CN105469611A - 一种短时交通流预测模型方法 - Google Patents

Abstract

一种短时交通流的预测方法，属于公路交通、计算机与数学交叉技术领域。首先，对获取的原始交通流数据进行降噪，对降噪后的原始数据进行样本重建(6-9个采样点作为一个样本，步长为1个采样周期)形成新的重建后的样本数据集，利用聚类算法根据样本和样本的一阶差分对重建后的样本数据集进行分类，得到m个聚类中心，最后用m个聚类中心训练WNN，确定WNN模型参数。再利用残差序列对ARIMA模型训练，得到ARIMA模型，最后通过结合WNN模型和ARIMA模型对交通流数据进行预测。本发明研究了短时交通流预测模型，把聚类算法和WNN相结合，通过改善训练数据的质量，提供了一种更为鲁棒和精确，实时的短时交通流预测模型。

Description

一种短时交通流预测模型方法

技术领域

本发明属于智能交通、计算机与数学交叉技术领域，涉及一种短时交通流预测模型方法，是一种实现交通流诱导和智能交通控制的短时交通流预测模型方法。

背景技术

近年来，随着科学技术的发展，数据的收集越来越易于实现。在智能交通领域，海量的交通流数据被收集，如何利用海量的交通流数据准确高效的对未来时刻的交通流量作为智能交通和交通决策制定者的挑战问题被提出。

混合预测模型是短时交通流领域内一个比较活跃的研究方向，其中WNN模型和ARIMA模型被广泛应用于短时交通流预测中。在处理交通流时，一种观点是将交通流分解为趋势部分和波动部分。在WNN-ARIMA模型中，WNN模型和ARIMA模型分别用于对交通流的趋势部分和波动部分建模。但是随着数据采集技术的不断发展，交通流中存在着大量的噪声和其他无关因素。噪声和无关因素的存在，常常造成WNN模型的过拟合，并且得到的波动部分也不是平稳的时间序列，从而使得模型的性能受到影响。常规的数据去噪方法则有可能将时间序列中的关键信息(如事故)过滤掉，并且大量的数据也使的模型的训练非常耗时。为了使WNN-ARIMA模型获得更高的准确性和实时性，基于聚类的WNN-ARIMA短时交通流预测模型，通过对原始交通流序列数据集重构，使用聚类算法对重构后的数据集进行聚类分析，生成m个聚类中心，使用聚类中心训练WNN模型，并利用聚类中心对原始数据进行处理，计算残差序列训练ARIMA模型，在有效的大量的减少训练数据的同时也使得模型的性能得到了提升。因此在对原始数据进行聚类分析时，在有效滤除噪音和不相关因素的同时又不丢失原有的关键信息，有益于模型性能的提升。

发明内容

为了解决上述问题，通过对原始数据进行聚类分析，有效的滤除噪音和不相关因素并保留原有的关键信息，提供性能更为优秀的模型，本发明提供一种短时交通流预测模型方法——基于聚类的WNN-ARIMA短时交通流预测模型方法。

WNN-ARIMA短时交通流预测模型是一种混合交通流预测模型方法。通过将原始交通流分解为趋势部分和波动部分，趋势部分用于WNN模型的训练而波动部分用于ARIMA模型的训练，最后通过将WNN模型的输出和ARIMA模型的输出的和作为下一个采样时间的预测值。基于聚类的WNN-ARIMA短时交通流算法在WNN-ARIMA的基础上对训练数据进行聚类分析，通过提升训练数据的质量来提高WNN-ARIMA模型的性能。由于原始交通流中包含大量的噪声，且常规的降噪算法会过滤掉一些关键信息(如事故等)，这些关键信息对交通流的预测至关重要。根据交通流理论，交通流流量的变化在不同的情况下具有一定的相似性，本发明通过聚类分析将不同情况下的相似性分离出来，而又不失去关键信息，通过聚类分析后的原交通流序列的残差序列作为ARIMA模型的输入训练ARIMA模型，从而可以从整体上提升WNN-ARIMA模型的性能。

在海量的交通流数据中，交通环境的复杂性使得数据中充斥着大量的噪声和无关因素，通过考虑因驾驶员和其他一些因素而导致的在不同情况下短时交通流的相似性，在有效的降低训练数据的同时提升模型的性能。在聚类问题中，通过计算短时交通流序列间的距离和一阶差分短时交通流间的相似性共同反映样本的差异，有效的将交通流数据中的有效信息提取出来，并最大程度的保留原有数据的关键信息。

一种短时交通流预测模型方法，步骤如下：

(1)设当前观察的交通流序列为O＝{o₁,o₂,...,o_n}，o_n为每隔5min的交通流采样点。

(2)对原始交通流序列进行重建，生成样本空间X＝{x₁,x₂,...,x_n}和一阶差分样本空间X‘＝{x’₁,x′₂,...,x′_n}，其中x_n＝{o₁,o₂,...,o_k}，x′_n＝{o₂-o₁,o₃-o₂,...,o_k-o_k-1}，k＝[6,7,8,9]。

(3)根据样本x_n＝{o₁,o₂,...,o_k}，x′_n＝{o₂-o₁,o₃-o₂,...,o_k-o_k-1}的综合距离，使用聚类算法对样本空间X进行聚类，m‘个聚类中心，按照类别中的样本数量进行排序，提取前80％的聚类中心，即m个聚类中心。其中聚类算法包括：层次聚类算法、分割聚类算法等。

(4)假设m个聚类中心为c_i＝{o₁,o₂,...,o_k}，i＝1...m。将m个聚类中心作为小波神经网络(WNN)的输入数据集，使用随机梯度算法训练WNN，得到WNN模型。

(5)对得到的WNN模型进行评估，如果模型误差较大，则重复步骤(3)和(4)；(6)利用m个聚类中心对交通流序列O＝{o₁,o₂,...,o_n}重建，设重建后的交通流序列为O′＝{o′₁,o′₂,...,o′_n}，计算得到残差序列S＝{s₁,s₂,...,s_n}，其中s_n＝o_n-o′_n。根据序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，确定模型的p，d，q，利用得到的残差序列S作为ARIMA模型的输入，对ARIMA模型进行参数估计和假设检验，得到通过检验的ARIMA模型。

(7)当基于聚类的WNN-ARIMA模型进行预测时，将样本作为WNN模型的输入和样本残差作为ARIMA模型的输入，最后利用将两部分的和作为下一时刻的交通流预测值。

所述的样本的距离，以欧式距离为标准时，样本分类标准如下：

a.样本间的间距计算公式如下：

${\mathrm{dst}}_{mn}=|x_m-x_n|=\sqrt{\underset{i=1}{\overset{k}{\Σ}}{(o_{mi}-o_{ni})}^2},$

其中x_m＝{o_m1,o_m2,...,o_mk}，x_n＝{o_n1,o_n2,...,o_nk}

b.样本一阶差分的间距计算公式如下：

${\mathrm{dst}}_{\mathrm{mn}}^{\′}=|x_m^{\′}-x_n^{\′}|=\sqrt{\underset{i=1}{\overset{k-1}{\mathrm{\Σ}}}{(o_{\mathrm{mi}}^{\′}-o_{\mathrm{ni}}^{\′})}^2},$

其中x′_m＝{o′_m1,o′_m2,...,o′_m,k-1}，x′_n＝{o′_n1,o′_n2,...,o′_n,k-1}

c.当且仅当样本和样本一阶差分属于同一个样本聚类中心时，才会被这个样本空间所接受。

具体实施方式

以下结合技术方案，进一步说明本发明的具体实施方式。

本例以PeMSLDS769360收集的2014年9月1到2015年5月1日之间的数据进行实验，以PeMSLDS769360收集的2014年9月1日8:00-9:00间的交通流数据为例，交通流数据如下：[578，590，598，597，563，486，583，544，579，507，541，569，512]。对原始交通流序列进行重建，设k＝8上述序列可生成如下样本空间：

[578，590，598，597，563，486，583，544]

[590，598，597，563，486，583，544，579]

[598，597，563，486，583，544，579，507]

[597，563，486，583，544，579，507，541]

[563，486，583，544，579，507，541，569]

[486，583，544，579，507，541，569，512]

对重建后的样本空间进行聚类分析，样本间的距离使用欧式距离，按照类别中样本数量进行排序，选取前80％的聚类中心，最后得到m个聚类中心。

[idx,ctrs]＝kmeans(sample1n,m,'Distance','sqEuclidean','Replicates',5,'Options',opts)；

使用m个聚类中心训练WNN模型。并对交通流序列重建后得到残差序列如下：

[81.33，81.46，91.73，87.86，85.46，18.20，37.80，33.33，6.46，24.20，69.26，28.26]

使用上述残差序列训练ARIMA模型。最后得到基于聚类的WNN-ARIMA模型。使用得到的基于聚类的WNN-ARIMA模型进行单步预测的步骤如下：

(1)设序列为[486，583，544，579，507，541，569]，序列长度为为k-1＝7，作为WNN模型的输入，设WNN模型的输出为y_wnn；

(2)得到ARIMA模型的输出为y_arima；

(3)最后下一时刻的预测值为y_t＝y_wnn+y_arima。

Claims (2)

1.一种短时交通流预测模型，其特征在于以下步骤：

(1)设当前观察的交通流序列为O＝{o₁,o₂,…,o_n}，o_n为每隔5min的交通流采样点；

(2)对原始交通流序列进行重建，生成样本空间X＝{x₁,x₂,…,x_n}和一阶差分样本空间X‘＝{x’₁,x′₂,…,x′_n}，其中

x_n＝{o₁,o₂,…,o_k}，x′_n＝{o₂-o₁,o₃-o₂,…,o_k-o_k-1}，k＝[6,7,8,9]；

(3)根据样本x_n＝{o₁,o₂,…,o_k}，x′_n＝{o₂-o₁,o₃-o₂,…,o_k-o_k-1}的综合距离使用聚类算法对样本空间X进行聚类，，m‘个聚类中心，按照类别中的样本数量进行排序，提取前80％的聚类中心，即m个聚类中心；

(4)假设m个聚类中心为c_i＝{o₁,o₂,…,o_k}，i＝1…m；将m个聚类中心作为小波神经网络WNN的输入数据集，使用随机梯度算法训练WNN，得到WNN模型；

(5)对得到的WNN模型进行评估，如果模型误差较大，则重复步骤(3)和(4)，(6)利用m个聚类中心对交通流序列O＝{o₁,o₂,…,o_n}重建，设重建后的交通流序列为O′＝{o′₁,o′₂,…,o′_n}，计算得到残差序列S＝{s₁,s₂,…,s_n}，其中s_n＝o_n-o′_n；根据序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，确定模型的p，d，q，利用得到的残差序列S作为ARIMA模型的输入，对ARIMA模型进行参数估计和假设检验，得到通过检验的ARIMA模型；

(7)当基于聚类的WNN-ARIMA模型进行预测时，将样本作为WNN模型的输入和样本残差作为ARIMA模型的输入，最后利用将两部分的和作为下一时刻的交通流预测值。

2.根据权利要求1所述的所述的一种短时交通流预测模型，其特征在于：样本以欧式距离为标准时，样本分类标准如下：

a.样本间的间距计算公式如下：

${\mathrm{dst}}_{mn}=|x_m-x_n|=\sqrt{\underset{i=1}{\overset{k}{\Σ}}{(o_{mi}-o_{ni})}^2},$

其中x_m＝{o_m1,o_m2,…,o_mk}，x_n＝{o_n1,o_n2,…,o_nk}

b.样本一阶差分的间距计算公式如下：

${\mathrm{dst}}_{\mathrm{mn}}^{\′}=|x_m^{\′}-x_n^{\′}|=\sqrt{\underset{i=1}{\overset{k-1}{\mathrm{\Σ}}}{(o_{\mathrm{mi}}^{\′}-o_{\mathrm{ni}}^{\′})}^2},$

其中x′_m＝{o′_m1,o′_m2,…,o′_m,k-1}，x′_n＝{o′_n1,o′_n2,…,o′_n,k-1

c.当且仅当样本和样本一阶差分属于同一个样本聚类中心时，才会被这个样本空间所接受。