CN104978857A - 一种基于混沌理论的交通状态预测方法及其装置 - Google Patents

Abstract

本发明公开了一种基于混沌理论的交通状态预测方法及其装置。本发明的该交通状态预测方法包括步骤：采集交通道路的数据流，得到多个交通参数的时间序列；根据所述交通参数的时间序列进行多参数相空间重构，得到多参数相空间，并在所述多参数相空间中，结合Bayes估计理论进行相点最优融合，得到对应于所述多个交通参数的融合相空间；对所述融合相空间中的时间序列进行混沌分析，当分析得出所述融合相空间的时间序列呈现混沌特性，则结合RBF神经网络对交通道路进行混沌预测。本发明的交通状态预测方法相较于传统的单参数时间序列预测方法，能够获得更好的预测效果，其预测性和精度较高。

Description

一种基于混沌理论的交通状态预测方法及其装置

技术领域

本发明涉及智能交通技术领域，尤其涉及一种基于混沌理论的交通状态预测方法及其装置。

背景技术

随着交通问题日趋严峻，仅凭改善道路基础硬件设施已不能缓解急剧增加的机动车给道路交通系统带来的压力，交通拥堵问题愈显突出。因此，如何在短时间内准确地预测交通道路的交通参数对应时间序列的变化趋势，是制定缓解交通拥堵措施的基础之一。交通诱导和控制是智能交通系统(Intelligent Transportation System，ITS)的重要组成部分，短期内实时准确的交通参数时间序列预测是实现智能交通诱导和控制的前提和关键。然而，随着预测周期的缩短，交通参数时间序列会表现出更强的随机性、不确定性和非线性。因此，采用传统方法(如数学模型)在预测精度和实时性方面难以达到要求。理论上更精确的方法是用符合短期交通流特性的非线性动力学理论对交通流进行预测，随着非线性动力学系统，特别是混沌理论的不断发展，为从交通系统固有的随机性和复杂性角度研究交通参数时间序列预测提供了一条全新的途径。

在混沌理论的研究中，基于时间序列的混沌预测方法已成为当前混沌理论研究热点，其目的在于使预测模型更好地逼近系统实际的物理过程，从而提高预测的可靠性和实用性。关于混沌时间序列的预测， 主要分为局域预测法和全域预测法两类。局域预测法的特点是计算量小、简单易行，缺点是不能预测历史数据中没有的新点，而全局预测法可以克服这个缺点。常用的局域法有基于Lyapunov指数的局域法、零阶局域法、一阶局域法以及高阶局域法等。而常用的全局预测方法包括多项式模型、神经网络模型。其中，神经网络因能逼近任意复杂的非线性函数关系，具有很强的模式识别和自学能力，在解决高度非线性系统的模型辨识和控制等方面显示出巨大的潜力，并在交通参数时间序列预测中发挥着重要作用。短期交通参数时间序列预测的神经网络包括反向传播神经网络(BPNN)、径向函数神经网络(RBFNN)、时间迟滞神经网络(TDNN)及时间迟滞性循环神经网络(TLRN)。其中，RBF神经网络网络的训练次数更少，具有更高的预测性能，以及RBF(Radial Basis Function)神经网络因只有单个隐含层，结构更加简单。通过实验验证，相比ARIMA模型，采用RBF神经网络进行交通流短时预测，RBF神经网络预测精度更高，耗时更少。且在混沌时间序列的建模和预测中，与现有方法相比，RBF网络模型对原混沌模型有比较强的拟合能力和比较高的预测精度，而且收敛速度快，算法比较简单，明显优于BP网络和其它方法。通过对实际采集的交通流量数据进行仿真研究，结果表明RBF神经网络在交通流量的短时预测上具有较高的预测精度。相比之下，RBF神经网络能克服其它网络存在的局部最优、收敛速度慢及效率低等问题，因此，RBF神经网络被广泛用于短时交通参数的预测。

然而，以上方法大都是针对单个交通参数进行的。但交通系统本 质上是一个开放、非线性和泛时空的复杂系统，单个交通参数难以准确的描述交通系统错综复杂的运动过程，也不能适应当前时变且复杂的道路交通环境。因此，针对现有交通状态时间序列预测方法的不足，需要采用一种合理的能综合反映交通系统特征的数据融合和预测方法。

发明内容

本发明所要解决的技术问题在于，提供一种基于混沌理论的交通状态预测方法及其装置，能全面地包含真实交通道路的信息，可以反映更为完备的交通流的特征，且实时性强、预测精度高。

为了解决上述技术问题，本发明提供了一种基于混沌理论的交通状态预测方法，其包括步骤：

S11，采集交通道路的数据流，得到多个交通参数的时间序列；

S13，根据所述交通参数的时间序列进行多参数相空间重构，得到多参数相空间，并在所述多参数相空间中，结合Bayes估计理论进行相点最优融合，得到对应的融合相空间；

S15，对所述融合相空间中的相点进行混沌分析，且当分析得出所述融合相空间的时间序列呈现混沌特性时，则结合RBF神经网络对交通道路进行混沌预测，预测得到道路交通状态。

进一步地，所述RBF神经网络的的输入层输入节点个数为所述融合相空间的嵌入维数m，而其输出层包含1个输出节点。

进一步地，所述RBF神经网络的输入为所述融合相空间Z中任意相点Z_i，令所述融合相空间为Z＝[Z₁,...,Z_i,...,Z_R]^T，其中，Z_i为所述融合 相空间Z中任意相点，且Z_i＝(z_i,z_i+τ,...,z_i+(m-1)τ)(i＝1,2,...,R)，则所述RBF神经网络的输入为：z＝(z_n,z_n-τ,...,z_n-(m-1)τ)(n＝(m-1)τ+1,(m-1)τ+2,...,N)

其中，i为时间序列中任意坐标点，R为相点总数，R＝N-(m-1)τ，N为时间序列的数据点个数，m和τ分别为时间序列的嵌入维数和延迟时间。

进一步地，所述RBF神经网络的输出为交通状态时间序列的预测值，令该预测值为z_n+1，则其表达式为：

$z_{n+1}=f\left(z\right)=\underset{k=1}{\overset{h}{\Σ}}{w}_k\mathrm{\φ}\left(\right||z-c_k|\left|\right)(n=(m-1)\mathrm{\τ}+1,(m-1)\mathrm{\τ}+2,...,N)$

其中，φ(||z-c_k||)为隐含节点的径向基函数，c_k为每个径向基函数的中心，||z-c_k||表示向量z与中心c_k的Euclid距离，w_k是线性权值，φ(·)为Gauss函数，则

$\mathrm{\φ}\left(\right||z-c_k|\left|\right)=\exp (-\frac{\left|\right|z-{c_k}^2\left|\right|}{2{\mathrm{\σ}}_i^2}),$

其中，σ_i第i个神经元的径向基函数的宽度参数。

更进一步地，所述RBF神经网络的输入层输入节点个数为混沌时间序列重构相空间的嵌入维数m，所述RBF神经网络的输出层包含1个输出节点

相应地，本发明还提供了一种交通状态预测装置，其包括

数据采集模块，用于采集当前交通道路的数据流，得到多个交通参数的时间序列；

数据处理模块，与所述数据采集模块相连，用于根据所述数据采集模块所得到的各个交通参数时间序列进行相空间重构，得到多参数相空间，并结合Bayes估计理论，对所述多参数相空间中多个交通参 数的时间序列进行相点融合，得到融合相空间；

预测模块，用于所述数据处理模块相连，用于对所述融合相空间中的相点进行混沌分析，且当分析得出所述融合相空间的时间序列呈现混沌特性时，则结合RBF神经网络对该交通道路进行混沌预测。

实施本发明，具有如下有益效果：

本发明的交通状态预测方法和装置通过获取多个交通参数的时间序列，并根据该多参数的时间序列进行交通系统的预测，即从不同方面提供完备的交通信息，从而能全面地包含真实系统的信息，可以反映更为完备的系统特征，进而提高预测的精度和性能；同时为了方便预测模型的演算，将多个交通参数所刻画的状态变化过程转换为一维时间序列形式，即将多参数映射为包含各参数特征的新参数，再借鉴单参数时间序列预测算法，并结合RBF神经网络对交通状态未来的变化趋势进行预测，使得计算速度更快，预测效果更好。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一种基于Bayes估计理论的交通状态预测方法的一实施例的流程示意图；

图2是图1中步骤S13的一实施例的流程示意图；

图3是本发明的交通状态预测方法的一实施例中所构建的RBF神经网络结构；

图4是采用本发明的交通状态预测方法中多参数融合的仿真结果；

图5是采用本发明的交通状态预测方法所构建的RBF神经网络对融合后的交通参数的时间序列的预测结果；

图6是本发明的一种交通状态预测装置的一实施例的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了能够从多角度反映交通状态的变化特征，本发明通过获取多个交通参数，并结合Bayes估计理论进行数据融合，再结合RBF神经网络进行预测，即从不同方面提供更完备的交通信息，从而能全面地包含真实系统所包含的信息，进而可以反映更为完备的系统特征，并且本发明将多个交通参数所刻画的状态变化过程转换为一维时间序列形式，从而通过单参数时间序列预测算法对交通状态未来的变化进行预测，从而使得预测模型的演算更加简单方便。下面结合具体实施例对本发明的交通状态预测方法进行详细的说明。

参见图1，为本发明的一种基于混沌理论的交通状态预测方法的一实施例的流程示意图。具体地，本实施例中该基于混沌理论的交通状态预测方法具体包括步骤：

S11，实时采集交通道路的数据流，得到多个交通参数的时间序列。本实施例中该多个交通参数具体可包括：平均车速V，平均车流量Q，平均占有率O。

S13，根据步骤S11中获得的交通参数的时间序列进行多参数相空间重构，得到多参数相空间，并在该多参数相空间中，结合Bayes估计理论进行相点最优融合，得到对应于该多个交通参数的融合相空间。

具体地，参见图2，本实施例中该步骤S13具体包括步骤：

S131，对获得的各个交通参数的时间序列进行预处理。具体地，首先，分别对多个交通参数各自的时间序列进行归一化处理，得到多个交通参数的时间序列的归一化处理结果。由于实际获得的多个交通参数的时间序列量纲的不一致性，因此，需要先对每个交通参数对应的时间序列进行归一化处理。在一具体实施例中，令步骤S11中得到M个交通参数的时间序列为[Y₁,Y₂,...,Y_M]^T，则预先对该M个交通参数的时间序列的归一化处理，即按照下式(2)对每个交通参数的时间序列进行归一化处理，从而得到该M个交通参数的时间序列的归一化处理结果：

其中，N为交通参数时间序列的数据点个数，则有：

$u\left(n\right)=\frac{y\left(n\right)-min\left(y\right(n))}{max\left(y\right(n)-\min \left(y\right(n)\left)\right)}---\left(2\right)$

S133，针对经过预处理的多个交通参数时间序列，进行多参数相空间构建，得到多参数相空间。具体地，分别采用求时延的C‐C方法和求嵌入维的G‐P算法，以确定各个交通参数的时间序列所对应的嵌入维数m₁,m₂,...,m_M和延迟时间τ₁,τ₂,...,τ_M；然后，将M个交通参数的时间序列分别嵌入到同一相空间，由此，得到M个重构相空间，其中，第K个时间序列

Y_k＝{y_k,i}(k＝1,2,...,M；i＝1,2,...,N)的重构相空间为：

其中，R为相点的总数，且R＝N-(m-1)τ，{y_k,i,y_k,i+τ,...,y_k,i+(m-1)τ}代表第k个时间序列的第i个相点，所有这些相点便构成m维相空间中的一个子集。

S135，确定新的相空间的重构参数，并结合Bayes估计理论将上述多参数相空间中多个交通参数的时间序列进行相点融合，得到融合相空间。具体地，为了尽可能地呈现各个交通参数的全部特征，选取最大嵌入维数m和最小延迟时间τ作为新的相空间的重构参数，即：

m＝max(m_i),τ＝min(τ_i)(i＝1,2,...,M)  (4)

进一步地，根据上述的新的相空间的重构参数，采用Bayes估计理论将上述多参数相空间中的多个相点进行融合，得到融合相空间。具体地，分别抽取上述的M个重构相空间中任意一个相空间点，组成融合相点集合为：

D_i＝[y_1,i+(q-1)τ；...；y_k,i+(q-1)τ；...；y_M,i+(q-1)τ](i＝1,2,...,R；q＝1,2,...,m),  (5) 

令

y₁＝(y_1,i,y_1,i+τ,...,y_1,i+(m-1)τ)

...

y_k＝(y_k,i,y_k,i+τ,...,y_k,i+(m-1)τ),    (6) 

...

y_M＝(y_M,i,y_M,i+τ,...，y_M,i+(m-1)τ)

则有：D_i＝[y₁；...；y_k；...；y_M].

设z_i为融合后的相空间点，则z_i的Bayes估计为：

$p\left(z_i\right|y_1,...,y_k,...,y_M)=\frac{p(z_i;y_1,...,y_k,...,y_M)}{p(y_1,...,y_k,...,y_M)}.---\left(7\right)$

令即z_i服从正态分布，且即D_i服从分布，则z_i的后验概率为：

$p\left(z_i\right|D_i)=\frac{p\left(D_i\right|z_i)p\left(z_i\right)}{p\left(D_i\right)}=\mathrm{\α}p\left(D_i\right|z_i)p\left(z_i\right)---\left(8\right)$

进一步展开得：

$\begin{array}{c}p\left(z_i\right|y_1,...,y_k,...y_M)=\mathrm{\α}\underset{h=1}{\overset{M}{\Π}}\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_h}\exp \[-\frac{1}{2}{\left(\frac{y_h-z_i}{{\mathrm{\σ}}_h}\right)}^2\]\×\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_0}\exp \[-\frac{1}{2}{\left(\frac{z_i-z_0}{{\mathrm{\σ}}_0}\right)}^2\]\\ ={\mathrm{\α}}^{\′}\exp \[-\frac{1}{2}(\underset{h=1}{\overset{M}{\Σ}}{\left(\frac{y_h-z_i}{{\mathrm{\σ}}_h}\right)}^2+{\left(\frac{z_i-z_0}{{\mathrm{\σ}}_0}\right)}^2)\]\end{array}---\left(9\right)$

其中，指数部分仍然是关于z_i的二次函数，因此p(z_i|y₁,...,y_k,...,y_M)服从正态分布，令p(z_i|y₁,...,y_k,...,y_M)～N(z,σ²)，即

$p\left(z_i\right|y_1,...,y_k,...,y_M)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp \[-\frac{1}{2}{\left(\frac{z_i-z}{\mathrm{\σ}}\right)}^2\]---\left(10\right)$

将上述两个式进一步展开得：

${\mathrm{\α}}^{\″}\exp \[-\frac{1}{2}\left(\left(\underset{h=1}{\overset{M}{\Σ}}\frac{1}{{\mathrm{\σ}}_h^2}+\frac{1}{{\mathrm{\σ}}_0^2}\right)z_i^2-2\left(\underset{h=1}{\overset{M}{\Σ}}\frac{y_h}{{\mathrm{\σ}}_h^2}+\frac{z_0}{{\mathrm{\σ}}_0^2}\right)z_i\right)\]=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp \[-\frac{1}{2}{\left(\frac{z_i-z}{\mathrm{\σ}}\right)}^2\]---\left(11\right)$

其中，上述(8)‐(11)式中的α,α′,α″吸收所有与z_i无关的项，由(11)式可得

$\left\{\begin{array}{c}\frac{1}{{\mathrm{\σ}}^2}=\underset{h=1}{\overset{M}{\Σ}}\frac{1}{{\mathrm{\σ}}_h^2}+\frac{1}{{\mathrm{\σ}}_0^2}\\ \frac{z}{{\mathrm{\σ}}^2}=\underset{h=1}{\overset{M}{\Σ}}\frac{y_h}{{\mathrm{\σ}}_h^2}+\frac{z_0}{{\mathrm{\σ}}_0^2}\end{array}\right.---\left(12\right)$

求解以上方程组，可得

$z=\frac{{\mathrm{\Σ}}_{h=1}^M\frac{y_h}{{\mathrm{\σ}}_h^2}+\frac{z_0}{{\mathrm{\σ}}_0^2}}{{\mathrm{\Σ}}_{h=1}^M\frac{1}{{\mathrm{\σ}}_h^2}+\frac{1}{{\mathrm{\σ}}_0^2}}---\left(13\right)$

因此，第i个融合相点集合的最优融合相点z_i的Bayes估计值为：

${\hat{z}}_i=\underset{\mathrm{\Ω}}{\∫}{z}_i\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp \[-\frac{1}{2}{\left(\frac{z_i-z}{\mathrm{\σ}}\right)}^2\]{\mathrm{dz}}_i=z(i=1,2,...,R)---\left(14\right)$

令新的相空间点为重复以上计算过程，即对所有相点进行融合，最后得到新的m维相空间，即融合相空间为：

Z＝[Z₁,...,Z_i,...,Z_R]^T  (15) 

式中

Z_i＝(z_i,z_i+τ,...,z_i+(m-1)τ)(i＝1,2,...,R)  (16) 

其中，R为相空间数，i为时间序列中任意坐标点。本实施例中，该融合相空间Z中每一个相点Z_i均融合了每个交通参数的主要特征，并且能够近似的逼近交通流的真实状态。因此，该融合相空间重构出的多参数状态能够包含每个交通参数的重构特征，更能丰富地表现原交通流的变化特征。

S15，对步骤S13得到的融合相空间中的相点进行混沌分析，且当分析得出该融合相空间的时间序列呈现混沌特性时，则结合RBF神经网络对交通道路的交通参数的时间序列进行混沌预测。具体地，利用最小数据量法计算时间序列的最大Lyapunov指数，分别对步骤S11中所实测的交通参数时间序列和步骤S13中经过融合后的时间序列进行混沌特性判别，以研究交通参数时间序列的混沌特性，即只要计算得到的融合后时间序列的最大Lyapunov指数大于零，则可判定该融合后的时间序列呈现混沌特性；当判断出该融合后的时间序列呈现混沌特性后，将混沌时间序列重构相空间，即融合相空间，的嵌入维数作为RBF神经网络的输入个数，并对道路交通多参数时间序列进行混沌预测。本实施例中对实测交通参数时间进行混沌特性进行判别是为后续的RBF预测做准备。具体地，本实施例中，混沌预测的过程具体为：首先，将融合后的时间序列划分为训练样本和测试样本，然后将训练样本进行相空间重构后作为RBF神经网络模型的输入，即对该RBF神经网络进行训练，再者，将上述测试样本进行相空间重构，并作为训练好的RBF神经网络模型的输入，即进行预测，得到该RBF神经模型的输出值，即预测值，将该预测值与测试样本进行对比，其对 比误差即采用绝对误差MAE、平均绝对相对误差MARE和均等系数EC对预测效果进行检验。

下面结合具体实施例对本实施例中结合RBF神经网络进行预测的步骤进行详细的说明。

RBF神经网络，即径向基函数神经网络，是一个三层前向神经网络，隐含层有一组单元节点，每个节点有一个中心，把网络输入矢量与中心参数间的欧式距离作为隐含层神经元函数的输入，输出层函数是线性函数，神经元函数为径向基函数，一般为高斯径向基函数。具体地，参见图3，为本实施例所构建的RBF神经网络结构，即本实施例中，将z作为RBF神经网络的输入，且该RBF神经网络输入层神经元个数等于混沌时间序列重构相空间，即融合相空间，的嵌入维数m，隐含层节点数目的选择则需根据经验及实验调整确定，而该神经网络的输出的数学表达式为:

$z_{n+1}=f\left(z\right)=\underset{k=1}{\overset{h}{\Σ}}{w}_k\mathrm{\φ}\left(\right||z-c_k|\left|\right)(n=(m-1)\mathrm{\τ}-1,(m-1)\mathrm{\τ}+2,...,N)---\left(17\right)$

其中，N是时间序列数据点的个数，取上述融合相空间中任意相点:

Z_i＝(z_i,z_i+τ,...,z_i+(m-1)τ)(i＝1,2,...,R)

令n＝i+(m-1)τ，则上式变换为

z＝(z_n,z_n-τ,...,z_n-(m-1)τ)(n＝(m-1)τ+1,(m-1)τ+2,...,N)

                                                  (18) 

其中，φ(||z-c_k||)为隐含节点的径向基函数，每个径向基函数都有一个中心c_k，||z-c_k||表示向量z与中心c_k的Euclid距离，w_k是线性权值，在输出层加权求和获得输出z_n+1；φ(·)为Gauss函数，其表达式为

$\mathrm{\φ}\left(\right||z-c_k|\left|\right)=\exp (-\frac{\left|\right|z-{c_k}^2\left|\right|}{2{\mathrm{\σ}}_i^2})---\left(19\right)$

其中，σ_i第i个神经元的径向基函数的宽度参数。

进一步地，在本实施例中，为了对比分析，分别对各组交通参数进行一维混沌交通状态时间序列预测，误差计算的对比指标采用了平均绝对误差MAE、平均绝对相对误差MARE和均等系数EC，其中，平均绝对误差MAE表示预测值与观测值的实际偏差绝对值的均值，平均绝对相对误差MARE表示预测值与实际值的实际偏差绝对值占观测值百分比的均值，均等系数EC表示预测值与实际值的拟合度，且各自定义分别为：

$MAE=\frac{{\mathrm{\Σ}}_{h=1}^{N_p}|x\left(h\right)-\hat{x}\left(h\right)|}{N_p}---\left(20\right)$

$MARE=\frac{1}{N_p}{\mathrm{\Σ}}_{h=1}^{N_p}\left|\frac{x\left(h\right)-\hat{x}\left(h\right)}{x\left(h\right)}\right|---\left(21\right)$

$EC=1-\frac{\sqrt{\underset{h=1}{\overset{N_p}{\Σ}}{\left(x\right(h)-\hat{x}(h\left)\right)}^2}}{\sqrt{\underset{h=1}{\overset{N_p}{\Σ}}{\left(x\right(h\left)\right)}^2}+\sqrt{\underset{h=1}{\overset{N_p}{\Σ}}{\left(\hat{x}\right(h\left)\right)}^2}}---\left(22\right)$

其中，x(h)为实际值，为预测值，N_p预测序列长度。

参见图4，是采用本实施例的交通状态预测方法中多参数融合的仿真结果，结果表明融合后的交通参数的时间序列不但能全面反映三组交通参数的全部特征，也与该检测路段的真实交通状态相符合。

参见图5，为采用本实施例的RBF神经网络对融合后的交通参数时间序列的预测结果，结果表明，融合后的时间序列预测值和真实值变化趋势是一致的，预测的平均绝对误差MAE＝0.017，平均绝对相对 误差MARE＝0.0411，均等系数EC＝0.9324表明预测结果能很好的反映交通流的变化趋势和规律，RBF神经网络作为短时交通量的预测是可行的。

对应于上述的交通状态预测方法，本发明还提供了一种交通状态预测装置，下面将结合附图和具体实施例对其进行详细的说明。

参见图6，为本发明的一种交通状态预测装置的一实施例的结构示意图，具体地本实施例中该交通状态预测装置具体包括：

数据采集模块11，用于采集当前交通道路的数据流，得到多个交通参数的时间序列；本实施例中该多个交通参数可包括：平均车速，平均车流量，平均占有率等，具体地，可采用传感器或者摄像头等来采集数据；

数据融合模块13，与数据采集模块11相连，用于根据所述数据采集模块11所得到的各个交通参数时间序列进行相空间重构，得到多参数相空间，并结合Bayes估计理论，对该多参数相空间中多个交通参数的时间序列进行相点融合，得到融合相空间；具体地，该数据融合模块13包括：预处理单元，其与数据采集模块11的输出端相连，用于对该数据采集模块11所采集的各个交通参数的时间序列进行预处理，即主要对各个交通参数时间序列进程归一化处理；重构单元，与该预处理单元相连，用于对预处理后的交通参数时间序列进行多参数相空间重构，具体地，需要分别采用求时延的C‐C方法和求嵌入维的G‐P算法，以确定各个交通参数的时间序列分别所对应的嵌入维数和延迟时间，然后将各个交通参数的时间序列分别嵌入到同一相空间，得到多参数相空间；融合单元，与上述重构单元相连，用于根据该重构单元所确定的各个交通参数的时间序列所对应的嵌入维数和延迟时间，重新确定新的相空间的重构参数，并结合Bayes估计理论将上 述多参数相空间中多个交通参数的时间序列进行相点融合，得到融合相空间，具体地，为了尽可能地呈现各个交通参数的全部特征，选取各个交通参数时间序列所对应的嵌入维数和延迟时间中最大嵌入维数和最小延迟时间，作为新的相空间的重构参数，具体的相点融合方式与上述方法实施例相同，这里不再赘述；

预测模块15，与数据采集模块11和数据融合模块13相连，用于对上述融合相空间中的相点进行混沌分析，且当分析得出该融合相空间的时间序列呈现出混沌特性时，则结合RBF神经网络对该交通道路进行混沌预测；具体地，该预测模块采用小数据量法计算融合后的时间序列的最大Lyapunov指数,从而判别出融合后的时间序列混沌特性，即分别对实测交通参数时间序列和融合后的时间序列进行混沌特性判别，研究交通参数时间序列的混沌特性，即计算得到数据采集模块所实测的交通参数时间序列对应的最大Lyapunov指数大于零，则可判定该实测交通参数时间序列呈现混沌特性，同理也可判断出融合后的时间序列的混沌特性；然后，当分析得出融合后的时间序列呈现混沌特性，则创建RBF神经网络结构，并将混沌时间序列重构相空间，即融合相空间，的嵌入维数作为RBF神经网络的输入个数，实现道路交通多参数时间序列的混沌预测。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于本发明所涵盖的范围。

Claims (8)

1.一种基于混沌理论的交通状态预测方法，其特征在于，包括：

S11，采集交通道路的数据流，得到多个交通参数的时间序列；

S13，根据所述交通参数的时间序列进行多参数相空间重构，得到多参数相空间，并在所述多参数相空间中，结合Bayes估计理论进行相点最优融合，得到对应的融合相空间；

S15，对所述融合相空间中的时间序列进行混沌分析，且当分析得出所述融合空间的时间序列呈现混沌特性时，结合RBF神经网络对交通道路进行混沌预测。

2.如权利要求1所述的基于混沌理论的交通状态预测方法，其特征在于，所述RBF神经网络的的输入层输入节点个数为所述融合相空间的嵌入维数m，而其输出层包含1个输出节点。

3.如权利要求1或2所述的基于混沌理论的交通状态预测方法，其特征在于，所述RBF神经网络的输入为所述融合相空间Z中任意相点Z_i，令所述融合相空间为Z＝[Z₁,…,Z_i,…,Z_R]^T，且任意相点Z_i＝(z_i,z_i+τ,…,z_i+(m-1)τ)(i＝1,2,…,R)，则所述RBF神经网络的输入为：

z＝(z_n,z_n-τ,…,z_n-(m-1)τ)(n＝(m-1)τ+1,(m-1)τ+2,…,N)

其中，i为时间序列中任意坐标点，R为相点总数，R＝N-(m-1)τ，N为时间序列的数据点个数，m和τ分别为时间序列的嵌入维数和延迟时间。

4.如权利要求3所述的基于混沌理论的交通状态预测方法，其特征在于，所述RBF神经网络的输出为交通状态时间序列的预测值，令该预测值为z_n+1，则其表达式为：

$z_{n+1}=f\left(z\right)=\underset{k=1}{\overset{h}{\mathrm{\Σ}}}{w}_k\mathrm{\φ}\left(\right||z-c_k|\left|\right)(n=(m-1)\mathrm{\τ}+1,(m-1)\mathrm{\τ}+2,\·\·\·,N)$

其中，φ(||z-c_k||)为隐含节点的径向基函数，c_k为每个径向基函数的中心，||z-c_k||表示向量z与中心c_k的Euclid距离，w_k是线性权值，φ(·)为Gauss函数，则

$\mathrm{\φ}\left(\right||z-c_k|\left|\right)=\exp (-\frac{\left|\right|z-{c_k}^2\left|\right|}{2{\mathrm{\σ}}_i^2}),$

其中，σ_i第i个神经元的径向基函数的宽度参数。

5.如权利要求1所述的基于混沌理论的交通状态预测方法，其特征在于，所述步骤S15中是采用小数据量法计算时间序列的最大Lyapunov指数，从而根据该最大Lyapunov指数判别出融合后的时间序列混沌特性。

6.如权利要求3所述的基于混沌理论的交通状态预测方法，其特征在于，预测过程中，误差计算的对比指标包括平均绝对误差MAE、平均绝对相对误差MARE和均等系数EC，其中，

平均绝对误差 $\mathrm{MAE}=\frac{{\mathrm{\Σ}}_{h=1}^{N_p}|x\left(h\right)-\hat{x}\left(h\right)|}{N_p}$

平均绝对相对误差 $\mathrm{MARE}=\frac{1}{N_p}{\mathrm{\Σ}}_{h=1}^{N_p}\left|\frac{x\left(h\right)-\hat{x}\left(h\right)}{x\left(h\right)}\right|$

均等系数 $\mathrm{EC}=1-\frac{\sqrt{\underset{h=1}{\overset{N_p}{\mathrm{\Σ}}}{(x\left(h\right)-\hat{x}\left(h\right))}^2}}{\sqrt{\underset{h=1}{\overset{N_p}{\mathrm{\Σ}}}{\left(x\left(h\right)\right)}^2}+\sqrt{\underset{h=1}{\overset{N_p}{\mathrm{\Σ}}}{\left(\hat{x}\left(h\right)\right)}^2}},$

其中，x(h)为实际值，为预测值，N_p预测序列长度。

7.一种交通状态预测装置，其特征在于，包括：

数据采集模块，用于采集当前交通道路的数据流，得到多个交通参数的时间序列；

数据融合模块，与所述数据采集模块相连，用于根据所述数据采集模块所得到的各个交通参数时间序列进行相空间重构，得到多参数相空间，并结合Bayes估计理论，对所述多参数相空间中多个交通参数的时间序列进行相点融合，得到融合相空间；

预测模块，用于所述数据融合模块和所述数据采集模块相连，用于对所述融合相空间中的相点进行混沌分析，且当分析得到所述融合相空间的时间序列呈现混沌特性时，则结合RBF神经网络对该交通道路进行混沌预测。

8.如权利要求7所述的交通状态预测装置，其特征在于，所述数据融合模块包括：

预处理单元，与所述数据采集模块相连，用于对所述数据采集模块所采集的各个交通参数的时间序列进行预处理；

重构单元，与所述预处理单元相连，用于计算经过预处理后的各个交通参数时间序列分别所对应的嵌入维数和延迟时间，并根据所述嵌入维数和延迟时间进行多参数相空间重构；

融合单元，与所述重构单元相连，用于根据所述重构单元所确定的各个交通参数时间序列分别所对应的嵌入维数和延迟时间，重新确定新的相空间的重构参数，并结合Bayes估计理论将所述重构单元所构建的多参数相空间中多个交通参数的时间序列进行相点融合，得到融合相空间。