CN103903430B - 一种采用多源同构数据的行程时间动态融合预测方法 - Google Patents

Abstract

本发明公开了一种采用多源同构数据的行程时间实时融合预测方法，包括在获得多源同构等时间间隔的连续行程时间数据序列的基础上，构建多源行程时间D-S证据推理模型识别框架；利用能够获得预测均值和动态方差的时间序列模型分别计算各类单一行程时间数据源的实时预测均值和动态方差；以动态方差预测结果作为输入数据，通过计算获得D-S证据推理模型的基本概率分配函数和基本信任分配函数，通过证据合成规则计算多源行程时间数据的动态融合权重；由单一数据源的预测均值与动态融合权重的加权和计算得到行程时间的融合结果。本发明降低了由单一数据源描述或预测道路行程时间的不确定性，进一步提高行程时间预测的准确性和可靠性，可操作性强。

Description

一种采用多源同构数据的行程时间动态融合预测方法

技术领域

本发明涉及交通预测领域，具体涉及一种利用多源同构交通信息进行道路行程时间预测的方法。

背景技术

行程时间是交通管理与运营部门实施交通控制措施的重要参考指标，同时也是交通出行者对道路实际交通状态做出判断的直观依据。准确、可靠的行程时间实时预测技术已经成为城市道路主动式交通控制系统、交通诱导系统以及交通信息服务系统等智能交通系统的重要研究内容。

目前国内外对道路行程时间的短时预测技术开展了大量研究，基于统计模型以及人工智能等技术的预测方法不断被提出，并且预测的准确性也不断得到提高。然而，我国城市道路交通状况复杂，交叉口延误、机非混行等因素致使行程时间预测过程存在诸多不确定性。因此，在行程时间预测过程中考虑不确定性，进一步提高行程时间预测的准确性和可靠性是当前行程时间预测领域的研究热点和难点。

此外，随着城市道路交通监控系统的发展，感应线圈、微波车辆器、高清视频摄像机、车载GPS设备，以及蓝牙手机等多种交通信息采集设备为道路行程时间的估计和预测提供了多元化的数据来源，也为基于多源数据融合技术的行程时间预测提供了必要的数据支撑。因此，如何在考虑单一数据源行程时间预测不确定性的基础上，进一步对多源行程时间预测结果进行融合估计，可进一步提高行程时间预测的准确性和可靠性。

发明内容

发明目的：针对当前道路行程时间短时预测及融合技术缺乏对行程时间不确定性量化分析的问题，本发明以行程时间预测过程中的动态方差量化行程时间的不确定性，并以此为基础，提出了一种采用多源同构数据的行程时间实时融合预测方法。

技术方案：一种采用多源同构数据的行程时间实时融合预测方法，所述方法包括如下步骤：

（1）获取S₁,S₂,...S_i,...,S_n为某路段或路径行程时间的n个数据源，对原始数据进行时间规整，形成等时间间隔的时间序列数据集，并建立D-S证据推理模型的识别框架Θ={S₁,S₂,...S_i,...,S_n}，i=1,2,...,n；

（2）对每个数据源S_i的行程时间的时间序列{TT_it}，采用一定数量的历史数据建立单一数据源的行程时间均值及动态方差预测模型；

（3）对于数据源S_i，采用与t时间间隔相邻的一定时段的历史数据及预测模型进行行程时间预测，获得该数据源在时间间隔t内的行程时间均值μ_it和动态方差

（4）以步骤（3）获得的行程时间动态方差作为输入数据，并在假设行程时间数据序列波动的随机过程服从正太分布的基础上，通过识别框架幂集合的各个元素计算D-S证据推理模型的基本概率分配函数p_i(*)，并以此为基础，进一步计算基本信任分配函数m_i(*)；

（5）依据D-S证据推理模型的合成规则，计算D-S证据推理模型的合成信任分配m(*)；

（6）根据D-S证据推理模型的合成信任分配计算获得各类行程时间数据源在时间间隔t内的融合权重w_it；

（7）根据步骤（3）获得的行程时间预测均值μ_it和步骤（6）获得的融合权重w_it计算时间间隔t内的行程时间预测融合值，表达式为

$T{T}_{\mathrm{ft}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{it}}{\mathrm{\μ}}_{\mathrm{it}}$

式中，TT_ft即为多源同构行程时间数据在时间间隔t内的预测融合结果。

所述步骤（1）中，多源同构行程时间数据是以5分钟为等时间间隔的连续时间序列数据。

所述步骤（2）中，采用连续一天等时间间隔的数据进行预测模型的构建及参数估计，并且预测模型形式采用能够提供均值和动态方差的时间序列模型。

所述步骤（3）中用于预测时间间隔t内行程时间信息的一定时段的历史数据由预测模型构建过程限定。

所述步骤（4）中D-S证据推理模型的基本概率分配函数p_i(*)的计算表达式为：

式中i=1,2,...,n，n为数据源种类，X_ht为识别框架Θ幂集的非空元素，h=1,2,...,2ⁿ-1，2ⁿ-1为识别框架Θ的幂集所包含非空集元素的个数，则基本信任分配函m_i(*)的表达式为

$m_i\left(X_{\mathrm{ht}}\right)=p_i\left(X_{\mathrm{ht}}\right)/{\mathrm{\Σ}}_{j=1}^{2^n-1}{p}_i\left(X_{\mathrm{jt}}\right).$

所述步骤（5）中时间间隔t内的合成信任分配函数m(*)的表达式为：

式中

所述步骤（6）中令所有不确定决策的合成信任分配函数均为0，即当

∩X_ht=X^*≠X_it(1≤i≤n)时，m(X^*)=0，则各类数据源在时间间隔t的融合

权重w_it表达式为

$w_{\mathrm{it}}=\frac{m\left(X_{\mathrm{it}}\right)}{\mathrm{\Σm}\left(X\right)}$

式中， $\mathrm{\Σm}\left(X\right)={\mathrm{\Σ}}_{i=1}^{n}m\left(X_{\mathrm{it}}\right).$

有益效果：本发明首先在获得多源同构等时间间隔的连续行程时间数据序列的基础上，构建多源行程时间D-S证据推理模型识别框架；其次，利用能够获得预测均值和动态方差的时间序列模型分别计算各类单一行程时间数据源实时预测均值和动态方差；再次，以动态方差预测结果作为输入数据，通过积分计算获得D-S证据推理模型的基本概率分配函数和基本信任分配函数，进而通过证据合成规则计算多源行程时间数据的动态融合权重；最后，行程时间的融合结果即为各类数据来源的行程时间均值预测结果与各类数据源的动态权重的加权和。该方法可以充分利用多源同构行程时间数据所包含的信息，降低由单一数据源描述或预测道路行程时间的不确定性，进一步提高行程时间预测的准确性和可靠性。该方法技术简单、可操作性强，适用于不同等级道路以及不同道路路段或路径的行程时间实时预测及融合，对于建设道路交通状况预测预报系统、提高交通管理的智能化水平具有积极的意义。

与传统的行程时间预测融合方法相比，本发明的技术优势体现为：以动态方差量化了单一数据源行程时间的不确定性，并且将这种不确定性通过D-S证据推理模型用于多源同构行程时间数据融合的实时动态权重估计。即融合权重由数据驱动，并可通过各个数据源行程时间不确定性的量化程度进行实时调整。

本发明具有的积极效益主要包括：（1）能够充分利用多源同构行程时间信息，降低由单一数据源不确定性造成预测误差较大、可靠性较低的问题，提高行程时间数据预测的准确性和可靠性；（2）利用D-S证据理论进行融合权重的动态估计，满足行程时间预测融合的实时性要求，提升了行程时间融合预测方法在实时交通管理与控制系统中的适用性。

附图说明

图1为本发明流程示意图；

图2为本发明中基于D-S证据推理模型获得两类数据源的融合权重时变图；

图3为本发明中基于D-S证据推理模型融合后的行程时间预测值与真实值的拟合效果图。

具体实施方式

如图1所示，本发明步骤如下：

步骤a.运用智能交通系统中的各类数据采集设备，如感应线圈、微波车辆检测器、视频车辆检测器、手机等，直接或者间接获取以≤5分钟为时间间隔的连续时间序列的多源同构行程时间数据；

步骤b.对多源同构行程时间数据序列进行时间规整，统一转化为以5分钟为时间间隔的时间序列数据；

步骤c.采用连续一天的历史数据，分别针对每一类行程时间数据源建立能够进行均值和动态方差预测的时间序列模型，如广义自回归条件异方差GARCH模型、随机波动SV模型等；

步骤d.利用与时间间隔t相邻的一定数量的历史数据进行行程时间均值和动态方差预测；

步骤e.确定多源同构行程时间数据的D-S证据推理模型识别框架，以时间序列预测模型获得的在时间间隔t内的动态方差作为输入数据，在假设行程时间序列随机波动服从正太分布的基础上，计算在时间间隔t内的D-S证据推理模型基本概率分配函数和基本信任分配函数；

步骤f.依据D-S证据推理模型的合成规则，计算D-S证据推理模型的合成信任分配函数，并进一步计算在时间间隔t内由D-S证据推理模型分配给各个数据源的融合权重；

步骤g.计算在时间间隔t内的单一数据源行程时间预测均值与各个数据源融合权重的加权和，获得在时间间隔t内的行程时间预测融合结果；

步骤h.如需继续进行下一个时间间隔的预测，则令t=t+1，并重新转入步骤d.

以实际采集的昆山市某一城市主干道、某一路段的行程时间融合预测为例，具体说明本发明的实施过程和实施效果。

该实施例采用了2源同构行程时间数据，分别标记为S₁和S₂，其数据的时间序列分别表示为{TT_1t}和{TT_2t}，其中{TT_1t}由微波车辆检测器采集道路断面速度以及交叉口信号控制延误等信息间接估计获得；{TT_2t}由浮动车交通信息采集系统直接获得。两类数据源的采集时间间隔均为5分钟，并且数据采集时间范围为2011年5月10日～2011年5月13日。其中，5月10日的数据用于预测模型构建及参数估计，5月11日～5月13日的数据用于预测性能评估。此外，为了对预测融合效果进行性能评估，本实施例还获得由车辆号牌匹配系统获得的相同路段、相同采集时间间隔及相同历史时段的行程时间数据作为真实值。

本实施例采用广义自回归条件异方差GARCH模型作为单一数据源行程时

间均值及动态方差预测模型。模型表达式如下，模型参数估计结果见表1。

式中，ΔTT_it=u_t-θu_t-1为ARIMA(0,1,1)形式的均值方程，其中ΔTT_it为第i类行程时间的一阶差分序列；u_it为第i类行程时间随机误差项；Ω_i(t-1)为第i类行程时间基于t-1时刻的信息集合；>0，β>0，α>0为待估参数；为第i类行程时间在时间间隔t-1的预测方差；为第i类行程时间均值方程的残差平方项，用于度量从时间间隔t-1获得的波动性信息。

表1GARCH预测模型参数估计

在确定如公式（1）所示的单一数据源行程时间均值及动态方差预测模型之后，进行行程时间的预测，获得5月11日～5月13日每个时间间隔的行程时间预测均值和动态方差。

基于两类数据源，建立D-S证据推理模型识别框架为

Θ_t＝{TT_1t,TT_2t}   （2）

幂集为

基本概率分配函数为

基本信任分配函数为

$m_i\left(X_{\mathrm{ht}}\right)=p_i\left(X_{\mathrm{ht}}\right)/\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{p}_i\left(X_{\mathrm{jt}}\right),h=\mathrm{1,2,3}$

合成分配函数为

融合权重为

$\left\{\begin{array}{c}{w}_{1t}=\frac{m\left(X_{1t}\right)}{m\left(X_{1t}\right)+m\left(X_{2t}\right)}\\ w_{2t}=\frac{m\left(X_2\right)}{m\left(X_{1t}\right)+m\left(X_{2t}\right)}\end{array}\right.---\left(7\right)$

则2源数据的预测融合结果可由下式计算获得

TT_ft＝w_1tμ_1t+w_2tμ_2t   （8）

图2给出了5月11号～5月13号3天的融合权重时变图，从图2中可以看出两类数据源在不同时间间隔所分配的权重具有显著的变化，该变化直接由预测获得的动态方差决定，并且预测的动态方差在本发明中认为是对行程时间不确定性进行量化的手段之一。

本实施例采用平均绝对百分比误差MAPE对预测融合性能进行评估，MAPE表达式为

$\mathrm{MAPE}=\frac{1}{n}{\mathrm{\Σ}}_{k=1}^n\left|\frac{T{T}_k-{\widehat{\mathrm{TT}}}_k}{T{T}_k}\right|\×\%---\left(9\right)$

式中，n为样本个数；TT_k为行程时间实际观测值；为行程时间（融合前后）的预测值。

对比融合前{TT_1t}和{TT_2t}单一数据源的性能、简单采用二者平均的性能以及采用D-S证据推理模型融合的性能，发现采用D-S证据推理模型进行预测融合后的性能优于融合前单一数据源的性能以及简单采用二者平均的性能，具体性能指标计算结果见表2。

表2预测性能对比

性能评估指标	TT1t	TT2t	二者平均	D-S融合
					MAPE(%)	10.28	18.13	11.25	7.53

图3以5月11日1天的预测融合结果为例，给出了基于D-S证据推理模型融合后的行程时间预测结果与真实值的拟合效果，从图3中可以看出，融合后的预测结果与真实值的拟合度较高。换言之，对单一数据源获得的行程时间预测值采用D-S证据推理模型进行融合能够获得较高的行程时间预测准确性。

Claims (4)

1.一种采用多源同构数据的行程时间实时融合预测方法，其特征在于，所述方法包括如下步骤：

(1)获取S₁，S₂，...S_i，...，S_n为某路段或路径行程时间的n个数据源，对原始数据进行时间规整，形成等时间间隔的时间序列数据集，并建立D-S证据推理模型的识别框架Θ＝{S₁，S₂，...，S_i，...，S_n}，i＝1,2,…,n；

(2)对每个数据源S_i的行程时间的时间序列{TT_it}，采用一定数量的历史数据建立单一数据源的行程时间均值及动态方差预测模型；

(3)对数据源S_i采用与t时间间隔相邻的一定时段的历史数据及预测模型进行行程时间预测，获得该数据源在时间间隔t内的行程时间均值μ_it和动态方差

(4)以步骤(3)获得的行程时间动态方差作为输入数据，并在假设行程时间数据序列波动的随机过程服从正太分布的基础上，通过识别框架幂集合的各个元素计算D-S证据推理模型的基本概率分配函数p_i(*)，并以此为基础，进一步计算基本信任分配函数m_i(*)；

(5)依据D-S证据推理模型的合成规则，计算D-S证据推理模型的合成信任分配m(*)；

(6)根据D-S证据推理模型的合成信任分配计算获得各类行程时间数据源在时间间隔t内的融合权重w_it；

(7)根据步骤(3)获得的行程时间预测均值μ_it和步骤(6)获得的融合权重w_it计算时间间隔t内的行程时间预测融合值，表达式为

${\mathrm{TT}}_{\mathrm{ft}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{it}}{\mathrm{\μ}}_{\mathrm{it}}$

式中，TT_ft即为多源同构行程时间数据在时间间隔t内的预测融合结果；

所述步骤(4)中D-S证据推理模型的基本概率分配函数p_i(*)的计算表达式为：

式中i＝1，2，...，n，n为数据源种类，X_ht为识别框架Θ幂集的非空元素，h＝1,2,…,2ⁿ-1，2ⁿ-1为识别框架Θ的幂集所包含非空集元素的个数，则基本信任分配函m_i(*)的表达式为

$m_i\left(X_{\mathrm{ht}}\right)=p_i\left(X_{\mathrm{ht}}\right)/{\mathrm{\Σ}}_{j=1}^{2^n-1}{p}_i\left(X_{\mathrm{jt}}\right);$

所述步骤(5)中时间间隔t内的合成信任分配函数m(*)的表达式为：

式中

所述步骤(6)中令所有不确定决策的合成信任分配函数均为0，即当∩X_ht＝X⁸≠X_it(1≤i≤n）时，m(X⁸)＝0，则各类数据源在时间间隔t的融合权重w_it表达式为

$w_{\mathrm{it}}=\frac{m\left(X_{\mathrm{it}}\right)}{\mathrm{\Σm}\left(X\right)}$

式中， $\mathrm{\Σm}\left(X\right)={\mathrm{\Σ}}_{i=1}^{n}m\left(X_{\mathrm{it}}\right).$

2.根据权利要求1所述的一种采用多源同构数据的行程时间实时融合预测方法，其特征在于，所述步骤(1)中，多源同构行程时间数据是以5分钟为等时间间隔的连续时间序列数据。

3.根据权利要求1所述的一种采用多源同构数据的行程时间实时融合预测方法，其特征在于，所述步骤(2)中，采用连续一天等时间间隔的数据进行预测模型的构建及参数估计，并且预测模型形式采用能够提供均值和动态方差的时间序列模型。

4.根据权利要求1所述的一种采用多源同构数据的行程时间实时融合预测方法，其特征在于，所述步骤(3)中用于预测时间间隔t内行程时间信息的一定时段的历史数据由预测模型构建过程限定。