CN102568205A - 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法 - Google Patents

Abstract

一种非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法，涉及交通信息技术领域，结合经验模态分解EMD这种处理数据序列的方法，首先将非常态事件下非平稳的交通参数数据序列分解成平稳的、多尺度特征的本征模态函数分量IMF，然后基于EMD滤波特性构造滤波器组，将IMF分量重组为高、中和低频滤波三类，再根据每组IMF的不同特点分别使用灰色理论、卡尔曼滤波和自回归滑动平均模型进行预测，然后将各部分结果累加生成下一时段交通参数的实时预测结果，最后根据实时的交通参数预测数据和非常态下历史数据进行多步预测，得到交通参数最终的预测结果及未来发展趋势。本发明对于非常态事件下的交通参数以及未来变化趋势具有更好的预测能力。

Description

非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法

技术领域

本发明涉及交通信息技术领域，特别涉及一种非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法。

背景技术

短时交通参数预测是智能交通系统建设中的核心问题之一，它为先进的交通管理系统(ATMS)制定主动型交通控制策略以及交通出行信息系统(ATIS)进行实时路径诱导提供了基础条件。

交通参数预测是指在时刻t，对下一决策时刻t+Δt乃至以后若干时刻的交通参数做出实时预测。一般认为t到t+Δt的预测时间跨度不超过15min的预测为短时交通参数预测。交通参数预测的结果可以直接送到交通信息系统和交通管理系统中，给出行者提供实时有效的信息，帮助他们更好的进行路径选择，实现路径诱导，以缩短出行时间，减少交通拥堵。

就目前来说，我们进行短时交通参数预测大致有因果分析预测、趋势分析预测和智能模型预测三大类定量分析方法，每大类里面包含许多小类，例如历史平均法、线性回归模型；时间序列法、卡尔曼滤波法；非参数回归模型、人工神经网络模型等。历史平均法研究较早但精度较差；线性回归模型算法简单但适用性差，未能反映交通流的不确定性和非线性，无法克服随机干扰；卡尔曼滤波法为线性模型，在预测非线性、不确定性的交通流时，性能变差，且每次计算都要调整权值，计算量过大；非参数回归模型算法简单清晰，预测精度高误差小，有较强的时间强壮性，应付非线性和不确定性变化的能力强，但需要大量的流量数据来建立样本数据库，邻域规模的确定没有统一的方法；人工神经网络模型可以识别复杂非线性系统，不需要经验公式，但可转移性差，隐层节点数的确立没有统一方法，只能凭经验试凑，且存在局部极小，收敛速度慢，难以实现在线调节。现在的发展趋势是将这些方法恰当地组合起来应用，即组合预测方法。

但在非常态事件条件下，道路交通参数因为其成因的不确定性、发生时间和地点的随机性，表现为交通流量、行程时间等交通参数的变化在事件发生之后呈现出不连续状态，并且随着事件的严重程度有较大差异，其巨大的破坏性也直接导致了历史数据的匮乏。而以上所述的各种方法，均无法同时满足预测精度、适用性和大量历史数据的要求。

发明内容

本发明目的是针对目前存在的交通参数时间序列预测技术没有考虑到非常态事件下交通参数时间序列的非平稳特性特点，提供一种非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法，对交通参数时间序列进行平稳化处理，再重组分类根据各类滤波特点分别使用灰色理论、卡尔曼滤波和自回归滑动平均进行预测，以提高复杂交通参数时间序列的预测准确率。

本发明为实现上述目的，采用如下技术方案，具体包括以下几个步骤：

1.经验模态分解：将已经预处理的交通参数时间序列用EMD算法分解，得出n个IMF分量和一个趋势分量，其中n为大于1的自然数；

2.IMF分量重组分类：基于EMD滤波特性构造滤波器组，步骤1所述分解后的IMF分量呈现由高频向低频的筛选过程，将IMF分量分成高频滤波、中频滤波和低频滤波三部分；

3.针对不同频率的滤波分类预测：

(1)对高频滤波部分，使用灰色理论进行预测；

(2)对中频滤波部分，使用卡尔曼滤波进行预测；

(3)对低频滤波部分，使用自回归滑动平均进行预测。

4.结果累加：将步骤3所述的包含三部分不同特征的预测结果累加，得到下一时段实时交通参数预测结果；

5.结合历史数据库进行多步预测：结合步骤4所述的下一时段实时交通参数结果和非常态事件下历史数据库进行多步预测，得到更精确的交通参数预测结果和交通参数的未来发展趋势。

步骤1所述的经验模态分解算法EMD，在分解的筛选过程中，采用设置两个连续的迭代结果之间的标准差SD的大小取0.3。

步骤1所述的n个IMF分量和一个趋势分量中，第一个IMF分量对应随机成分，第一至第n个IMF分量对应周期成分，趋势分量即残差r_n对应趋势成分。

步骤2所述的IMF分量分类重组，取前面几个较高频率的IMF分量作为高频滤波，取后面几个较低频率的IMF分量及残差作为低频滤波，其余中间几个一般频率的IMF分量作为中频滤波。

步骤5所述的多步预测过程中，选取非常态事件下历史数据库中与预测的交通参数具有相同变化趋势的时间序列数据，作为预测实时交通参数变化趋势的基础，然后使用历史数据和实时预测数据对未来多个时段的交通参数进行短时多步预测，得到最终的下一时段实时交通参数预测结果和未来发展趋势。

本发明针对非常态事件下交通状态的实际特点提出了新的预测方法。根据交通参数时间序列的非线性、非平稳特性，首先利用经验模态分解技术对时间序列进行平稳化处理，在保留时间序列本身特征的基础上减少序列间的干扰或耦合信息；再基于EMD滤波特性构造滤波器组，将分解的分量重组分类为高频滤波中频滤波和低频滤波，并根据各类别的不同特点分别使用了灰色理论、卡尔曼滤波和自回归滑动平均等方法，能够更准确地得到相应的交通参数预测值；将各组结果累加之后结合非常态事件下历史数据进行多步预测，得到最终的下一时段实时交通参数结果和未来发展趋势，进一步提高交通参数预测的精确度。

附图说明

图1是基于经验模态分解和灰色理论、卡尔曼滤波、自回归滑动平均模型及多步预测模型的交通流量预测方法流程图；

图2是对交通流量时间序列进行经验模态分解的具体处理流程图；

图3是对交通流量时间序列进行经验模态分解的结果图，包括4个IMF分量和一个趋势分量；

图4是使用灰色理论预测交通流量的流程图；

图5是使用卡尔曼滤波预测交通流量的流程图；

图6是使用自回归滑动平均方法预测交通流量的流程图；

图7是使用基于实时交通信息的交通参数短时预测方法的交通流量预测值同实测值的比较。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

本发明基于经验模态分解这种处理序列数据的方法，首先将非平稳、非线性的数据序列分解成若干个代表一组特征尺度的新数据序列，先将原始数据序列分解为各种不同特征波形的叠加。其中关键的一步是通过信号的极值点拟合信号包络线，本发明采用的是应用最广泛的三次样条插值函数法。

如图1所示，本发明实例包括如下步骤：

步骤1经验模态分解。将输入的交通参数时间序列，通过经验模态分解算法进行多时间尺度分解，得到若干个本征模态函数分量(IMF)和一个趋势分量。时间序列一般包含随机成分、周期成分和趋势成分，一般来说交通参数时间序列中随机成分对应一些非常态事件或噪声，周期成分对应交通参数变化周期，而趋势成分则对应长期大的变化规律。经过EMD分解，原序列被分解成若干个IMF分量和一个趋势分量，IMF₁(第一个分量)对应随机成分，IMF₂，IMF₃，……IMF_n等对应各周期成分，残差r_n对应趋势成分。并且IMF₁的振幅最大，波长最短，平稳性最差，随着分解次数的增加，分量的非平稳行为逐渐减小，并且不同分量代表序列在不同时间周期上的波动规律，更能准确反映原序列的变化，并保留原序列的本身特征；

如图2所示，经验模态分解的处理流程，具体包括以下步骤：

(1)用序列x(t)代表交通参数时间序列，t为时间，初始化令r(t)＝x(t)。

(2)令h(t)＝r(t)，开始在中进行提取IMF分量的迭代操作。

(3)找出序列h(t)中所有的局部极大值点和极小值点。

(4)对所有的极大值和极小值点，通过三次样条插值法形成上包络线e₊(t)和下包络线e_-(t)，使h(t)满足e_-(t)＜h(t)＜e₊(t)。

(5)计算上下包络线的算术平均值

(6)从h(t)中减去m_k(t)，即h_k+1(t)＝h_k(t)-m_k(t)。

(7)判断h_k(t)是否已满足成为IMF分量的判定条件，包括以下三点：

①极值点数和过零点数一致或者至多相差一个；

②上下包络线的算术平均值接近于0；

③限制两次连续的处理结果之间的标准差SD的取值在0.2～0.3之间，其由

$\mathrm{SD}=\underset{t=0}{\overset{T}{\mathrm{\Σ}}}\frac{{[h_{(k-1)}\left(t\right)-h_{\left(k\right)}\left(t\right)]}^2}{h_{(k-1)}^2\left(t\right)}$

其中，h_(k-1)(t)和h_(k)(t)是在步骤3至步骤6中连续两次的处理结果，k代表这一过程的处理次数。SD的取值范围通常限制在0.2～0.3之间，这里取0.3。

若同时满足上述三个条件，执行步骤8，否则返回继续执行步骤3。

(8)成功提取一个IMF分量，即c_i(t)＝h_k(t)

(9从r(t)中减去提取的IMF分量，即r_k+1(t)＝r_k(t)-c_k+1(t)，并执行步骤10判断余量是否为单调函数或是常量，是则执行步骤10，否则执行2。

(10)此时所有的IMF分量都被提取出，剩余的x(t)则表现为一个单调或近似单调的趋势项，称为趋势分量r_n(t)。时间序列x(t)实现经验模态分解，即

$x\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i\left(t\right)+r_n\left(t\right)$

步骤2IMF分量重组分类。基于EMD滤波特性构造滤波器组，其分解的IMF分量呈现由高频向低频的筛选过程，将IMF分量分成高频滤波、中频滤波和低频滤波三部分，分类结果如下：

(1)取分解得到的前面几个较高频率的IMF分量作为高频滤波；

(2)取分解得到的中间几个一般频率的IMF分量作为中频滤波；

(3)取分解得到的后面几个较低频率的IMF分量和最后一个趋势项作为低频滤波；

步骤3针对不同频率的滤波分类预测。

(1)如图3所示对高频滤波部分，使用灰色理论进行预测，得到结果S_a(t+1)。

(2)如图4所示对中频滤波部分，使用卡尔曼滤波进行预测，得到结果S_b(t+1)。

(3)如图5所示对低频滤波部分，使用自回归滑动平均进行预测，得到结果S_c(t+1)。

步骤4结果累加。对步骤3高频、中频、低频三部分各自预测的结果累加，得到下一时段交通参数的实时预测结果s(t+1)。

s(t+1)＝S_a(t+1)+S_b(t+1)+S_c(t+1)

步骤5多步预测。将步骤4得到的下一时段交通参数的实时预测结果s(t+1)，结合非常态事件下的历史数据S′(t+1)，进行多步预测得到最终的下一时段的交通参数的结果

$\stackrel{\‾}{s}(t+1)=\mathrm{\αs}(t+1)+(1-\mathrm{\α})S^{\′}(t+1)$

式中，α为加权系数，α的大小实际上体现了当前的交通信息和历史数据信息在预测中所占的比重。α值越大，当前实测的交通信息所占的比重就愈大，反之则相反。

Claims (8)

1.一种非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法，其特征在于，包括以下步骤：

(1)经验模态本征分解：将已经预处理的交通参数时间序列用EMD算法分解，得出n个IMF分量和一个趋势分量，其中n为大于1的自然数；

(2)IMF分量重组分类：基于EMD滤波特性构造滤波器组，分解后的IMF分量呈现由高频向低频的筛选过程，将IMF分量分成高频滤波、中频滤波和低频滤波三部分；

(3)分类预测：针对高频、中频、低频三类不同频率滤波的特点分别使用灰色理论、卡尔曼滤波和自回归滑动平均进行预测；

(4)结果累加：将步骤(3)所述的三部分结果累加得到下一时段实时的交通参数预测结果。

(5)多步预测：对步骤(4)所述的累加结果和非常态事件下历史数据库中的相似的时间序列分配权重，得到最终的交通参数预测结果和交通参数的未来发展趋势。

2.根据权利要求1所述的非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法，其特征在于：步骤(1)所述的经验模态分解算法EMD，在分解的筛选过程中，采用设置两个连续的迭代结果之间的标准差SD，SD的大小取0.3。

3.根据权利要求1所述的非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法，其特征在于：步骤(1)所述的经验模态分解算法分解得到n个IMF分量和一个趋势分量，第一个IMF分量对应随机成分，第一至第n个IMF分量对应周期成分，趋势分量即残差r_n对应趋势成分。

4.根据权利要求1所述的非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法，其特征在于：步骤(2)所述的IMF分量重组分类过程中，前面几个较高频率的IMF分量作为高频滤波，最后一个趋势项连同后面几个较低频率的IMF分量作为低频滤波，中间几个一般频率的IMF分量作为中频滤波。

5.根据权利要求1或4所述的非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法，其特征在于：高频滤波部分使用灰色理论进行预测。

6.根据权利要求1或4所述的非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法，其特征在于：中频滤波部分使用卡尔曼滤波进行预测。

7.根据权利要求1或4所述的非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法，其特征在于：低频滤波部分使用自回归滑动平均进行预测。

8.根据权利要求1所述的非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法，其特征在于：步骤(5)所述的多步预测过程中，将步骤(4)累加得到的下一时段实时交通参数预测结果和非常态事件下历史数据库中提取的相似交通参数时间序列，分别分配权重α和1-α，同时尽量选择小一点的α值。

Images