CN105023044A - 基于大量时间序列的交通流因果关系挖掘方法 - Google Patents

Abstract

本发明提出一种基于大量时间序列的交通流因果关系挖掘方法，包括：S1：获取多个检测点上连续多天的交通流时间序列；S2：对每个检测点每天的交通流时间序列进行时间聚合，生成期望的时间序列，并据此对交通流缺失数据进行补偿，并对每天的交通流时间序列进行去趋势处理；S3：选取目标检测点及因果关系备选检测点，分别对其进行预处理，得到目标检测点预处理后的交通流时间序列和因果关系备选检测点预处理后的交通流时间序列；S4：根据S3得到的结果提取因果关系时间序列；S5：判断是否需要对剩余检测点进行因果关系提取，如果是，则返回S3，否则，输出因果关系时间序列。本发明的方法能够快速、高效地从大量时间序列中提取因果关系时间序列。

Description

基于大量时间序列的交通流因果关系挖掘方法

技术领域

本发明涉及交通信息处理技术领域，特别涉及一种基于大量时间序列的交通流因果关系挖掘方法。

背景技术

在智能交通系统中，精确可靠的交通流量预测在交通控制策略制定、交通流量分配优化等方面起到了重要作用，因此如何提高交通预测的精度一直是智能交通系统交通预测领域中的一个重点。

近年来，除了在改进单传感器预测模型上进行不断的尝试，研究人员越来越关注如何利用多个传感器检测数据间存在的相关关系来提高预测精度，诸多研究证明，如果可以有效利用目标检测点相关的其它检测点数据，确实能够有效提高交通预测精度。

虽然在其它领域已经对提取因果关系的方法有了一段时间的应用，但是在交通领域仍缺少完整有效的交通流时间序列关系的评定方法，同时随着交通数据量的不断增大，如何在仅占用有限的硬件资源的情况下，快速高效的从大量的时间序列中提取出与目标节点间存在因果关系的时间序列的问题也日益突出。目前，出现了一些相关的技术方案，例如一种基于格兰杰因果性的脑电源定位方法，而所关注的问题是利用格兰杰因果性理论对检测到的电信号间的因果性进行一对一的验证，并没有关注大量时间序列情况下求解时间耗费等求解效率问题。另一种方案提出了一种基于行为时间序列的社交网络因果关系发现算法，而该方法所关注的问题是全局因果关系图的建立、因果影响滞后期确定、因果关系图的结构优化，通过全局因果图检查全局因果关系图中边及其对应的滞后期，剔除冗余的因果关系以及缩短因果影响中冗余的滞后期，并没有关注原始时间序列中的波动对因果关系提取的影响。还有一种方案为基于海洛因成瘾模型的大脑回路因果作用关系分析方法，该方法所关注的问题为使用Granger因果关系方法确定差异核团之间的因果作用关系，并没有关注检测数据存在异常点时对结果的影响，同时没有关注大量时间序列下的求解效率问题。

发明内容

本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。

为此，本发明的目的在于提出一种基于大量时间序列的交通流因果关系挖掘方法，该方法能够快速、高效地从大量时间序列中提取与目标时间序列因果相关的因果关系时间序列，提高了后期交通流预测的精度，并且能够一定程度上抑制交通流突变点对因果关系判定结果的影响。

为了实现上述目的，本发明的实施例提出了一种基于大量时间序列的交通流因果关系挖掘方法，包括以下步骤：S1：获取待测区域内的多个检测点上连续多天的交通流时间序列；S2：预处理过程，包括：对每个检测点检测到的每天的交通流时间序列进行时间聚合，以压缩生成期望的时间序列，根据所述期望的时间序列对交通流缺失数据进行补偿，并对所述每天的交通流时间序列进行去趋势处理；S3：选取目标检测点及因果关系备选检测点，并分别对所述目标检测点和所述因果关系备选检测点进行如所述S2中的预处理，以得到所述目标检测点预处理后的交通流时间序列和所述因果关系备选检测点预处理后的交通流时间序列；S4：根据所述目标检测点预处理后的交通流时间序列和所述因果关系备选检测点预处理后的交通流时间序列提取因果关系时间序列；S5：判断是否需要对除所述目标检测点和因果关系备选检测点外的剩余检测点进行因果关系提取，如果是，则返回所述S3，否则，输出所述因果关系时间序列。

另外，根据本发明上述实施例的基于大量时间序列的交通流因果关系挖掘方法还可以具有如下附加的技术特征：

在一些示例中，在所述步骤S2中，进一步包括：对同一检测点检测的连续多天的交通流数据进行时间聚合及交通流缺失数据补偿后为：

Y_t1＝[y_t1-1,y_t1-2,...,y_t1-n],…,Y_tN＝[y_tN-1,y_tN-2,...,y_tN-n]，

其中，n表示所述检测点每天的交通流采样点数；

则所述检测点的交通流趋势通过如下公式得到：

${\stackrel{\‾}{Y}}_{Avergae}=\[\frac{1}{D}\underset{j=N-D+1}{\overset{N}{\Σ}}{y}_{tj-1},...,\frac{1}{D}\underset{j=N-D+1}{\overset{N}{\Σ}}{y}_{tj-n}\],$

去趋势处理后的交通流时间序列为：

${\tilde{Y}}_{t1}=Y_{t1}-{\stackrel{\‾}{Y}}_{Average},...,{\tilde{Y}}_{tN}=Y_{tN}-{\stackrel{\‾}{Y}}_{Average}.$

在一些示例中，所述步骤S4进一步包括：

S41：采用如下公式对所有的交通流时间序列进行预处理：

${\tilde{y}}_t=\left\{\begin{array}{cc}2{\widehat{\mathrm{\&sigma;}}}_{Fluct}& {\tilde{y}}_t>2{\widehat{\mathrm{\&sigma;}}}_{Fluct}\\ -2{\widehat{\mathrm{\&sigma;}}}_{Fluct}& {\tilde{y}}_t<-2{\widehat{\mathrm{\&sigma;}}}_{Fluct}\end{array}\right.,$

其中，表示所述交通流时间序列的标准差，表示时间序列{y_t}、{y_t}为所述目标检测点预处理后的交通流时间序列，为剩余的检测点预处理后的交通流时间序列，其中j＝1,…，

求解标准Lasso回归问题，其中，所述标准Lasso回归问题描述如下：

$\underset{a_i,b_i^j}{\min }\left|\right|y_t-\underset{i=1}{\overset{L}{\&Sigma;}}{a}_i{y}_{t-i}-\underset{j=1}{\overset{P}{\&Sigma;}}\underset{i=1}{\overset{L}{\&Sigma;}}{b}_i^j{x}_{t-i}^j|{|}_2^2+\mathrm{\&lambda;}\underset{i=1}{\overset{L}{\&Sigma;}}\left|a_i\right|+\mathrm{\&lambda;}\underset{j=1}{\overset{P}{\&Sigma;}}\underset{i=1}{\overset{L}{\&Sigma;}}\left|b_i^j\right|,$

其中，P表示可能存在因果关系的时间序列个数，λ是范数惩罚权重，用以决定所得回归系数a_i和的稀疏度；

S42：对所述可能存在因果关系的时间序列进行Robust Lasso Granger因果关系模型求解，以选取备选因果关系时间序列，其中，所述Robust Lasso Granger因果关系模型描述如下：

$\underset{a_i,b_i^j}{\min }H\left(y_t-\underset{i=1}{\overset{L}{\&Sigma;}}{a}_i{y}_{t-i}-\underset{j=1}{\overset{P}{\&Sigma;}}\underset{i=1}{\overset{L}{\&Sigma;}}{b}_i^j{x}_{t-i}^j\right)+\mathrm{\&lambda;}\underset{i=1}{\overset{L}{\&Sigma;}}\left|a_i\right|+\mathrm{\&lambda;}\underset{j=1}{\overset{P}{\&Sigma;}}\underset{i=1}{\overset{L}{\&Sigma;}}\left|b_i^j\right|,$

其中函数H(·)的数学定义如下：

$H\left(w\right)=\left\{\begin{array}{cc}{w}^2/2& \left|w\right|\&le;m\\ m\left|w\right|-m^2/2& \left|w\right|>m\end{array}\right.,$

该函数对残差值小于m(m>0)的残差设定为平方惩罚，对于残差值大于m的残差则采用线性惩罚；

S43：对得到的所述备选因果关系时间序列进行一对一的Granger-Wald假设检验，以判断每一个时间序列与目标时间序列间的因果相关性关系，具体包括：

分别进行如下两个回归分析：

$y_t=\underset{i=1}{\overset{L}{\&Sigma;}}{a}_i{y}_{t-i}+{\mathrm{\&epsiv;}}_{t,1},$

$y_t=\underset{i=1}{\overset{L}{\&Sigma;}}{a}_i{y}_{t-i}+\underset{i=1}{\overset{L}{\&Sigma;}}{b}_i{x}_{t-i}+{\mathrm{\&epsiv;}}_{t,2},$

其中，{x_t}为待验证的备选因果关系时间序列，L是预测中使用的最大的时间延迟，ε_t,1和ε_t,2分别代表以上两个回归分析中t时刻的残差值，a_i和b_i为相应的回归系数，

计算统计量GW_Single为：

${\mathrm{GW}}_{Single}=N\frac{{\widehat{\mathrm{\&sigma;}}}_{{\mathrm{\&epsiv;}}_{t,1}}^2-{\widehat{\mathrm{\&sigma;}}}_{{\mathrm{\&epsiv;}}_{t,2}}^2}{{\widehat{\mathrm{\&sigma;}}}_{{\mathrm{\&epsiv;}}_{t,2}}^2},$

其中，是残差序列{ε_t,2}方差的估计值，是残差序列{ε_t,1}方差的估计值，采样点为t＝L+1,…,N)，

当序列{x_t}与序列{y_t}间不存在Granger因果关系成立时，统计量GW_Single将服从自由度为L的卡方分布，当序列{x_t}与序列{y_t}间不存在Granger因果关系被具有显著意义的GW_Single所否定时，则判定序列{x_t}与序列{y_t}间存在Granger因果关系，否则，则认为两者不存在Granger因果关系。

根据本发明实施例的基于大量时间序列的交通流因果关系挖掘方法，能够快速、高效地从大量时间序列中提取与目标时间序列因果相关的因果关系时间序列，提高了后期交通流预测的精度。另外，该方法中包含的门限策略下的标准Lasso模型及robust Lasso Granger因果关系模型在提取因果关系过程中可以有效的抑制交通流数据突变点对因果关系造成的影响，包含的拆分求解策略及ADMM求解算法在降低运算过程中的硬件消耗、提高求解速度上有着极大的优势。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明一个实施例的基于大量时间序列的交通流因果关系挖掘方法的流程图；

图2是根据本发明一个实施例的因果关系时间序列的提取流程示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

以下结合附图描述根据本发明实施例的基于大量时间序列的交通流因果关系挖掘方法。

图1是根据本发明一个实施例的基于大量时间序列的交通流因果关系挖掘方法的流程图。如图1所示，该方法包括以下步骤：

步骤S1：获取待测区域内的多个检测点(如1000个或2000个等)上连续多天(如三周或一个月等)的交通流时间序列。

步骤S2：预处理过程，包括：根据需求，对每个检测点检测到的每天的交通流时间序列进行时间聚合，以压缩生成期望的时间序列，根据期望的时间序列对交通流缺失数据进行补偿，而后对每天的交通流时间序列进行去趋势处理。

具体地说，在本发明的一个实施例中，假设同一检测点检测的连续多天的交通流数据进行时间聚合及交通流缺失数据补偿后为：

Y_t1＝[y_t1-1,y_t1-2,...,y_t1-n],…,Y_tN＝[y_tN-1,y_tN-2,...,y_tN-n]，

其中，n表示该检测点每天的交通流采样点数，如果将采样间隔设定为30秒，则有n＝2880。

则该检测点的交通流趋势通过如下公式(简单平均的方法)得到：

${\stackrel{\&OverBar;}{Y}}_{Avergae}=\&lsqb;\frac{1}{D}\underset{j=N-D+1}{\overset{N}{\&Sigma;}}{y}_{tj-1},...,\frac{1}{D}\underset{j=N-D+1}{\overset{N}{\&Sigma;}}{y}_{tj-n}\&rsqb;,$

去趋势处理后的交通流时间序列为：

${\tilde{Y}}_{t1}=Y_{t1}-{\stackrel{\&OverBar;}{Y}}_{Average},...,{\tilde{Y}}_{tN}=Y_{tN}-{\stackrel{\&OverBar;}{Y}}_{Average}.$

步骤S3：根据需要选取目标检测点及因果关系备选检测点，并分别对目标检测点和因果关系备选检测点进行如S2中的预处理，以得到目标检测点预处理后的交通流时间序列{y_t}和因果关系备选检测点预处理后的交通流时间序列其中j＝1,…,不同的取值代表不同的时间序列。

步骤S4：根据目标检测点预处理后的交通流时间序列和因果关系备选检测点预处理后的交通流时间序列提取因果关系时间序列。换言之，即该步骤的目的为从大量时间序列数据中挑选出有限的可能与目标时间序列具备相关性的时间序列。

在本发明的一个实施例中，如图2所示，步骤S4进一步包括：

步骤S41：采用如下公式对所有的交通流时间序列进行预处理：

${\tilde{y}}_t=\left\{\begin{array}{cc}2{\widehat{\mathrm{\&sigma;}}}_{Fluct}& {\tilde{y}}_t>2{\widehat{\mathrm{\&sigma;}}}_{Fluct}\\ -2{\widehat{\mathrm{\&sigma;}}}_{Fluct}& {\tilde{y}}_t<-2{\widehat{\mathrm{\&sigma;}}}_{Fluct}\end{array}\right.,$

其中，表示交通流时间序列的标准差，表示时间序列{y_t}、{y_t}为目标检测点预处理后的交通流时间序列，为因果关系备选检测点预处理后的交通流时间序列，其中j＝1,…；

而后，求解一系列的标准Lasso回归问题(拆分求解策略)，以减少求解过程对硬件资源的要求，对问题进行适当的拆分，以确保每一次求解的标准Lasso回归问题规模在普通PC的承受范围内。其中，标准Lasso回归问题描述如下：

$\underset{a_i,b_i^j}{\min }\left|\right|y_t-\underset{i=1}{\overset{L}{\&Sigma;}}{a}_i{y}_{t-i}-\underset{j=1}{\overset{P}{\&Sigma;}}\underset{i=1}{\overset{L}{\&Sigma;}}{b}_i^j{x}_{t-i}^j|{|}_2^2+\mathrm{\&lambda;}\underset{i=1}{\overset{L}{\&Sigma;}}\left|a_i\right|+\mathrm{\&lambda;}\underset{j=1}{\overset{P}{\&Sigma;}}\underset{i=1}{\overset{L}{\&Sigma;}}\left|b_i^j\right|,$

其中，P表示可能存在因果关系的时间序列个数，λ是范数惩罚权重，用以决定所得回归系数a_i和的稀疏度(即非零元素所占比例)。

以下描述拆分求解过程的示例：假设存在1000个有待通过鲁棒性Lasso Granger因果关系模型进行计算的时间序列(将第一个序列作为目标序列，其余999个作为可能相关的时间序列)，同时假设仅有小于100的时间序列与目标时间序列存在真实的相关关系。则在当前步骤内，可以通过首先求解前200个时间序列的标准Lasso回归问题，之后抛弃掉回归系数0(或者接近0)所对应的100个时间序列。而后将保留下来的100个时间序列同后续的100个时间序列(第300-399时间序列)组合，并放入到标准Lasso回归问题中进行下一次求解。重复上述过程直至所有的Lasso问题都求解完毕，则可以确定原始的1000个时间序列中与目标时间序列最可能相关的时间序列，该过程中采用ADMM算法加速Lasso问题求解。

步骤S42：对步骤S41中得到的可能存在因果关系的时间序列进行Robust Lasso Granger因果关系模型求解，以进一步选取备选因果关系时间序列，其中，Robust Lasso Granger因果关系模型描述如下：

$\underset{a_i,b_i^j}{\min }H\left(y_t-\underset{i=1}{\overset{L}{\&Sigma;}}{a}_i{y}_{t-i}-\underset{j=1}{\overset{P}{\&Sigma;}}\underset{i=1}{\overset{L}{\&Sigma;}}{b}_i^j{x}_{t-i}^j\right)+\mathrm{\&lambda;}\underset{i=1}{\overset{L}{\&Sigma;}}\left|a_i\right|+\mathrm{\&lambda;}\underset{j=1}{\overset{P}{\&Sigma;}}\underset{i=1}{\overset{L}{\&Sigma;}}\left|b_i^j\right|,$

其中函数H(·)的数学定义如下：

$H\left(w\right)=\left\{\begin{array}{cc}{w}^2/2& \left|w\right|\&le;m\\ m\left|w\right|-m^2/2& \left|w\right|>m\end{array}\right.,$

该函数对残差值小于m(m>0)的残差设定为平方惩罚，对于残差值大于m的残差则采用线性惩罚。需要说明的是，该过程中同样采用ADMM算法对上述问题进行求解。

步骤S43：对得到且保留下来的备选因果关系时间序列进行一对一的Granger-Wald假设检验，以判断每一个时间序列与目标时间序列间的因果相关性关系，具体包括：

分别进行如下两个回归分析：

$y_t=\underset{i=1}{\overset{L}{\&Sigma;}}{a}_i{y}_{t-i}+{\mathrm{\&epsiv;}}_{t,1},$

$y_t=\underset{i=1}{\overset{L}{\&Sigma;}}{a}_i{y}_{t-i}+\underset{i=1}{\overset{L}{\&Sigma;}}{b}_i{x}_{t-i}+{\mathrm{\&epsiv;}}_{t,2},$

其中，{x_t}为待验证的备选因果关系时间序列，L是预测中使用的最大的时间延迟，ε_t,1和ε_t,2分别代表以上两个回归分析中t时刻的残差值，a_i和b_i为相应的回归系数；

而后，计算统计量GW_Single为：

${\mathrm{GW}}_{Single}=N\frac{{\widehat{\mathrm{\&sigma;}}}_{{\mathrm{\&epsiv;}}_{t,1}}^2-{\widehat{\mathrm{\&sigma;}}}_{{\mathrm{\&epsiv;}}_{t,2}}^2}{{\widehat{\mathrm{\&sigma;}}}_{{\mathrm{\&epsiv;}}_{t,2}}^2},$

其中，是残差序列{ε_t,2}方差的估计值，是残差序列{ε_t,1}方差的估计值，采样点为t＝L+1,…,N)，

当序列{x_t}与序列{y_t}间不存在Granger因果关系时，统计量GW_Single将服从自由度为L的卡方分布，当原假设(序列{x_t}与序列{y_t}间不存在Granger因果关系)被具有显著意义的GW_Single所否定时，则判定序列{x_t}与序列{y_t}间存在Granger因果关系，否则，则认为两者不存在Granger因果关系。

步骤S5：判断是否需要对除目标检测点和因果关系备选检测点外的剩余检测点进行因果关系提取，如果是，则返回步骤S3，否则，输出因果关系时间序列。

综上，根据本发明实施例的基于大量时间序列的交通流因果关系挖掘方法，能够快速、高效地从大量时间序列中提取与目标时间序列因果相关的因果关系时间序列，提高了后期交通流预测的精度。另外，该方法中包含的门限策略下的标准Lasso模型及robust LassoGranger因果关系模型在提取因果关系过程中可以有效的抑制交通流数据突变点对因果关系造成的影响，包含的拆分求解策略及ADMM求解算法在降低运算过程中的硬件消耗、提高求解速度上有着极大的优势。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (3)

1.一种基于大量时间序列的交通流因果关系挖掘方法，其特征在于，包括以下步骤：

S1：获取待测区域内的多个检测点上连续多天的交通流时间序列；

S2：预处理过程，包括：对每个检测点检测到的每天的交通流时间序列进行时间聚合，以压缩生成期望的时间序列，根据所述期望的时间序列对交通流缺失数据进行补偿，并对所述每天的交通流时间序列进行去趋势处理；

S3：选取目标检测点及因果关系备选检测点，并分别对所述目标检测点和所述因果关系备选检测点进行如所述S2中的预处理，以得到所述目标检测点预处理后的交通流时间序列和所述因果关系备选检测点预处理后的交通流时间序列；

S4：根据所述目标检测点预处理后的交通流时间序列和所述因果关系备选检测点预处理后的交通流时间序列提取因果关系时间序列；

S5：判断是否需要对除所述目标检测点和因果关系备选检测点外的剩余检测点进行因果关系提取，如果是，则返回所述S3，否则，输出所述因果关系时间序列。

2.根据权利要求1所述的基于大量时间序列的交通流因果关系挖掘方法，其特征在于，在所述步骤S2中，进一步包括：

对同一检测点检测的连续多天的交通流数据进行时间聚合及交通流缺失数据补偿后为：

Y_t1=[y_t1-1,y_t1-2,...,y_t1-n],…,Y_tN=[y_tN-1,y_tN-2,...,y_tN-n]，

其中，n表示所述检测点每天的交通流采样点数；

则所述检测点的交通流趋势通过如下公式得到：

${\stackrel{\&OverBar;}{Y}}_{Avergae}=\&lsqb;\frac{1}{D}\underset{j=N-D+1}{\overset{N}{\&Sigma;}}{y}_{tj-1},...,\frac{1}{D}\underset{j=N-D+1}{\overset{N}{\&Sigma;}}{y}_{tj-n}\&rsqb;,$

去趋势处理后的交通流时间序列为：

${\tilde{Y}}_{t1}=Y_{t1}-{\stackrel{\&OverBar;}{Y}}_{Average},...,{\tilde{Y}}_{tN}=Y_{tN}-{\stackrel{\&OverBar;}{Y}}_{Average}.$

3.根据权利要求1所述的基于大量时间序列的交通流因果关系挖掘方法，其特征在于，所述步骤S4进一步包括：

S41：采用如下公式对所有的交通流时间序列进行预处理：

${\tilde{y}}_t=\left\{\begin{array}{cc}2{\widehat{\mathrm{\&sigma;}}}_{Fluct}& {\tilde{y}}_t>2{\widehat{\mathrm{\&sigma;}}}_{Fluct}\\ -2{\widehat{\mathrm{\&sigma;}}}_{Fluct}& {\tilde{y}}_t<-2{\widehat{\mathrm{\&sigma;}}}_{Fluct}\end{array}\right.,$

其中，表示所述交通流时间序列的标准差，表示时间序列{y_t}、{x_t ^j}，{y_t}为所述目标检测点预处理后的交通流时间序列，{x_t ^j}为所述因果关系备选检测点预处理后的交通流时间序列，其中j=1,…；

求解标准Lasso回归问题，其中，所述标准Lasso回归问题描述如下：

$\underset{a_i,b_i^j}{\min }\left|\right|y_t-\underset{i=1}{\overset{L}{\&Sigma;}}{a}_i{y}_{t-i}-\underset{j=1}{\overset{P}{\&Sigma;}}\underset{i=1}{\overset{L}{\&Sigma;}}{b}_i^j{x}_{t-i}^j|{|}_2^2+\mathrm{\&lambda;}\underset{i=1}{\overset{L}{\&Sigma;}}\left|a_i\right|+\mathrm{\&lambda;}\underset{j=1}{\overset{P}{\&Sigma;}}\underset{i=1}{\overset{L}{\&Sigma;}}\left|b_i^j\right|,$

其中，P表示可能存在因果关系的时间序列个数，λ是范数惩罚权重，用以决定所得回归系数a_i和的稀疏度；

S42：对所述可能存在因果关系的时间序列进行Robust Lasso Granger因果关系模型求解，以选取备选因果关系时间序列，其中，所述Robust Lasso Granger因果关系模型描述如下：

$\underset{a_i,b_i^j}{\min }H\left(y_t-\underset{i=1}{\overset{L}{\&Sigma;}}{a}_i{y}_{t-i}-\underset{j=1}{\overset{P}{\&Sigma;}}\underset{i=1}{\overset{L}{\&Sigma;}}{b}_i^j{x}_{t-i}^j\right)+\mathrm{\&lambda;}\underset{i=1}{\overset{L}{\&Sigma;}}\left|a_i\right|+\mathrm{\&lambda;}\underset{j=1}{\overset{P}{\&Sigma;}}\underset{i=1}{\overset{L}{\&Sigma;}}\left|b_i^j\right|,$

其中函数H(·)的数学定义如下：

$H\left(w\right)=\left\{\begin{array}{cc}{w}^2/2& \left|w\right|\&le;m\\ m\left|w\right|-m^2/2& \left|w\right|>m\end{array}\right.,$

该函数对残差值小于m（m>0）的残差设定为平方惩罚，对于残差值大于m的残差则采用线性惩罚；

S43：对得到的所述备选因果关系时间序列进行一对一的Granger-Wald假设检验，以判断每一个时间序列与目标时间序列间的因果相关性关系，具体包括：

分别进行如下两个回归分析：

$y_t=\underset{i=1}{\overset{L}{\&Sigma;}}{a}_i{y}_{t-i}+{\mathrm{\&epsiv;}}_{t,1},$

$y_t=\underset{i=1}{\overset{L}{\&Sigma;}}{a}_i{y}_{t-i}+\underset{i=1}{\overset{L}{\&Sigma;}}{b}_i{x}_{t-i}+{\mathrm{\&epsiv;}}_{t,2},$

其中，{x_t}为待验证的备选因果关系时间序列，L是预测中使用的最大的时间延迟，ε_t,1和ε_t,2分别代表以上两个回归分析中t时刻的残差值，a_i和b_i为相应的回归系数；

计算统计量GW_Single为：

${\mathrm{GW}}_{Single}=N\frac{{\widehat{\mathrm{\&sigma;}}}_{{\mathrm{\&epsiv;}}_{t,1}}^2-{\widehat{\mathrm{\&sigma;}}}_{{\mathrm{\&epsiv;}}_{t,2}}^2}{{\widehat{\mathrm{\&sigma;}}}_{{\mathrm{\&epsiv;}}_{t,2}}^2},$

其中，是残差序列{ε_t,2}方差的估计值，是残差序列{ε_t,1}方差的估计值，采样点为t=L+1,…,N），

当序列{x_t}与序列{y_t}间不存在Granger因果关系时，统计量GW_Single将服从自由度为L的卡方分布，当序列{x_t}与序列{y_t}间不存在Granger因果关系被具有显著意义的GW_Single所否定时，则判定序列{x_t}与序列{y_t}间存在Granger因果关系，否则，则认为两者不存在Granger因果关系。