CN105118294A - 一种基于状态模式的短时交通流预测方法 - Google Patents

Abstract

本发明的基于状态模式的短时交通流预测方法，包括：a).建立历史标准样本库；b).获取交通流量状态向量M(t)＝[q(t-l+1),q(t-l+2),...,q(t)]；c).获取交通流量状态模式向量Md(t)＝[r(t-l+1),r(t-l+2),...,r(t-1)]；d).利用欧氏距离计算方法求取当前点与历史标准样本库中点的状态模式相似度；e).获取筛选集合A＝{q(t₁),q(t₂),...,q(t_n)}；f).集合A的进一步筛选，得到筛选后的点的集合B；g).获取交通流量的预测结果。本发明的交通流预测方法，提高了短时交通流预测的准确性与实时性，是一种行之有效的短时交通流预测方法，其预测结果可以为交通管理部门进行交通诱导与控制服务提供依据。

Description

一种基于状态模式的短时交通流预测方法

技术领域

本发明涉及一种交通流预测方法，更具体的说，尤其涉及一种基于状态模式的短时交通流预测方法。

背景技术

近年来，随着城市化与机动化的进程加快，汽车保有量，特别是私家车的大力发展，造成交通流量不断上升，城市交通需求和供给的矛盾越来越大。因此，采取合理的交通需求控制和道路交通管理措施成为解决城市交通问题的关键。其中如何准确的预测道路交通流量成为合理诱导、控制与管理交通出行的瓶颈所在。交通流量预测是根据已有的历史交通流量数据，在t时刻预测t+△t时刻及以后的交通流量，预测时间一般小于15分钟。有了精度较高的实时交通流量信息，才能进一步运用现代信息技术为出行者提供最佳的行驶路线，达到网路畅通、高效运行的目的。

根据预测方法参数来分类，可分为基于参数预测方法和非参数预测方法。参数方法是指对建模数据作一些限制性假设，并且这些数据可以用有限个参数的数学表达式来拟合或者这些数据的分布是已知的等等，否则为非参数方法。参数方法主要有平均移动法、指数平滑法、时间序列法、卡尔曼滤波法等；非参数方法包括神经网络、非参数回归、基于小波分解与重构的方法等。

参数方法很难准确模拟并体现交通系统的不确定性、复杂性及其动态性等特性，非参数回归是一种适合不确定性的、复杂动态系统的非参数估计方法，可以较好的预测短时交通流量。目前单一的短时交通流预测方法都要求独特的信息特征和特定的适用条件，致使单一的预测模型对复杂的交通流量预测精度不高，且在预测之前往往需要进行大量的计算来选择最佳方法，不利于进行实时交通流预测。

发明内容

本发明为了克服上述技术问题的缺点，提供了一种基于状态模式的短时交通流预测方法。

本发明的基于状态模式的短时交通流预测方法，其特别之处在于，通过以下步骤来实现：a).建立历史标准样本库，对待预测路段以往的历史交通数据进行预处理，形成该路段交通数据的历史标准样本库；b).获取交通流量状态向量，采集待预测路段的当前交通数据，采用交通流量时间序列作为交通流量状态向量M(t)，其具体表达式如公式(1)所示：

M(t)＝[q(t-l+1),q(t-l+2),...,q(t)](1)

式中，M(t)为当前路段t时刻的交通流量状态向量，q(t-l+1)、q(t-l+2)、...、q(t)分别为当前路段t-l+1、t-l+2、…、t时刻的交通流量，l表示交通流量状态向量M(t)的维数；c).获取交通流量状态模式向量，对M(t)中相邻时刻的交通流量依次做差并进行差值归一化处理后，形成交通流量状态模式向量Md(t)，如公式(2)所示：

Md(t)＝[r(t-l+1),r(t-l+2),...,r(t-1)](2)

式中，Md(t)为当前路段t时刻的交通流量状态模式向量，r(i)为当前路段i+1时刻与i时刻的交通流量归一化差值，r(i)通过公式(3)进行求取：

$r\left(i\right)=\frac{d\left(i\right)-min\left(d\right(i))}{\max \left(d\right(i))-min\left(d\right(i))}---\left(3\right)$

式中，max(d(i))、min(d(i))分别为当前路段t-l+1、t-l+2、…、t两两相邻时刻交通流量差值的最大值和最小值，d(i)为当前路段i+1时刻与i时刻的交通流量差值，其通过公式(4)进行求取：

d(i)＝q(i+1)-q(i)(4)

式中，t-l+1≤i≤t-1；d).求取当前与历史交通流量状态的相似度，利用欧氏距离计算方法求取当前点与历史标准样本库中点的状态模式相似度，状态模式相似度通过状态模式匹配距离进行表征，通过公式(5)进行求取：

$d_{mh}=\sqrt{\begin{array}{c}{\left(r\left(t-l+1\right)-r_h\left(t-l+1\right)\right)}^2+{\left(r\left(t-l+2\right)-r_h\left(t-l+2\right)\right)}^2\\ +\mathrm{...}+{\left(r\left(t-1\right)-r_h\left(t-1\right)\right)}^2\end{array}}---\left(5\right)$

式中，d_mh为当前点和历史标准样本库中点的状态模式匹配距离；r(t-l+1)、r(t-l+2)、…、r(t-1)分别为当前路段t-l+2与t-l+1时刻、t-l+3与t-l+2时刻、…、t与t-1时刻的交通流量归一化差值；r_h(t-l+1)、r_h(t-l+2)、…、r_h(t-1)分别为历史标准样本库中对应时段的交通流量归一化差值；e).获取筛选集合，对当前点和历史标准样本库中点的状态模式匹配距离从小到大排序，选取距离最近的n个，得到通过状态模式匹配距离筛选后的点的集合A＝{q(t₁),q(t₂),...,q(t_n)}；f).集合A的进一步筛选，采用当前路段的交通流量与上游路口相关转向的交通流量及下游路口相关转向的交通流量作为状态向量X；用加权的欧氏距离法来评价当前点和集合A中的点的状态相似度；根据状态相似度对集合A中的点进行筛选，从集合A中筛选出欧氏距离最近的k个状态，得到筛选后的点的集合B；g).获取交通流量的预测结果，采用基于状态模式向量匹配距离倒数的加权平均法作为预测函数，用步骤f)中获取的集合B中的k个最相似状态来预测下一时段的交通流量，为车辆出行和路段选择提供可靠的参考依据。

本发明的基于状态模式的短时交通流预测方法，步骤f)中所述的集合A的进一步筛选通过以下步骤来实现：

f-1).获取交通流量状态向量X(t)，当前路段的交通流量与上游路口相关转向的交通流量及下游路口相关转向的交通流量作为状态向量X的具体公式为：

$X\left(t\right)=\[v_1^u\left(t\right),v_2^u\left(t\right),...,v_m^u\left(t\right),v\left(t\right),v_1^d\left(t\right),v_2^d\left(t\right),...,v_n^d\left(t\right)\]---\left(6\right)$

式中，X(t)为当前路段t时刻含上下游路口状态的交通流量状态向量，分别为上游路口相关转向t时刻的交通流量，m为上游路口相关转向的个数；v(t)为当前路段t时刻的交通流量；分别为下游路口相关转向t时刻的交通流量，n为上游路口相关转向的个数；f-2).计算匹配距离，利用如公式(7)所示的加权的欧氏距离法来评价当前点和集合A中的点的匹配距离，匹配距离表征两点之间的相似度：

$d_h=\sqrt{\begin{array}{c}{a}_1{\left(v_1^u\left(t\right)-v_{h1}^u\left(t\right)\right)}^2+a_2{\left(v_2^u\left(t\right)-v_{h2}^u\left(t\right)\right)}^2+\mathrm{...}+a_m{\left(v_m^u\left(t\right)-v_{hm}^u\left(t\right)\right)}^2\\ +b{\left(v\left(t\right)-v_h\left(t\right)\right)}^2+c_1{\left(v_1^d\left(t\right)-v_{h1}^d\left(t\right)\right)}^2+c_2{\left(v_2^d\left(t\right)-v_{h2}^d\left(t\right)\right)}^2+\mathrm{...}\\ +c_n{\left(v_n^d\left(t\right)-v_{hn}^d\left(t\right)\right)}^2\end{array}}---\left(7\right)$

式中，d_h为当前点和集合A中的点的匹配距离；分别为上游路口相关转向t时刻的交通流量，分别为集合A中的点的上游路口相关转向的交通流量，m为上游路口相关转向的个数；v(t)为当前路段t时刻的交通流量，v_h(t)为集合A中的点当前路段的交通流量；分别为下游路口相关转向t时刻的交通流量，分别为集合A中的点的下游路口相关转向的交通流量，n为下游路口相关转向的个数；{a₁,a₂,…,a_m,b,c₁,c₂,…,c_n}为一组权值，满足a₁+a₂+…+a_m+b+c₁+c₂+…+c_n＝1，且a₁∈[0,1],a₂∈[0,1],…,a_m∈[0,1],b∈[0,1]，c₁∈[0,1],c₂∈[0,1],…c_n∈[0,1]；f-3).获取筛选后的集合B，对当前点和集合A中的点的匹配距离从小到大排序，选出距离最近的k个，得到筛选后的点的集合B＝{q(t₁),q(t₂),…,q(t_k)}。

本发明的基于状态模式的短时交通流预测方法，步骤g)中所述的获取交通流量的预测结果通过以下方法来实现：

预测函数采用基于状态模式向量匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，并得出近邻非参数回归方法的预测结果，具体公式为：

$\tilde{q}(t+1)=\underset{i=1}{\overset{k}{\Σ}}\left(\frac{1}{d_{mh}\left(i\right)}/d\right)q(t_i+1)---\left(8\right)$

其中， $d=\underset{i=1}{\overset{k}{\Σ}}\frac{1}{d_{mh}\left(i\right)};$

式中，为当前路段下一时刻的交通流量预测结果；k为在历史数据库中最终选取的与当前点最近邻的点的集合B中元素的个数；d_mh(i)为当前点与历史数据库中最近邻点放入集合B中的点的状态模式匹配距离；q(t_i+1)为历史数据库中t_i+1时刻的交通流量。

本发明的基于状态模式的短时交通流预测方法，步骤a)所述的历史标准样本库的建立通过以下方法来实现：对历史数据预处理，识别异常数据，剔除错误数据并修补缺失数据；利用状态向量欧氏距离匹配算法去除冗余数据并建立历史标准样本库。

本发明的有益效果是：本发明结合了交通流状态模式会重复出现的特点，引入了基于状态模式识别的功能，考虑了过去时段的交通流、上游路口相关转向的交通流和下游路口相关转向的交通流，改进了近邻非参数回归方法的预测能力，并且采用基于状态模式向量匹配距离倒数的加权平均法输出最终的预测结果，提高了短时交通流预测的准确性与实时性，是一种行之有效的短时交通流预测方法，其预测结果可以为交通管理部门进行交通诱导与控制服务提供依据。

附图说明

图1为本发明的基于状态模式的短时交通流预测方法的流程图；

图2为本发明中历史标准样本库的建立流程图；

图3为城市路网中典型的上游路口有3个相关转向、下游路口有3个相关转向的交通流量示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，给出了本发明的基于状态模式的短时交通流预测方法的流程图，采用基于相邻时间序列的交通流量归一化差值作为状态模式向量的K近邻非参数回归方法，通过计算状态模式向量匹配距离，来评价当前点和历史数据库中点的相似度并进行点的初次筛选；采用基于当前路段、当前路段的上下游路口的相关转向的交通流量作为状态向量的K近邻非参数方法，通过计算加权的欧氏匹配距离进行点的二次匹配与筛选；然后基于状态模式向量匹配距离倒数的加权平均法，输出近邻非参数回归方法的预测结果。其具体通过以下步骤来实现：

a).建立历史标准样本库，对待预测路段以往的历史交通数据进行预处理，形成该路段交通数据的历史标准样本库；

如图2所示，给出了发明中历史标准样本库的建立流程图，其建立方法为：对历史数据预处理，识别异常数据，剔除错误数据并修补缺失数据；利用状态向量欧氏距离匹配算法去除冗余数据并建立历史标准样本库。

b).获取交通流量状态向量，采集待预测路段的当前交通数据，采用交通流量时间序列作为交通流量状态向量M(t)，其具体表达式如公式(1)所示：

M(t)＝[q(t-l+1),q(t-l+2),...,q(t)](1)

式中，M(t)为当前路段t时刻的交通流量状态向量，q(t-l+1)、q(t-l+2)、...、q(t)分别为当前路段t-l+1、t-l+2、…、t时刻的交通流量，l表示交通流量状态向量M(t)的维数；

其中，l状态向量维数的选取直接关系到预测精度和算法的效率，在具体实施时，l∈[4,6]；

c).获取交通流量状态模式向量，对M(t)中相邻时刻的交通流量依次做差并进行差值归一化处理后，形成交通流量状态模式向量Md(t)，如公式(2)所示：

Md(t)＝[r(t-l+1),r(t-l+2),...,r(t-1)](2)

式中，Md(t)为当前路段t时刻的交通流量状态模式向量，r(i)为当前路段i+1时刻与i时刻的交通流量归一化差值，r(i)通过公式(3)进行求取：

$r\left(i\right)=\frac{d\left(i\right)-min\left(d\right(i))}{\max \left(d\right(i))-min\left(d\right(i))}---\left(3\right)$

式中，max(d(i))、min(d(i))分别为当前路段t-l+1、t-l+2、…、t两两相邻时刻交通流量差值的最大值和最小值，d(i)为当前路段i+1时刻与i时刻的交通流量差值，其通过公式(4)进行求取：

d(i)＝q(i+1)-q(i)(4)

式中，t-l+1≤i≤t-1；

d).求取当前与历史交通流量状态的相似度，利用欧氏距离计算方法求取当前点与历史标准样本库中点的状态模式相似度，状态模式相似度通过状态模式匹配距离进行表征，通过公式(5)进行求取：

$d_{mh}=\sqrt{\begin{array}{c}{\left(r\left(t-l+1\right)-r_h\left(t-l+1\right)\right)}^2+{\left(r\left(t-l+2\right)-r_h\left(t-l+2\right)\right)}^2\\ +\mathrm{...}+{\left(r\left(t-1\right)-r_h\left(t-1\right)\right)}^2\end{array}}---\left(5\right)$

式中，d_mh为当前点和历史标准样本库中点的状态模式匹配距离；r(t-l+1)、r(t-l+2)、…、r(t-1)分别为当前路段t-l+2与t-l+1时刻、t-l+3与t-l+2时刻、…、t与t-1时刻的交通流量归一化差值；r_h(t-l+1)、r_h(t-l+2)、…、r_h(t-1)分别为历史标准样本库中对应时段的交通流量归一化差值；

e).获取筛选集合，对当前点和历史标准样本库中点的状态模式匹配距离从小到大排序，选取距离最近的n个，得到通过状态模式匹配距离筛选后的点的集合A＝{q(t₁),q(t₂),...,q(t_n)}；

n的取值直接影响到预测精度和算法的效率，且n的过大或过小都会降低预测精度，在具体实施时,n∈[40,60]。

f).集合A的进一步筛选，采用当前路段的交通流量与上游路口相关转向的交通流量及下游路口相关转向的交通流量作为状态向量X；用加权的欧氏距离法来评价当前点和集合A中的点的状态相似度；根据状态相似度对集合A中的点进行筛选，从集合A中筛选出欧氏距离最近的k个状态，得到筛选后的点的集合B；

在步骤中，所述的集合A的进一步筛选通过以下步骤来实现：

f-1).获取交通流量状态向量X(t)，当前路段的交通流量与上游路口相关转向的交通流量及下游路口相关转向的交通流量作为状态向量X的具体公式为：

$X\left(t\right)=\[v_1^u\left(t\right),v_2^u\left(t\right),...,v_m^u\left(t\right),v\left(t\right),v_1^d\left(t\right),v_2^d\left(t\right),...,v_n^d\left(t\right)\]---\left(6\right)$

式中，X(t)为当前路段t时刻含上下游路口状态的交通流量状态向量，分别为上游路口相关转向t时刻的交通流量，m为上游路口相关转向的个数；v(t)为当前路段t时刻的交通流量；分别为下游路口相关转向t时刻的交通流量，n为上游路口相关转向的个数；

如图3所示，给出了城市路网中典型的上游路口有3个相关转向、下游路口有3个相关转向的交通流量示意图，所示的上游路口的3个相关转向交通流量分别为其分别表示上游路口北口左转车流、西口直行车流和南口右转车流在同一时段的交通流量。所示的下游路口的3个相关转向交通流量分别为其分别表示下游路口北口左转车流、东口直行车流和南口右转车流在同一时段的交通流量。

f-2).计算匹配距离，利用如公式(7)所示的加权的欧氏距离法来评价当前点和集合A中的点的匹配距离，匹配距离表征两点之间的相似度：

$d_h=\sqrt{\begin{array}{c}{a}_1{\left(v_1^u\left(t\right)-v_{h1}^u\left(t\right)\right)}^2+a_2{\left(v_2^u\left(t\right)-v_{h2}^u\left(t\right)\right)}^2+\mathrm{...}+a_m{\left(v_m^u\left(t\right)-v_{hm}^u\left(t\right)\right)}^2\\ +b{\left(v\left(t\right)-v_h\left(t\right)\right)}^2+c_1{\left(v_1^d\left(t\right)-v_{h1}^d\left(t\right)\right)}^2+c_2{\left(v_2^d\left(t\right)-v_{h2}^d\left(t\right)\right)}^2+\mathrm{...}\\ +c_n{\left(v_n^d\left(t\right)-v_{hn}^d\left(t\right)\right)}^2\end{array}}---\left(7\right)$

式中，d_h为当前点和集合A中的点的匹配距离；分别为上游路口相关转向t时刻的交通流量，分别为集合A中的点的上游路口相关转向的交通流量，m为上游路口相关转向的个数；v(t)为当前路段t时刻的交通流量，v_h(t)为集合A中的点当前路段的交通流量；分别为下游路口相关转向t时刻的交通流量，分别为集合A中的点的下游路口相关转向的交通流量，n为下游路口相关转向的个数；{a₁,a₂,…,a_m,b,c₁,c₂,…,c_n}为一组权值，满足a₁+a₂+…+a_m+b+c₁+c₂+…+c_n＝1，且a₁∈[0,1],a₂∈[0,1],…,a_m∈[0,1],b∈[0,1]，c₁∈[0,1],c₂∈[0,1],…c_n∈[0,1]；

在实际应用时，当前路段t+1时刻的交通流量不仅与当前路段t时刻的交通流量相关，也与当前路段上游路口相关转向及下游路口相关转向的交通流量相关，但权重不同，这里b∈[0.4,0.6]，0.2≤a₁+a₂+…+a_m≤0.3，0.2≤c₁+c₂+…+c_m≤0.3。

f-3).获取筛选后的集合B，对当前点和集合A中的点的匹配距离从小到大排序，选出距离最近的k个，得到筛选后的点的集合B＝{q(t₁),q(t₂),…,q(t_k)}。

g).获取交通流量的预测结果，采用基于状态模式向量匹配距离倒数的加权平均法作为预测函数，用步骤f)中获取的集合B中的k个最相似状态来预测下一时段的交通流量，为车辆出行和路段选择提供可靠的参考依据。

在实际应用时，如果k的取值过大，预测函数就过于平滑，降低预测精度，但是，k值的选取也不能太小，太小的话就会增加偶然因素的成分，影响预测的精度，这里k∈[5,12]。

在步骤中，所述的获取交通流量的预测结果通过以下方法来实现：

预测函数采用基于状态模式向量匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，并得出近邻非参数回归方法的预测结果，具体公式为：

$\tilde{q}(t+1)=\underset{i=1}{\overset{k}{\Σ}}\left(\frac{1}{d_{mh}\left(i\right)}/d\right)q(t_i+1)---\left(8\right)$

其中， $d=\underset{i=1}{\overset{k}{\Σ}}\frac{1}{d_{mh}\left(i\right)};$

式中，为当前路段下一时刻的交通流量预测结果；k为在历史数据库中最终选取的与当前点最近邻的点的集合B中元素的个数；d_mh(i)为当前点与历史数据库中最近邻点放入集合B中的点的状态模式匹配距离；q(t_i+1)为历史数据库中t_i+1时刻的交通流量。

本发明的基于状态模式的短时交通流预测方法的预测结果可以直接送到先进的交通信息系统和先进的交通管理系统当中，给出行者提供实时有效的信息，帮助他们进行更好的路径选择，实现路径诱导，以缩短出行时间，减少交通拥堵。

Claims (4)

1.一种基于状态模式的短时交通流预测方法，其特征在于，通过以下步骤来实现：

a).建立历史标准样本库，对待预测路段以往的历史交通数据进行预处理，形成该路段交通数据的历史标准样本库；

b).获取交通流量状态向量，采集待预测路段的当前交通数据，采用交通流量时间序列作为交通流量状态向量M(t)，其具体表达式如公式(1)所示：

M(t)＝[q(t-l+1),q(t-l+2),...,q(t)](1)

式中，M(t)为当前路段t时刻的交通流量状态向量，q(t-l+1)、q(t-l+2)、...、q(t)分别为当前路段t-l+1、t-l+2、…、t时刻的交通流量，l表示交通流量状态向量M(t)的维数；

c).获取交通流量状态模式向量，对M(t)中相邻时刻的交通流量依次做差并进行差值归一化处理后，形成交通流量状态模式向量Md(t)，如公式(2)所示：

Md(t)＝[r(t-l+1),r(t-l+2),...,r(t-1)](2)

式中，Md(t)为当前路段t时刻的交通流量状态模式向量，r(i)为当前路段i+1时刻与i时刻的交通流量归一化差值，r(i)通过公式(3)进行求取：

$r\left(i\right)=\frac{d\left(i\right)-\min \left(d\right(i\left)\right)}{\max \left(d\right(i\left)\right)-\min \left(d\right(i\left)\right)}---\left(3\right)$

式中，max(d(i))、min(d(i))分别为当前路段t-l+1、t-l+2、…、t两两相邻时刻交通流量差值的最大值和最小值，d(i)为当前路段i+1时刻与i时刻的交通流量差值，其通过公式(4)进行求取：

d(i)＝q(i+1)-q(i)(4)

式中，t-l+1≤i≤t-1；

d).求取当前与历史交通流量状态的相似度，利用欧氏距离计算方法求取当前点与历史标准样本库中点的状态模式相似度，状态模式相似度通过状态模式匹配距离进行表征，通过公式(5)进行求取：

$d_{mh}=\sqrt{\begin{array}{c}{\left(r\right(t-l+1)-r_h(t-l+1\left)\right)}^2+{\left(r\right(t-l+2)-r_h(t-l+2\left)\right)}^2\\ +\mathrm{...}+{\left(r\right(t-1)-r_h(t-1\left)\right)}^2\end{array}}---\left(5\right)$

式中，d_mh为当前点和历史标准样本库中点的状态模式匹配距离；r(t-l+1)、r(t-l+2)、…、r(t-1)分别为当前路段t-l+2与t-l+1时刻、t-l+3与t-l+2时刻、…、t与t-1时刻的交通流量归一化差值；r_h(t-l+1)、r_h(t-l+2)、…、r_h(t-1)分别为历史标准样本库中对应时段的交通流量归一化差值；

e).获取筛选集合，对当前点和历史标准样本库中点的状态模式匹配距离从小到大排序，选取距离最近的n个，得到通过状态模式匹配距离筛选后的点的集合A＝{q(t₁),q(t₂),...,q(t_n)}；

f).集合A的进一步筛选，采用当前路段的交通流量与上游路口相关转向的交通流量及下游路口相关转向的交通流量作为状态向量X；用加权的欧氏距离法来评价当前点和集合A中的点的状态相似度；根据状态相似度对集合A中的点进行筛选，从集合A中筛选出欧氏距离最近的k个状态，得到筛选后的点的集合B；

g).获取交通流量的预测结果，采用基于状态模式向量匹配距离倒数的加权平均法作为预测函数，用步骤f)中获取的集合B中的k个最相似状态来预测下一时段的交通流量，为车辆出行和路段选择提供可靠的参考依据。

2.根据权利要求1所述的基于状态模式的短时交通流预测方法，其特征在于，步骤f)中所述的集合A的进一步筛选通过以下步骤来实现：

f-1).获取交通流量状态向量X(t)，当前路段的交通流量与上游路口相关转向的交通流量及下游路口相关转向的交通流量作为状态向量X的具体公式为：

$X\left(t\right)=\[v_1^u\left(t\right),v_2^u\left(t\right),\mathrm{...},v_m^u\left(t\right),v\left(t\right),v_1^d\left(t\right),v_2^d\left(t\right),\mathrm{...},v_n^d\left(t\right)\]---\left(6\right)$

式中，X(t)为当前路段t时刻含上下游路口状态的交通流量状态向量，分别为上游路口相关转向t时刻的交通流量，m为上游路口相关转向的个数；v(t)为当前路段t时刻的交通流量；分别为下游路口相关转向t时刻的交通流量，n为上游路口相关转向的个数；

f-2).计算匹配距离，利用如公式(7)所示的加权的欧氏距离法来评价当前点和集合A中的点的匹配距离，匹配距离表征两点之间的相似度：

$d_h=\sqrt{\begin{array}{c}{a}_1{\left(v_1^u\right(t)-v_{h1}^u(t\left)\right)}^2+a_2{\left(v_2^u\right(t)-v_{h2}^u(t\left)\right)}^2+\mathrm{...}+a_m{\left(v_m^u\right(t)-v_{hm}^u(t\left)\right)}^2\\ +b{\left(v\right(t)-v_h(t\left)\right)}^2+c_1{\left(v_1^d\right(t)-v_{h1}^d(t\left)\right)}^2+c_2{\left(v_2^d\right(t)-v_{h2}^d(t\left)\right)}^2+\mathrm{...}\\ +c_n{\left(v_n^d\right(t)-v_{hn}^d(t\left)\right)}^2\end{array}}---\left(7\right)$

式中，d_h为当前点和集合A中的点的匹配距离；分别为上游路口相关转向t时刻的交通流量，分别为集合A中的点的上游路口相关转向的交通流量，m为上游路口相关转向的个数；v(t)为当前路段t时刻的交通流量，v_h(t)为集合A中的点当前路段的交通流量；分别为下游路口相关转向t时刻的交通流量，分别为集合A中的点的下游路口相关转向的交通流量，n为下游路口相关转向的个数；{a₁,a₂,…,a_m,b,c₁,c₂,…,c_n}为一组权值，满足a₁+a₂+…+a_m+b+c₁+c₂+…+c_n＝1，且a₁∈[0,1],a₂∈[0,1],…,a_m∈[0,1],b∈[0,1]，c₁∈[0,1],c₂∈[0,1],…c_n∈[0,1]；

f-3).获取筛选后的集合B，对当前点和集合A中的点的匹配距离从小到大排序，选出距离最近的k个，得到筛选后的点的集合B＝{q(t₁),q(t₂),…,q(t_k)}。

3.根据权利要求1或2所述的基于状态模式的短时交通流预测方法，其特征在于，步骤g)中所述的获取交通流量的预测结果通过以下方法来实现：

预测函数采用基于状态模式向量匹配距离倒数的加权平均法，用最相似状态来预测下一时段的交通流，并得出近邻非参数回归方法的预测结果，具体公式为：

$\tilde{q}(t+1)=\underset{i=1}{\overset{k}{\Σ}}(\frac{1}{d_{mh}\left(i\right)}/d)q(t_i+1)---\left(8\right)$

其中， $d=\underset{i=1}{\overset{k}{\Σ}}\frac{1}{d_{mh}\left(i\right)};$

式中，为当前路段下一时刻的交通流量预测结果；k为在历史数据库中最终选取的与当前点最近邻的点的集合B中元素的个数；d_mh(i)为当前点与历史数据库中最近邻点放入集合B中的点的状态模式匹配距离；q(t_i+1)为历史数据库中t_i+1时刻的交通流量。

4.根据权利要求1或2所述的基于状态模式的短时交通流预测方法，其特征在于：步骤a)所述的历史标准样本库的建立通过以下方法来实现：对历史数据预处理，识别异常数据，剔除错误数据并修补缺失数据；利用状态向量欧氏距离匹配算法去除冗余数据并建立历史标准样本库。