CN103578274A - 一种交通流预测方法及装置 - Google Patents

Abstract

本发明公开了一种交通流预测方法及装置，用以提高交通流预测的准确性。其中，所述交通流预测方法包括：从当前交通数据序列中提取当前时刻的交通数据，所述当前交通数据序列包含当前时刻以及当前时刻之前指定时长内、固定时间间隔的交通数据；根据当前时刻的交通数据，判断当前交通状态是否为事件状态；若是，确定当前时刻交通状态对应的事件类型，从预先建立的事件类型与权重参数集合的对应关系中查找所述事件类型对应的权重参数集合；若否，按照预设算法确定所述当前交通数据序列对应的权重参数集合；根据所述当前交通数据序列和所述权重参数集合，预测下一时刻交通数据。

Description

一种交通流预测方法及装置

技术领域

本发明涉及数据处理技术领域，尤其涉及一种交通流预测方法及装置。

背景技术

自适应过滤法属于一种线性的预测算法，其原理是根据一组给定的权重参数对时间序列的历史交通数据进行加权平均，从而计算一个预测值。随后根据预测误差调整权重参数以减少误差，这样反复进行直至找出一组“最佳”权重参数，使误差减少到最低限度。再利用最佳权重参数进行加权平均，预测最终结果。

自适应过滤法具有简单易行，程序实现简便，所需数据量少等优点。但是，由于自适应过滤法是一种线性算法，当参与计算的历史数据波动较大时，容易影响其预测精度，同时，降低算法的收敛速度。这也是自适应过滤法在经济、工程、医疗、灾难蔓延等长期预测方面应用较多，而较少应用于交通流短时预测方面的原因。

同时，现有的交通流短时预测算法多是针对交通状态数据正常情况下的预测。当有突发事件发生，导致数据发生突变时，预测值往往不能跟随真实值进行变化，导致预测值滞后于真实值变化，从而降低了交通流预测的准确性。

发明内容

本发明实施例提供一种交通流预测方法及装置，用以提高交通流预测的准确性。

本发明实施例提供一种交通流预测方法，包括：

从当前交通数据序列中提取当前时刻的交通数据，所述当前交通数据序列包含当前时刻以及当前时刻之前指定时长内、固定时间间隔的交通数据；

根据当前时刻的交通数据，判断当前交通状态是否为事件状态；

若是，确定当前时刻交通状态对应的事件类型，从预先建立的事件类型与权重参数集合的对应关系中查找所述事件类型对应的权重参数集合；若否，按照预设算法确定所述当前交通数据序列对应的权重参数集合；

根据所述当前交通数据序列和所述权重参数集合，预测下一时刻交通数据。

本发明实施例提供一种交通流预测装置，包括：

提取单元，用于从当前交通数据序列中提取当前时刻的交通数据，所述当前交通数据序列包含当前时刻以及当前时刻之前指定时长内、固定时间间隔的交通数据；

判断单元，用于根据当前时刻的交通数据，判断当前交通状态是否为事件状态；

权重参数确定单元，用于在所述判断单元的判断结果为是时，确定当前时刻交通状态对应的事件类型，从预先建立的事件类型与权重参数集合的对应关系中查找所述事件类型对应的权重参数集合；在所述判断单元的判断结果为否时，按照预设算法确定所述当前交通数据序列对应的权重参数集合；

预测单元，用于根据所述当前交通数据序列和所述权重参数集合，预测下一时刻交通数据。

本发明实施例提供的交通流预测方法及装置，在进行交通流预测时，首先根据当前时刻的交通数据判断当前的交通状态是否为事件状态，如果是，将从预先建立的时间类型与权重参数集合的对应关系中查找当前交通数据序列对应的权重参数集合，如果否，将按照预设算法确定当前交通数据序列对应的权重参数，由于上述过程中，对当前时刻的交通状态是否为事件状态进行判断，这样，当有突发事件发生时，可以结合事件影响对权重参数集合进行调整，从而提高了交通流预测的准确性。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例中，交通流预测方法的实施流程示意图；

图2为本发明实施例中，判断当前交通状态是否为事件状态的实施流程示意图；

图3为本发明实施例中，交通流预测装置的结构示意图。

具体实施方式

传统的自适应过滤法是根据给定的权重参数集合对当前交通数据序列（其为时间序列的交通数据）进行加权平均计算得到预测值，然后根据预测误差调整权重参数以减少误差，这样反复进行直至找出“最佳”权重参数集合，使误差减少到最低限度，再利用最佳权重参数集合进行加权平均预测下一时刻的交通数据，具体如下：

设x₁,x₂,...,x_i,...,x_t为一当前交通数据序列，则可以按照如下公式预测下一时刻的交通数据： ${\hat{x}}_{t+1}={\mathrm{\φ}}_1{x}_t+{\mathrm{\φ}}_2{x}_{t-1}+...+{\mathrm{\φ}}_p{x}_{t-p+1}.$

其中，

是第t+1期的预测值，x_t-i+1和φ_i分别是第t-i+1期的历史交通数据和其对应的权重参数，p是权重参数集合中包含的权重参数的个数。具体实施时，可以按照如下公式调整权重参数：φ_i'=φ_i+2ke_t+1x_t-i+1。

其中φ_i'为调整后第i期的权重参数；φ_i为调整前第i期的权重参数；k为调整系数，也称学习常数；

是第t+1期的预测误差；x_t-i+1是第t-i+1期的历史交通数据。

具体实施过程中，首先进行权重参数初始化，一般情况，取φ₁=φ₂=...=φ_p=1/p（p为参与预测的当前交通数据序列的长度），即简单的算术平均数作为初始加权平均数。初始权重参数要满足但经过权重参数调整公式调整之后，权重参数之和不一定为1。其次，计算下一时刻的预测值，具体的，选取当前交通数据序列中的前p个数据x₁，x₂,...,x_p，按照如下公式计算p+1期的预测值： ${\hat{x}}_{p+1}={\mathrm{\φ}}_1{x}_p+{\mathrm{\φ}}_2{x}_{p-1}+...+{\mathrm{\φ}}_p{x}_1;$ 之后，按照如下公式计算本次预测误差： $e_{p+1}=x_{p+1}-{\hat{x}}_{p+1};$ 判断预测误差是否满足预设条件，如果不满足，则按照如下公式进行权重参数调整：φ_i'=φ_i+2ke_p+1x_p-i+1，其中k要满足如下公式：

$k=\min (\frac{1}{p},\frac{1}{\left[{\mathrm{\Σ}}_{i-1}^p{x}_i^2\right]\max })$

具体实施时，为了使权重参数迅速逼近最佳值，从而预测公式的MSE（均方误差）向最小值收敛，k的取值应尽量接近于1，这样可以减少迭代次数。然而，太大的k值也可能导致误差序列的发散性，从而使得最终的均方误差有所增大，影响预测效果。因此，k值存在一定的取值范围。通常，自适应过滤法收敛的充分条件是 $k\≤\min \frac{1}{\left[{\mathrm{\Σ}}_{i=1}^p{x}_i^2\right]\max }.$

利用得到的新的权重参数集合φ_i'，计算p+2期的预测值，产生预测误差e_p+2，再按照权重参数调整公式进行再一次的权重参数调整，反复进行，直至误差为0时。

但在大多数情况下，由于序列不是随机的，最终的预测误差无法降为0，此时使用的衡量标准为均方误差：

$\mathrm{MSE}={\mathrm{\Σ}}_{i=p+1}^n{(x_i-{\hat{x}}_i)}^2/(n-1-p)$

其中n表示最终迭代的次数，i表示第几期预测。当继续迭代而MSE没有进一步改善时，即可认为MSE达到最小，权重参数调整过程结束。此时的权重参数集合就是即为确定出的最佳权重参数集合，后续可以利用其来计算第n+1期的预测值。

具体实施时，还可能存在以下情况：权重参数调整进行到第n期时，循环迭代调整的计算已经使用了当前交通数据序列中包含的全部交通数据，而MSE仍然没有达到最小值，这时可将最后依次得到的权重参数集合作为新的初始值，进入新一轮的调整过程，直至满足MSE收敛于最小值为止。

上述过程通过历史交通数据迭代获得最佳权重参数集合，并对历史交通数据进行加权获得预测值。而当有事件发生时，利用当前交通数据序列的历史状态加权获得的预测值无法反应真实值的变化，因此，影响了预测结果的准确性，造成预测结果的滞后。因此，为了提高交通流预测的准确性，本发明实施例提供了一种交通流预测方法及装置。

以下结合说明书附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明，并且在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

如图1所示，为本发明实施例提供的交通流预测方法的实施流程示意图，包括以下步骤：

S101、从当前交通数据序列中提取当前时刻的交通数据；

其中，当前交通数据序列包含当前时刻以及当前时刻之前指定时长内、固定时间间隔（如5分钟）的交通数据。

S102、根据当前时刻的交通数据，判断当前交通状态是否为事件状态，如果是，执行步骤S103，否则执行步骤S104；

具体实施时，如图2所示，其为判断当前交通状态是否为事件状态的实施流程示意图，可以包括以下步骤：

S201、分别确定当前交通数据序列的上限阈值和下限阈值；

较佳的，本发明实施例中，可以采用箱线图法确定交通数据序列的上下限阈值，具体实施时可以按照以下步骤确定：

步骤一、按照从大到小的顺序依次排列当前交通数据序列中的交通数据；

步骤二、分别确定所述当前交通数据序列对应的中位数、较大四分位数和较小四分位数；

步骤三、根据确定出的中位数、较大四分位数和较小四分位数，确定所述当前交通数据序列的上限阈值和下限阈值。

具体的，可以取出距离当前时刻最近的m个值组成当前交通数据序列，定义为x_m；对x_m从大到小进行排序；利用箱线图法，分别取出x_m的中位数及上下四分位数，则上下限阈值的计算公式为：

E=Median±（Q₃-Q₁）

Median：中位数，当前交通数据序列从小到大排序后位于中间的值；

Q3：较大四分位数，当前交通数据序列中所有数值由小到大排列后第75%的数字

Q1：较小四分位数，当前交通数据序列中所有数值由小到大排列后第25%的数字。

S202、判断当前时刻的交通数据是否大于上限阈值且小于下限阈值，如果是，执行步骤S203，否则执行步骤S204；

S203、确定当前交通状态为事件状态，流程结束；

S204、确定当前交通状态为非事件状态，流程结束。

S103、确定当前时刻交通状态对应的事件类型，从预先建立的事件类型与权重参数集合的对应关系中查找所述事件类型对应的权重参数集合，并执行步骤S105；

具体实施时，可以通过对历史事件状态下的交通数据序列进行训练（为了便于描述，后续将历史时间状态下的交通数据序列称为历史事件序列），确定不同类型事件对应的最佳权重参数集合，这样，便可以建立事件类型与权重参数集合的对应关系。后续再有事件发生时，可以直接从事件类型与权重参数集合的对应关系中，可以根据事件类型查找其对应的权重参数集合。

较佳的，可以利用上述的箱线图法，提取出历史事件序列，并通过对历史事件进行训练，获得历史时间序列对应的最佳权重参数集合。例如，假设有历史序列x_n，要计算预测值

按照传统的自适应过滤法，可以用均方误差来进行误差的判断：

这是在真实值x_n+1及预测值

未知的前提下，仅计算p至n时刻真实值和预测值的误差。而历史事件序列的x_n+1及是已知条件，为了使

更为接近x_n+1，将

及x_n+1的误差也引入最终的误差收敛条件中，将其和MSE取平均后作为最终的误差判别条件，从而，本法实施例中，可以按照以下公式判断确定误差：

$E_{\mathrm{final}}=\frac{\mathrm{MSE}+E_{n+1}}{2}$

在E_final没有进一步改善时，迭代过程结束，此时获得的权重参数集合为最佳权重参数集合。通过对大量的历史事件序列进行处理，能够获得历史事件对应的最佳权重参数集合。最后，通过聚类算法，对历史事件聚类，从而能够建立不同的事件类型与最佳权重参数集合的对应关系。当后续判断出当前交通状态处于事件状态时，首先确定当前时刻交通状态对应的事件类型，进而从事件类型与最佳权重参数集合的对应关系中查找其对应的最佳权重参数集合。

S104、按照预设算法确定当前交通数据序列对应的权重参数集合；

具体实施时，若当前交通状态为非事件状态时，则按照传统的自适应过滤法确定当前交通数据序列对应的权重参数集合。

S105、根据当前交通数据序列和权重参数集合，预测下一时刻交通数据。

实施例二

具体实施时，由于交通数据序列时一个复杂的系统，受多方面因素的影响，因此，获得的当前交通数据序列包含随机起伏（噪声）及有关变量自身的信息。为了消除当前交通数据序列的随机噪声，加快算法的收敛速度，进一步提高预测结果的准确性，本发明实施例中，可以对当前交通数据序列进行对数运算和差分运算。具体的，步骤S105中，可以包括以下步骤：

步骤一、确定所述当前交通数据序列对应的对数序列；

例如，假设当前交通数据序列为x₁,x₂,...,x_i,...,x_t,1≤i≤t,则其取以e为底的对数后得到的对数序列为：y_i=ln(x_i),1≤i≤t。

步骤二、确定得到的对数序列对应的差分序列。

对于上述得到的对数序列y_i，其对应的差分序列Δy_i如下：Δy_i=y_i+1-y_i,1≤i≤t-1。

步骤三、根据权重参数集合所包含的权重参数的数量，从差分序列中，按照时间顺序由近及远提取相同数量的交通数据；

步骤四、根据各提取到的交通数据在权重参数集合中对应的权重参数，对提取到的交通数据进行加权；

步骤五、分别对加权结果进行差分逆运算和对数逆运算得到下一时刻交通数据。

具体实施时，对于步骤四中获得的加权结果，可以按照以下公式进行差分和对数逆运算以获得最终的预测值：

x_t+1=x_t*e^yt

其中，x_t+1表示预测值，x_t表示t时刻的真实值，y_t表示x_t+1与x_t差分后取对数获得的值。

实施例三

为了进一步提高交通流预测的准确性，本发明实施例中，在对当前交通数据序列取对数以及进行差分运算之前，可以首先对当前交通数据序列中包含的交通数据进行预处理，如缺失数据判断、错误数据判断、数据补齐、数据替换等，得到一定时间间隔的连续可靠的交通数据序列。具体实施时，可以包括以下两步：判断当前交通数据序列是否缺失数据，若是，补齐缺失数据；判断当前交通数据序列是否存在错误数据，若是，删除错误数据并补齐所删除的数据。具体的判断过程可以如下：

1）缺失数据的判断及处理：交通数据序列为固定时间间隔（如5分钟）的交通时间序列，若时间间隔不连续（如8：00，8：10），则定义为数据缺失。对于小量数据缺失点（具体实施时，可以通过预设阈值，缺失数据不超过阈值，则判断为小量数据缺失，若缺失数据超过阈值，则判断为大量数据缺失），采用平均插值方法补齐，对于大量数据缺失，采用同时期历史数据替换方法补齐；2）错误数据的判断及处理：错误数据的判断采用阈值法，超出与阈值的定义为错误数据。对于错误数据，删除原数据，采用平均插值方法补齐。

为了更好的理解本发明实施例，以下通过具体的实施例对本发明实施例的实施过程进行说明。

如表1所示，假设有如下的交通数据序列（从6:00-7:00）：

表1

1	2	3	4	5	6	7	8	9	10
										6:00	6:05	6:10	6:15	6:20	6:25	6:30	6:35	6:40	6:45
61.59	65.24	65.64	66.25	63.09	58.07	64.40	74.30	67.89	57.43
										11	12	13	14
6:50	6:55	7:00
										56.31	43.6	22.5

利用前12个值，采用自适应过滤法预测7：00（即13）的速度（以下均用序号表示其对应的交通数据）。如果不考虑事件，即不进行事件判定，执行正常的自适应过滤算法，则：

首先对序列取以e为底的对数，结果如表2所示：

表2

1	2	3	4	5	6	7	8	9	10
										6:00	6:05	6:10	6:15	6:20	6:25	6:30	6:35	6:40	6:45
61.59	65.24	65.64	66.25	63.09	58.07	64.40	74.30	67.89	57.43
										4.12	4.178	4.184	4.193	4.145	4.062	4.165	4.308	4.218	4.051
11	12	13	14
										6:50	6:55	7:00
56.31	43.6	22.5
										4.031	3.775

计算其差值（为了便于描述，后续记为y_t+1，1≤t≤12）后如表3所示：

表3

1

2

3

4

5

6

7

8

9

10

6:00	6:05	6:10	6:15	6:20	6:25	6:30	6:35	6:40	6:45
										61.59	65.24	65.64	66.25	63.09	58.07	64.40	74.30	67.89	57.43
4.12	4.178	4.184	4.193	4.145	4.062	4.165	4.308	4.218	4.051
											0.058	0.006	0.009	-0.048	-0.083	0.103	0.143	-0.09	-0.167
11	12	13	14
										6:50	6:55	7:00
56.31	43.6	22.5
										4.031	3.775
-0.02	-0.256

以对交通数据序列取对数差值后获得的序列，作为新的交通数据序列。

取p=2，（一般地，选择最近的2-3个数据进行加权效果最好，因为预测值与当前时刻及前一时刻的值最为接近）则可得初始权重参数集合：

${\mathrm{\φ}}_1={\mathrm{\φ}}_2=\frac{1}{p}=\frac{1}{2}=0.5$

学习常数满足下式：

$k=\min (\frac{1}{p},\frac{1}{\left[{\mathrm{\Σ}}_{i=1}^p{x}_i^2\right]\max })$

由于 $\frac{1}{\left[{\mathrm{\Σ}}_{i-1}^p{x}_i^2\right]\max }>1,$ 因此取 $k=\frac{1}{p}=0.5$

根据表3中，首先计算y₄的预测值（计算结果四舍五入）：

$\begin{array}{c}{\hat{y}}_4={\mathrm{\φ}}_1{y}_3+{\mathrm{\φ}}_2{y}_2=0.5*0.006+0.5*0.058=0.032\\ e_4=y_4-{\hat{y}}_4=0.009-0.032=-0.023\end{array}$

根据φ_i'=φ_i+2ke_t+1x_t-i+1调整权重参数集合：

φ₁'=0.5+2×0.5×(-0.023)×0.006=0.4999

φ₂'=0.5+2×0.5×(-0.023)×0.058=0.4987

上述过程即是一次迭代调整，然后用调整后的权重参数集合再计算y₅的预测值：

$\begin{array}{c}{\hat{y}}_5={\mathrm{\φ}}_1^{\text{'}}{y}_4+{\mathrm{\φ}}_2^{\text{'}}{y}_3=0.4999*0.009+0.4987*0.006=0.0075\\ e_5=y_5-{\hat{y}}_5=-0.048-0.0075=-0.0555\end{array}$

根据φ_i'=φ_i+2ke_t+1x_t-i+1，调整得到新的权重参数集合：

φ₁'=0.4999+2×0.5×(-0.0555)×0.009=0.4994

φ₂'=0.4987+2×0.5×(-0.0555)×0.006=0.4984

……

继续向下进行迭代，步骤同上，一直计算到y₁₂的预测值，得到：

$\begin{array}{c}{\hat{y}}_{12}={\mathrm{\φ}}_1^{\text{'}}{y}_{11}+{\mathrm{\φ}}_2^{\text{'}}{y}_{10}=0.473*(-0.02)+0.383*(-0.167)=-0.073\\ e_{12}=y_{12}-{\hat{y}}_{12}=-0.256-0.073=-0.1826\end{array}$

计算整个交通数据序列的均方误差MSE，判断其值是否为0，如不为0，则利用误差e₁₂及旧的φ₁'及φ₂'，计算新的φ₁'及φ₂'，并重头即从y₃,y₂,开始新一轮的迭代，直到判断MSE为0或没有明显变化时，记录此时的权重参数集合为φ'_final1及φ'_final2。

则最终的 ${\hat{y}}_{13}={\mathrm{\φ}}_{\mathrm{final}1}^{\text{'}}{y}_{12}+{\mathrm{\φ}}_{\mathrm{final}2}^{\text{'}}{y}_{11}=0.25*(-0.256)+0.82*(-0.02)=-0.08,$ 由此可得最终的预测值为 $x_{13}=x_{12}*e^{{\hat{y}}_{13}}=43.6*e^{-0.08}=47.25$

若考虑事件影响，则根据本发明实施例，首先根据当前时刻的交通数据判断当前交通状态是否可能处于事件状态，即判断12时刻的状态是否为事件状态。具体的，可以采用箱线图法：

对1-11的序列进行从小到大排序，排序后的结果如下：

56.31>57.43>58.07>61.59>63.09>64.4>65.24>65.64>66.25>67.89>74.3

确定中位数Median=64.4

确定较大四分位数Q₃=65.64

确定较小四分位数Q₁=58.07

则：上限阈值E₁=64.4+(65.64-58.07)=71.97

下限阈值E₂=64.4-(65.64-58.07)=56.83

即阈值范围为71.97～56.83。

由于第12个值为43.6，则对10，11，12时刻的值取对数得到：

X₁₀=ln(x₁₀)=ln(57.43)=4.05

X₁₁=ln(x₁₁)=ln(56.31)=4.031

X₁₂=ln(x₁₂)=ln(43.6)=3.775

则y₁=lnX₁₁-lnX₁₀=4.03-4.05=-0.02

y₂=lnX₁₂-lnX₁₁=3.775-4.03=-0.255

根据确定出的y₁及y₂确定出对应的事件类型，假设根据历史事件序列已经建立了事件类型与权重参数集合的对应关系，并在建立的对应关系中查找到的对应的权重参数集合为：φ₁=2,φ₂=1.5，则：

y₃=φ₁y₁+φ₂y₂=2*(-0.02)+1.5*(-0.255)=-0.4125

则对应的预测值x₁₃=x₁₂*e^y3=43.6*e^-0.4125=28.86

本发明实施例提供的交通流预测方法及装置，在进行交通流预测时，首先根据当前时刻的交通数据判断当前的交通状态是否为事件状态，如果是，将从预先建立的时间类型与权重参数集合的对应关系中查找当前交通数据序列对应的权重参数集合，如果否，将按照预设算法确定当前交通数据序列对应的权重参数，由于上述过程中，对当前时刻的交通状态是否为事件状态进行判断，这样，当有突发事件发生时，可以结合事件影响对权重参数集合进行调整，从而提高了交通流预测的准确性。

基于同一发明构思，本发明实施例中还提供了交通流预测装置，由于上述装置解决问题的原理与交通流预测方法相似，因此上述装置的实施可以参见方法的实施，重复之处不再赘述。

如图3所示，为本发明实施例提供的交通流预测装置的结构示意图，包括：

提取单元301，用于从当前交通数据序列中提取当前时刻的交通数据；

其中，当前交通数据序列包含当前时刻以及当前时刻之前指定时长内、固定时间间隔的交通数据；

判断单元302，用于根据当前时刻的交通数据，判断当前交通状态是否为事件状态；

权重参数确定单元303，用于在判断单元302的判断结果为是时，确定当前时刻交通状态对应的事件类型，从预先建立的事件类型与权重参数集合的对应关系中查找所述事件类型对应的权重参数集合；在判断单元302的判断结果为否时，按照预设算法确定所述当前交通数据序列对应的权重参数集合；

预测单元304，用于根据当前交通数据序列和权重参数确定单元303确定出的权重参数集合，预测下一时刻交通数据。

具体实施时，判断单元302，可以包括：

第一确定子单元，用于分别确定当前交通数据序列的上限阈值和下限阈值；

第一判断子单元，用于判断当前时刻的交通数据是否大于上限阈值且小于下限阈值；

第二确定子单元，用于在所述判断子单元的判断结果为是时，确定当前交通状态为事件状态；以及在所述判断子单元的判断结果为否时，确定当前交通状态为非事件状态。

其中，第一确定子单元，包括：

排序模块，用于按照从大到小的顺序依次排列所述当前交通数据序列中的交通数据；

第一确定模块，用于分别确定所述当前交通数据序列对应的中位数、较大四分位数和较小四分位数；以及根据确定出的中位数、较大四分位数和较小四分位数，确定所述当前交通数据序列的上限阈值和下限阈值。

具体实施时，预测单元304可以包括：

第三确定子单元，用于确定当前交通数据序列对应的对数序列；以及确定所述对数序列对应的差分序列；

提取子单元，用于根据权重参数集合所包含的权重参数的数量，从所述差分序列中，按照与当前时刻由近及远的顺序提取相同数量的交通数据；

加权子单元，用于根据各提取到的交通数据在权重参数集合中对应的权重参数，对提取到的交通数据进行加权；

第一处理子单元，用于分别对加权结果进行差分逆运算和对数逆运算得到下一时刻交通数据。

具体实施时，本发明实施例提供的交通流预测装置，还可以包括：

预处理单元，用于在第三确定子单元在定当前交通数据序列对应的对数序列之前，按照预设规则对当前交通数据序列进行预处理。

较佳的，预处理单元，可以包括：

第二判断子单元，用于判断当前交通数据序列是否缺失数据；以及判断所述当前交通数据序列是否存在错误数据；

第二处理子单元，用于在第二判断子单元判断出缺失数据时，补齐缺失数据；以及在第二判断子单元判断出存在错误数据时，删除错误数据并补齐所删除的数据。

具体实施时，第二判断子单元，还可以用于在判断出缺失数据时，在处理子单元补齐缺失数据之前，判断缺失数据数量是否超过第一预设阈值；第二处理子单元，具体用于在缺失数据数量超过第一预设阈值时，采用同时期历史数据替换方法补齐缺失数据；以及在缺失数据数量不超过第一预设阈值时，采用平均插值方法补齐缺失数据。具体的，第二处理子单元，可以用于采用平均插值方法补齐所删除的数据。

具体实施时，第二判断子单元，可以包括：

判断模块，用于针对每一交通数据，判断该交通数据是否超过第二预设阈值；

第二确定模块，用于在判断模块的判断结果为是时，确定该交通数据为错误数据；以及在判断模块的判断结果为否时，确定该交通数据为正确数据。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (18)

1.一种交通流预测方法，其特征在于，包括：

从当前交通数据序列中提取当前时刻的交通数据，所述当前交通数据序列包含当前时刻以及当前时刻之前指定时长内、固定时间间隔的交通数据；

根据当前时刻的交通数据，判断当前交通状态是否为事件状态；

若是，确定当前时刻交通状态对应的事件类型，从预先建立的事件类型与权重参数集合的对应关系中查找所述事件类型对应的权重参数集合；若否，按照预设算法确定所述当前交通数据序列对应的权重参数集合；

根据所述当前交通数据序列和所述权重参数集合，预测下一时刻交通数据。

2.如权利要求1所述的方法，其特征在于，根据当前时刻的交通数据，判断当前交通状态是否为事件状态，具体包括：

分别确定所述当前交通数据序列的上限阈值和下限阈值；

判断所述当前时刻的交通数据是否大于下限阈值且小于上限阈值；

若是，确定当前交通状态为事件状态；

若否，确定当前交通状态为非事件状态。

3.如权利要求2所述的方法，其特征在于，确定所述当前交通数据序列的上限阈值和下限阈值，具体包括：

按照从大到小的顺序依次排列所述当前交通数据序列中的交通数据；

分别确定所述当前交通数据序列对应的中位数、较大四分位数和较小四分位数；

根据确定出的中位数、较大四分位数和较小四分位数，确定所述当前交通数据序列的上限阈值和下限阈值。

4.如权利要求1所述的方法，其特征在于，根据所述当前交通数据序列和所述权重参数集合，预测下一时刻交通数据，具体包括：

确定所述当前交通数据序列对应的对数序列；

确定所述对数序列对应的差分序列；

根据所述权重参数集合所包含的权重参数的数量，从所述差分序列中，按照时间顺序由近及远提取相同数量的交通数据；

根据各提取到的交通数据在权重参数集合中对应的权重参数，对提取到的交通数据进行加权；

分别对加权结果进行差分逆运算和对数逆运算得到下一时刻交通数据。

5.如权利要求4所述的方法，其特征在于，在确定所述当前交通数据序列对应的对数序列之前，还包括：

按照预设规则对所述当前交通数据序列进行预处理。

6.如权利要求5所述的方法，其特征在于，按照预设规则对所述当前交通数据序列进行预处理，具体包括：

判断所述当前交通数据序列是否缺失数据，若是，补齐缺失数据；

判断所述当前交通数据序列是否存在错误数据，若是，删除错误数据并补齐所删除的数据。

7.如权利要求6所述的方法，其特征在于，若缺失数据时，在补齐缺失数据之前，还包括：

判断缺失数据数量是否超过第一预设阈值；以及

补齐缺失数据，具体包括：

在判断结果为是时，采用同时期历史数据替换方法补齐缺失数据；

在判断结果为否时，采用平均插值方法补齐缺失数据。

8.如权利要求6所述的方法，其特征在于，按照以下方法判断是否存在错误数据：

针对每一交通数据，判断该交通数据是否超过第二预设阈值；

在判断结果为是时，确定该交通数据为错误数据；

在判断结果为否时，确定该交通数据为正确数据。

9.如权利要求6或8所述的方法，其特征在于，采用平均插值方法补齐所删除的数据。

10.一种交通流预测装置，其特征在于，包括：

提取单元，用于从当前交通数据序列中提取当前时刻的交通数据，所述当前交通数据序列包含当前时刻以及当前时刻之前指定时长内、固定时间间隔的交通数据；

判断单元，用于根据当前时刻的交通数据，判断当前交通状态是否为事件状态；

权重参数确定单元，用于在所述判断单元的判断结果为是时，确定当前时刻交通状态对应的事件类型，从预先建立的事件类型与权重参数集合的对应关系中查找所述事件类型对应的权重参数集合；在所述判断单元的判断结果为否时，按照预设算法确定所述当前交通数据序列对应的权重参数集合；

预测单元，用于根据所述当前交通数据序列和所述权重参数集合，预测下一时刻交通数据。

11.如权利要求10所述的装置，其特征在于，所述判断单元，包括：

第一确定子单元，用于分别确定所述当前交通数据序列的上限阈值和下限阈值；

第一判断子单元，用于判断当前时刻的交通数据是否大于下限阈值且小于上限阈值；

第二确定子单元，用于在所述判断子单元的判断结果为是时，确定当前交通状态为事件状态；以及在所述判断子单元的判断结果为否时，确定当前交通状态为非事件状态。

12.如权利要求11所述的装置，其特征在于，所述第一确定子单元，包括：

排序模块，用于按照从大到小的顺序依次排列所述当前交通数据序列中的交通数据；

第一确定模块，用于分别确定所述当前交通数据序列对应的中位数、较大四分位数和较小四分位数；以及根据确定出的中位数、较大四分位数和较小四分位数，确定所述当前交通数据序列的上限阈值和下限阈值。

13.如权利要求10所述的装置，其特征在于，所述预测单元，具体包括：

第三确定子单元，用于确定所述当前交通数据序列对应的对数序列；以及确定所述对数序列对应的差分序列；

提取子单元，用于根据所述权重参数集合所包含的权重参数的数量，从所述差分序列中，按照与当前时刻由近及远的顺序提取相同数量的交通数据；

加权子单元，用于根据各提取到的交通数据在权重参数集合中对应的权重参数，对提取到的交通数据进行加权；

第一处理子单元，用于分别对加权结果进行差分逆运算和对数逆运算得到下一时刻交通数据。

14.如权利要求13所述的装置，其特征在于，还包括：

预处理单元，用于在所述第三确定子单元确定所述当前交通数据序列对应的对数序列之前，按照预设规则对所述当前交通数据序列进行预处理。

15.如权利要求14所述的装置，其特征在于，所述预处理单元，包括：

第二判断子单元，用于判断所述当前交通数据序列是否缺失数据；以及判断所述当前交通数据序列是否存在错误数据；

第二处理子单元，用于在所述第二判断子单元判断出缺失数据时，补齐缺失数据；以及在所述第二判断子单元判断出存在错误数据时，删除错误数据并补齐所删除的数据。

16.如权利要求15所述的装置，其特征在于，

所述第二判断子单元，还用于在判断出缺失数据时，在所述处理子单元补齐缺失数据之前，判断缺失数据数量是否超过第一预设阈值；

所述第二处理子单元，具体用于在缺失数据数量超过第一预设阈值时，采用同时期历史数据替换方法补齐缺失数据；以及在缺失数据数量不超过第一预设阈值时，采用平均插值方法补齐缺失数据。

17.如权利要求15所述的装置，其特征在于，所述第二判断子单元，包括：

判断模块，用于针对每一交通数据，判断该交通数据是否超过第二预设阈值；

第二确定模块，用于在所述判断模块的判断结果为是时，确定该交通数据为错误数据；以及在所述判断模块的判断结果为否时，确定该交通数据为正确数据。

18.如权利要求15或者17所述的装置，其特征在于，

所述第二处理子单元，具体用于采用平均插值方法补齐所删除的数据。

Images