CN102682596A - 基于混沌理论的交通信息预测方法 - Google Patents
基于混沌理论的交通信息预测方法 Download PDFInfo
- Publication number
- CN102682596A CN102682596A CN2012101564125A CN201210156412A CN102682596A CN 102682596 A CN102682596 A CN 102682596A CN 2012101564125 A CN2012101564125 A CN 2012101564125A CN 201210156412 A CN201210156412 A CN 201210156412A CN 102682596 A CN102682596 A CN 102682596A
- Authority
- CN
- China
- Prior art keywords
- phase space
- point
- traffic
- calculating
- traffic information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于本发明属于智能交通领域,涉及一种基于混沌理论的交通信息预测方法,包括:构建针对于某一路段的交通实时速度的时间序列;通过Lyapunov指数计算的方法,求得最大的Lyapunov指数λ2,根据G-P算法计算出时间序列的关联维度,得到重构相空间;在重构的相空间中,以相空间里的最后一个点为预报中心点,通过计算相空间中各个点之间的欧氏距离,选取相空间中与其最近的邻点;建立预报公式;得到所预测的速度值。本发明充分利用历史数据对未来进行预测估计,可得到较好的预测效果,能够对智能交通分析和管理起到重要的作用。
Description
技术领域
本发明属于智能交通领域,可应用于城市智能交通管理系统中关于未来交通情况预测等方面。
背景技术
随着我国经济技术不断发展,交通状况不断复杂,我们致力于通过对交通状况的演技和预测来致力于智能管理繁杂的交通。本发明主要将目前在迅速发展的混沌理论的相关方法与智能交通研究相结合,实现一种能够实现交通信息预测的方法。
混沌是指在确定性系统中出现的一种貌似无规则的、类似随机的现象。混沌运动是确定性系统中局限于有限空间的轨道高度不稳当的运动。所谓高度不稳定,是指相邻的轨道会随着时间的推移而呈现指数形式的分离。由于这种不稳定,系统给的长时间行为会显示出某种混乱性。显而易见,交通系统是一个十分复杂的大系统,组成系统给的各个方面之间存在复杂的非线性关系,在交通行为中必然导致混沌现象的产生。例如,道路上车辆的行驶、拥挤程度、天气情况、司机驾驶习惯等诸多因素的印象,必然形成一个混沌的系统。而混沌理论(Chaos theory)是一种兼具质性思考与量化分析的方法,用以探讨动态系统中(如:人口移动、化学反应、气象变化、社会行为等)无法用单一的数据关系,而必须用整体、连续的数据关系才能加以解释及预测之行为。由此,我们可以充分利用已经存在的理论基础,对交通系统进行参数的预测。
发明内容
本发明的目的是将混沌理论应用在交通系统中,构建一种能够通过历史数据量预测未来时间的交通速度的方法,具体包括以下步骤:
(1)采集某个路段的交通流数据,并构建针对于某一路段的交通实时速度的时间序列,表示为{x(t),t=1,2,……,N};
(2)对于时间序列{x(t),t=1,2,……,N},通过Lyapunov指数计算的方法,求得最大的Lyapunov指数λ1,以确定所研究对象是否为混沌系统;若是,继续下列步骤,否则,终止本次交通信息预测;
(3)根据G-P算法计算出时间序列的关联维度d,取时间间隔τ,再通过Takens定理选取嵌入维数m≥2d+1,得到重构相空间为:
Y(t)=(x(t),x(t+τ),……,x(t+(m+1)τ))∈Rm,t=1,2,……,M,其中M为重构相空间中点的个数,M=N-(m-1)τ;
(4)在重构的相空间中,以相空间里的最后一个点YM为预报中心点,通过计算相空间中各个点之间的欧氏距离,选取相空间中与YM最近的邻点Yk;
(5)建立预报公式:其中YM+1为未知量,λ1,||Yk-Yk+1||为距离YM的欧氏距离最近的点Yk与其下一个点的距离;
(6)在计算得到YM+1后,从YM+1中分离出最后一个分量,即可得到所预测的速度值。
本发明将混论理论中的相关成果用于明显为混沌系统的交通方面,从一个整体的系统的角度对其进行分析,可以充分利用历史数据对未来进行预测估计,并且此方法可以使用于多个方面的参数预测,并得到较好的预测效果,能够对智能交通分析和管理起到重要的作用。
具体实施方案
本发明的具体实施方案为以下几个步骤:
(1)数据准备:
我们已经得到了按照每一个小时分布的一个路段上的车辆的平均速度,以此构建一个时间序列{x(t),t=1,2,……,N}。
(2)计算最大的Lyapunov指数λ1:
Lyapunov指数是混沌系统的重要的特征量之一,能够描述混沌系统的本质属性。混沌系统的基本特点是运动对初值极为敏感。两个很接近的初值所产生的轨道,随时间的推移按指数方式分离,Lyapunov指数就是定量描述这种分离的量。如果通过计算得到最大的Lyapunov指数λ1>0,则可判定所研究系统为混沌系统,如果最大的Lyapunov指数λ1≤0,则系统为规则运动系统。
在这里,我们使用小数据量方法来计算得到最大的Lyapunov指数λ1,具体步骤如下:
1)对于时间序列x1,x2,……,xk,……(k=1,2,……,N)进行傅里叶变换,计算出时间延迟τ和平均周期P。
2)根据G-P算法计算得到关联维数d,由m≥2d+1选择最佳的m,根据τ和m重构相空间{Yj,j=1,2,…,M}。
4)对相空间中的每个点Yj,计算出它与邻点经过i步迭代后的距离,即:
5)对于每个i,计算出所有的ln dj(i)的平均,即:
6)使用最小二乘法做出回归直线,回归直线的斜率就是最大的Lyapunov指数。(3)重构相空间:
在连续动力系统中,用一组一届微分方程来描述其运动行为,以状态变量(或状态向量)为坐标轴的空间构成系统的相空间。系统的一个状态用相空间的一个点表示,通过该点有唯一的一条积分曲线。
混沌时间序列预测的基础是状态空间的重构理论,即把具有混沌特性的时间序列重建为一种低阶非线性动力学系统。相空间重构是非线性时间序列分析的重要步骤。
首先利用G-P算法计算得到关联维数d,主要步骤如下:
1)对于时间序列x1,x2,……,xn,……,先给出一个比较小的值m0,对应一个重构的相空间。
2)计算关联函数: 其中
|Y(ti)-Y(tj)|表示点Y(ti)与Y(tj)之间的距离,θ(z)是Heaviside函数,C(r)是一个累积分布函数,表示空间中两点之间距离小于r的概率。
3)对于r的某个适当范围,维数d与累积分布函数C(r)应满足对数线性关系,即d(m)=lnC(r)/lnr。
4)增加嵌入维数m1>m0,重复步骤2)和3),知道相应的维数d(m)不再随着m增长而在一定的误差范围内不变为止。此时得到的d即为所求的关联维数。
然后通过Takens定理选取嵌入维数m≥2d+1,得到重构相空间为:
Y(t)=(x(t),x(t+τ),……,x(t+(m+1)τ))∈Rm,t=1,2,……,M,
其中M为重构相空间中点的个数,M=N-(m-1)τ。
(4)选取点YM为预测中心点,通过计算点与点之间的欧氏距离,选取相空间中与点YM最近的邻点Yk,将两点之间的距离记作:
dM(0)=mini||YM-Yi||=||YM-Yk||。
(5)由上述结果建立预报公式:
(6)如此,重复以上方法的步骤,便可得到未来时间段的预测估计值。
Claims (1)
1.一种基于混沌理论的交通信息预测方法,包括下列步骤:
(1)采集某个路段的交通流数据,并构建针对于某一路段的交通实时速度的时间序列,表示为{x(t),t=1,2,……,N};
(2)对于时间序列{x(t),t=1,2,……,N},通过Lyapunov指数计算的方法,求得最大的Lyapunov指数λ1,以确定所研究对象是否为混沌系统;若是,继续下列步骤,否则,终止本次交通信息预测;
(3)根据G-P算法计算出时间序列的关联维度d,取时间间隔τ,再通过Takens定理选取嵌入维数m≥2d+1,得到重构相空间为:
Y(t)=(x(t),x(t+τ),……,x(t+(m+1)τ))∈Rm,t=1,2,……,M,
其中M为重构相空间中点的个数,M=N-(m-1)τ;
(4)在重构的相空间中,以相空间里的最后一个点YM为预报中心点,通过计算相空间中各个点之间的欧氏距离,选取相空间中与YM最近的邻点Yk;
(5)建立预报公式:其中YM+1为未知量,λ1,
||Yk-Yk+1||为距离YM的欧氏距离最近的点Yk与其下一个点的距离;
(6)在计算得到YM+1后,从YM+1中分离出最后一个分量,即可得到所预测的速度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210156412.5A CN102682596B (zh) | 2012-05-17 | 2012-05-17 | 基于混沌理论的交通信息预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210156412.5A CN102682596B (zh) | 2012-05-17 | 2012-05-17 | 基于混沌理论的交通信息预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102682596A true CN102682596A (zh) | 2012-09-19 |
CN102682596B CN102682596B (zh) | 2014-08-27 |
Family
ID=46814441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210156412.5A Expired - Fee Related CN102682596B (zh) | 2012-05-17 | 2012-05-17 | 基于混沌理论的交通信息预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102682596B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260793A (zh) * | 2015-10-09 | 2016-01-20 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种巷道围岩变形实时预测方法 |
CN114973699A (zh) * | 2022-05-10 | 2022-08-30 | 阿波罗智联(北京)科技有限公司 | 交通控制信号的生成方法、边缘计算单元和路侧单元 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2007013317A (es) * | 2007-10-25 | 2009-04-27 | Pedro Antonio Gongora Mejia | Aparato y método para operar el transporte público. |
CN101853573A (zh) * | 2010-05-19 | 2010-10-06 | 北京科技大学 | 一种城市快速路短时交通信息预测系统及方法 |
-
2012
- 2012-05-17 CN CN201210156412.5A patent/CN102682596B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2007013317A (es) * | 2007-10-25 | 2009-04-27 | Pedro Antonio Gongora Mejia | Aparato y método para operar el transporte público. |
CN101853573A (zh) * | 2010-05-19 | 2010-10-06 | 北京科技大学 | 一种城市快速路短时交通信息预测系统及方法 |
Non-Patent Citations (3)
Title |
---|
刘力军,马红霞: "混沌理论在交通领域中的应用前景初探", 《江西师范大学学报(自然科学版)》 * |
董春娇,邵春福,李娟: "基于混沌分析的道路网交通流短时预测", 《系统工程学报》 * |
蒋海峰,马瑞军,魏学业: "一种基于小数据量的快速识别短时交通流混沌特性的方法", 《铁道学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260793A (zh) * | 2015-10-09 | 2016-01-20 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种巷道围岩变形实时预测方法 |
CN105260793B (zh) * | 2015-10-09 | 2019-03-12 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种巷道围岩变形实时预测方法 |
CN114973699A (zh) * | 2022-05-10 | 2022-08-30 | 阿波罗智联(北京)科技有限公司 | 交通控制信号的生成方法、边缘计算单元和路侧单元 |
Also Published As
Publication number | Publication date |
---|---|
CN102682596B (zh) | 2014-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hou et al. | An adaptive hybrid model for short-term urban traffic flow prediction | |
Yang et al. | Ensemble learning for short‐term traffic prediction based on gradient boosting machine | |
CN102867407B (zh) | 一种停车场有效泊位占有率多步预测方法 | |
Zhang et al. | A Bayesian model averaging method for the derivation of reservoir operating rules | |
CN103177589B (zh) | 基于演化博弈的交通信号周期自适应控制方法 | |
CN103903430A (zh) | 一种采用多源同构数据的行程时间动态融合预测方法 | |
CN105512767A (zh) | 一种多预见期的洪水预报方法 | |
CN104900063B (zh) | 一种短程行驶时间预测方法 | |
WO2007103123A3 (en) | Dynamic time series prediction of future traffic conditions | |
CN101853573A (zh) | 一种城市快速路短时交通信息预测系统及方法 | |
CN102610092A (zh) | 基于rbf神经网络城市道路速度预测方法 | |
CN112905379B (zh) | 基于自我注意力机制的图自编码器的交通大数据修复方法 | |
Yu et al. | Bus travel-time prediction based on bus speed | |
CN103745602B (zh) | 一种基于滑窗平均的交通流量预测方法 | |
CN104318303A (zh) | 遗传算法优化的rbf神经网络的焦化炉温度预测方法 | |
CN102682596B (zh) | 基于混沌理论的交通信息预测方法 | |
Wang et al. | A fuzzy time series forecasting model based on yearly difference of the student enrollment number | |
Duan et al. | Forecasting the Short‐Term Traffic Flow in the Intelligent Transportation System Based on an Inertia Nonhomogenous Discrete Gray Model | |
Korkmaz et al. | Delay estimation models for signalized intersections using differential evolution algorithm | |
Gao et al. | Multi-link traffic flow forecasting using neural networks | |
CN110322693B (zh) | 一种交通数据补全方法、系统、设备及介质 | |
Deng et al. | A coevolutionary algorithm for cooperative platoon formation of connected and automated vehicles | |
Xiang-xue et al. | Short-term Traffic Flow Prediction Based on Deep Learning | |
Jintamuttha et al. | Dynamic traffic light timing optimization model using bat algorithm | |
Tang et al. | Traffic flow prediction based on hybrid model using double exponential smoothing and support vector machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140827 Termination date: 20210517 |