CN102693633B - 一种短时交通流加权组合预测方法 - Google Patents

一种短时交通流加权组合预测方法 Download PDF

Info

Publication number
CN102693633B
CN102693633B CN201210186056.1A CN201210186056A CN102693633B CN 102693633 B CN102693633 B CN 102693633B CN 201210186056 A CN201210186056 A CN 201210186056A CN 102693633 B CN102693633 B CN 102693633B
Authority
CN
China
Prior art keywords
traffic flow
neural network
fuzzy neural
period
historical data
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.)
Expired - Fee Related
Application number
CN201210186056.1A
Other languages
English (en)
Other versions
CN102693633A (zh
Inventor
吴汉
王宁
沈国江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201210186056.1A priority Critical patent/CN102693633B/zh
Publication of CN102693633A publication Critical patent/CN102693633A/zh
Application granted granted Critical
Publication of CN102693633B publication Critical patent/CN102693633B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种短时交通流加权组合预测方法。包括如下步骤：（1）利用动态聚类算法组织交通流历史数据；（2）运用改进的
Figure 2012101860561100004DEST_PATH_IMAGE001
近邻非参数回归方法进行短时交通流预测；（3）将历史数据库中与当前点最相似的类作为模糊神经网络的训练样本，并运用模糊神经网络模型进行短时交通流预测；（4）根据改进的
Figure 311515DEST_PATH_IMAGE001
近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果。本发明考虑了过去时段的交通流和上游路口相关转向的交通流、优化了模糊神经网络的训练样本，并且采用加权组合的方式输出最终的预测结果，提高了短时交通流预测的准确性与实时性。

Description

一种短时交通流加权组合预测方法
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加权组合预测方法。
背景技术
近年来，随着社会经济的发展、机动车辆的迅猛增加，城市交通问题日益严重，交通压力越来越大。在这样的现实条件下，智能交通系统得以蓬勃发展。智能交通系统主要是为了实现在大范围内，对交通运输进行全方位、实时、准确、高效的诱导和控制。根据当前的交通流量对下一时段交通流量进行预测是动态交通诱导的前提和基础，有了精度较高的实时交通流量信息，才能进一步运用现代通讯技术、计算机技术等为出行者提供最佳的行驶路线，达到网路畅通、高效运行的目的。为交通诱导与控制服务的交通流预测属于短时交通流预测，预测时间一般小于15分钟。
根据预测模型参数来分类，可分为基于参数模型方法和非参数模型方法。参数模型是指预测对象的数学模型能用有限个实参加以描述，否则为非参数模型。参数模型主要有历史平均模型、                                                
Figure 2012101860561100002DEST_PATH_IMAGE001
系列模型、卡尔曼滤波模型等；非参数模型包括神经网络、非参数回归、谱分析法、基于小波分解与重构的方法等。
目前单一的短时交通流预测方法都要求独特的信息特征和特定的适用条件，致使单一的预测模型对复杂的交通流量预测精度不高，并且在预测之前往往需要进行大量的分析判断来选择最佳方法。一些组合的短时交通流预测方法往往不能同时兼顾预测的准确性与实时性，虽然这其中的一些组合方法在一定程度上提高预测精度，但是其算法复杂、计算量较大，不利于进行实时交通流预测。
发明内容
本发明的目的是提供一种短时交通流加权组合预测方法，以提高短时交通流预测的准确性与实时性。
短时交通流加权组合预测方法包括以下步骤：
（1）利用动态聚类算法组织交通流历史数据，将历史数据分为多个类，每个类都有一个聚类中心；
   （2）运用改进的
Figure 883419DEST_PATH_IMAGE002
近邻非参数回归方法进行短时交通流预测：用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度；预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，并得出
Figure 800560DEST_PATH_IMAGE002
近邻非参数回归方法的预测结果；
（3）利用当前点和历史数据库中的点的相似度，将历史数据库中与当前点最相似的类作为模糊神经网络的训练样本；将当前时段的交通流与上游路口相关转向的交通流量、
Figure 2012101860561100002DEST_PATH_IMAGE005
、…、同时作为模糊神经网络模型的输入，其中
Figure 478294DEST_PATH_IMAGE004
、、…、
Figure 630107DEST_PATH_IMAGE006
分别为上游路口相关转向对应时段的交通流量，
Figure 2012101860561100002DEST_PATH_IMAGE007
为上游路口相关转向的个数；然后运用该模糊神经网络模型进行短时交通流预测；
   （4）根据改进的
Figure 455105DEST_PATH_IMAGE002
近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果。
所述的用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度的具体公式为：
Figure 2012101860561100002DEST_PATH_IMAGE009
式中，
Figure 248618DEST_PATH_IMAGE010
为当前点和历史数据库中的点的匹配距离；
Figure 241982DEST_PATH_IMAGE003
、
Figure 2012101860561100002DEST_PATH_IMAGE011
、
Figure 622410DEST_PATH_IMAGE012
分别为当前时段的交通流、上一时段的交通流、上两个时段的交通流；
Figure 2012101860561100002DEST_PATH_IMAGE013
、
Figure 421738DEST_PATH_IMAGE014
、
Figure 2012101860561100002DEST_PATH_IMAGE015
分别为历史数据库中对应时段的交通流；
Figure 7441DEST_PATH_IMAGE016
为一组权值，满足
Figure DEST_PATH_IMAGE017
且
Figure 1067DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
，
Figure 305009DEST_PATH_IMAGE020
；
预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，具体的公式为：
Figure 642449DEST_PATH_IMAGE022
Figure 348237DEST_PATH_IMAGE024
式中，
Figure DEST_PATH_IMAGE025
为在历史数据库中所选取的与当前点最近邻的点的个数；
Figure 247185DEST_PATH_IMAGE026
为用改进的
Figure 38424DEST_PATH_IMAGE002
近邻非参数回归方法预测的下一时段的交通流量；
Figure DEST_PATH_IMAGE027
为历史数据库中计算出的匹配距离从小到大排列的第
Figure 241872DEST_PATH_IMAGE028
个时空的匹配距离；
Figure DEST_PATH_IMAGE029
为与
Figure 365948DEST_PATH_IMAGE027
对应时空的交通流量。
所述的运用模糊神经网络进行下一时段交通流预测为：
所采用的模糊神经网络，隶属度函数采用高斯核函数，
Figure 262229DEST_PATH_IMAGE030
，其中
Figure DEST_PATH_IMAGE031
为隶属度函数，
Figure 776649DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE033
分别为隶属度函数的中心和宽度，
Figure 783788DEST_PATH_IMAGE028
=1,2,…,+1；
Figure 141137DEST_PATH_IMAGE034
=1,2,…,
Figure DEST_PATH_IMAGE035
，其中的
Figure 193452DEST_PATH_IMAGE035
代表第
Figure 614069DEST_PATH_IMAGE028
个输入的模糊分割数；
每条模糊规则的适应度为
Figure 148955DEST_PATH_IMAGE036
{
Figure DEST_PATH_IMAGE037
,
Figure 888503DEST_PATH_IMAGE038
,…,
Figure DEST_PATH_IMAGE039
}，其中=1,2,…,，=1,2,…,
Figure DEST_PATH_IMAGE043
，…，
Figure 850271DEST_PATH_IMAGE044
=1,2,…,，
Figure 259256DEST_PATH_IMAGE046
=1,2,…,
Figure DEST_PATH_IMAGE047
，
Figure 734100DEST_PATH_IMAGE047
=
Figure 325880DEST_PATH_IMAGE048
；
模糊神经网络经过一定的训练之后，对于给定的输入，其输出的预测结果为：
Figure 569780DEST_PATH_IMAGE050
式中，
Figure DEST_PATH_IMAGE051
为模糊神经网络预测的下一时段的交通流量；
Figure 821770DEST_PATH_IMAGE052
是每条模糊规则对应于输出的权值系数。
所述的根据改进的
Figure 783909DEST_PATH_IMAGE002
近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果，具体公式为：
Figure 350020DEST_PATH_IMAGE054
    其中，为最终预测输出；、
Figure DEST_PATH_IMAGE057
分别为上个时段改进的近邻非参数回归方法和模糊神经网络模型的预测结果；
Figure 87797DEST_PATH_IMAGE058
、
Figure DEST_PATH_IMAGE059
分别为上个时段改进的
Figure 519915DEST_PATH_IMAGE002
近邻非参数回归方法和模糊神经网络模型预测的绝对误差。
本发明结合了改进近邻非参数回归方法较强的预测能力和模糊神经网络较强的学习与非线性映射能力，考虑了过去时段的交通流和上游路口相关转向的交通流、优化了模糊神经网络的训练样本，并且采用加权组合的方式输出最终的预测结果，提高了短时交通流预测的准确性与实时性，是一种行之有效的短时交通流预测方法，其预测结果可以为交通管理部门进行交通诱导与控制服务提供依据。
附图说明
图1为本发明提供的短时交通流加权组合预测方法的流程图；
图2为城市路网中典型的上游路口有3个相关转向的交通流量示意图。
具体实施方式
短时交通流加权组合预测方法包括以下步骤：
（1）利用动态聚类算法组织交通流历史数据，将历史数据分为多个类，每个类都有一个聚类中心；
   （2）运用改进的
Figure 833664DEST_PATH_IMAGE002
近邻非参数回归方法进行短时交通流预测：用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度；预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，并得出
Figure 504817DEST_PATH_IMAGE002
近邻非参数回归方法的预测结果；
（3）利用当前点和历史数据库中的点的相似度，将历史数据库中与当前点最相似的类作为模糊神经网络的训练样本；将当前时段的交通流与上游路口相关转向的交通流量
Figure 751308DEST_PATH_IMAGE004
、
Figure 283045DEST_PATH_IMAGE005
、…、
Figure 441494DEST_PATH_IMAGE006
同时作为模糊神经网络模型的输入，其中
Figure 153098DEST_PATH_IMAGE004
、
Figure 80603DEST_PATH_IMAGE005
、…、
Figure 281777DEST_PATH_IMAGE006
分别为上游路口相关转向对应时段的交通流量，为上游路口相关转向的个数；然后运用该模糊神经网络模型进行短时交通流预测；
   （4）根据改进的
Figure 678703DEST_PATH_IMAGE002
近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果。
所述的用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度的具体公式为：
式中，
Figure 36052DEST_PATH_IMAGE010
为当前点和历史数据库中的点的匹配距离；
Figure 169093DEST_PATH_IMAGE003
、
Figure 222500DEST_PATH_IMAGE011
、
Figure 124597DEST_PATH_IMAGE012
分别为当前时段的交通流、上一时段的交通流、上两个时段的交通流；
Figure 180757DEST_PATH_IMAGE013
、
Figure 473198DEST_PATH_IMAGE014
、
Figure 392612DEST_PATH_IMAGE015
分别为历史数据库中对应时段的交通流；
Figure 149216DEST_PATH_IMAGE016
为一组权值，满足
Figure 800777DEST_PATH_IMAGE017
且
Figure 908410DEST_PATH_IMAGE018
，
Figure 867401DEST_PATH_IMAGE019
，
Figure 416194DEST_PATH_IMAGE020
；
预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，具体的公式为：
Figure 566553DEST_PATH_IMAGE060
式中，
Figure 94803DEST_PATH_IMAGE025
为在历史数据库中所选取的与当前点最近邻的点的个数；
Figure 560420DEST_PATH_IMAGE026
为用改进的
Figure 819363DEST_PATH_IMAGE002
近邻非参数回归方法预测的下一时段的交通流量；
Figure 137474DEST_PATH_IMAGE027
为历史数据库中计算出的匹配距离从小到大排列的第
Figure 936803DEST_PATH_IMAGE028
个时空的匹配距离；
Figure 522505DEST_PATH_IMAGE029
为与对应时空的交通流量。
所述的运用模糊神经网络进行下一时段交通流预测为：
所采用的模糊神经网络，隶属度函数采用高斯核函数，，其中
Figure 95197DEST_PATH_IMAGE031
为隶属度函数，
Figure 738668DEST_PATH_IMAGE032
、
Figure 136151DEST_PATH_IMAGE033
分别为隶属度函数的中心和宽度，
Figure 865073DEST_PATH_IMAGE028
=1,2,…,+1；
Figure 504181DEST_PATH_IMAGE034
=1,2,…,，其中的
Figure 288784DEST_PATH_IMAGE035
代表第
Figure 735071DEST_PATH_IMAGE028
个输入的模糊分割数；
每条模糊规则的适应度为
Figure 149872DEST_PATH_IMAGE036
{
Figure 92420DEST_PATH_IMAGE037
,
Figure 592671DEST_PATH_IMAGE038
,…,}，其中
Figure 548175DEST_PATH_IMAGE040
=1,2,…,
Figure 959827DEST_PATH_IMAGE041
，
Figure 947374DEST_PATH_IMAGE042
=1,2,…,
Figure 171682DEST_PATH_IMAGE043
，…，
Figure 561075DEST_PATH_IMAGE044
=1,2,…,
Figure 907743DEST_PATH_IMAGE045
，
Figure 946369DEST_PATH_IMAGE046
=1,2,…,
Figure 771105DEST_PATH_IMAGE047
，
Figure 15005DEST_PATH_IMAGE047
=
Figure 34038DEST_PATH_IMAGE048
；
模糊神经网络经过一定的训练之后，对于给定的输入，其输出的预测结果为：
Figure 996178DEST_PATH_IMAGE050
式中，
Figure 624606DEST_PATH_IMAGE051
为模糊神经网络预测的下一时段的交通流量；是每条模糊规则对应于输出的权值系数。
所述的根据改进的
Figure 349165DEST_PATH_IMAGE002
近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果，具体公式为：
Figure DEST_PATH_IMAGE061
    其中，
Figure 288347DEST_PATH_IMAGE055
为最终预测输出；
Figure 454886DEST_PATH_IMAGE056
、
Figure 673378DEST_PATH_IMAGE057
分别为上个时段改进的近邻非参数回归方法和模糊神经网络模型的预测结果；
Figure 141585DEST_PATH_IMAGE058
、分别为上个时段改进的
Figure 951858DEST_PATH_IMAGE002
近邻非参数回归方法和模糊神经网络模型预测的绝对误差。
实施例
图1为本发明提供的短时交通流加权组合预测方法的流程图。图1，采用改进的
Figure 982131DEST_PATH_IMAGE002
近邻非参数回归方法，通过计算匹配距离，来评价历史数据库中的点与当前点的相似度，选取与当前点最相近的
Figure 78263DEST_PATH_IMAGE002
个近邻点进行短时交通流预测；采用模糊神经网络模型，将历史数据库中与当前点最相似的类作为模糊神经网络的训练样本，经训练后再进行预测；然后根据上个时段的预测误差，确定组合方法的权值，并加权组合输出。
所述的用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度的具体公式为： 
Figure 586604DEST_PATH_IMAGE009
式中，
Figure 281153DEST_PATH_IMAGE010
为当前点和历史数据库中的点的匹配距离； 、 、
Figure 377788DEST_PATH_IMAGE012
分别为当前时段的交通流、上一时段的交通流、上两个时段的交通流；
Figure 363062DEST_PATH_IMAGE013
、
Figure 735137DEST_PATH_IMAGE014
、
Figure 805861DEST_PATH_IMAGE015
分别为历史数据库中对应时段的交通流；
Figure 423050DEST_PATH_IMAGE016
为一组权值，满足
Figure 325147DEST_PATH_IMAGE017
且
Figure 805807DEST_PATH_IMAGE018
，
Figure 160564DEST_PATH_IMAGE019
，
Figure 79979DEST_PATH_IMAGE020
，这里取
Figure 774265DEST_PATH_IMAGE062
=0.6，
Figure DEST_PATH_IMAGE063
=0.3，
Figure 989608DEST_PATH_IMAGE064
=0.1；
预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，具体的公式为：
Figure DEST_PATH_IMAGE065
式中，为在历史数据库中所选取的与当前点最近邻的点的个数；
Figure 165878DEST_PATH_IMAGE026
为用改进的
Figure 253919DEST_PATH_IMAGE002
近邻非参数回归方法预测的下一时段的交通流量；
Figure 84734DEST_PATH_IMAGE027
为历史数据库中计算出的匹配距离从小到大排列的第
Figure 18055DEST_PATH_IMAGE028
个时空的匹配距离；
Figure 749251DEST_PATH_IMAGE029
为与
Figure 8194DEST_PATH_IMAGE027
对应时空的交通流量。
利用当前点和历史数据库中的点的相似度，将历史数据库中与当前点最相似的类作为模糊神经网络的训练样本，也就是说，该训练样本并不是全部的历史数据，而是历史数据的所有类中，其聚类中心与当前点最近的那个类中的数据；
将当前时段的交通流与上游路口相关转向的交通流量
Figure 624169DEST_PATH_IMAGE004
、、…、同时作为模糊神经网络模型的输入，其中
Figure 117227DEST_PATH_IMAGE004
、
Figure 782563DEST_PATH_IMAGE005
、…、
Figure 160455DEST_PATH_IMAGE006
分别为上游路口相关转向对应时段的交通流量，
Figure 823517DEST_PATH_IMAGE007
为上游路口相关转向的个数。
图2为城市路网中典型的上游路口有3个相关转向的交通流量示意图。如图2所示，
Figure 850642DEST_PATH_IMAGE003
为上游路口和下游路口之间的观测点在某一时段的交通流量；
Figure 257352DEST_PATH_IMAGE066
、
Figure DEST_PATH_IMAGE067
、
Figure 817646DEST_PATH_IMAGE068
分别为上游路口北口左转车流、西口直行车流和南口右转车流在同一时段的交通流量。显然，图2中上游路口有3个相关转向的交通流。
所采用的模糊神经网络，隶属度函数采用高斯核函数，
Figure 386031DEST_PATH_IMAGE030
，其中
Figure 602249DEST_PATH_IMAGE031
为隶属度函数，
Figure 60255DEST_PATH_IMAGE032
、
Figure 475055DEST_PATH_IMAGE033
分别为隶属度函数的中心和宽度，
Figure 152024DEST_PATH_IMAGE028
=1,2,…,
Figure 652276DEST_PATH_IMAGE007
+1；
Figure 338472DEST_PATH_IMAGE034
=1,2,…,
Figure 607779DEST_PATH_IMAGE035
，其中的
Figure 721229DEST_PATH_IMAGE035
代表第
Figure 210241DEST_PATH_IMAGE028
个输入的模糊分割数；
每条模糊规则的适应度为
Figure 496866DEST_PATH_IMAGE036
{
Figure 823942DEST_PATH_IMAGE037
,
Figure 170610DEST_PATH_IMAGE038
,…,
Figure 379875DEST_PATH_IMAGE039
}，其中=1,2,…,，
Figure 608490DEST_PATH_IMAGE042
=1,2,…,
Figure 570630DEST_PATH_IMAGE043
，…，
Figure 199057DEST_PATH_IMAGE044
=1,2,…,
Figure 235146DEST_PATH_IMAGE045
，
Figure 923617DEST_PATH_IMAGE046
=1,2,…,
Figure 45156DEST_PATH_IMAGE047
，=
Figure 197231DEST_PATH_IMAGE048
；
模糊神经网络经过一定的训练之后，对于给定的输入，其输出的预测结果为：
式中，
Figure 56603DEST_PATH_IMAGE051
为模糊神经网络预测的下一时段的交通流量；
Figure 665439DEST_PATH_IMAGE052
是每条模糊规则对应于输出的权值系数。
所述的根据改进的近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果，具体公式为：
Figure 210132DEST_PATH_IMAGE070
其中，为最终预测输出；
Figure 336537DEST_PATH_IMAGE056
、
Figure 110458DEST_PATH_IMAGE057
分别为上个时段改进的近邻非参数回归方法和模糊神经网络模型的预测结果；
Figure 442399DEST_PATH_IMAGE058
、
Figure 324030DEST_PATH_IMAGE059
分别为上个时段改进的近邻非参数回归方法和模糊神经网络模型预测的绝对误差。

Claims (3)

1.一种短时交通流加权组合预测方法，其特征在于，包括以下步骤：
（1）利用动态聚类算法组织交通流历史数据，将历史数据分为多个类，每个类都有一个聚类中心；
（2）运用改进的K近邻非参数回归方法进行短时交通流预测：用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度；预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，并得出K近邻非参数回归方法的预测结果；
（3）利用当前点和历史数据库中的点的相似度，将历史数据库中与当前点最相似的类作为模糊神经网络的训练样本；将当前时段的交通流q(t)与上游路口相关转向的交通流量
Figure FDA0000386137140000012
…、同时作为模糊神经网络模型的输入，其中
Figure FDA0000386137140000014
Figure FDA0000386137140000015
…、
Figure FDA0000386137140000016
分别为上游路口相关转向对应时段的交通流量，m为上游路口相关转向的个数；然后运用该模糊神经网络模型进行短时交通流预测；
（4）根据改进的K近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果；
所述的用加权的欧氏距离法来评价当前点和历史数据库中的点的相似度的具体公式为：
d h = a ( q ( t ) - q h ( t ) ) 2 + b ( q ( t - 1 ) q h ( t - 1 ) ) 2 + c ( q ( t - 2 ) - q h ( t - 2 ) ) 2
式中，dh为当前点和历史数据库中的点的匹配距离；q(t)、q(t-1)、q(t-2)分别为当前时段的交通流、上一时段的交通流、上两个时段的交通流；qh(t)、qh(t-1)、qh(t-2)分别为历史数据库中对应时段的交通流；{a,b,c}为一组权值，满足a+b+c=1且a∈[0,1]，b∈[0,1]，c∈[0,1]；
预测函数采用基于匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，具体的公式为：
q ~ k ( t + 1 ) = Σ i = 1 k ( 1 d i / d ) q i ( t )
d = Σ i = 1 k 1 d i
式中，k为在历史数据库中所选取的与当前点最近邻的点的个数；
Figure FDA0000386137140000021
为用改进的K近邻非参数回归方法预测的下一时段的交通流量；di为历史数据库中计算出的匹配距离从小到大排列的第i个时空的匹配距离；qi(t)为与di对应时空的交通流量。
2.根据权利要求1所述的一种短时交通流加权组合预测方法，其特征在于，所述的运用模糊神经网络进行下一时段交通流预测为：
所采用的模糊神经网络，隶属度函数采用高斯核函数，
Figure FDA0000386137140000022
，其中为隶属度函数，civ、σiv分别为隶属度函数的中心和宽度，i=1,2,…,m+1；v=1,2,…,ni，其中的ni代表第i个输入的模糊分割数；
每条模糊规则的适应度为 a j = min { μ 1 j 1 , μ 2 j 2 , . . . , μ m + 1 j m + 1 } , 其中 j 1 = 1,2 , . . . , n 1 , j 2 n 2 , . . . , j m + 1 = 1,2 . . . , n m + 1 , j = 1,2 , . . . , n , Π n = i = 1 m + 1 n i ;
模糊神经网络经过一定的训练之后，对于给定的输入，其输出的预测结果为：
q ~ n ( t + 1 ) = Σ j = 1 n a j w j / Σ j = 1 n a j
式中，
Figure FDA0000386137140000028
为模糊神经网络预测的下一时段的交通流量；wj是每条模糊规则对应于输出的权值系数。
3.根据权利要求1所述的一种短时交通流加权组合预测方法，其特征在于，所述的根据改进的K近邻非参数回归方法和模糊神经网络模型在上一时段的预测误差，确定组合预测方法的权值，并加权组合输出最终的预测结果，具体公式为：
q ~ ( t + 1 ) = | q ~ n ( t ) - q | ( t ) | q ~ n ( t ) | + | q ~ k ( t ) - q ( t ) | q ~ k ( t + 1 ) + | q ~ k ( t ) - q | ( t ) | q ~ n ( t ) - q ( t ) | + | q ~ k ( t ) - q ( t ) | q ~ n ( t + 1 )
其中，
Figure FDA00003861371400000210
为最终预测输出；
Figure FDA00003861371400000211
分别为上个时段改进的K近邻非参数回归方法和模糊神经网络模型的预测结果；
Figure FDA00003861371400000212
分别为上个时段改进的K近邻非参数回归方法和模糊神经网络模型预测的绝对误差。
CN201210186056.1A 2012-06-07 2012-06-07 一种短时交通流加权组合预测方法 Expired - Fee Related CN102693633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210186056.1A CN102693633B (zh) 2012-06-07 2012-06-07 一种短时交通流加权组合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210186056.1A CN102693633B (zh) 2012-06-07 2012-06-07 一种短时交通流加权组合预测方法

Publications (2)

Publication Number Publication Date
CN102693633A CN102693633A (zh) 2012-09-26
CN102693633B true CN102693633B (zh) 2014-03-12

Family

ID=46859027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210186056.1A Expired - Fee Related CN102693633B (zh) 2012-06-07 2012-06-07 一种短时交通流加权组合预测方法

Country Status (1)

Country Link
CN (1) CN102693633B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016165742A1 (en) 2015-04-14 2016-10-20 Nec Europe Ltd. Method for incident detection in a time-evolving system

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810849B (zh) * 2012-11-15 2015-10-28 北京掌城科技有限公司 一种基于浮动车数据的交通流变化趋势提取方法
CN104144431B (zh) * 2013-05-10 2018-01-30 中国电信股份有限公司 一种移动网络状态预测的方法、装置及移动网络
CN104050809B (zh) * 2014-06-03 2016-07-20 北京航天福道高技术股份有限公司 交通状况自动分析预测方法
CN104616498B (zh) * 2015-02-02 2017-01-25 同济大学 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法
CN104821082B (zh) * 2015-04-29 2017-01-18 电子科技大学 一种基于综合评价的短时交通流预测方法
CN105046956B (zh) * 2015-06-24 2017-04-26 银江股份有限公司 一种基于转向系数的交通流模拟及预测方法
CN106530685B (zh) * 2015-09-11 2019-06-21 杭州海康威视数字技术股份有限公司 一种交通数据短时预测方法及装置
CN105118294B (zh) * 2015-09-25 2017-03-29 山东易构软件技术股份有限公司 一种基于状态模式的短时交通流预测方法
CN105336163B (zh) * 2015-10-26 2017-09-26 山东易构软件技术股份有限公司 一种基于三层k近邻的短时交通流预测方法
CN105389980B (zh) * 2015-11-09 2018-01-19 上海交通大学 基于长短时记忆递归神经网络的短时交通流预测方法
US10395183B2 (en) 2016-03-15 2019-08-27 Nec Corporation Real-time filtering of digital data sources for traffic control centers
CN105654729B (zh) * 2016-03-28 2018-01-02 南京邮电大学 一种基于卷积神经网络的短时交通流量预测方法
CN106448151B (zh) * 2016-07-07 2019-12-27 河南理工大学 一种短时交通流预测方法
CN107045785B (zh) * 2017-02-08 2019-10-22 河南理工大学 一种基于灰色elm神经网络的短时交通流量预测的方法
CN107481523A (zh) * 2017-09-27 2017-12-15 中南大学 一种交通流速度预测方法及系统
CN108364467B (zh) * 2018-02-12 2020-08-07 北京工业大学 一种基于改进型决策树算法的路况信息预测方法
CN108346293B (zh) * 2018-04-18 2020-12-18 湖南大学 一种实时交通流短时预测方法
CN108629979B (zh) * 2018-06-12 2020-08-21 浙江工业大学 一种基于历史和周边路口数据的拥堵预测算法
CN108922183A (zh) * 2018-07-17 2018-11-30 重庆大学 一种时空关联度与svr结合的高速公路短时流量预测方法
CN109635859B (zh) * 2018-12-04 2021-11-30 华南理工大学 数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法
CN109711640A (zh) * 2019-01-23 2019-05-03 北京工业大学 一种基于模糊c均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法
CN111915877A (zh) * 2019-05-08 2020-11-10 阿里巴巴集团控股有限公司 一种车流路径分布信息的处理方法、装置及电子设备
CN110517484A (zh) * 2019-08-06 2019-11-29 南通大学 菱形立交区域平面交叉标志遮挡预测模型构建方法
CN110956807B (zh) * 2019-12-05 2021-04-09 中通服咨询设计研究院有限公司 基于多源数据与滑动窗口组合的高速公路流量预测方法
CN113420414B (zh) * 2021-05-27 2022-08-30 四川大学 一种基于动态时空分析的短时交通流预测模型

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3157953B2 (ja) * 1993-06-21 2001-04-23 株式会社東芝 交通流予測装置
EP1320959B1 (fr) * 2000-09-25 2005-05-04 France Telecom Procede et dispositif de prediction de trafic avec un reseau de neurones
CN101593424A (zh) * 2009-07-10 2009-12-02 浙江大学 一种短时交通流智能组合预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3157953B2 (ja) * 1993-06-21 2001-04-23 株式会社東芝 交通流予測装置
EP1320959B1 (fr) * 2000-09-25 2005-05-04 France Telecom Procede et dispositif de prediction de trafic avec un reseau de neurones
CN101593424A (zh) * 2009-07-10 2009-12-02 浙江大学 一种短时交通流智能组合预测方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
JP特许第3157953B2 2001.04.23
任沙浦，沈国江.短时交通流智能混合预测技术.《浙江大学学报（工学版）》.2010,第44卷(第8期),全文. *
刘燕,章洵.组合预测模型在短时交通流预测中的应用研究.《物流管理》.2010,(第23期),参见第15页右栏,第16-17页. *
基于自适应模糊神经网络的交通流状态预测;王辉;《交通与计算机》;20070815;第25卷(第4期);参见第46-48页 *
梁秀霞,胡姗姗,李伟斌.非参数回归算法在短时交通流预测中的应用.《自动化仪表》.2012,第33卷(第4期),参见第22-23页. *
王辉.基于自适应模糊神经网络的交通流状态预测.《交通与计算机》.2007,第25卷(第4期),参见第46-48页.
顾晨阳，罗熹，程文龙.变权重组合预测模型在短时交通流预测中的应用.《统计与决策》.2010,(第6期),全文. *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016165742A1 (en) 2015-04-14 2016-10-20 Nec Europe Ltd. Method for incident detection in a time-evolving system

Also Published As

Publication number Publication date
CN102693633A (zh) 2012-09-26

Similar Documents

Publication Publication Date Title
CN102693633B (zh) 一种短时交通流加权组合预测方法
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
Kong et al. Urban traffic congestion estimation and prediction based on floating car trajectory data
Myung et al. Travel time prediction using k nearest neighbor method with combined data from vehicle detector system and automatic toll collection system
Oh et al. Short-term travel-time prediction on highway: a review of the data-driven approach
CN103871246B (zh) 基于路网空间关系约束Lasso的短时交通流预测方法
CN105118294B (zh) 一种基于状态模式的短时交通流预测方法
CN102110365B (zh) 基于时空关系的路况预测方法和系统
CN103177570B (zh) 一种早晚高峰交通拥堵指数的预测方法
CN111653088A (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
CN103745110B (zh) 纯电动公交车营运续驶里程估算方法
Duan et al. Performance evaluation of the deep learning approach for traffic flow prediction at different times
CN102081846A (zh) 基于高速公路收费数据轨迹匹配的交通状态识别方法
CN104992244A (zh) 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法
Csikós et al. Traffic speed prediction method for urban networks—An ANN approach
Liu et al. A hybrid short-term traffic flow forecasting method based on neural networks combined with K-nearest neighbor
CN106910199A (zh) 面向城市空间信息采集的车联网众包方法
CN101866143B (zh) 基于时空特征聚合的道路交通服务水平预测预报方法
Huang et al. Physics-informed deep learning for traffic state estimation: Illustrations with LWR and CTM models
Chen et al. A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways
CN107481523A (zh) 一种交通流速度预测方法及系统
CN105303835B (zh) 一种道路交通流状态的短时预测方法
Chen et al. Online eco-routing for electric vehicles using combinatorial multi-armed bandit with estimated covariance
Doğan Short-term traffic flow prediction using artificial intelligence with periodic clustering and elected set
CN117764340A (zh) 一种新能源电动汽车充电引导分级调控方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140312

Termination date: 20160607