CN103778323B - 基于指数平滑的预测交通流数据的方法和系统 - Google Patents

Abstract

本发明公开了一种基于指数平滑的预测交通流数据的方法和系统，该方法包括：预处理步骤，对所采集的交通数据进行预处理；纠差步骤，根据指数平滑法对经过预处理的交通数据进行滤波，并对该滤波结果进行反向递推，以消除滤波结果中的误差；预测步骤，通过三次指数平滑预测模型对消除误差后的交通数据进行预测，以得到交通流预测信息。本发明通过预处理实时采集的交通数据，消除了测量数据中的异常；通过对经过预处理的数据进行正反向滤波消除了累积误差，保证了滤波结果的准确性；采用单步预测法准确地预测了交通数据流，预测结果具有一定的客观性。

Description

基于指数平滑的预测交通流数据的方法和系统

技术领域

本发明涉及交通流预测领域，尤其涉及一种基于指数平滑的预测交通流数据的方法和系统。

背景技术

交通控制与诱导系统是智能交通系统(ITS)研究的热门核心问题，而实现交通流诱导系统的关键问题是实时准确的交通流数据预测，即如何有效地利用实时交通数据信息（即时序流）去滚动预测未来几分钟的交通状况。实时准确的交通流数据能给出行者提供实时有效的信息，帮助他们更好地进行路径选择，实现路径诱导，以缩减出行时间，减少交通拥堵。

目前，交通流预测模型与方法主要有Kalman滤波、神经网络模型、指数平滑。然而，Kalman滤波在每次计算都要调整权值，需要大量的矩阵和向量运算，算法较复杂，难以用于在线预测。神经网络模型只有简单的外部权值处理能力而不具备复杂的内部转移函数处理能力，因而存在局部极小，收敛速度慢等不足。指数平衡法总是会出现滞后误差，经过多次计算误差累计将会造成预测值不精确。

发明内容

本发明所要解决的技术问题之一是需要提供一种基于指数平滑的预测交通流数据的方法，该方法的测量数据更加可靠且误差较小。此外，还提供了一种基于指数平滑的预测交通流数据的系统。

为了解决上述技术问题，本发明提供了一种基于指数平滑的预测交通流数据的方法，包括：预处理步骤，对所采集的交通数据进行预处理；纠差步骤，根据指数平滑法对经过预处理的交通数据进行滤波，并对该滤波结果进行反向递推，以消除所述滤波结果中的误差；预测步骤，通过三次指数平滑预测模型对消除误差后的交通数据进行预测，以得到交通流预测信息。

在一个实施例中，所述预处理步骤进一步包括设定上限阈值和下限阈值；将所采集的各个交通数据分别与所述上限阈值和下限阈值进行实时比较，若该交通数据大于所述上限阈值或小于所述下限阈值，则将所述交通数据替换为其前一时刻的交通数据。

在一个实施例中，在所述预处理步骤中，若某一时刻所采集的交通数据出现缺失时，则将其前一时刻与后一时刻的交通数据的均值作为本时刻的交通数据。

在一个实施例中，在所述纠差步骤中，通过以下表达式对所述交通数据进行滤波：

$\left\{\begin{array}{c}s\left(t\right)=\mathrm{ay}\left(t\right)+(1-a)s(t-1)\\ s^{\′}\left(t\right)=\mathrm{as}\left(t\right)+(1-a)s^{\′}(t-1)\\ s^{\′\′}\left(t\right)=a{s}^{\′}\left(t\right)+(1-a)s^{\′\′}(t-1)\end{array}\right.$

其中，a为平滑常数，t为采样时刻，y(t)为由所述交通数据组成的滤波序列，s(t)、s'(t)、s''(t)分别为第一次滤波结果、第二次滤波结果以及第三次滤波结果。

在一个实施例中，通过以下表达式对所述滤波结果进行反向递推：

$\left\{\begin{array}{c}S\left(t\right)=a{y}^{\′}\left(t\right)+(1-a)S(t+1)\\ S^{\′}\left(t\right)=\mathrm{aS}\left(t\right)+(1-a)S^{\′}(t+1)\\ S^{\′\′}\left(t\right)=a{S}^{\′}\left(t\right)+(1-a)S^{\′\′}(t+1)\end{array}\right.$

其中，t为采样时刻，y'(t)为正向递推的结果s''(t)，S(t)为反向递推得到的第一次滤波结果、S'(t)为反向递推得到的第二次滤波结果、S''(t)为反向递推得到的第三次滤波结果。

在一个实施例中，在所述预测步骤中，通过如下表达式对消除误差后的交通数据进行预测：

$\left\{\begin{array}{c}\hat{y}(t+T)=a_t+b_{t}T+c_t{T}^2\\ a_t=3S\left(t\right)-3S^{\′}\left(t\right)+S^{\′\′}\left(t\right)\\ b_t=\frac{a}{2{(1-a)}^2}[(6-5a)S\left(t\right)-2(5-4a)S^{\′}\left(t\right)+(4-3a)S^{\′\′}\left(t\right)]\\ c_t=\frac{a^2}{2{(1-a)}^2}[S\left(t\right)-2S^{\′}\left(t\right)+S^{\′\′}\left(t\right)\text{]}\end{array}\right.$

其中，T为单步预测得到的周期，为预测值，a_t、b_t、c_t为中间变量，a_t为预测值表达式的常数项，b_t为预测值表达式的一次项，c_t为预测值表达式的二次项。

根据本发明的另一方面，还提供了一种基于指数平滑的预测交通流数据的系统，包括：预处理模块，其用于对所采集的交通数据进行预处理；纠差模块，其根据三次指数平滑法对经过预处理的交通数据信息进行滤波，并对该滤波结果进行反向递推，以消除所述滤波结果中的误差；预测模块，其通过三次指数平滑预测模型对消除误差后的交通数据信息进行预测，以得到交通流预测信息。

在一个实施例中，所述预处理模块中进一步包括上限阈值和下限阈值，将所采集的各个交通数据分别与所述上限阈值和下限阈值进行实时比较，若该交通数据大于所述上限阈值或小于所述下限阈值，则将所述交通数据替换为其前一时刻的交通数据。

在一个实施例中，在某一时刻所采集的交通数据出现缺失时，所述预处理模块还将其前一时刻与后一时刻的交通数据的均值作为本时刻的交通数据。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

本发明通过对实时采集的交通数据进行预处理，消除了测量数据中的异常对测量结果的影响，提高了测量数据的可靠性；通过对经过预处理的数据进行正反向滤波消除了累积误差，保证了滤波结果的准确性；采用单步预测法准确地预测了交通数据流，预测结果具有一定的客观性。

本发明的其它特征和优点将在随后的说明书中阐述，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

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1是根据本发明一实施例的基于指数平滑的预测交通流数据的系统的框图；

图2是根据本发明一实施例的基于指数平滑的预测交通流数据的方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明作进一步地详细说明。

下面结合图1来说明本实施例的基于指数平滑的预测交通流数据的系统。本系统的目的是实现实时准确的交通流数据的预测。

如图1所示，这个基于指数平滑的预测交通流数据的系统包括预处理模块10、纠差模块11以及预测模块12。

其中，预处理模块10用于对所采集的交通数据进行预处理。举例而言，预处理模块10可以从传感器中获取实时交通数据。

进一步地，预处理模块10中设置有上限阈值和下限阈值，将所采集的各个交通数据分别与上限阈值和下限阈值进行实时比较，若该交通数据大于上限阈值或小于下限阈值，则该交通数据为异常数据，并将其替换为其前一时刻的交通数据。

此外，在所采集的交通数据出现缺失时，预处理模块10还将其前一时刻与后一时刻的交通数据的均值作为本时刻的交通数据。

这种对实时采集的数据进行预处理的方法克服了现有技术中将测量得到的数据直接应用的缺陷，对数据进行预处理有效地避免了异常数据或含有测量噪声的测量数据对最终预测结果的影响。

对于纠差模块11来说，其用于根据三次指数平滑方法对经过预处理的交通数据进行滤波，并对该滤波结果进行反向递推，以消除滤波结果中的误差。

传统的指数平滑法滤波结果的曲线总是会出现由于累积误差而导致“右偏移”的现象，当平滑系数较小时次现象尤为明显。这为斜率较大的曲线中带来了很大的误差。为了克服指数平滑方法中的这一缺点，纠差模块11在三次指数平滑法的基础上增加了一个反向递推的过程。反向递推实际上也有一个“左偏移量”，正好可以抵消正向递推的“右偏移量”，达到纠正偏差的目的，实现了滤波的准确性。由于产生的“左偏移量”与“右偏移量”抵消，所以增加了反向递推过程的指数平滑法可以看作一种平衡指数平衡法。

具体地，通过三次指数平滑法对经过预处理的交通数据进行滤波，公式如下：

$\left\{\begin{array}{c}s\left(t\right)=\mathrm{ay}\left(t\right)+(1-a)s(t-1)\\ s^{\′}\left(t\right)=\mathrm{as}\left(t\right)+(1-a)s^{\′}(t-1)\\ s^{\′\′}\left(t\right)=a{s}^{\′}\left(t\right)+(1-a)s^{\′\′}(t-1)\end{array}\right.---\left(1\right)$

其中，a为平滑常数，t为采样时刻，y(t)为由实时采集的交通数据组成的滤波序列，s(t)、s'(t)、s''(t)分别为第一次滤波结果、第二次滤波结果以及第三次滤波结果。

对于平滑常数a，通常情况下其取值范围为[0,1]。平滑常数a越接近0，相邻数据点影响越大，滤波曲线表现越平滑，反之平滑常数a越接近1，相邻数据点影响越小，滤波曲线表现越灵敏。由于交通数据的波动较大，因此应选取较小的a，在一个示例中取a=0.2。

进一步地，通过如下表达式对上述滤波结果进行反向递推：

$\left\{\begin{array}{c}S\left(t\right)=a{y}^{\′}\left(t\right)+(1-a)S(t+1)\\ S^{\′}\left(t\right)=\mathrm{aS}\left(t\right)+(1-a)S^{\′}(t+1)\\ S^{\′\′}\left(t\right)=a{S}^{\′}\left(t\right)+(1-a)S^{\′\′}(t+1)\end{array}\right.---\left(2\right)$

其中，t为采样时刻，y'(t)为正向递推的结果s''(t)，S(t)为反向递推得到的第一次滤波结果、S'(t)为反向递推得到的第二次滤波结果、S''(t)为反向递推得到的第三次滤波结果。

在获取到无偏移的滤波结果后，预测模块12基于单步预测所得到的周期，通过三次指数平滑预测模型对消除误差后的滤波结果进行预测。

$\left\{\begin{array}{c}\hat{y}(t+T)=a_t+b_{t}T+c_t{T}^2\\ a_t=3S\left(t\right)-3S^{\′}\left(t\right)+S^{\′\′}\left(t\right)\\ b_t=\frac{a}{2{(1-a)}^2}[(6-5a)S\left(t\right)-2(5-4a)S^{\′}\left(t\right)+(4-3a)S^{\′\′}\left(t\right)]\\ c_t=\frac{a^2}{2{(1-a)}^2}[S\left(t\right)-2S^{\′}\left(t\right)+S^{\′\′}\left(t\right)\text{]}\end{array}\right.---\left(3\right)$

其中，T为单步预测得到的周期，为预测值，a_t、b_t、c_t为中间变量，a_t为预测值表达式的常数项，b_t为预测值表达式的一次项，c_t为预测值表达式的二次项。

值得注意的是，传统的预测模型的周期通常为主观确定，具有较强的主观性，因此预测常常不准确。在一个示例中预测模块12采用单步预测，即周期取为1，从而保证了预测的准确性。具体地，单步预测是相对多步预测而言的，即对于周期序列而言，单步预测就是预测下一个周期的数据，多步预测就是预测下几个周期的数据；而对于非周期序列而言，单步预测就是预测下一个时刻的数据，多步预测就是预测下几个时刻的数据。显然，单步预测的周期为1，具有实现方便，实时性好的特点。

从另一观点来看，本发明还提出一种基于指数平滑的预测交通流数据的方法。以下即结合上述的基于指数平滑的预测交通流数据的系统，说明预测交通流数据的各步骤。

图2是根据本发明另一实施例的基于指数平滑的预测交通流数据的方法的流程图，请同时参照图1和图2。

首先，如步骤S210所示，预处理模块10对所采集的交通流数据进行预处理。进一步地，步骤S210还包括设定上限阈值和下限阈值，预处理模块10将所采集的各个交通数据分别与上限阈值和下限阈值进行实时比较，若该交通数据大于上限阈值或小于下限阈值，则将该交通数据替换为其前一时刻的交通数据。此外，在某一时刻所采集的交通数据出现缺失时，将其前一时刻与后一时刻的交通数据的均值作为本时刻的交通数据。

接着，在步骤S220中，纠差模块11根据三次指数平滑方法对经过预处理的交通数据进行滤波，并对该滤波结果进行反向递推，从而消除上述滤波结果中的误差。

详细地说，为了克服指数平滑方法中的由于累计误差导致的“右偏移量”，纠差模块11在三次指数平滑法的基础上增加了一个反向递推的过程。反向递推实际上也有一个“左偏移量”，正好可以抵消正向递推的“右偏移量”，达到纠正偏差的目的，实现了滤波的准确性。由于产生的“左偏移量”与“右偏移量”抵消，所以增加了反向递推过程的指数平滑法可以看作一种平衡指数平衡法。

具体地，纠差模块11首先使用公式（1）通过三次指数平滑法对经过预处理的交通数据进行滤波。然后进一步地通过公式（2）对公式（1）中获取的平滑结果进行反向递推。

最后，在步骤S230中，在获取到无偏移的交通数据后，通过三次指数平滑预测模型来对消除误差后的无偏移交通数据信息进行预测，以得到短时间内的交通流预测信息。实时准确的交通流预测为智能交通系统（ITS）的研究发展提供了良好的基础信息。

如上所述，传统的预测模型的周期通常为主观确定，具有较强的主观性，因此预测常常不准确。在一个示例中预测模块12采用单步预测的方法获得预测周期，从而保证了预测的准确性。

综上所述，本实施例通过对实时采集的交通数据进行预处理，消除了测量数据中的异常对测量结果的影响，保证了交通数据的实时性，且提高了测量数据的可靠性；通过对经过预处理的数据进行正反向滤波消除了累积误差，保证了滤波结果的准确性；并且基于单步预测得到的周期对滤波结果进行预测，使得周期的确定具有客观性，从而保证了交通流预测结果的准确性。

以上所述，仅为本发明的具体实施案例，本发明的保护范围并不局限于此，任何熟悉本技术的技术人员在本发明所述的技术规范内，对本发明的修改或替换，都应在本发明的保护范围之内。

Claims (7)

1.一种基于指数平滑的预测交通流数据的方法，包括：

预处理步骤，对所采集的交通数据进行预处理；

纠差步骤，根据指数平滑法对经过预处理的交通数据进行滤波，并对该滤波结果进行反向递推，以消除所述滤波结果中的误差；

预测步骤，通过三次指数平滑预测模型对消除误差后的交通数据进行预测，以得到交通流预测信息，

在所述纠差步骤中，通过以下表达式对所述交通数据进行滤波：

$\left\{\begin{array}{c}s\left(t\right)=ay\left(t\right)+(1-a)s(t-1)\\ s^{\′}\left(t\right)=as\left(t\right)+(1-a)s^{\′}(t-1)\\ s^{\′\′}\left(t\right)={\mathrm{as}}^{\′}\left(t\right)+(1-a)s^{\′\′}(t-1)\end{array}\right.$

其中，a为平滑常数，t为采样时刻，y(t)为由所述交通数据组成的滤波序列，s(t)、s'(t)、s”(t)分别为第一次滤波结果、第二次滤波结果以及第三次滤波结果，

通过以下表达式对所述滤波结果进行反向递推：

$\left\{\begin{array}{c}S\left(t\right)={\mathrm{ay}}^{\′}\left(t\right)+(1-a)S(t+1)\\ S^{\′}\left(t\right)=aS\left(t\right)+(1-a)S^{\′}(t+1)\\ S^{\′\′}\left(t\right)={\mathrm{aS}}^{\′}\left(t\right)+(1-a)S^{\′\′}(t+1)\end{array}\right.$

其中，t为采样时刻，y'(t)为正向递推的结果s”(t)，S(t)为反向递推得到的第一次滤波结果、S'(t)为反向递推得到的第二次滤波结果、S”(t)为反向递推得到的第三次滤波结果。

2.根据权利要求1所述的预测交通流数据的方法，其特征在于，所述预处理步骤进一步包括：

设定上限阈值和下限阈值；

将所采集的各个交通数据分别与所述上限阈值和下限阈值进行实时比较，若该交通数据大于所述上限阈值或小于所述下限阈值，则将所述交通数据替换为其前一时刻的交通数据。

3.根据权利要求2所述的预测交通流数据的方法，其特征在于，

在所述预处理步骤中，若某一时刻所采集的交通数据出现缺失时，则将其前一时刻与后一时刻的交通数据的均值作为本时刻的交通数据。

4.根据权利要求1所述的预测交通流数据的方法，其特征在于，在所述预测步骤中，通过如下表达式对消除误差后的交通数据进行预测：

$\left\{\begin{array}{c}\hat{y}(t+T)=a_t+b_{t}T+c_t{T}^2\\ a_t=3S\left(t\right)-3S^{\′}\left(t\right)+S^{\′\′}\left(t\right)\\ b_t=\frac{a}{2{(1-a)}^2}\[(6-5a)S\left(t\right)-2(5-4a)S^{\′}\left(t\right)+(4-3a)S^{\′\′}\left(t\right)\]\\ c_t=\frac{a^2}{2{(1-a)}^2}\[S\left(t\right)-2S^{\′}\left(t\right)+S^{\′\′}\left(t\right)\]\end{array}\right.$

其中，T为单步预测得到的周期，为预测值，a_t、b_t、c_t为中间变量，a_t为预测值表达式的常数项，b_t为预测值表达式的一次项，c_t为预测值表达式的二次项。

5.一种基于指数平滑的预测交通流数据的系统，包括：

预处理模块，其用于对所采集的交通数据进行预处理；

纠差模块，其根据三次指数平滑法对经过预处理的交通数据信息进行滤波，并对该滤波结果进行反向递推，以消除所述滤波结果中的误差；

预测模块，其通过三次指数平滑预测模型对消除误差后的交通数据信息进行预测，以得到交通流预测信息，

在所述纠差模块中，通过以下表达式对所述交通数据进行滤波：

$\left\{\begin{array}{c}s\left(t\right)=ay\left(t\right)+(1-a)s(t-1)\\ s^{\′}\left(t\right)=as\left(t\right)+(1-a)s^{\′}(t-1)\\ s^{\′\′}\left(t\right)={\mathrm{as}}^{\′}\left(t\right)+(1-a)s^{\′\′}(t-1)\end{array}\right.$

其中，a为平滑常数，t为采样时刻，y(t)为由所述交通数据组成的滤波序列，s(t)、s'(t)、s”(t)分别为第一次滤波结果、第二次滤波结果以及第三次滤波结果，

通过以下表达式对所述滤波结果进行反向递推：

$\left\{\begin{array}{c}S\left(t\right)={\mathrm{ay}}^{\′}\left(t\right)+(1-a)S(t+1)\\ S^{\′}\left(t\right)=aS\left(t\right)+(1-a)S^{\′}(t+1)\\ S^{\′\′}\left(t\right)={\mathrm{aS}}^{\′}\left(t\right)+(1-a)S^{\′\′}(t+1)\end{array}\right.$

其中，t为采样时刻，y'(t)为正向递推的结果s”(t)，S(t)为反向递推得到的第一次滤波结果、S'(t)为反向递推得到的第二次滤波结果、S”(t)为反向递推得到的第三次滤波结果。

6.根据权利要求5所述的预测交通流数据的系统，其特征在于，所述预处理模块中进一步包括上限阈值和下限阈值，将所采集的各个交通数据分别与所述上限阈值和下限阈值进行实时比较，若该交通数据大于所述上限阈值或小于所述下限阈值，则将所述交通数据替换为其前一时刻的交通数据。

7.根据权利要求6所述的预测交通流数据的系统，其特征在于，在某一时刻所采集的交通数据出现缺失时，所述预处理模块还将其前一时刻与后一时刻的交通数据的均值作为本时刻的交通数据。