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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013277 forecasting method Methods 0.000 claims description 11
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007805 zymography Methods 0.000 description 1
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
Description
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、 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、、…、同时作为模糊神经网络模型的输入,其中、、…、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;
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:
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:
所述的运用模糊神经网络进行下一时段交通流预测为:
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:
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、、…、同时作为模糊神经网络模型的输入,其中、、…、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;
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:
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:
所述的运用模糊神经网络进行下一时段交通流预测为:
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:
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:
式中,为当前点和历史数据库中的点的匹配距离; 、 、 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;、、分别为历史数据库中对应时段的交通流;为一组权值,满足且,,,这里取=0.6,=0.3,=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:
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;
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,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;、、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。
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:
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:
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 …、同时作为模糊神经网络模型的输入,其中 …、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:
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:
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)
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)
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)
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 |
-
2012
- 2012-06-07 CN CN201210186056.1A patent/CN102693633B/zh not_active Expired - Fee Related
Patent Citations (3)
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)
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)
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 |