的交通信息，最后得到的交通信息输出到采集数据库中；

步骤二、将所述采集数据库中提取融合后相应交通信息数据，交通信息数学模型的建立，采用基于相空间重构的理论思想，及采用时间序列重构算法对数据进行重构，运用平均互信息法计算最佳延迟时间τ，利用G-P算法确定关联维数D和矩阵维数m，得到新的时间序列向量Y(t)，然后构建交通信息混沌矩阵，利用混沌时间序列自适应算法预测未来交通数据并发布，最后进行误差分析，把预测的交通信息存入数据库；

步骤三、最后将预测的交通信息输出到交通信息通信和发布子系统，及时发布预测的短时交通信息。

本发明的优点在于：由于采用上述技术方案，本发明通过数据融合算法对统计交通信息、交通检测器实时采集的交通信息的融合，得到完备的快速路交通信息，采用基于时间序列重构的混沌时间序列自适应预测法对实时交通信息进行预测，能够提高短时交通信息预测的准确性。本发明的成果所具有的特性能够帮助交通管理部门制定交通预测和控制策略，为更大程度上实现城市快速路的准确预测。对于提升我国在城市道路交通流预测领域的研究和应用水平，具有重要的理论意义；对于提高我国城市快速路的管理水平，有效减少交通事故，具有重要的现实意义。

附图说明

图1是本发明一种城市快速路短时交通信息预测系统结构框图。

图2是本发明一种城市快速路短时交通信息预测方法的交通信息数学模型预测子系统的核心算法的时间序列重构一个实例。

图3是本发明一种城市快速路短时交通信息预测方法的交通信息数学模型预测子系统核心算法的流程框图。

图4是本发明一种城市快速路短时交通信息预测方法的交通信息系统用于2分钟预测间隔的过程示意图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

图1一种城市快速路短时交通信息预测系统原理方框图。该系统包括交通信息融合子系统，交通信息数学模型预测子系统，交通信息通信和发布子系统；

交通信息融合子系统，包括统计交通信息模块和交通检测器，用于将历史统计交通信息数据流和交通检测器实时采集交通信息数据流进行预处理，通过数据融合算法得到融合的交通信息；

交通信息数学模型预测子系统，用于将所述融合后的交通信息，通过交通信息预测的核心算法做出实时的预测，并及时地把预测的交通信息存入数据库；

交通信息通信与发布子系统，包括通信模块和交通信息发布模块，通过通信模块传输预测的交通信息，再利用发布模块把实时预测的交通信息发布出去，使广大用户可以通过广播，互联网，路边可变信息板得到实时预测的交通信息。

交通信息融合子系统由统计交通信息和交通检测器实时采集交通信息，融合得到交通信息，并通过有线或无线通讯模块传送至交通信息采集数据库，更新实时交通信息。

首先从交通流数据库中读取某道路段面某方向距离预测时间点临近的N个交通数据，结合交通检测器采集的实时交通信息，并对数据进行预处理，根据这N个数据在时间-流量-速度所处的区间范围判断数据的完备性，利用数据融合算法对数据进行处理，得到完整的交通信息，最后得到的交通信息输出到采集数据库中；

交通信息数学模型的建立，上述的N个数据采用基于相空间重构的理论思想，采用时间序列重构算法对数据进行重构，运用平均互信息法计算最佳延迟时间τ，利用G-P算法确定关联维数D和矩阵维数m，得到新的时间序列向量Y(t)，然后构建交通信息混沌矩阵，利用混沌时间序列自适应算法预测未来交通数据并发布，最后进行误差分析，把预测的交通信息存入数据库；

最后将预测的交通信息输出到交通信息通信和发布子系统，及时发布预测的短时交通信息。

图2描述了一种城市快速路短时交通信息预测的方法的交通信息数学模型预测子系统的核心算法的时间序列重构一个实例。

本文利用相空间重构思想，提出时间序列重构法，首先介绍相空间重构思想。相空间是一个用以表示出系统所有可能状态的空间，系统每个可能的状态都有一相对应的相空间的点。系统的相空间通常具有极大的维数，其中每一点代表了包括系统所有细节的整个物理态(系统每个粒子的位置和动量坐标)。1973年，数学家曼德尔布罗特(B.Mandelbrot)首次提出了分维和分形几何的设想。1980年Packard等人提出了相空间重构法，1981年Tankens给出了理论证明并形成了Takens定理。其基本思想是：系统中任一分量的演化都是由与之相互作用着的其他分量所决定的，这使人们可以根据系统一个变量的时间序列去研究系统的动力学性质。

交通时间序列最佳延迟时间τ是时间移动值，表示两时刻(t，t+τ)交通过程的相互关联程度，本发明选用τ为1。一般的相空间重构法在重构交通信息序列时主要根据交通信息关联程度的关系来求取τ值，本发明在预测交通信息时主要根据交通信息时间序列在时间关系中的临近度来分析预测，重构时τ值取值优先为值小的数，本实例中选取τ为1。

分形的自相似结构往往表现在统计意义上，而非线性系统的相空间可能维数颇高，甚至无穷，有时还不清楚维数是多少，而吸引子的维数一般都低于相空间维数。对时间序列x₁，x₂，...，x_n构造一批m维矢量，支起一个矩阵空间。根据Takens定理，找到一个合适的矩阵维数m，使m≥2d+1(其中d为动力系统的维数)就能恢复混沌吸引子。m的选取同样要适用，m取值太小，吸引子不能完全被展开，m取值太大，对计算吸引子不变量等参数带为大量不必要的计算。采用Grassberger和Procaccia提出的通过计算关联积分从而得到关联维D的方法(G-P算法)来计算近似分维。

根据τ和m的值对与预测点临近的n个交通数据x₁，x₂，...，x_n运用时间序列重构法进行重构，得到的数列如图3所示。

X(1)＝[x(1)，x(2)，…，x(1+(m-1)τ)]                    (1)

X(2)＝[x(2)，x(3)，…，x(2+(m-1)τ)]                    (2)

X(k)＝[x(k)，x(k+1)，…，x(k+(m-1)τ)]                  (3)

图3所示为一种城市快速路短时交通信息预测的方法的流程图。

具体的预测步骤为：

(1)利用融合交通信息，建立交通流时间序列；

(2)利用平均互信息法计算最佳延迟时间τ，利用G-P算法确定关联维数D和矩阵维数m；将序列{x₁，x₂，x₃，...，x_n}进行转化：

X(k)、X(k+1)，X(k+2)，如式(4)、(5)、(6)所示；

$X\left(k\right)=\left[\begin{array}{cccc}x\left(1\right)& x\left(2\right)& ...& x(1+(m-1)\mathrm{\τ})\\ x\left(2\right)& x\left(3\right)& ...& x(2+(m-1)\mathrm{\τ})\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ x\left(k\right)& x(k+1)& ...& x(k+(m-1)\mathrm{\τ})\end{array}\right]---\left(4\right)$

$X(k+1)=\left[\begin{array}{cccc}x\left(2\right)& x\left(3\right)& ...& x(2+(m-1)\mathrm{\τ})\\ x\left(3\right)& x\left(4\right)& ...& x(3+(m-1)\mathrm{\τ})\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ x(k+1)& x(k+2)& ...& x((k+1)+(m-1)\mathrm{\τ})\end{array}\right]---\left(5\right)$

$X(k+2)=\left[\begin{array}{cccc}x\left(3\right)& x\left(4\right)& ...& x(3+(m-1)\mathrm{\τ})\\ x\left(4\right)& x\left(5\right)& ...& x(4+(m-1)\mathrm{\τ})\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ x(k+2)& x(k+3)& ...& x((k+2)+(m-1)\mathrm{\τ})\end{array}\right]---\left(6\right)$

其中

k＝n-1-(m-1)τ                            (7)

(3)寻找最近邻点，在时间序列中，通过计算各点与x(N-(m-1)k)之间的欧式距离找出x(N-(m-1)τ)的最近邻点。

(4)求取X(k+1)，在X(k)的邻域中拟合，计算

X(k+1)＝A+X(k)B                           (8)

(5)求出A、B矩阵，代入

X(k+2)＝A+X(k+1)B                         (9)得出X(k+2)的值，从而得出未知预测点x((k+2)+(m-1)τ)的值即为预测值。

图4是本发明一种城市快速路短时交通信息预测的方法的交通信息数学模型预测子系统用于2分钟间隔以上的交通预测的过程示意图。由于交通信息融合子系统的交通信息采集间隔为2分钟，当预测2分钟间隔以上的交通信息时，可采用循环预测的方法，即将第一次预测的值作为已知数据代入，预测下一个未知点的值，以得到相对间隔较长时的预测信息。或者可将输入数据进行相应预测间隔的计算，以求取新的预测间隔的预测值。

Claims (5)

1.一种城市快速路短时交通信息预测系统，该系统是基于由交通信息融合子系统、交通信息数学模型预测子系统和交通信息通信与发布子系统构成；其特征在于：

所述的交通信息融合子系统，包括统计交通信息模块和交通检测器检测，用于将历史统计交通信息数据流和交通检测器实时采集交通信息数据流进行预处理，通过数据融合算法得到融合的交通信息；

所述的交通信息数学模型预测子系统，用于将所述融合后的交通信息，通过交通信息预测的核心算法做出短时实时的预测，并及时地把预测的交通信息存入数据库；

所述的交通信息通信与发布子系统，包括通信模块和交通信息发布模块，通过通信模块传输预测的交通信息，再利用发布模块把实时预测的交通信息发布出去，使广大用户可以通过广播，互联网，路边可变信息板得到实时预测的交通信息。

2.根据权利要求1所述的城市快速路短时交通信息预测系统，其特征在于：所述统计交通信息模块和所述交通检测器检测还对采集的交通信息进行去除噪声的预处理。

3.根据权利要求1所述的城市快速路短时交通信息预测系统，其特征在于：所述交通检测器包括视频检测器、微波传感器和感应线圈检测器。

4.根据权利要求1所述的交通信息通信与发布子系统，其特征在于：所述的交通信息通信与发布子系统，采用可变信息板发布交通预测信息或互联网发布交通预测信息；所述通信模块采用有线和或无线通信。

5.根据权利要求1所述的城市快速路短时交通信息预测系统的预测方法，其特征在于，包括以下步骤：

步骤一、首先从交通流数据库中读取某道路段面某方向距离预测时间点临近的N个交通数据，结合交通检测器采集的实时交通信息，并对数据进行预处理，根据这N个数据在时间-流量-速度所处的区间范围判断数据的完备性，利用数据融合算法对数据进行处理，得到完整的交通信息，最后得到的交通信息输出到采集数据库中；

步骤二、将所述采集数据库中提取融合后相应交通信息数据，交通信息数学模型的建立，采用基于相空间重构的理论思想，及采用时间序列重构算法对数据进行重构，运用平均互信息法计算最佳延迟时间τ，利用G-P算法确定关联维数D和矩阵维数m，得到新的时间序列向量Y(t)，然后构建交通信息混沌矩阵，利用混沌时间序列自适应算法预测未来交通数据并发布，最后进行误差分析，把预测的交通信息序列自适应算法预测未来交通数据并发布，最后进行误差分析，把预测的交通信息存入数据库；

步骤三、最后将预测的交通信息输出到交通信息通信和发布子系统，及时发布预测的短时交通信息。

Images