CN104361407A - 数据重组短时交通流预测方法 - Google Patents

Abstract

本发明涉及一种用于解决交通拥堵现象的数据重组短时交通流预测方法，包括:采集不仅包含工作日、非工作日且包含重大节假日交通流数据，保证数据多样性；提出一种数据重组方法，将采集相同连续时间段交通流数据重组为自然数，建立短时交通流数据库，定期对短时交通流数据库进行更新，适应车流量变化；将当前连续时间段交通流数据重组为自然数；将当前交通流重组数据与短时交通流数据库中历史数据进行大小比对，截取相似样本区间；提出偏差值计算方法，得出相似样本区间中所有样本的偏差值；利用偏差值最小两个样本进行预测；对大量历史交通流数据进行重组处理，使得在搜索相似样本时更加简单、快速、准确；无需对非工作日、工作日及重大节假日交通流分开进行预测，提高了预测快速性和精确性。

Description

数据重组短时交通流预测方法

技术领域

本发明涉及一种用于解决交通拥堵现象，以提高短时交通流预测的准确性与实时性的数据重组短时交通流预测方法。

背景技术

随着经济的迅速发展，越来越多的机动车辆出现在道路上，交通拥堵现象日益严重。在当前现有的道路交通条件下，智能交通控制能够有效的提高道路的利用效率。其中，交通流预测控制方法是实现智能交通控制的关键。目前单一的交通流预测控制方法局限性较大，预测精确度普遍不高；并且不同的交通条件下，不同方法之间的预测精确度也相差较大。基于组合方式的交通流预测方法精确度较单一方法高，但组合方法预测过程较为复杂，实时性不高。例如专利申请号为200910100395.1的专利，利用模糊组合方法将两个子模型的预测输出进行智能组合，虽然预测精确度较高，但实现过程较复杂，且需对交通流数据进行分类预测，可行性较低。专利申请号为201210186056.1的专利，将K近邻法的预测结果和模糊神经网络的预测结果进行加权求和，作为最终的组合模型预测结果。该方法在寻找相似样本的过程中，通过计算样本之间的欧氏距离来判断样本之间的相似性，导致寻找到的相似样本中包含了部分的非相似样本，预测精确度较低。

发明内容

本发明的目的在于克服现有技术中存在的不足而提供一种基于数据重组的以提高短时交通流预测的准确性与实时性的数据重组短时交通流预测方法。

本发明的数据重组短时交通流预测方法，包括以下步骤：

步骤1)、数据采集：采集不仅包含工作日、非工作日而且还包含重大节假日的交通流数据，保证数据库的多样性；当交通流出现异常变化时，数据库的多样性能够保证提取到足够多的相似样本，从而在异常交通流出现时也可实现精确预测；

步骤2)、历史交通流数据重组：

将连续m个时间段的历史交通流数据q(t-m+1)、q(t-2)、q(t-1)、q(t)对应的数字a_t-m+1b_t-m+1c_t-m+1、a_t-2b_t-2c_t-2、a_t-1b_t-1c_t-1、a_tb_tc_t重组为一个自然数C_n，其中选取的连续时间段越多，预测越准确；自然数C_n由比对数据段D₁和预测数据段D₂组成；D₁由q(t-m+1)、q(t-2)、q(t-1)重组而成，D₂由q(t)重组而成；

步骤3)、当前交通流数据重组：

对当前t时间段的交通流量进行预测时，取t时间段之前的连续m-1个时间段的交通流数据p(t-m+1)、p(t-2)、p(t-1)进行重组，记p(t-m+1)、p(t-2)、p(t-1)对应的数字分别为d_t-m+1e_t-m+1f_t-m+1、d_t-2e_t-2f_t-2、d_t-1e_t-1f_t-1，则重组后的数据段为d_t-1d_t-2 d_t-m+1e_t-1e_t-2 e_t-m+1f_t-1f_t-2 f_t-m+1；因该数据段长度为3(m-1),为了便于与自然数C_n相比较，对其末位补充000，补充后为d_t-1d_t-2 d_t-m+1e_t-1e_t-2 e_t-m+1f_t-1f_t-2 f_t-m+1000，记为当前交通流数据重组后对应的自然数B；

步骤4)、截取相似样本区间：

当前交通流数据对应的自然数B与历史交通流数据对应的自然数C_n均为3m位，所以两者进行大小比较，大小越接近，说明两者所代表的连续m-1个时间段的交通流数据大小越接近；重组后的大量历史交通流数据全部为3m位的正自然数，按照大小顺序进行排列；在比较当前交通流数据对应的自然数B与历史交通流数据对应的自然数C_n的相似性时，根据自然数B的大小在短时交通流数据库中的位置，截取相似样本区间；

步骤5)、相似样本偏差值Δ_n计算：

相似样本区间内的每一个自然数C_n对应一组交通流数据，将自然数C_n还原为历史交通流数据如下：

自然数C_n为：

a_t-1a_t-2 a_t-m+1b_t-1b_t-2 b_t-m+1c_t-1c_t-2 c_t-m+1a_tb_tc_t

对应的历史交通流数据列为：

a_t-m+1b_t-m+1c_t-m+1、a_t-m+2b_t-m+2c_t-m+2、a_t-1b_t-1c_t-1、a_tb_tc_t

即为：q(t-m+1)、q(t-2)、q(t-1)、q(t)

当前交通流数据列为：

p(t-m+1)、p(t-2)、p(t-1)；

由于十进制的特殊性，形状最相似的样本不一定在距离上也最近，而与其相邻的样本可能是真正的最相似样本。例如281与289的外形最相似，但290与289才最相似，距离最近。因此，本发明提出了一种偏差值计算方法，在截取的相似区间中根据偏差值Δ_n的大小来确定出最相似样本，而不是直接选择形状最相似的两个样本；

样本偏差值Δ_n计算公式为：

Δ_n＝k_t-m+1|p(t-m+1)-q(t-m+1)|+k_t-2|p(t-2)-q(t-2)|+k_t-1|p(t-1)-q(t-1)|，

式中：在对下一时间段的交通流进行预测时，与其越接近的时间段的交通流数据对其影响越大，所以在对偏差系数k进行赋值时，引入等比数列 $\frac{1}{2^1}+\frac{1}{2^2}++\frac{1}{2^m}\≈1(m\→+\∞),$ 则

$k_{t-1}=\frac{1}{2^l},(l=\mathrm{1,2},m-1);$

通过计算截取的相似区间中各个样本的偏差值Δ_n，选择偏差值最小的两个样本对下一时间段的交通流量进行预测；

步骤6)、预测：

预测函数采用基于样本偏差值Δ_n的加权平均法，用最相似样本来预测下一时间段的交通流，具体公式为：

提取偏差值Δ_n最小的两个样本C_n中的预测数据段D₂所对应的交通流数据q¹(t)、q²(t)，对两个相似样本根据偏差值Δ_n的不同赋予不同的预测权重系数：

相似样本1的预测权重系数β₁为：

${\mathrm{\β}}_1=\frac{{\mathrm{\Δ}}_2}{{\mathrm{\Δ}}_1+{\mathrm{\Δ}}_2},$

相似样本2的预测权重系数β₂为：

${\mathrm{\β}}_2=\frac{{\mathrm{\Δ}}_1}{{\mathrm{\Δ}}_1+{\mathrm{\Δ}}_2},$

则数据重组算法对当前t时间段的交通流量预测值为：

$\stackrel{\‾}{q\left(t\right)}={\mathrm{\β}}_1{q}^1\left(t\right)+{\mathrm{\β}}_2{q}^2\left(t\right)=\frac{{\mathrm{\Δ}}_2}{{\mathrm{\Δ}}_1+{\mathrm{\Δ}}_2}{q}^1\left(t\right)+\frac{{\mathrm{\Δ}}_1}{{\mathrm{\Δ}}_1+{\mathrm{\Δ}}_2}{q}^2\left(t\right),$

式中引入了预测权重系数β，使得偏差值Δ_n较大的样本在预测过程中对预测结果影响小，反之，偏差值Δ_n小的样本在预测过程中对预测结果影响大，从而实现精确的预测；q¹(t)、q²(t)与真实值之差是大小正负随机的，当差值正负相反时，此时符合未定系统的误差抵偿作用，进行加权求和时，会出现误差相互抵消的现象，最终的平均预测误差就会更小。

在步骤2)中，历史交通流数据的具体重组方法如下：

对前m-1个连续时间段的历史交通流数据进行重组，第m个时间段的历史交通流数据只做预测用，不进行重组；设m个时间段的历史交通流数据均为三位数，若个别时间段的数据是两位数则百位补作0。将q(t-m+1)、q(t-2)、q(t-1)的百位数字依次放在一起，作为自然数C_n的前m-1位数字。其中t-1时间段的历史交通流数据q(t-1)的百位数字作为自然数C_n的第一位，t-2时间段的历史交通流数据q(t-2)的百位数字作为自然数C_n的第二位，t-m+1时间段交通流数据q(t-m+1)的百位数字作为自然数C_n的第m-1位，即自然数C_n的前m-1位为a_t-1a_t-2a_t-m+1；将q(t-m+1)、q(t-2)、q(t-1)的十位及个位数字均按照百位数字的重组原则依次放在一起，分别作为自然数C_n的第m～2(m-1)位和(2m-1)～3m位，共同组成自然数C_n的比对数据段D₁；q(t)直接加在比对数据段D₁后面，作为自然数C_n的预测数据段D₂，则重组后的自然数C_n为a_t-1a_t-2 a_t-m+1b_t-1b_t-2 b_t-m+1c_t-1c_t-2 c_t-m+1a_tb_tc_t；依次对所有连续m个时间段的历史交通流数据列完成重组工作，建立短时交通流数据库，且定期对短时交通流数据库进行更新，以适应车流量的发展变化；

在短时交通流预测中，前一时间段的交通流数据对下一时间段的交通流变化影响最大；因此在数据重组时，将q(t-1)的每位数字均排在其余时间段对应数字的前面，这样的排序方式使得在寻找相似样本时，优先满足样本在t-1时间段的交通流数据与当前t-1时间段的交通流数据的相似性，对t时间段的交通流量进行预测时，获得更加准确的预测结果。

在步骤4)中，限定相似区间中样本个数n≤6,即根据自然数B的大小确定出自然数B在短时交通流数据库中的位置，截取自然数B之前的三个样本和之后的三个样本；统计样本与自然数B的相同位数，当截取相似区间中样本与自然数B的相同位数小于m时，说明样本质量不高，预测可靠性不高，需对短时交通流数据库进行扩充。

本发明对杂乱无序的交通流数据进行重组处理，既保留了单个交通流数据的特点，又使连续时间段交通流数据的特点有序凸显出来，所以在搜索相似样本时，既保证了快速性又保证了样本的精确性。因此本发明使得①在搜索相似样本时更加简单、快速、准确；②无需对非工作日、工作日以及重大节假日的交通流分开进行预测。大大提高了预测的快速性和精确性，是短时交通流预测的一种有效方法。

附图说明

图1为本发明提供的数据重组短时交通流预测方法流程图。

具体实施方式

本发明涉及一种用于解决交通拥堵现象的数据重组短时交通流预测方法，包括:(1)采集不仅包含工作日、非工作日且包含重大节假日交通流数据，保证数据多样性；(2)提出一种数据重组方法，将采集的相同连续时间段交通流数据重组为自然数，建立短时交通流数据库，定期对短时交通流数据库进行更新，适应车流量变化；(3)将当前连续时间段交通流数据重组为自然数；(4)将当前交通流重组数据与短时交通流数据库中历史数据进行大小比对，截取相似样本区间；(5)提出偏差值计算方法，计算出相似样本区间中所有样本的偏差值；(6)利用偏差值最小的两个样本进行预测；对大量历史交通流数据进行重组处理，使得在搜索相似样本时更加简单、快速、准确；无需对非工作日、工作日及重大节假日交通流分开进行预测，提高了预测快速性和精确性，是短时交通流预测的一种有效方法。

如图1所示，本发明的短时交通流数据重组预测方法包括下列步骤：

步骤1)、数据采集：采集不仅包含工作日、非工作日而且还包含重大节假日的交通流数据，保证数据库的多样性；当交通流出现异常变化时，数据库的多样性能够保证提取到足够多的相似样本，从而在异常交通流出现时也可实现精确预测。

步骤2)、历史交通流数据重组：

将连续m个时间段的历史交通流数据q(t-m+1)、q(t-2)、q(t-1)、q(t)对应的数字a_t-m+1b_t-m+1c_t-m+1、a_t-2b_t-2c_t-2、a_t-1b_t-1c_t-1、a_tb_tc_t重组为一个自然数C_n，其中选取的连续时间段越多，预测越准确；自然数C_n由比对数据段D₁和预测数据段D₂组成；D₁由q(t-m+1)、q(t-2)、q(t-1)重组而成，D₂由q(t)重组而成；

对前m-1个连续时间段的历史交通流数据进行重组，第m个时间段的历史交通流数据只做预测用，不进行重组。设m个时间段的历史交通流数据均为三位数，若个别时间段的数据是两位数则百位补作0。将q(t-m+1)、q(t-2)、q(t-1)的百位数字依次放在一起，作为自然数C_n的前m-1位数字。其中t-1时间段的历史交通流数据q(t-1)的百位数字作为自然数C_n的第一位，t-2时间段的历史交通流数据q(t-2)的百位数字作为自然数C_n的第二位，t-m+1时间段交通流数据q(t-m+1)的百位数字作为自然数C_n的第m-1位，即自然数C_n的前m-1位为a_t-1a_t-2a_t-m+1。将q(t-m+1)、q(t-2)、q(t-1)的十位及个位数字均按照百位数字的重组原则依次放在一起，分别作为自然数C_n的第m～2(m-1)位和(2m-1)～3m位，共同组成自然数C_n的比对数据段D₁。q(t)直接加在比对数据段D₁后面，作为自然数C_n的预测数据段D₂，则重组后的自然数C_n为a_t-1a_t-2 a_t-m+1b_t-1b_t-2 b_t-m+1c_t-1c_t-2 c_t-m+1a_tb_tc_t。依次对所有连续m个时间段的历史交通流数据列完成重组工作，建立短时交通流数据库，且定期对短时交通流数据库进行更新，以适应车流量的发展变化。

在短时交通流预测中，前一时间段的交通流数据对下一时间段的交通流变化影响最大；因此在数据重组时，将q(t-1)的每位数字均排在其余时间段对应数字的前面，这样的排序方式使得在寻找相似样本时，优先满足样本在t-1时间段的交通流数据与当前t-1时间段的交通流数据的相似性，对t时间段的交通流量进行预测时，获得更加准确的预测结果。

步骤3)、当前交通流数据重组：

对当前t时间段的交通流量进行预测时，取t时间段之前的连续m-1个时间段的交通流数据p(t-m+1)、p(t-2)、p(t-1)进行重组，记p(t-m+1)、p(t-2)、p(t-1)对应的数字分别为d_t-m+1e_t-m+1f_t-m+1、d_t-2e_t-2f_t-2、d_t-1e_t-1f_t-1，则重组后的数据段为d_t-1d_t-2 d_t-m+1e_t-1e_t-2 e_t-m+1f_t-1f_t-2 f_t-m+1；因该数据段长度为3(m-1),为了便于与自然数C_n相比较，对其末位补充000，补充后为d_t-1d_t-2 d_t-m+1e_t-1e_t-2 e_t-m+1f_t-1f_t-2 f_t-m+1000，记为当前交通流数据重组后对应的自然数B；

步骤4)、截取相似样本区间：

当前交通流数据对应的自然数B与历史交通流数据对应的自然数C_n均为3m位，所以两者进行大小比较，大小越接近，说明两者所代表的连续m-1个时间段的交通流数据大小越接近；重组后的大量历史交通流数据全部为3m位的正自然数，按照大小顺序进行排列；在比较当前交通流数据对应的自然数B与历史交通流数据对应的自然数C_n的相似性时，根据自然数B的大小在短时交通流数据库中的位置，截取相似样本区间。

步骤5)、相似样本偏差值Δ_n计算：

相似样本区间内的每一个自然数C_n对应一组交通流数据，将自然数C_n还原为历史交通流数据如下：

自然数C_n为：

a_t-1a_t-2 a_t-m+1b_t-1b_t-2 b_t-m+1c_t-1c_t-2 c_t-m+1a_tb_tc_t

对应的历史交通流数据列为：

a_t-m+1b_t-m+1c_t-m+1、a_t-m+2b_t-m+2c_t-m+2、a_t-1b_t-1c_t-1、a_tb_tc_t

即为：q(t-m+1)、q(t-2)、q(t-1)、q(t)

当前交通流数据列为：

p(t-m+1)、p(t-2)、p(t-1)；

由于十进制的特殊性，形状最相似的样本不一定在距离上也最近，而与其相邻的样本可能是真正的最相似样本。例如281与289的外形最相似，但290与289才最相似，距离最近。因此，本发明提出了一种偏差值计算方法，在截取的相似区间中根据偏差值Δ_n的大小来确定出最相似样本，而不是直接选择形状最相似的两个样本；

样本偏差值Δ_n计算公式为：

Δ_n＝k_t-m+1|p(t-m+1)-q(t-m+1)|+k_t-2|p(t-2)-q(t-2)|+k_t-1|p(t-1)-q(t-1)|，

式中：在对下一时间段的交通流进行预测时，与其越接近的时间段的交通流数据对其影响越大，所以在对偏差系数k进行赋值时，引入等比数列 $\frac{1}{2^1}+\frac{1}{2^2}++\frac{1}{2^m}\≈1(m\→+\∞),$ 则

$k_{t-1}=\frac{1}{2^l},(l=\mathrm{1,2},m-1);$

通过计算截取的相似区间中各个样本的偏差值Δ_n，选择偏差值最小的两个样本对下一时间段的交通流量进行预测。

步骤6)、预测：

预测函数采用基于样本偏差值Δ_n的加权平均法，用最相似样本来预测下一时间段的交通流，具体公式为：

提取偏差值Δ_n最小的两个样本C_n中的预测数据段D₂所对应的交通流数据q¹(t)、q²(t)，对两个相似样本根据偏差值Δ_n的不同赋予不同的预测权重系数：

相似样本1的预测权重系数β₁为：

${\mathrm{\β}}_1=\frac{{\mathrm{\Δ}}_2}{{\mathrm{\Δ}}_1+{\mathrm{\Δ}}_2},$

相似样本2的预测权重系数β₂为：

${\mathrm{\β}}_2=\frac{{\mathrm{\Δ}}_1}{{\mathrm{\Δ}}_1+{\mathrm{\Δ}}_2},$

则数据重组算法对当前t时间段的交通流量预测值为：

$\stackrel{\‾}{q\left(t\right)}={\mathrm{\β}}_1{q}^1\left(t\right)+{\mathrm{\β}}_2{q}^2\left(t\right)=\frac{{\mathrm{\Δ}}_2}{{\mathrm{\Δ}}_1+{\mathrm{\Δ}}_2}{q}^1\left(t\right)+\frac{{\mathrm{\Δ}}_1}{{\mathrm{\Δ}}_1+{\mathrm{\Δ}}_2}{q}^2\left(t\right),$

式中引入了预测权重系数β，使得偏差值Δ_n较大的样本在预测过程中对预测结果影响小，反之，偏差值Δ_n小的样本在预测过程中对预测结果影响大，从而实现精确的预测；q¹(t)、q²(t)与真实值之差是大小正负随机的，当差值正负相反时，此时符合未定系统的误差抵偿作用，进行加权求和时，会出现误差相互抵消的现象，最终的平均预测误差就会更小。具体实施时，每隔10min对交通流量统计一次，对统计后的车流量进行数据重组，建立短时交通流数据库，且定期对数据库进行更新。保证采集到的数据中包含一定量的非工作日数据和重大节假日数据，以提高非工作日交通流预测的准确性。

Claims (3)

1.一种数据重组短时交通流预测方法，其特征在于，包括以下步骤： 

步骤1)、数据采集：采集不仅包含工作日、非工作日而且还包含重大节假日的交通流数据，保证数据库的多样性； 

步骤2)、历史交通流数据重组： 

将连续m个时间段的历史交通流数据q(t-m+1)、q(t-2)、q(t-1)、q(t)对应的数字a_t-m+1b_t-m+1c_t-m+1、a_t-2b_t-2c_t-2、a_t-1b_t-1c_t-1、a_tb_tc_t重组为一个自然数C_n，其中选取的连续时间段越多，预测越准确；自然数C_n由比对数据段D₁和预测数据段D₂组成；D₁由q(t-m+1)、q(t-2)、q(t-1)重组而成，D₂由q(t)重组而成； 

步骤3)、当前交通流数据重组： 

对当前t时间段的交通流量进行预测时，取t时间段之前的连续m-1个时间段的交通流数据p(t-m+1)、p(t-2)、p(t-1)进行重组，记p(t-m+1)、p(t-2)、p(t-1)对应的数字分别为d_t-m+1e_t-m+1f_t-m+1、d_t-2e_t-2f_t-2、d_t-1e_t-1f_t-1，则重组后的数据段为d_t-1d_t-2 d_t-m+1e_t-1e_t-2 e_t-m+1f_t-1f_t-2 f_t-m+1；因该数据段长度为3(m-1),为了便于与自然数C_n相比较，对其末位补充000，补充后为d_t-1d_t-2 d_t-m+1e_t-1e_t-2 e_t-m+1f_t-1f_t-2 f_t-m+1000，记为当前交通流数据重组后对应的自然数B； 

步骤4)、截取相似样本区间： 

当前交通流数据对应的自然数B与历史交通流数据对应的自然数C_n均为3m位，所以两者进行大小比较，大小越接近，说明两者所代表的连续m-1个时间段的交通流数据大小越接近；重组后的大量历史交通流数据全部为3m位的正自然数，按照大小顺序进行排列；在比较当前交通流数据对应的自然数B与历史交通流数据对应的自然数C_n的相似性时，根据自然数B的大小在短时交通流数据库中的位置，截取相似样本区间； 

步骤5)、相似样本偏差值Δ_n计算： 

相似样本区间内的每一个自然数C_n对应一组交通流数据，将自然数C_n还原为历史交通流数据如下： 

自然数C_n为： 

a_t-1a_t-2 a_t-m+1b_t-1b_t-2 b_t-m+1c_t-1c_t-2 c_t-m+1a_tb_tc_t

对应的历史交通流数据列为： 

a_t-m+1b_t-m+1c_t-m+1、a_t-m+2b_t-m+2c_t-m+2、a_t-1b_t-1c_t-1、a_tb_tc_t

即为：q(t-m+1)、q(t-2)、q(t-1)、q(t) 

当前交通流数据列为： 

p(t-m+1)、p(t-2)、p(t-1) 

样本偏差值Δ_n计算公式为： 

Δ_n＝k_t-m+1|p(t-m+1)-q(t-m+1)|+k_t-2|p(t-2)-q(t-2)|+k_t-1|p(t-1)-q(t-1)|， 

式中：在对下一时间段的交通流进行预测时，与其越接近的时间段的交通流数据对其影响越大，所以在对偏差系数k进行赋值时，引入等比数列 则 

通过计算截取的相似区间中各个样本的偏差值Δ_n，选择偏差值最小的两个样本对下一时间段的交通流量进行预测； 

步骤6)、预测： 

预测函数采用基于样本偏差值Δ_n的加权平均法，用最相似样本来预测下一时间段的交通流，具体公式为： 

提取偏差值Δ_n最小的两个样本C_n中的预测数据段D₂所对应的交通流数据q¹(t)、q²(t)，对两个相似样本根据偏差值Δ_n的不同赋予不同的预测权重系数： 

相似样本1的预测权重系数β₁为： 

相似样本2的预测权重系数β₂为： 

则数据重组算法对当前t时间段的交通流量预测值为： 

式中引入了预测权重系数β，使得偏差值Δ_n较大的样本在预测过程中对预测结果影响小，反之，偏差值Δ_n小的样本在预测过程中对预测结果影响大，从而实现精确的预测；q¹(t)、q²(t)与真实值之差是大小正负随机的，当差值正负相反时，此时符合未定系统的误差抵偿作用，进行加权求和时，会出现误差相互抵消的现象，最终的平均预测误差就会更小。 

2.根据权利要求1所述的一种数据重组短时交通流预测方法，其特征在于，在步骤2)中，历史交通流数据的具体重组方法如下： 

对前m-1个连续时间段的历史交通流数据进行重组，第m个时间段的历史交通流数据只做预测用，不进行重组；设m个时间段的历史交通流数据均为三位数，若个别时间段的数据是两位数则百位补作0。将q(t-m+1)、q(t-2)、q(t-1)的百位数字依次放在一起，作为自然数C_n的前m-1位数字。其中t-1时间段的历史交通流数据q(t-1)的百位数字作为自然数C_n的第一位，t-2时间段的历史交通流数据q(t-2)的百位数字作为自然数C_n的第二位，t-m+1时间段交通流数据q(t-m+1)的百位数字作为自然数C_n的第m-1位，即自然数C_n的前m-1位为a_t-1a_t-2a_t-m+1；将q(t-m+1)、q(t-2)、q(t-1)的十位及个位数字均按照百位数字的重组原则依次放在一起，分别作为自然数C_n的第m～2(m-1)位和(2m-1)～3m位，共同组成自然数C_n 的比对数据段D₁；q(t)直接加在比对数据段D₁后面，作为自然数C_n的预测数据段D₂，则重组后的自然数C_n为a_t-1a_t-2 a_t-m+1b_t-1b_t-2 b_t-m+1c_t-1c_t-2 c_t-m+1a_tb_tc_t；依次对所有连续m个时间段的历史交通流数据列完成重组工作，建立短时交通流数据库，且定期对短时交通流数据库进行更新，以适应车流量的发展变化； 

在短时交通流预测中，前一时间段的交通流数据对下一时间段的交通流变化影响最大；因此在数据重组时，将q(t-1)的每位数字均排在其余时间段对应数字的前面，这样的排序方式使得在寻找相似样本时，优先满足样本在t-1时间段的交通流数据与当前t-1时间段的交通流数据的相似性，对t时间段的交通流量进行预测时，获得更加准确的预测结果。 

3.根据权利要求1所述的一种数据重组短时交通流预测方法，其特征在于，在步骤4)中，限定相似区间中样本个数n≤6,即根据自然数B的大小确定出自然数B在短时交通流数据库中的位置，截取自然数B之前的三个样本和之后的三个样本；统计样本与自然数B的相同位数，当截取相似区间中样本与自然数B的相同位数小于m时，说明样本质量不高，预测可靠性不高，需对短时交通流数据库进行扩充。