CN106128101B - 交通流量短时预测结果的可视化装置 - Google Patents
交通流量短时预测结果的可视化装置 Download PDFInfo
- Publication number
- CN106128101B CN106128101B CN201610522090.XA CN201610522090A CN106128101B CN 106128101 B CN106128101 B CN 106128101B CN 201610522090 A CN201610522090 A CN 201610522090A CN 106128101 B CN106128101 B CN 106128101B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- data
- magnitude
- module
- section
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012800 visualization Methods 0.000 title claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 84
- 230000002123 temporal effect Effects 0.000 claims abstract description 63
- 238000012360 testing method Methods 0.000 claims abstract description 57
- 238000010276 construction Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000007689 inspection Methods 0.000 claims description 27
- 238000005311 autocorrelation function Methods 0.000 claims description 21
- 238000005498 polishing Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 230000000875 corresponding effect Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 15
- 230000002596 correlated effect Effects 0.000 claims description 8
- 108010014173 Factor X Proteins 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000003780 insertion Methods 0.000 claims description 7
- 230000037431 insertion Effects 0.000 claims description 7
- 238000009434 installation Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G06Q50/40—
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Abstract
本发明交通流量短时预测结果的可视化装置，包括可视化装置和与可视化装置相连的预测装置，所述预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块。本发明预测精度较高且构造的预测模型更有针对性。
Description
技术领域
本发明涉及智能交通领域，具体涉及交通流量短时预测结果的可视化装置。
背景技术
交通流量是指单位时间内通过道路某一断面的实际车辆数，是描述交通状态的重要特征参数。交通流量的变化又是一个实时、高维、非线性、非平稳的随机过程，相关因素的变化都可能影响下一时刻的交通流量。相关技术中，关于短时的预测装置局限性强，预测精度较低，实时预测未能取得令人满意的结果，未能对人们的实时道路选择提供有效建议，从而交通流量预测大部分停留在交通流量的中长期预测。
发明内容
针对上述问题，本发明提供交通流量短时预测结果的可视化装置。
本发明的目的采用以下技术方案来实现：
交通流量短时预测结果的可视化装置，包括可视化装置和与可视化装置相连的预测装置，所述可视化装置包括：边缘设置的输入输出装置和可视化设备。
优选地，所述可视化设备嵌入安装矢量对比数据的硬盘、视频数据流调节器和ARM芯片。
优选地，首先通过ARM芯片控制边缘设置的输入输出装置输入的视频数据流存放在硬盘中，依靠定制的时间间隙初始化视频数据流调节器来对低于位数字的号码依靠容量选择输出，最后依靠ARM芯片中预设输出到可视化装置上处理。
优选地，预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块：
(1)采集模块，用于采集路网S内观测路段Si、预测路段Sj对应各时间段的交通流量数据和通行情况；
(2)数据预处理模块，用于对所述交通流量数据进行数据预处理，并剔除不符合交通实际情况的数据；
(3)数据分类模块，用于对经过数据预处理的交通流量数据进行类型分类，所述类型包括节假日交通流量数据、周末交通流量数据和工作日交通流量数据；
(4)平稳性检验模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验，检验平稳性的自相关函数为：
其中，Xx表示待检验交通流量序列，νi表示待检验交通流量序列的均值，Xx+τ表示Xx在时间延迟τ后的交通流量序列，νx+τ为Xx+τ的均值，σ2为Xx与Xx+τ之间的方差；
当自相关函数P(τ)能快速衰减趋近于0或在0附近波动，则所述待检验交通流量序列通过平稳性检验；当自相关函数P(τ)不能快速衰减趋近于0或在0附近波动，则对所述待检验交通流量序列进行平稳处理后继续进行平稳性检验；
(5)相关系数计算模块，用于计算通过平稳性检验的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj在时间延迟τ下的时间相关系数ρij(τ)和空间相关系数ρij(w)，设路网S内有N个路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示观测路段Si在t时刻的流量，xj(t)表示预测路段Sj在t时刻的流量，t＝1,2,...n，时间相关系数ρij(τ)的计算公式为：
空间相关系数ρij(w)的计算公式为：
优选地，预测装置还包括：
(6)阈值设定模块，用于设定各路段之间的时间延迟最大值L、时空相关系数阈值T1和历史相关系数阈值T2；
(7)时空相关系数矩阵生成模块，用于根据各路段的时间相关系数ρij(τ)和空间相关系数ρij(w)构建各观测路段Si与预测路段Sj在不同时间延迟τ下的时空相关系数矩阵ρ(τ)'，并计算各路段的时空相关系数ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范围为[8,12]，时空相关系数矩阵ρ(τ)'的计算公式为：
时空相关系数ρij(τ)'的计算公式为：
ρij(τ)'＝ρij(τ)ρij(w)；
(8)历史相关系数矩阵生成模块，用于生成预测路段Sj的历史相关系数矩阵ρ(t)：
其中，选取近M周的同期且同一类型的历史流量作为交通流量序列Xj的历史相关序列，记为M的取值范围为[3,5]，所述历史相关系数ρjm(t)的计算公式为：
(9)预测因子选取模块，用于根据所述时空相关系数阈值T1和历史相关系数阈值T2选取与预测目标点相关的预测因子，并按照其所选空间位置j与时间延迟τ进行矩阵重构，选取原则为：
若ρij(τ)'＞T1，则将观测路段Si的交通流量序列Xi中满足条件的交通流量组成新的序列并作为第一预测因子，记做X',X'＝(x1',x2',...，xp')，其中p为所述满足条件的交通流量个数，设L1为第一预测因子中时间延迟的最大值，L1＝max{τ|τ∈[0,L]and ρij(τ)'＞T1}，则第一预测因子X'可表述成如下矩阵形式：
若ρjm(t)＞T2，则将所有满足条件的历史相关序列Xjm(t)作为第二预测因子，记作Y'，Y'＝{y1',y2',...,yq'}，其中q为满足条件的历史流量个数，第二预测因子Y'可表述成如下矩阵形式：
(10)预测模型构造模块，其通过将第一预测因子和第二预测因子作为训练样本来构造可预测路段在下一时刻的交通流量的预测模型。
其中，所述数据预处理模块中，剔除所述不符合交通实际情况的数据的规则为：在一个数据更新周期内，分别设定各路段的总交通流量数据的阀值范围，若采集到的某路段的总交通流量数据落在对应的阈值范围内，则表明该组数据可靠，保留该组数据；若采集到的某路段的总交通流量数据落不在对应的阈值范围内，则表明该组数据不可靠，并将其剔除。
其中，所述平稳性检验模块包括以下子模块：
(1)检验子模块，用于对处于同一类型的观测路段的交通流量序列与预测路段的交通流量序列分别进行平稳性检验；
(2)连续性检查子模块，与检验子模块连接，用于对不通过平稳性检验的待检验交通流量序列进行连续性检查，若不符合连续性，所述连续性检查子模块采用平均插值法对数据进行补齐；
(3)排错子模块，与连续性检查子模块连接，用于删除明显错误的数据，同时采用平均插值法对数据进行补齐；
(4)差分处理子模块，连接排错子模块和检验子模块，用于对补齐后的数据进行差分处理，并将差分处理后的数据传送到检验子模块。
本发明的有益效果为：
1、设置数据分类模块和平稳性检验模块，增加了数据的准确度，且使构造的预测模型更有针对性；
2、设置相关系数计算模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块，其中预测因子直接影响预测精度，相关系数是测量随机变量相关性的指标，能够帮助选取与预测点密切相关的变量作为预测模型的训练样本，选取多个相关系数作为预测因子，消除了最初预测因子选取的主观性，能够增加预测精度，使预测模型构造模块更加稳定和准确；
3、相关系数计算模块中的空间相关系数反映了路网的可达性对预测模型的影响，时间相关系数能够表达流量序列的时间顺序，反映两序列时间上的因果关系，从而提高预测因子选取的效率；由于交通流量的周相似性，引入历史相关系数矩阵生成模块的历史相关系数，同时间相关系数和空间相关系数配合使用，为准确预测提供更多的数据支持。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明预测装置各模块的连接示意图。
图2是本发明可视化装置结构示意图。
附图说明：输入输出装置(1)；硬盘(2)；视频数据流调节器(3)；可视化设备(4)；ARM芯片(5)。
具体实施方式
结合以下实施例对本发明作进一步描述。
实施例1
参见图1，图2，本实施例交通流量短时预测结果的可视化装置，包括可视化装置和与可视化装置相连的预测装置，所述可视化装置包括：边缘设置的输入输出装置(1)和可视化装置(4)。
优选地，所述可视化装置嵌入安装矢量对比数据的硬盘(2)、视频数据流调节器(3)和ARM芯片(5)。
优选地，首先通过ARM芯片(5)控制边缘设置的输入输出装置(1)输入的视频数据流存放在硬盘(2)中，依靠定制的时间间隙初始化视频数据流调节器(3)来对低于(6)位数字的号码依靠容量选择输出，最后依靠ARM芯片(5)中预设输出到可视化装置上处理。
优选地，预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块：
(1)采集模块，用于采集路网S内观测路段Si、预测路段Sj对应各时间段的交通流量数据和通行情况；
(2)数据预处理模块，用于对所述交通流量数据进行数据预处理，并剔除不符合交通实际情况的数据；
(3)数据分类模块，用于对经过数据预处理的交通流量数据进行类型分类，所述类型包括节假日交通流量数据、周末交通流量数据和工作日交通流量数据；
(4)平稳性检验模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验，检验平稳性的自相关函数为：
其中，Xx表示待检验交通流量序列，νi表示待检验交通流量序列的均值，Xx+τ表示Xx在时间延迟τ后的交通流量序列，νx+τ为Xx+τ的均值，σ2为Xx与Xx+τ之间的方差；
当自相关函数P(τ)能快速衰减趋近于0或在0附近波动，则所述待检验交通流量序列通过平稳性检验；当自相关函数P(τ)不能快速衰减趋近于0或在0附近波动，则对所述待检验交通流量序列进行平稳处理后继续进行平稳性检验；
(5)相关系数计算模块，用于计算通过平稳性检验的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj在时间延迟τ下的时间相关系数ρij(τ)和空间相关系数ρij(w)，设路网S内有N个路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示观测路段Si在t时刻的流量，xj(t)表示预测路段Sj在t时刻的流量，t＝1,2,...n，时间相关系数ρij(τ)的计算公式为：
空间相关系数ρij(w)的计算公式为：
优选地，预测装置还包括：
(6)阈值设定模块，用于设定各路段之间的时间延迟最大值L、时空相关系数阈值T1和历史相关系数阈值T2；
(7)时空相关系数矩阵生成模块，用于根据各路段的时间相关系数ρij(τ)和空间相关系数ρij(w)构建各观测路段Si与预测路段Sj在不同时间延迟τ下的时空相关系数矩阵ρ(τ)'，并计算各路段的时空相关系数ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范围为[8,12]，时空相关系数矩阵ρ(τ)'的计算公式为：
时空相关系数ρij(τ)'的计算公式为：
ρij(τ)'＝ρij(τ)ρij(w)；
(8)历史相关系数矩阵生成模块，用于生成预测路段Sj的历史相关系数矩阵ρ(t)：
其中，选取近M周的同期且同一类型的历史流量作为交通流量序列Xj的历史相关序列，记为M的取值范围为[3,5]，所述历史相关系数ρjm(t)的计算公式为：
(9)预测因子选取模块，用于根据所述时空相关系数阈值T1和历史相关系数阈值T2选取与预测目标点相关的预测因子，并按照其所选空间位置j与时间延迟τ进行矩阵重构，选取原则为：
若ρij(τ)'＞T1，则将观测路段Si的交通流量序列Xi中满足条件的交通流量组成新的序列并作为第一预测因子，记做X',X'＝(x1',x2',...,xp')，其中p为所述满足条件的交通流量个数，设L1为第一预测因子中时间延迟的最大值，L1＝max{τ|τ∈[0,L]and ρij(τ)'＞T1}，则第一预测因子X'可表述成如下矩阵形式：
若ρjm(t)＞T2，则将所有满足条件的历史相关序列Xjm(t)作为第二预测因子，记作Y'，Y'＝{y1',y2',...,yq'}，其中q为满足条件的历史流量个数，第二预测因子Y'可表述成如下矩阵形式：
(10)预测模型构造模块，其通过将第一预测因子和第二预测因子作为训练样本来构造可预测路段在下一时刻的交通流量的预测模型。
其中，所述数据预处理模块中，剔除所述不符合交通实际情况的数据的规则为：在一个数据更新周期内，分别设定各路段的总交通流量数据的阀值范围，若采集到的某路段的总交通流量数据落在对应的阈值范围内，则表明该组数据可靠，保留该组数据；若采集到的某路段的总交通流量数据落不在对应的阈值范围内，则表明该组数据不可靠，并将其剔除。
其中，所述平稳性检验模块包括以下子模块：
(1)检验子模块，用于对处于同一类型的观测路段的交通流量序列与预测路段的交通流量序列分别进行平稳性检验；
(2)连续性检查子模块，与检验子模块连接，用于对不通过平稳性检验的待检验交通流量序列进行连续性检查，若不符合连续性，所述连续性检查子模块采用平均插值法对数据进行补齐；
(3)排错子模块，与连续性检查子模块连接，用于删除明显错误的数据，同时采用平均插值法对数据进行补齐；
(4)差分处理子模块，连接排错子模块和检验子模块，用于对补齐后的数据进行差分处理，并将差分处理后的数据传送到检验子模块。
本实施例设置数据分类模块和平稳性检验模块，增加了数据的准确度，且使构造的预测模型更有针对性；设置相关系数计算模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块，消除了最初预测因子选取的主观性，能够增加预测精度，使预测模型构造模块更加稳定和准确；本实施例取值L＝8，M＝3，预测精度相对于相关技术提高了1.5％。
实施例2
参见图1，图2，本实施例交通流量短时预测结果的可视化装置，包括可视化装置和与可视化装置相连的预测装置，所述可视化装置包括：边缘设置的输入输出装置(1)和可视化装置(4)。
优选地，所述可视化装置嵌入安装矢量对比数据的硬盘(2)、视频数据流调节器(3)和ARM芯片(5)。
优选地，首先通过ARM芯片(5)控制边缘设置的输入输出装置(1)输入的视频数据流存放在硬盘(2)中，依靠定制的时间间隙初始化视频数据流调节器(3)来对低于(6)位数字的号码依靠容量选择输出，最后依靠ARM芯片(5)中预设输出到可视化装置上处理。
优选地，预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块：
(1)采集模块，用于采集路网S内观测路段Si、预测路段Sj对应各时间段的交通流量数据和通行情况；
(2)数据预处理模块，用于对所述交通流量数据进行数据预处理，并剔除不符合交通实际情况的数据；
(3)数据分类模块，用于对经过数据预处理的交通流量数据进行类型分类，所述类型包括节假日交通流量数据、周末交通流量数据和工作日交通流量数据；
(4)平稳性检验模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验，检验平稳性的自相关函数为：
其中，Xx表示待检验交通流量序列，νi表示待检验交通流量序列的均值，Xx+τ表示Xx在时间延迟τ后的交通流量序列，νx+τ为Xx+τ的均值，σ2为Xx与Xx+τ之间的方差；
当自相关函数P(τ)能快速衰减趋近于0或在0附近波动，则所述待检验交通流量序列通过平稳性检验；当自相关函数P(τ)不能快速衰减趋近于0或在0附近波动，则对所述待检验交通流量序列进行平稳处理后继续进行平稳性检验；
(5)相关系数计算模块，用于计算通过平稳性检验的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj在时间延迟τ下的时间相关系数ρij(τ)和空间相关系数ρij(w)，设路网S内有N个路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示观测路段Si在t时刻的流量，xj(t)表示预测路段Sj在t时刻的流量，t＝1,2,...n，时间相关系数ρij(τ)的计算公式为：
空间相关系数ρij(w)的计算公式为：
优选地，预测装置还包括：
(6)阈值设定模块，用于设定各路段之间的时间延迟最大值L、时空相关系数阈值T1和历史相关系数阈值T2；
(7)时空相关系数矩阵生成模块，用于根据各路段的时间相关系数ρij(τ)和空间相关系数ρij(w)构建各观测路段Si与预测路段Sj在不同时间延迟τ下的时空相关系数矩阵ρ(τ)'，并计算各路段的时空相关系数ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范围为[8,12]，时空相关系数矩阵ρ(τ)'的计算公式为：
时空相关系数ρij(τ)'的计算公式为：
ρij(τ)'＝ρij(τ)ρij(w)；
(8)历史相关系数矩阵生成模块，用于生成预测路段Sj的历史相关系数矩阵ρ(t)：
其中，选取近M周的同期且同一类型的历史流量作为交通流量序列Xj的历史相关序列，记为M的取值范围为[3,5]，所述历史相关系数ρjm(t)的计算公式为：
(9)预测因子选取模块，用于根据所述时空相关系数阈值T1和历史相关系数阈值T2选取与预测目标点相关的预测因子，并按照其所选空间位置j与时间延迟τ进行矩阵重构，选取原则为：
若ρij(τ)'＞T1，则将观测路段Si的交通流量序列Xi中满足条件的交通流量组成新的序列并作为第一预测因子，记做X',X'＝(x1',x2',...,xp')，其中p为所述满足条件的交通流量个数，设L1为第一预测因子中时间延迟的最大值，L1＝max{τ|τ∈[0,L]and ρij(τ)'＞T1}，则第一预测因子X'可表述成如下矩阵形式：
若ρjm(t)＞T2，则将所有满足条件的历史相关序列Xjm(t)作为第二预测因子，记作Y'，Y'＝{y1',y2',...,yq'}，其中q为满足条件的历史流量个数，第二预测因子Y'可表述成如下矩阵形式：
(10)预测模型构造模块，其通过将第一预测因子和第二预测因子作为训练样本来构造可预测路段在下一时刻的交通流量的预测模型。
其中，所述数据预处理模块中，剔除所述不符合交通实际情况的数据的规则为：在一个数据更新周期内，分别设定各路段的总交通流量数据的阀值范围，若采集到的某路段的总交通流量数据落在对应的阈值范围内，则表明该组数据可靠，保留该组数据；若采集到的某路段的总交通流量数据落不在对应的阈值范围内，则表明该组数据不可靠，并将其剔除。
其中，所述平稳性检验模块包括以下子模块：
(1)检验子模块，用于对处于同一类型的观测路段的交通流量序列与预测路段的交通流量序列分别进行平稳性检验；
(2)连续性检查子模块，与检验子模块连接，用于对不通过平稳性检验的待检验交通流量序列进行连续性检查，若不符合连续性，所述连续性检查子模块采用平均插值法对数据进行补齐；
(3)排错子模块，与连续性检查子模块连接，用于删除明显错误的数据，同时采用平均插值法对数据进行补齐；
(4)差分处理子模块，连接排错子模块和检验子模块，用于对补齐后的数据进行差分处理，并将差分处理后的数据传送到检验子模块。
本实施例设置数据分类模块和平稳性检验模块，增加了数据的准确度，且使构造的预测模型更有针对性；设置相关系数计算模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块，消除了最初预测因子选取的主观性，能够增加预测精度，使预测模型构造模块更加稳定和准确；本实施例取值L＝9，M＝3，预测精度相对于相关技术提高了2％。
实施例3
参见图1，图2，本实施例交通流量短时预测结果的可视化装置，包括可视化装置和与可视化装置相连的预测装置，所述可视化装置包括：边缘设置的输入输出装置(1)和可视化装置(4)。
优选地，所述可视化装置嵌入安装矢量对比数据的硬盘(2)、视频数据流调节器(3)和ARM芯片(5)。
优选地，首先通过ARM芯片(5)控制边缘设置的输入输出装置(1)输入的视频数据流存放在硬盘(2)中，依靠定制的时间间隙初始化视频数据流调节器(3)来对低于(6)位数字的号码依靠容量选择输出，最后依靠ARM芯片(5)中预设输出到可视化装置上处理。
优选地，预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块：
(1)采集模块，用于采集路网S内观测路段Si、预测路段Sj对应各时间段的交通流量数据和通行情况；
(2)数据预处理模块，用于对所述交通流量数据进行数据预处理，并剔除不符合交通实际情况的数据；
(3)数据分类模块，用于对经过数据预处理的交通流量数据进行类型分类，所述类型包括节假日交通流量数据、周末交通流量数据和工作日交通流量数据；
(4)平稳性检验模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验，检验平稳性的自相关函数为：
其中，Xx表示待检验交通流量序列，νi表示待检验交通流量序列的均值，Xx+τ表示Xx在时间延迟τ后的交通流量序列，νx+τ为Xx+τ的均值，σ2为Xx与Xx+τ之间的方差；
当自相关函数P(τ)能快速衰减趋近于0或在0附近波动，则所述待检验交通流量序列通过平稳性检验；当自相关函数P(τ)不能快速衰减趋近于0或在0附近波动，则对所述待检验交通流量序列进行平稳处理后继续进行平稳性检验；
(5)相关系数计算模块，用于计算通过平稳性检验的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj在时间延迟τ下的时间相关系数ρij(τ)和空间相关系数ρij(w)，设路网S内有N个路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示观测路段Si在t时刻的流量，xj(t)表示预测路段Sj在t时刻的流量，t＝1,2,...n，时间相关系数ρij(τ)的计算公式为：
空间相关系数ρij(w)的计算公式为：
优选地，预测装置还包括：
(6)阈值设定模块，用于设定各路段之间的时间延迟最大值L、时空相关系数阈值T1和历史相关系数阈值T2；
(7)时空相关系数矩阵生成模块，用于根据各路段的时间相关系数ρij(τ)和空间相关系数ρij(w)构建各观测路段Si与预测路段Sj在不同时间延迟τ下的时空相关系数矩阵ρ(τ)'，并计算各路段的时空相关系数ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范围为[8,12]，时空相关系数矩阵ρ(τ)'的计算公式为：
时空相关系数ρij(τ)'的计算公式为：
ρij(τ)'＝ρij(τ)ρij(w)；
(8)历史相关系数矩阵生成模块，用于生成预测路段Sj的历史相关系数矩阵ρ(t)：
其中，选取近M周的同期且同一类型的历史流量作为交通流量序列Xj的历史相关序列，记为M的取值范围为[3,5]，所述历史相关系数ρjm(t)的计算公式为：
(9)预测因子选取模块，用于根据所述时空相关系数阈值T1和历史相关系数阈值T2选取与预测目标点相关的预测因子，并按照其所选空间位置j与时间延迟τ进行矩阵重构，选取原则为：
若ρij(τ)'＞T1，则将观测路段Si的交通流量序列Xi中满足条件的交通流量组成新的序列并作为第一预测因子，记做X',X'＝(x1',x2',...,xp')，其中p为所述满足条件的交通流量个数，设L1为第一预测因子中时间延迟的最大值，L1＝max{τ|τ∈[0,L]and ρij(τ)'＞T1}，则第一预测因子X'可表述成如下矩阵形式：
若ρjm(t)＞T2，则将所有满足条件的历史相关序列Xjm(t)作为第二预测因子，记作Y'，Y'＝{y1',y2',...,yq'}，其中q为满足条件的历史流量个数，第二预测因子Y'可表述成如下矩阵形式：
(10)预测模型构造模块，其通过将第一预测因子和第二预测因子作为训练样本来构造可预测路段在下一时刻的交通流量的预测模型。
其中，所述数据预处理模块中，剔除所述不符合交通实际情况的数据的规则为：在一个数据更新周期内，分别设定各路段的总交通流量数据的阀值范围，若采集到的某路段的总交通流量数据落在对应的阈值范围内，则表明该组数据可靠，保留该组数据；若采集到的某路段的总交通流量数据落不在对应的阈值范围内，则表明该组数据不可靠，并将其剔除。
其中，所述平稳性检验模块包括以下子模块：
(1)检验子模块，用于对处于同一类型的观测路段的交通流量序列与预测路段的交通流量序列分别进行平稳性检验；
(2)连续性检查子模块，与检验子模块连接，用于对不通过平稳性检验的待检验交通流量序列进行连续性检查，若不符合连续性，所述连续性检查子模块采用平均插值法对数据进行补齐；
(3)排错子模块，与连续性检查子模块连接，用于删除明显错误的数据，同时采用平均插值法对数据进行补齐；
(4)差分处理子模块，连接排错子模块和检验子模块，用于对补齐后的数据进行差分处理，并将差分处理后的数据传送到检验子模块。
本实施例设置数据分类模块和平稳性检验模块，增加了数据的准确度，且使构造的预测模型更有针对性；设置相关系数计算模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块，消除了最初预测因子选取的主观性，能够增加预测精度，使预测模型构造模块更加稳定和准确；本实施例取值L＝10，M＝4，预测精度相对于相关技术提高了2.6％。
实施例4
参见图1，图2，本实施例交通流量短时预测结果的可视化装置，包括可视化装置和与可视化装置相连的预测装置，所述可视化装置包括：边缘设置的输入输出装置(1)和可视化装置(4)。
优选地，所述可视化装置嵌入安装矢量对比数据的硬盘(2)、视频数据流调节器(3)和ARM芯片(5)。
优选地，首先通过ARM芯片(5)控制边缘设置的输入输出装置(1)输入的视频数据流存放在硬盘(2)中，依靠定制的时间间隙初始化视频数据流调节器(3)来对低于(6)位数字的号码依靠容量选择输出，最后依靠ARM芯片(5)中预设输出到可视化装置上处理。
优选地，预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块：
(1)采集模块，用于采集路网S内观测路段Si、预测路段Sj对应各时间段的交通流量数据和通行情况；
(2)数据预处理模块，用于对所述交通流量数据进行数据预处理，并剔除不符合交通实际情况的数据；
(3)数据分类模块，用于对经过数据预处理的交通流量数据进行类型分类，所述类型包括节假日交通流量数据、周末交通流量数据和工作日交通流量数据；
(4)平稳性检验模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验，检验平稳性的自相关函数为：
其中，Xx表示待检验交通流量序列，νi表示待检验交通流量序列的均值，Xx+τ表示Xx在时间延迟τ后的交通流量序列，νx+τ为Xx+τ的均值，σ2为Xx与Xx+τ之间的方差；
当自相关函数P(τ)能快速衰减趋近于0或在0附近波动，则所述待检验交通流量序列通过平稳性检验；当自相关函数P(τ)不能快速衰减趋近于0或在0附近波动，则对所述待检验交通流量序列进行平稳处理后继续进行平稳性检验；
(5)相关系数计算模块，用于计算通过平稳性检验的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj在时间延迟τ下的时间相关系数ρij(τ)和空间相关系数ρij(w)，设路网S内有N个路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示观测路段Si在t时刻的流量，xj(t)表示预测路段Sj在t时刻的流量，t＝1,2,...n，时间相关系数ρij(τ)的计算公式为：
空间相关系数ρij(w)的计算公式为：
优选地，预测装置还包括：
(6)阈值设定模块，用于设定各路段之间的时间延迟最大值L、时空相关系数阈值T1和历史相关系数阈值T2；
(7)时空相关系数矩阵生成模块，用于根据各路段的时间相关系数ρij(τ)和空间相关系数ρij(w)构建各观测路段Si与预测路段Sj在不同时间延迟τ下的时空相关系数矩阵ρ(τ)'，并计算各路段的时空相关系数ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范围为[8,12]，时空相关系数矩阵ρ(τ)'的计算公式为：
时空相关系数ρij(τ)'的计算公式为：
ρij(τ)'＝ρij(τ)ρij(w)；
(8)历史相关系数矩阵生成模块，用于生成预测路段Sj的历史相关系数矩阵ρ(t)：
其中，选取近M周的同期且同一类型的历史流量作为交通流量序列Xj的历史相关序列，记为M的取值范围为[3,5]，所述历史相关系数ρjm(t)的计算公式为：
(9)预测因子选取模块，用于根据所述时空相关系数阈值T1和历史相关系数阈值T2选取与预测目标点相关的预测因子，并按照其所选空间位置j与时间延迟τ进行矩阵重构，选取原则为：
若ρij(τ)'＞T1，则将观测路段Si的交通流量序列Xi中满足条件的交通流量组成新的序列并作为第一预测因子，记做X',X'＝(x1',x2',...,xp')，其中p为所述满足条件的交通流量个数，设L1为第一预测因子中时间延迟的最大值，L1＝max{τ|τ∈[0,L]and ρij(τ)'＞T1}，则第一预测因子X'可表述成如下矩阵形式：
若ρjm(t)＞T2，则将所有满足条件的历史相关序列Xjm(t)作为第二预测因子，记作Y'，Y'＝{y1',y2',...,yq'}，其中q为满足条件的历史流量个数，第二预测因子Y'可表述成如下矩阵形式：
(10)预测模型构造模块，其通过将第一预测因子和第二预测因子作为训练样本来构造可预测路段在下一时刻的交通流量的预测模型。
其中，所述数据预处理模块中，剔除所述不符合交通实际情况的数据的规则为：在一个数据更新周期内，分别设定各路段的总交通流量数据的阀值范围，若采集到的某路段的总交通流量数据落在对应的阈值范围内，则表明该组数据可靠，保留该组数据；若采集到的某路段的总交通流量数据落不在对应的阈值范围内，则表明该组数据不可靠，并将其剔除。
其中，所述平稳性检验模块包括以下子模块：
(1)检验子模块，用于对处于同一类型的观测路段的交通流量序列与预测路段的交通流量序列分别进行平稳性检验；
(2)连续性检查子模块，与检验子模块连接，用于对不通过平稳性检验的待检验交通流量序列进行连续性检查，若不符合连续性，所述连续性检查子模块采用平均插值法对数据进行补齐；
(3)排错子模块，与连续性检查子模块连接，用于删除明显错误的数据，同时采用平均插值法对数据进行补齐；
(4)差分处理子模块，连接排错子模块和检验子模块，用于对补齐后的数据进行差分处理，并将差分处理后的数据传送到检验子模块。
本实施例设置数据分类模块和平稳性检验模块，增加了数据的准确度，且使构造的预测模型更有针对性；设置相关系数计算模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块，消除了最初预测因子选取的主观性，能够增加预测精度，使预测模型构造模块更加稳定和准确；本实施例取值L＝11，M＝5，预测精度相对于相关技术提高了3.2％。
实施例5
参见图1，图2，本实施例交通流量短时预测结果的可视化装置，包括可视化装置和与可视化装置相连的预测装置，所述可视化装置包括：边缘设置的输入输出装置(1)和可视化装置(4)。
优选地，所述可视化装置嵌入安装矢量对比数据的硬盘(2)、视频数据流调节器(3)和ARM芯片(5)。
优选地，首先通过ARM芯片(5)控制边缘设置的输入输出装置(1)输入的视频数据流存放在硬盘(2)中，依靠定制的时间间隙初始化视频数据流调节器(3)来对低于(6)位数字的号码依靠容量选择输出，最后依靠ARM芯片(5)中预设输出到可视化装置上处理。
优选地，预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块：
(1)采集模块，用于采集路网S内观测路段Si、预测路段Sj对应各时间段的交通流量数据和通行情况；
(2)数据预处理模块，用于对所述交通流量数据进行数据预处理，并剔除不符合交通实际情况的数据；
(3)数据分类模块，用于对经过数据预处理的交通流量数据进行类型分类，所述类型包括节假日交通流量数据、周末交通流量数据和工作日交通流量数据；
(4)平稳性检验模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验，检验平稳性的自相关函数为：
其中，Xx表示待检验交通流量序列，νi表示待检验交通流量序列的均值，Xx+τ表示Xx在时间延迟τ后的交通流量序列，νx+τ为Xx+τ的均值，σ2为Xx与Xx+τ之间的方差；
当自相关函数P(τ)能快速衰减趋近于0或在0附近波动，则所述待检验交通流量序列通过平稳性检验；当自相关函数P(τ)不能快速衰减趋近于0或在0附近波动，则对所述待检验交通流量序列进行平稳处理后继续进行平稳性检验；
(5)相关系数计算模块，用于计算通过平稳性检验的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj在时间延迟τ下的时间相关系数ρij(τ)和空间相关系数ρij(w)，设路网S内有N个路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示观测路段Si在t时刻的流量，xj(t)表示预测路段Sj在t时刻的流量，t＝1,2,...n，时间相关系数ρij(τ)的计算公式为：
空间相关系数ρij(w)的计算公式为：
优选地，预测装置还包括：
(6)阈值设定模块，用于设定各路段之间的时间延迟最大值L、时空相关系数阈值T1和历史相关系数阈值T2；
(7)时空相关系数矩阵生成模块，用于根据各路段的时间相关系数ρij(τ)和空间相关系数ρij(w)构建各观测路段Si与预测路段Sj在不同时间延迟τ下的时空相关系数矩阵ρ(τ)'，并计算各路段的时空相关系数ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范围为[8,12]，时空相关系数矩阵ρ(τ)'的计算公式为：
时空相关系数ρij(τ)'的计算公式为：
ρij(τ)'＝ρij(τ)ρij(w)；
(8)历史相关系数矩阵生成模块，用于生成预测路段Sj的历史相关系数矩阵ρ(t)：
其中，选取近M周的同期且同一类型的历史流量作为交通流量序列Xj的历史相关序列，记为M的取值范围为[3,5]，所述历史相关系数ρjm(t)的计算公式为：
(9)预测因子选取模块，用于根据所述时空相关系数阈值T1和历史相关系数阈值T2选取与预测目标点相关的预测因子，并按照其所选空间位置j与时间延迟τ进行矩阵重构，选取原则为：
若ρij(τ)'＞T1，则将观测路段Si的交通流量序列Xi中满足条件的交通流量组成新的序列并作为第一预测因子，记做X',X'＝(x1',x2',...,xp')，其中p为所述满足条件的交通流量个数，设L1为第一预测因子中时间延迟的最大值，L1＝max{τ|τ∈[0,L]and ρij(τ)'＞T1}，则第一预测因子X'可表述成如下矩阵形式：
若ρjm(t)＞T2，则将所有满足条件的历史相关序列Xjm(t)作为第二预测因子，记作Y'，Y'＝{y1',y2',...,yq'}，其中q为满足条件的历史流量个数，第二预测因子Y'可表述成如下矩阵形式：
(10)预测模型构造模块，其通过将第一预测因子和第二预测因子作为训练样本来构造可预测路段在下一时刻的交通流量的预测模型。
其中，所述数据预处理模块中，剔除所述不符合交通实际情况的数据的规则为：在一个数据更新周期内，分别设定各路段的总交通流量数据的阀值范围，若采集到的某路段的总交通流量数据落在对应的阈值范围内，则表明该组数据可靠，保留该组数据；若采集到的某路段的总交通流量数据落不在对应的阈值范围内，则表明该组数据不可靠，并将其剔除。
其中，所述平稳性检验模块包括以下子模块：
(1)检验子模块，用于对处于同一类型的观测路段的交通流量序列与预测路段的交通流量序列分别进行平稳性检验；
(2)连续性检查子模块，与检验子模块连接，用于对不通过平稳性检验的待检验交通流量序列进行连续性检查，若不符合连续性，所述连续性检查子模块采用平均插值法对数据进行补齐；
(3)排错子模块，与连续性检查子模块连接，用于删除明显错误的数据，同时采用平均插值法对数据进行补齐；
(4)差分处理子模块，连接排错子模块和检验子模块，用于对补齐后的数据进行差分处理，并将差分处理后的数据传送到检验子模块。
本实施例设置数据分类模块和平稳性检验模块，增加了数据的准确度，且使构造的预测模型更有针对性；设置相关系数计算模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块，消除了最初预测因子选取的主观性，能够增加预测精度，使预测模型构造模块更加稳定和准确；本实施例取值L＝12，M＝5，预测精度相对于相关技术提高了3.5％。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (5)
1.交通流量短时预测结果的可视化装置，包括可视化装置和与可视化装置相连的预测装置，所述可视化装置包括：边缘设置的输入输出装置和可视化设备；
所述预测装置包括依次连接的采集模块、数据预处理模块、数据分类模块、平稳性检验模块、相关系数计算模块、阈值设定模块、时空相关系数矩阵生成模块、历史相关系数矩阵生成模块、预测因子选取模块和预测模型构造模块：
(1)采集模块，用于采集路网S内观测路段Si、预测路段Sj对应各时间段的交通流量数据和通行情况；
(2)数据预处理模块，用于对所述交通流量数据进行数据预处理，并剔除不符合交通实际情况的数据；
(3)数据分类模块，用于对经过数据预处理的交通流量数据进行类型分类，所述类型包括节假日交通流量数据、周末交通流量数据和工作日交通流量数据；
(4)平稳性检验模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验，检验平稳性的自相关函数为：
其中，Xx表示待检验交通流量序列，νi表示待检验交通流量序列的均值，Xx+τ表示Xx在时间延迟τ后的交通流量序列，νx+τ为Xx+τ的均值，σ2为Xx与Xx+τ之间的方差；
当自相关函数P(τ)能快速衰减趋近于0或在0附近波动，则所述待检验交通流量序列通过平稳性检验；当自相关函数P(τ)不能快速衰减趋近于0或在0附近波动，则对所述待检验交通流量序列进行平稳处理后继续进行平稳性检验；
(5)相关系数计算模块，用于计算通过平稳性检验的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj在时间延迟τ下的时间相关系数ρij(τ)和空间相关系数ρij(w)，设路网S内有N个路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示观测路段Si在t时刻的流量，xj(t)表示预测路段Sj在t时刻的流量，t＝1,2,...n，时间相关系数ρij(τ)的计算公式为：
空间相关系数ρij(w)的计算公式为：
(6)阈值设定模块，用于设定各路段之间的时间延迟最大值L、时空相关系数阈值T1和历史相关系数阈值T2；
(7)时空相关系数矩阵生成模块，用于根据各路段的时间相关系数ρij(τ)和空间相关系数ρij(w)构建各观测路段Si与预测路段Sj在不同时间延迟τ下的时空相关系数矩阵ρ(τ)'，并计算各路段的时空相关系数ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范围为[8,12]，时空相关系数矩阵ρ(τ)'的计算公式为：
时空相关系数ρij(τ)'的计算公式为：
ρij(τ)'＝ρij(τ)ρij(w)；
(8)历史相关系数矩阵生成模块，用于生成预测路段Sj的历史相关系数矩阵ρ(t)：
其中，选取近M周的同期且同一类型的历史流量作为交通流量序列Xj的历史相关序列，记为m＝1,2,...M，M的取值范围为[3,5]，所述历史相关系数ρjm(t)的计算公式为：
(9)预测因子选取模块，用于根据所述时空相关系数阈值T1和历史相关系数阈值T2选取与预测目标点相关的预测因子，并按照其所选空间位置j与时间延迟τ进行矩阵重构，选取原则为：
若ρij(τ)'>T1，则将观测路段Si的交通流量序列Xi中满足条件的交通流量组成新的序列并作为第一预测因子，记做X',X'＝(x1',x2',...,xp')，其中p为所述满足条件的交通流量个数，设L1为第一预测因子中时间延迟的最大值，L1＝max{τ|τ∈[0,L]andρij(τ)'>T1}，则第一预测因子X'可表述成如下矩阵形式：
若ρjm(t)>T2，则将所有满足条件的历史相关序列Xjm(t)作为第二预测因子，记作Y'，Y'＝{y1',y2',...,yq'}，其中q为满足条件的历史流量个数，第二预测因子Y'可表述成如下矩阵形式：
(10)预测模型构造模块，其通过将第一预测因子和第二预测因子作为训练样本来构造可预测路段在下一时刻的交通流量的预测模型。
2.根据权利要求1所述的交通流量短时预测结果的可视化装置，其特征是，所述可视化设备嵌入安装矢量对比数据的硬盘、视频数据流调节器和ARM芯片。
3.根据权利要求2所述的交通流量短时预测结果的可视化装置，其特征是，首先通过ARM芯片控制边缘设置的输入输出装置输入的视频数据流存放在硬盘中，依靠定制的时间间隙初始化视频数据流调节器来对低于位数字的号码依靠容量选择输出，最后依靠ARM芯片中预设输出到可视化设备上处理。
4.根据权利要求3所述的交通流量短时预测结果的可视化装置，其特征是，所述数据预处理模块中，剔除所述不符合交通实际情况的数据的规则为：在一个数据更新周期内，分别设定各路段的总交通流量数据的阈值范围，若采集到的某路段的总交通流量数据落在对应的阈值范围内，则表明该组数据可靠，保留该组数据；若采集到的某路段的总交通流量数据落不在对应的阈值范围内，则表明该组数据不可靠，并将其剔除。
5.根据权利要求4所述的交通流量短时预测结果的可视化装置，其特征是，所述平稳性检验模块包括以下子模块：
(1)检验子模块，用于对处于同一类型的观测路段Si的交通流量序列Xi与预测路段Sj的交通流量序列Xj分别进行平稳性检验；
(2)连续性检查子模块，与检验子模块连接，用于对不通过平稳性检验的待检验交通流量序列进行连续性检查，若不符合连续性，所述连续性检查子模块采用平均插值法对数据进行补齐；
(3)排错子模块，与连续性检查子模块连接，用于删除明显错误的数据，同时采用平均插值法对数据进行补齐；
(4)差分处理子模块，连接排错子模块和检验子模块，用于对补齐后的数据进行差分处理，并将差分处理后的数据传送到检验子模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610522090.XA CN106128101B (zh) | 2016-06-29 | 2016-06-29 | 交通流量短时预测结果的可视化装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610522090.XA CN106128101B (zh) | 2016-06-29 | 2016-06-29 | 交通流量短时预测结果的可视化装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106128101A CN106128101A (zh) | 2016-11-16 |
| CN106128101B true CN106128101B (zh) | 2018-09-04 |
Family
ID=57469354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610522090.XA Active CN106128101B (zh) | 2016-06-29 | 2016-06-29 | 交通流量短时预测结果的可视化装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106128101B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110417577B (zh) * | 2019-06-18 | 2021-11-26 | 东华大学 | 一种混杂数据流分流量峰值预测方法 |
| CN110264725B (zh) * | 2019-07-31 | 2021-08-03 | 北京世纪高通科技有限公司 | 路段流量的确定方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034351A (zh) * | 2010-09-30 | 2011-04-27 | 天津大学 | 一种交通流短时预测系统 |
| CN103135951A (zh) * | 2011-12-05 | 2013-06-05 | 西安灵境科技有限公司 | 一种用于电子设备的可视化装置和方法 |
| CN104183134A (zh) * | 2014-08-27 | 2014-12-03 | 重庆大学 | 基于智能分车型的高速公路短时交通流量预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8755991B2 (en) * | 2007-01-24 | 2014-06-17 | Tomtom Global Assets B.V. | Method and structure for vehicular traffic prediction with link interactions and missing real-time data |
| CN101673463B (zh) * | 2009-09-17 | 2011-12-14 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
| CN104899663B (zh) * | 2015-06-17 | 2019-02-26 | 北京奇虎科技有限公司 | 一种数据预测方法和装置 |
-
2016
- 2016-06-29 CN CN201610522090.XA patent/CN106128101B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034351A (zh) * | 2010-09-30 | 2011-04-27 | 天津大学 | 一种交通流短时预测系统 |
| CN103135951A (zh) * | 2011-12-05 | 2013-06-05 | 西安灵境科技有限公司 | 一种用于电子设备的可视化装置和方法 |
| CN104183134A (zh) * | 2014-08-27 | 2014-12-03 | 重庆大学 | 基于智能分车型的高速公路短时交通流量预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Multivariate Short-Term Traffic Flow Forecasting Using Time-Series Analysis;Bidisha Ghosh Et al.;《IEEE Transactions On Intelligent Transportation Systems》;20090630;第10卷(第2期);第246-254页 * |
| 分车型的高速公路短时交通流量预测方法研究;周桐等;《计算机应用研究》;20150731;第32卷(第7期);第1996-1999页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106128101A (zh) | 2016-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Prediction for tourism flow based on LSTM neural network | |
| CA3101276C (en) | System and method for real time prediction of water level and hazard level of a dam | |
| CN105913664B (zh) | 一种交通流量监控预测系统 | |
| WO2020063689A1 (zh) | 一种电力系统热负荷预测的方法和装置 | |
| CN106157616B (zh) | 一种交通流量短时预测装置 | |
| CN104408667B (zh) | 一种电能质量综合评估的方法和系统 | |
| CN107153874A (zh) | 水质预测方法及系统 | |
| CN105913654B (zh) | 一种智能交通管理系统 | |
| CN108230016B (zh) | 一种农产品市场价格传递分析方法及分析装置 | |
| CN110659825A (zh) | 银行网点多学习器的现钞需求量预测方法和装置 | |
| CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
| Li et al. | A k-nearest neighbor locally weighted regression method for short-term traffic flow forecasting | |
| CN107589391A (zh) | 一种检测电能计量装置整体误差的方法、装置和系统 | |
| CN106128101B (zh) | 交通流量短时预测结果的可视化装置 | |
| CN106128122B (zh) | 一种智能交通信号灯 | |
| Asghari et al. | Spatial rainfall prediction using optimal features selection approaches | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| CN104751253B (zh) | 基于ｂ－样条基底展开曲线聚类的配电网潮流预测方法 | |
| CN106097712B (zh) | 一种交通流优化引导系统 | |
| CN107480703A (zh) | 交易故障检测方法及装置 | |
| CN106157615B (zh) | 一种交通流量信息管理手持终端 | |
| CN110910241A (zh) | 现金流评估方法、装置、服务器设备及存储介质 | |
| CN106128098B (zh) | 一种能够进行交通流量预测的多屏显示装置 | |
| CN106652443B (zh) | 纵横相似的高速公路短时交通量预测方法 | |
| CN115359197A (zh) | 一种基于空间自相关神经网络的地质曲面重构方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20180717 Address after: 210000 Central Road, Xuanwu District, Nanjing, Jiangsu Province, No. 256 Applicant after: Nanjing Tunnel & Bridge Administration Company Ltd Address before: No. 372, Zhenhai District, Ningbo, Zhejiang, Zhejiang Applicant before: Xiao Rui |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: Room 604, block a, Chuangzhan building, No.2 Xingzhi Road, research and Innovation Park, Nanjing area, China (Jiangsu) pilot Free Trade Zone, Nanjing 210028, Jiangsu Province Patentee after: Nanjing urban construction tunnel and Bridge Intelligent Management Co.,Ltd. Address before: 210000 Central Road, Xuanwu District, Nanjing, Jiangsu Province, No. 256 Patentee before: NANJING TUNNEL& BRIDGE ADMINISTRATION Co.,Ltd. |
|
| CP03 | Change of name, title or address |