CN106355879A - 一种基于时空关联的城市交通流量预测方法 - Google Patents

Abstract

本发明属于智能交通领域，尤其涉及一种基于时空关联的城市交通流量预测方法。该方法包括以下步骤：1)预测模型训练：根据不同的时间预测粒度，生成相应的预测模型；2)流量实时预测：与模型训练的过程一致，进行交通流量预测时会将最新采集到的流量数据加入预测模型的输入端，再经过预测模型的处理，即可输出下一时段的预测流量。本发明对城市道路交通流量进行准确预测，可以实现智能交通控制与管理，交通信息服务，为缓解城市交通拥堵提供实时数据，具有显著的社会和经济效益。

Description

一种基于时空关联的城市交通流量预测方法

技术领域

本发明属于智能交通领域，尤其涉及一种基于时空关联的城市交通流量预测方法。

背景技术

城市道路交通流的状态变化是一个实时、非线性、高维、非平稳的过程，带有随机性和不确定性，统计时间越短，随机性和不确定性越强。除此之外，还与出行需求、上下游流量、节假日、天气变化、交通事故和道路环境等因素密切相关，为交通流量的预测带来很大困难。传统的历史均值法、时间序列法、卡尔曼滤波等虽然实现简单，但在路况复杂的情况下预测精度急剧下降；而基于非线性系统理论小波分析、突变理论、混沌理论等预测方法虽能比较好地模拟系统的非线性特征，且精确性相对较高，但计算复杂，理论基础尚不成熟，难以推广。而基于知识发现的智能模型尤其是已被广泛应用的神经网络预测方法，因其具有非线性数据拟合能力强，理论成熟，预测精度高、稳定性好等显著特征，在训练数据充分的情况下，可在时空分布上产生很强的泛化能力，能够很好地满足交通系统尤其是大规模智能交通系统的交通流量预测需求。

发明内容

本发明为解决背景技术中存在的上述技术问题，而提供一种基于时空关联的城市交通流量预测方法。

本发明的技术解决方案是：本发明为一种基于时空关联的城市交通流量预测方法，其特殊之处在于：该方法包括以下步骤：

1)预测模型训练：根据不同的时间预测粒度，生成相应的预测模型；

1.1)流量分类统计

1.1.1)设定每天的统计时间范围、统计时间；

1.1.2)采集每一统计时间需要进行预测的路段的时段数据；

1.2)样本预处理

1.2.1)完整性检验：为保证历史数据的完整性，对历史数据进行检验，

如当日某一统计时间段内数据不存在，则计算在该时间段内的其余所有历史数据的平均值，将该均值作为其他日期内在该时间段内数据缺失时的默认补充值，若某条道路当天的缺失数据累计超过预设时间段，则丢弃该路段当天所有数据；

1.2.2)有效性检验：将每日所有路段所有统计时间间隔内统计的流量转换到以小时为单位，即pcu/小时，当每小时交通流量超出预设的车道流量上限和下限时，视为错误数据，用其余所有日期内该时间段的流量均值替换；若某条道路当天的无效数据累计超过预设时间段，则丢弃该路段当天所有数据；

1.2.3)将所有的历史数据整理为训练网络所需的输入输出对；

1.2.4)数据归一化：将所有原始数据归一化到[0，1]范围内，利用以下公式：归一化后流量值＝((归一化前流量值)-MINVALUE)/(MAXVALUE-MINVALUE)MAXVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最大值，MINVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最小值，这两个数值在完成数据完整性检验和数据有效性检验后通过人工观察或程序检索得到；

1.3)神经网络模型训练：训练模型采用BP神经网络，输入层神经元的数目与输入数据的维度一致，神经网络结构如下：

1.3.1)设定输入层的神经元数目,输出层神经元数目,隐藏层层数，隐藏层神经元的数目由经验公式确定，其中n为输入层神经元数目,l为输出层数目，α取0；

1.3.2)选择迭代次数，训练收敛时的绝对误差不大于0.001。

2)流量实时预测:与模型训练的过程一致，进行交通流量预测时会将最新采集到的流量数据加入预测模型的输入端，再经过预测模型的处理，即可输出下一时段的预测流量。

2.1)数据采集:

根据不同的预测的时间范围，启动不同的预测进程，不同的进程根据各自数据更新的时间粒度去检索对应的文件，将最新统计的流量数据加载到模型的输入端，如果在统计时刻结束时没有对应的文件生成，则保持等待，如在等待预设时间后仍无对应的文件生成，则直接将上一时段的统计流量作为补充进行发布；

2.2)数据预处理:

将最新生成的流量数据从文件中解析出来，并与各时段历史流量数据、关联路段流量数据按照与模型训练过程一致的格式组合成训练模型的输入数据，再经归一化处理后送入预测模型；归一化的格式、MAXVALUE和MINVALUE与样本训练时的保持一致；

2.3)预测输出

预测模型的输出是介于[0，1]之间经过归一化后的数值，在发布前进行反归一化，采用公式：反归一化后流量值＝反归一化前流量值*(MAXVALUE-MINVALUE)+MINVALUE。

该方法的具体步骤如下：

1)预测模型训练

根据不同的时间预测粒度，生成相应的预测模型，包括流量5分钟预测模型，30分钟预测模型，1小时预测模型，24小时预测模型和1周内预测模型，每种模型的训练过程输入输出不同，训练流程一致，具体如下：

1.1)流量分类统计

针对不同的时间预测范围，采集所有需要进行预测的路段历史数据，保证历史数据完整、有效。对每一路段的上下游关系进行关联，以路段ID号为索引,统计方法如下：

1.1.1)5分钟流量预测：从每日00时00分00秒开始，每5分钟统计一次，每次统计时间范围为5分钟，每条路段每日可采集288个时段数据；

1.1.2)30分钟流量预测：从每日00时00分00秒开始，每10分钟统计一次，每次统计时间范围为30分钟，每条路段每日可采集144个时段数据；

1.1.3)1小时流量预测：从每日00时00分00秒开始，每15分钟统计一次，每次统计时间范围为60分钟，每条路段每日可采集96个时段数据；

1.1.4)24小时流量预测：从每日00时00分00秒开始，每1小时统计一次，每次统计时间范围为60分钟，每条路段每日可采集24个时段数据；

1.2)样本预处理

1.2.1)完整性检验。为保证历史数据的完整性，需要对历史数据进行检验，如当日某一统计时间段内数据不存在，则计算在该时间段内的其余所有历史数据的平均值，并将该均值作为其他日期内在该时间段内数据缺失时的默认补充值；若某条道路当天的缺失数据累计超过2小时，则丢弃该路段当天所有数据；

1.2.2)有效性检验。将每日所有路段所有统计时间间隔内统计的流量转换到以小时为单位(该数值只用作数据有效性检验)，即pcu/小时，如5分钟流量(统计时间间隔为5分钟时)*12或者30分钟流量(统计时间间隔为30分钟时)*2即可，当每小时交通流量超出预设的车道流量上限(2000pcu/每小时每车道)和下限(0pcu/每小时每车道)时，视为错误数据，用其余所有日期内该时间段的流量均值替换；若某条道路当天的无效数据累计超过2小时，则丢弃该路段当天所有数据；

1.2.3)将所有的历史数据整理为训练网络所需的输入输出对；

对于5分钟流量预测、30分钟流量预测、1小时流量预测，其训练输入数据来自三个部分：前5个统计时段的数据、前7日每日同时段的统计数据、来自各个上游路段的流量数据；训练输出数据为从第6个时段开始的每个时段的流量数据；

对于24小时流量预测、1周流量预测，其训练输入数据分为两部分：前7日每日同时段流量数据、来自各个上游路段的流量数据；训练输出数据为从第6个时段开始的每个时段的流量数据；

每组输入输出对整理完成后依次处理下一个时段；

1.2.4)数据归一化。为了减小不同数量级的原始数据之间对模型的影响，将所有原始数据归一化到[0，1]范围内，利用以下公式：归一化后流量值＝((归一化前流量值)-MINVALUE)/(MAXVALUE-MINVALUE)MAXVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最大值，MINVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最小值，这两个数值在完成数据完整性检验和数据有效性检验后通过人工观察或程序检索得到；

1.3)神经网络模型训练

训练模型采用BP神经网络，输入层神经元的数目与输入数据的维度一致，神经网络结构如下：

1.3.1)5分钟/30分钟/1小时预测:输入层的神经元数目为15个,输出层神经元数目均为1个,隐藏层设置为1层，隐藏层神经元的数目由经验公式确定，其中n为输入层神经元数目,l为输出层数目，α取0；

1.3.2)24小时/1周流量预测：输入层的神经元数目为10个,输出层神经元数目均为1个,隐藏层设置为1层，隐藏层数目、迭代次数、训练收敛时的绝对误差与步骤1.3.1)一致；

1.3.3)迭代次数选择10000次，训练收敛时的绝对误差不大于0.001；

2)流量实时预测

与模型训练的过程一致，进行交通流量预测时会将最新采集到的流量数据加入预测模型的输入端，再经过预测模型的处理，即可输出下一时段的预测流量；

2.1)数据采集

由于预测的时间范围不同，主程序会启动不同的预测进程，不同的进程根据各自数据更新的时间粒度去检索对应的文件，将最新统计的流量数据加载到模型的输入端，如果在统计时刻结束时没有对应的文件生成，则保持等待，如在等待60秒后仍无对应的文件生成，则直接将上一时段的统计流量作为补充进行发布；

2.2数据预处理

将最新生成的流量数据从文件中解析出来，并与各时段历史流量数据、关联路段流量数据按照与模型训练过程一致的格式组合成训练模型的输入数据，再经归一化处理后送入预测模型。归一化的格式、MAXVALUE和MINVALUE与样本训练时的保持一致；

2.3)预测输出

预测模型的输出是介于[0，1]之间经过归一化后的数值，在发布前进行反归一化，采用公式：反归一化后流量值＝反归一化前流量值*(MAXVALUE-MINVALUE)+MINVALUE；

发布方式如下：

2.3.1)5分钟流量预测：所有路段每5分钟发布一次；

2.3.2)30分钟流量预测：所有路段每10分钟发布一次，依次发布从当前时刻起30分钟内每隔10分钟共3个时间点的流量数据；

2.3.3)1小时流量预测：所有路段每15分钟发布一次，每次发布从当前时刻起1小时内每隔15分钟共4个时间点的流量数据；

2.3.4)24小时流量预测：所有路段每1小时发布一次，每次发布从当前时刻起24小时内每隔1小时共24个时间点的流量数据；

2.3.5)1周流量预测：所有路段每24小时发布一次，每次发布从当前时刻起7日内每隔1小时共168个时间点的流量数据。

本发明的优点如下：

对城市道路交通流量进行准确预测是实现智能交通控制与管理，交通信息服务的重要前提，具有显著的社会和经济效益：

1)为缓解城市交通拥堵提供实时数据：包括交通信号控制中单点控制、干线协调控制和区域协调控制中流量、车辆排队长度、车辆达到时间等参数的估算；交通流诱导系统中道路状态预测和预警等；

2)交通安全方面：道路交通事件检测、流量预警与应急等提供数据支持；

3)为开展城市污染治理和能源节约等研究提供参考数据。城市交通路网流量预测是实现智能交通系统的重要前提，通过研究道路交通流量在路网中的时空分布特性和内在变化规律并实现准确、及时、有效的路网流量预测，不仅能为出行者提供重要参考，节约出行时间，也可以为管理者在交通规划、交通控制与管理、交通流诱导、交通事件检测与事故预防、污染治理和能源节约等方面提供数据支持，为实现城市道路交通精细化、智能化和系统化管理提供有力手段。

附图说明

图1为本发明具体实施例的流程示意图。

具体实施方式

本发明的方法如下：

参见图1，本实施例主要分为两部分：预测模型训练部分和交通流量实时预测部分。预测模型训练又分为样本流量分类统计、样本预处理和模型训练三个部分；流量预测分为数据采集、数据预处理和预测输出三个部分。

1)预测模型训练

根据不同的时间预测粒度，生成相应的预测模型，包括流量5分钟预测模型，30分钟预测模型，1小时预测模型，24小时预测模型和1周内预测模型，每种模型的训练过程输入输出不同，训练流程一致，具体如下：

1.1)流量分类统计

针对不同的时间预测范围，采集所有需要进行预测的路段历史数据，保证历史数据完整、有效。对每一路段的上下游关系进行关联，以路段ID号为索引,统计方法如下：

1.1.1)5分钟流量预测：从每日00时00分00秒开始，每5分钟统计一次，每次统计时间范围为5分钟，每条路段每日可采集288个时段数据；

1.1.2)30分钟流量预测：从每日00时00分00秒开始，每10分钟统计一次，每次统计时间范围为30分钟，每条路段每日可采集144个时段数据；

1.1.3)1小时流量预测：从每日00时00分00秒开始，每15分钟统计一次，每次统计时间范围为60分钟，每条路段每日可采集96个时段数据；

1.1.4)24小时流量预测：从每日00时00分00秒开始，每1小时统计一次，每次统计时间范围为60分钟，每条路段每日可采集24个时段数据；

1.2)样本预处理

1.2.1)完整性检验。为保证历史数据的完整性，需要对历史数据进行检验，如当日某一统计时间段内数据不存在，则计算在该时间段内的其余所有历史数据的平均值，并将该均值作为其他日期内在该时间段内数据缺失时的默认补充值。若某条道路当天的缺失数据累计超过2小时，则丢弃该路段当天所有数据。

1.2.2)有效性检验。将每日所有路段所有统计时间间隔内统计的流量转换到以小时为单位(该数值只用作数据有效性检验)，即pcu/小时，如5分钟流量(统计时间间隔为5分钟时)*12或者30分钟流量(统计时间间隔为30分钟时)*2即可，当每小时交通流量超出预设的车道流量上限(2000pcu/每小时每车道)和下限(0pcu/每小时每车道)时，视为错误数据，用其余所有日期内该时间段的流量均值替换。若某条道路当天的无效数据累计超过2小时，则丢弃该路段当天所有数据。

1.2.3)将所有的历史数据整理为训练网络所需的输入输出对。

对于5分钟流量预测、30分钟流量预测、1小时流量预测，其训练输入数据来自三个部分：前5个统计时段的数据、前7日每日同时段的统计数据、来自各个上游路段的流量数据；训练输出数据为从第6个时段开始的每个时段的流量数据；

对于24小时流量预测、1周流量预测，其训练输入数据分为两部分：前7日每日同时段流量数据、来自各个上游路段的流量数据；训练输出数据为从第6个时段开始的每个时段的流量数据；

每组输入输出对整理完成后依次处理下一个时段；

1.2.4)数据归一化。为了减小不同数量级的原始数据之间对模型的影响，将所有原始数据归一化到[0，1]范围内，利用以下公式：归一化后流量值＝((归一化前流量值)-MINVALUE)/(MAXVALUE-MINVALUE)MAXVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最大值，MINVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最小值，这两个数值在完成数据完整性检验和数据有效性检验后通过人工观察或程序检索得到；

1.3)神经网络模型训练

训练模型采用BP神经网络，输入层神经元的数目与输入数据的维度一致，神经网络结构如下：

1.3.1)5分钟/30分钟/1小时预测:输入层的神经元数目为15个,输出层神经元数目均为1个,隐藏层设置为1层，隐藏层神经元的数目由经验公式确定，其中n为输入层神经元数目,l为输出层数目，α取0；

1.3.2)24小时/1周流量预测：输入层的神经元数目为10个,输出层神经元数目均为1个,隐藏层设置为1层，隐藏层数目、迭代次数、训练收敛时的绝对误差与步骤1.3.1)一致；

1.3.3)迭代次数选择10000次，训练收敛时的绝对误差不大于0.001。

2)流量实时预测

与模型训练的过程一致，进行交通流量预测时会将最新采集到的流量数据加入预测模型的输入端，再经过预测模型的处理，即可输出下一时段的预测流量。

2.1)数据采集

由于预测的时间范围不同，主程序会启动不同的预测进程，不同的进程根据各自数据更新的时间粒度去检索对应的文件，将最新统计的流量数据加载到模型的输入端，如果在统计时刻结束时没有对应的文件生成，则保持等待，如在等待60秒后仍无对应的文件生成，则直接将上一时段的统计流量作为补充进行发布。

2.2数据预处理

将最新生成的流量数据从文件中解析出来，并与各时段历史流量数据、关联路段流量数据按照与模型训练过程一致的格式组合成训练模型的输入数据，再经归一化处理后送入预测模型。归一化的格式、MAXVALUE和MINVALUE与样本训练时的保持一致。

2.3)预测输出

预测模型的输出是介于[0，1]之间经过归一化后的数值，在发布前进行反归一化，采用公式：反归一化后流量值＝反归一化前流量值*(MAXVALUE-MINVALUE)+MINVALUE；

发布方式如下：

2.3.1)5分钟流量预测：所有路段每5分钟发布一次；

2.3.2)30分钟流量预测：所有路段每10分钟发布一次，依次发布从当前时刻起30分钟内每隔10分钟共3个时间点的流量数据；

2.3.3)1小时流量预测：所有路段每15分钟发布一次，每次发布从当前时刻起1小时内每隔15分钟共4个时间点的流量数据；

2.3.4)24小时流量预测：所有路段每1小时发布一次，每次发布从当前时刻起24小时内每隔1小时共24个时间点的流量数据；

2.3.5)1周流量预测：所有路段每24小时发布一次，每次发布从当前时刻起7日内每隔1小时共168个时间点的流量数据。

Claims (2)

1.一种基于时空关联的城市交通流量预测方法，其特征在于：该方法包括以下步骤：

1)预测模型训练：根据不同的时间预测粒度，生成相应的预测模型；

1.1)流量分类统计

1.1.1)设定每天的统计时间范围、统计时间；

1.1.2)采集每一统计时间需要进行预测的路段的时段数据；

1.2)样本预处理

1.2.1)完整性检验：为保证历史数据的完整性，对历史数据进行检验，

如当日某一统计时间段内数据不存在，则计算在该时间段内的其余所有历史数据的平均值，将该均值作为其他日期内在该时间段内数据缺失时的默认补充值，若某条道路当天的缺失数据累计超过预设时间段，则丢弃该路段当天所有数据；

1.2.2)有效性检验：将每日所有路段所有统计时间间隔内统计的流量转换到以小时为单位，即pcu/小时，当每小时交通流量超出预设的车道流量上限和下限时，视为错误数据，用其余所有日期内该时间段的流量均值替换；若某条道路当天的无效数据累计超过预设时间段，则丢弃该路段当天所有数据；

1.2.3)将所有的历史数据整理为训练网络所需的输入输出对；

1.2.4)数据归一化：将所有原始数据归一化到[0，1]范围内，利用以下公式：归一化后流量值＝((归一化前流量值)-MINVALUE)/(MAXVALUE-MINVALUE)MAXVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最大值，MINVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最小值，这两个数值在完成数据完整性检验和数据有效性检验后通过人工观察或程序检索得到；

1.3)神经网络模型训练：训练模型采用BP神经网络，输入层神经元的数目与输入数据的维度一致，神经网络结构如下：

1.3.1)设定输入层的神经元数目,输出层神经元数目,隐藏层层数，隐藏层神经元的数目由经验公式确定，其中n为输入层神经元数目,l为输出层数目，α取0；

1.3.2)选择迭代次数，训练收敛时的绝对误差不大于0.001；

2)流量实时预测：与模型训练的过程一致，进行交通流量预测时会将最新采集到的流量数据加入预测模型的输入端，再经过预测模型的处理，即可输出下一时段的预测流量；

2.1)数据采集：

根据不同的预测的时间范围，启动不同的预测进程，不同的进程根据各自数据更新的时间粒度去检索对应的文件，将最新统计的流量数据加载到模型的输入端，如果在统计时刻结束时没有对应的文件生成，则保持等待，如在等待预设时间后仍无对应的文件生成，则直接将上一时段的统计流量作为补充进行发布；

2.2)数据预处理：

将最新生成的流量数据从文件中解析出来，并与各时段历史流量数据、关联路段流量数据按照与模型训练过程一致的格式组合成训练模型的输入数据，再经归一化处理后送入预测模型；归一化的格式、MAXVALUE和MINVALUE与样本训练时的保持一致；

2.3)预测输出：

预测模型的输出是介于[0，1]之间经过归一化后的数值，在发布前进行反归一化，采用公式：反归一化后流量值＝反归一化前流量值*(MAXVALUE-MINVALUE)+MINVALUE。

2.根据权利要求所述的基于时空关联的城市交通流量预测方法，其特征在于：该方法的具体步骤如下：

1)预测模型训练

根据不同的时间预测粒度，生成相应的预测模型，包括流量5分钟预测模型，30分钟预测模型，1小时预测模型，24小时预测模型和1周内预测模型，每种模型的训练过程输入输出不同，训练流程一致，具体如下：

1.1)流量分类统计

针对不同的时间预测范围，采集所有需要进行预测的路段历史数据，保证历史数据完整、有效；对每一路段的上下游关系进行关联，以路段ID号为索引,统计方法如下：

1.1.1)5分钟流量预测：从每日00时00分00秒开始，每5分钟统计一次，每次统计时间范围为5分钟，每条路段每日可采集288个时段数据；

1.1.2)30分钟流量预测：从每日00时00分00秒开始，每10分钟统计一次，每次统计时间范围为30分钟，每条路段每日可采集144个时段数据；

1.1.3)1小时流量预测：从每日00时00分00秒开始，每15分钟统计一次，每次统计时间范围为60分钟，每条路段每日可采集96个时段数据；

1.1.4)24小时流量预测：从每日00时00分00秒开始，每1小时统计一次，每次统计时间范围为60分钟，每条路段每日可采集24个时段数据；

1.2)样本预处理

1.2.1)完整性检验；为保证历史数据的完整性，需要对历史数据进行检验，如当日某一统计时间段内数据不存在，则计算在该时间段内的其余所有历史数据的平均值，并将该均值作为其他日期内在该时间段内数据缺失时的默认补充值；若某条道路当天的缺失数据累计超过2小时，则丢弃该路段当天所有数据；

1.2.2)有效性检验；将每日所有路段所有统计时间间隔内统计的流量转换到以小时为单位(该数值只用作数据有效性检验)，即pcu/小时，如5分钟流量(统计时间间隔为5分钟时)*12或者30分钟流量(统计时间间隔为30分钟时)*2即可，当每小时交通流量超出预设的车道流量上限(2000pcu/每小时每车道)和下限(0pcu/每小时每车道)时，视为错误数据，用其余所有日期内该时间段的流量均值替换；若某条道路当天的无效数据累计超过2小时，则丢弃该路段当天所有数据；

1.2.3)将所有的历史数据整理为训练网络所需的输入输出对；

对于5分钟流量预测、30分钟流量预测、1小时流量预测，其训练输入数据来自三个部分：前5个统计时段的数据、前7日每日同时段的统计数据、来自各个上游路段的流量数据；训练输出数据为从第6个时段开始的每个时段的流量数据；

对于24小时流量预测、1周流量预测，其训练输入数据分为两部分：前7日每日同时段流量数据、来自各个上游路段的流量数据；训练输出数据为从第6个时段开始的每个时段的流量数据；

每组输入输出对整理完成后依次处理下一个时段；

1.2.4)数据归一化；为了减小不同数量级的原始数据之间对模型的影响，将所有原始数据归一化到[0，1]范围内，利用以下公式：

归一化后流量值＝((归一化前流量值)-MINVALUE)/(MAXVALUE-MINVALUE)MAXVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最大值，MINVALUE为所有路段所有时段中可能出现的统计时间间隔内流量最小值，这两个数值在完成数据完整性检验和数据有效性检验后通过人工观察或程序检索得到；

1.3)神经网络模型训练

训练模型采用BP神经网络，输入层神经元的数目与输入数据的维度一致，神经网络结构如下：

1.3.1)5分钟/30分钟/1小时预测:输入层的神经元数目为15个,输出层神经元数目均为1个,隐藏层设置为1层，隐藏层神经元的数目由经验公式确定，其中n为输入层神经元数目,l为输出层数目，α取0；

1.3.2)24小时/1周流量预测：输入层的神经元数目为10个,输出层神经元数目均为1个,隐藏层设置为1层，隐藏层数目、迭代次数、训练收敛时的绝对误差与步骤1.3.1)一致；

1.3.3)迭代次数选择10000次，训练收敛时的绝对误差不大于0.001；

2)流量实时预测

与模型训练的过程一致，进行交通流量预测时会将最新采集到的流量数据加入预测模型的输入端，再经过预测模型的处理，即可输出下一时段的预测流量；

2.1)数据采集

由于预测的时间范围不同，主程序会启动不同的预测进程，不同的进程根据各自数据更新的时间粒度去检索对应的文件，将最新统计的流量数据加载到模型的输入端，如果在统计时刻结束时没有对应的文件生成，则保持等待，如在等待60秒后仍无对应的文件生成，则直接将上一时段的统计流量作为补充进行发布；

2.2)数据预处理

将最新生成的流量数据从文件中解析出来，并与各时段历史流量数据、关联路段流量数据按照与模型训练过程一致的格式组合成训练模型的输入数据，再经归一化处理后送入预测模型；归一化的格式、MAXVALUE和MINVALUE与样本训练时的保持一致；

2.3)预测输出

预测模型的输出是介于[0，1]之间经过归一化后的数值，在发布前进行反归一化，采用公式：

反归一化后流量值＝反归一化前流量值*(MAXVALUE-MINVALUE)+MINVALUE；

发布方式如下：

2.3.1)5分钟流量预测：所有路段每5分钟发布一次；

2.3.2)30分钟流量预测：所有路段每10分钟发布一次，依次发布从当前时刻起30分钟内每隔10分钟共3个时间点的流量数据；

2.3.3)1小时流量预测：所有路段每15分钟发布一次，每次发布从当前时刻起1小时内每隔15分钟共4个时间点的流量数据；

2.3.4)24小时流量预测：所有路段每1小时发布一次，每次发布从当前时刻起24小时内每隔1小时共24个时间点的流量数据；

2.3.5)1周流量预测：所有路段每24小时发布一次，每次发布从当前时刻起7日内每隔1小时共168个时间点的流量数据。