CN107481523A - 一种交通流速度预测方法及系统 - Google Patents

Abstract

本发明公开了一种交通流速度预测方法及系统。该方法包括：获取样本数据，所述样本数据为t时刻采集到的交通流速度数据，所述样本数据为多个；对模糊神经网络模型进行改进，具体包括：对所述样本数据进行分类；根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；采用最小二乘估计法优化所述模糊神经网络模型中的规则函数；采用改进后的神经网络模型对所述样本数据进行训练，得到t时刻的交通流速度的神经网络预测值。本发明提供的交通流速度预测方法及系统具有预测精度高的特点。

Description

一种交通流速度预测方法及系统

技术领域

本发明涉及交通流速度预测领域，特别是涉及一种交通流速度预测方法及系统。

背景技术

交通流速度是指在道路断面采集到的通过该断面所有车辆的瞬时速度的平均值。交通流速度是评价交通流运行特征的重要参数之一，它直接反应了道路交通流运行效率的高低。交通流速度预测是指基于历史的交通流速度时间序列数据推测未来时段的交通流状态。预测的结果可以为先进的交通信息系统、先进的交通管理系统以及先进的出行者信息诱导系统提供参考，使出行者能够根据预测的路网交通状态提前规划出行路径，减少延误，缓解路网拥堵。

现有的交通流预测算法大致可以分为以下几个大类：统计预测方法，人工神经网络，模糊神经网络，支持向量机，卡尔曼滤波理论以及组合预测方法。尽管目前预测方法众多，但是依然存在如下两个关键问题：首先，当前的研究成果较为丰富，预测模型各有优点，适用于不同的条件和环境，但是在模型的训练过程中，对训练样本的分类学习机制研究较少，应根据交通流不同的分布模式或状态制定相应的学习算法，优化相应的参数，提升预测模型的自适应学习能力。其次，在总结的不同预测模型中，发现大部分模型并没有充分考虑交通流在时间上的相似性，比如天相似性，周相似性，月相似性等。大量研究表明，正常情况下每天(工作日和非工作日)的交通流的都具有相似的分布模式，交通流在时间分布上具有明显的周相似性，如何利用这种特性提升预测效果仍有待进一步深入研究。

发明内容

本发明的目的是提供一种交通流速度预测方法及系统，具有预测精度高的特点。

为实现上述目的，本发明提供了如下方案：

一种交通流速度预测方法，所述方法包括：

获取样本数据，所述样本数据为t时刻采集到的交通流速度数据，所述样本数据为多个；

对模糊神经网络模型进行改进，具体包括：

对所述样本数据进行分类；

根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；

采用最小二乘估计法优化所述模糊神经网络模型中的规则函数；

采用改进后的神经网络模型对所述样本数据进行训练，得到t时刻的交通流速度的神经网络预测值。

可选的，所述方法还包括：

对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线；

根据所述拟合曲线获取t时刻的交通流速度的周期特性拟合曲线预测值；

根据所述交通流速度的神经网络预测值和拟合曲线预测值，综合确定t时刻的所述交通流速度。

可选的，所述对所述样本数据进行分类，具体包括：

采用K均值法对所述样本数据进行分类。

可选的，所述根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数，具体包括：

获取每类样本数据的聚类中心；

将所述隶属函数中的参数μ确定为所述聚类中心；

将所述隶属函数中的参数σ确定为所述样本数据与所述样本数据所属类的聚类中心之间的距离的方差。

可选的，所述对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线，具体包括：

采用三角函数多项式

对所述交通流速度数据进行曲线拟合，其中，M_t表示拟合的采样时刻为t的周期性函数，t＝1,2,…720，n表示三角函数多项式的数量，m₀,m₁,…,m_2n为系数。

可选的，所述根据所述交通流速度的神经网络预测值和周期特性拟合曲线预测值，确定t时刻的所述交通流速度，具体包括：

根据公式计算t时刻的所述交通流速度S_t，其中，为神经网络预测值，M_t为周期特性拟合曲线预测值。

本发明还提供了一种交通流速度预测系统，所述系统包括：

样本数据获取模块，用于获取样本数据，所述样本数据为t时刻采集到的交通流速度数据，所述样本数据为多个；

神经网络模型改进模块，用于对模糊神经网络模型进行改进，所述神经网络模型改进模块具体包括：

分类单元，用于对所述样本数据进行分类；

参数确定单元，用于根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；

规则函数优化单元，用于采用最小二乘估计法优化所述模糊神经网络模型中的规则函数；

神经网络模型预测模块，用于采用改进后的神经网络模型对所述样本数据进行训练，得到t时刻的交通流速度的神经网络预测值。

可选的，所述系统还包括：

周期特性曲线拟合模块，用于对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线；

周期特性曲线拟合预测模块，用于根据所述拟合曲线获取t时刻的交通流速度的拟合曲线预测值；

交通流速度确定模块，用于根据所述交通流速度的神经网络预测值和周期特性拟合曲线预测值，确定t时刻的所述交通流速度。

可选的，所述分类单元，具体包括：

分类子单元，用于采用K均值法对所述样本数据进行分类。

所述参数确定单元，具体包括：

聚类中心获取子单元，用于获取每类样本数据的聚类中心；

第一参数确定子单元，用于将所述隶属函数中的参数μ确定为所述聚类中心；

第二参数确定子单元，用于将所述隶属函数中的参数σ确定为所述样本数据与所述样本数据所属类的聚类中心之间的距离的方差。

所述周期特性曲线拟合模块，具体包括：

周期特性曲线拟合单元，用于采用三角函数多项式 对所述交通流速度数据进行曲线拟合，其中，M_t表示拟合的采样时刻为t的周期性函数，t＝1,2,…720，n表示三角函数多项式的数量，m₀,m₁,…,m_2n为系数。

可选的，所述交通流速度确定模块，具体包括：

交通流速度确定单元，用于根据公式计算t时刻的所述交通流速度S_t，其中，为神经网络预测值，M_t为周期特性拟合曲线预测值。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的交通流速度预测方法及系统，采用改进的模糊神经网络模型对采集到的交通流速度历史数据进行训练，预测得到各时刻的交通流速度，在对模糊神经网络模型进行改进时，一方面，对所述样本数据进行分类，利用分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；另一方面，采用最小二乘估计法优化所述模糊神经网络模型中的规则函数，提高了预测效果。此外，本发明还对交通流速度数据的周期特性进行曲线拟合，通过得到的拟合曲线可以获得交通流速度的周期变化特性，进而得到交通流速度周期变化的预测值，采用改进的模糊神经网络模型和周期特性曲线拟合两种方法组合预测交通流速度，提高了预测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例交通流速度预测方法流程图；

图2为本发明实施例模糊神经网络模型的结构图；

图3为本发明实施例交通流速度预测系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种交通流速度预测方法及系统，具有预测精度高的特点。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例交通流速度预测方法流程图，如图1所示，本发明提供的交通流速度预测方法步骤如下：

步骤101：获取样本数据，所述样本数据为t时刻采集到的交通流速度数据，所述样本数据为多个；

步骤102：对模糊神经网络模型进行改进，具体包括：

对所述样本数据进行分类；

根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；

采用最小二乘估计法优化所述模糊神经网络模型中的规则函数；

步骤103：采用改进后的神经网络模型对所述样本数据进行训练，得到t时刻的交通流速度的神经网络预测值。

优选的，步骤104：对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线；

优选的，步骤105：根据所述周期特性拟合曲线获取t时刻的交通流速度的拟合曲线预测值；

优选的，步骤106：根据所述交通流速度的神经网络预测值和周期特性拟合曲线预测值，确定t时刻的所述交通流速度。

在步骤102中，对所述样本数据进行分类，具体包括：

优选的，可以采用K均值法对所述样本数据进行分类。

根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数，具体包括：

获取每类样本数据的聚类中心；

将所述隶属函数中的参数μ确定为所述聚类中心；

将所述隶属函数中的参数σ确定为所述样本数据与所述样本数据所属类的聚类中心之间的距离的方差。

步骤104，对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线，具体包括：

优选的，采用三角函数多项式对所述所述交通流速度数据进行曲线拟合，其中，M_t表示拟合的采样时刻为t的周期性函数，t＝1,2,…720，n表示三角函数多项式的数量，m₀,m₁,…,m_2n为系数。

步骤106，根据所述交通流速度的神经网络预测值和周期特性拟合曲线预测值，确定t时刻的所述交通流速度，具体包括：

根据公式计算t时刻的所述交通流速度S_t，其中，为神经网络预测值，M_t为周期特性拟合曲线预测值。

本发明提供的交通流速度预测方法，一方面，对模糊神经网络模型进行改进，对所述样本数据进行分类，利用分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；采用最小二乘估计法优化所述模糊神经网络模型中的规则函数，提高了模糊神经网络模型的预测效果。另一方面，本发明还对交通流速度数据的周期性进行曲线拟合，通过得到的拟合曲线可以获得交通流速度的周期变化特性，进而得到交通流速度周期变化的预测值，采用改进的模糊神经网络模型和周期特性曲线拟合两种方法组合预测交通流速度，提高了预测的准确性。

作为本发明的又一实施例，本发明提供的交通流速度预测方法包括以下三个阶段：构建具有分类学习功能模糊神经网络预测模型，提取数据中的周期特性，构建组合预测模型。

构建具有分类学习功能模糊神经网络预测模型：

本发明中的模糊神经网络模型是对传统模型的改进，其结构如图2所示，第一层是数据输入层，这一层主要用于储存输入变量，该层中的每个节点都表示一个输入变量。第二层的模糊输入层，该层的功能一方面是建立模糊隶属函数，另一方面是通过隶属函数将原始输入变量的数值转化为模糊数值，该层中的每个节点代表一个模糊隶属函数。第三层为规则层，该层中的每个节点都代表一个模糊规则。第四层为模糊输出层，该层表示输出变量的模糊值。最后，第五次为输出层，该层表示输出变量的实际值。

相对比传统的模糊神经网络模型，本发明中的模糊神经网络模型在学习方法上做了明显的改进，主要包括两个方面：非监督学习过程和监督学习过程。非监督学习的主要目的是确定模糊变量隶属函数中的参数；监督学习的主要目的是通过训练调整模糊推理系统中的参数。

首先，考虑一个m维的输入数据样本x_i＝[x_i1,x_i2,…,x_im],i＝1,2,…,l(这里，m是输入数据的维数，l是样本数量)，利用K均值法将该输入数据分为K类，同时在考虑目标函数的基础上确定每一个类别的聚类中心。

目标函数是使数据样本与聚类中心距离总和达到最小。利用K均值聚类算法确定聚类中心的计算过程可分为如下三个阶段。首先，初始化聚类中心。其次，通过调整分类结果，减少样本与其聚类中心距离的总和。最后，判断是否达到如下终止条件，目标函数的取值低于确定的容许值，或者迭代次数完成，最终确定聚类数和聚类中心。

在模糊神经网络中，采用Takagi-Sugeno类型的模糊推理系统构建模糊规则。由于每一个样本，x_i＝[x_i1,x_i2,…,x_im]，包含m个隶属函数来描述数据与聚类中心的接近程度。因此，规则的数量等于聚类算法中的类别数K。那么，对于每一个样本，x_i，模糊规则表示如下：

其中，R_ij表示模糊隶属函数中的模糊集，x_i是先行变量，f_k是当第k条规则被执行时的输出变量y_k，k＝1,2,…,K对应的推理结果。本发明中，使用高斯类型的隶属函数，表示如下：

其中，f(x)定义为模糊隶属函数，μ是输入向量的聚类中心，σ²是输入向量样本与聚类中心距离的方差。

定义模糊隶属函数的作用是计算输入变量的隶属度值，该隶属度值用于计算模糊推理系统中各输出规则的权重值。隶属函数中的参数根据非监督学习的聚类结果确定。

在模型中，一阶Takagi-Sugeno模型用来构建模糊推理系统，这意味着函数f_k＝(x_i1,x_i2,…,x_im),k＝1,2,…,K是线性函数。因此，对于一个给定的输入数据x_i＝[x_i1,x_i2,…,x_im]，整个系统的模糊推理结果Y_output，能够通过如下不同规则输出的加权平均计算得到：

其中，k＝1,2,…,K,j＝1,2,…,m。w_k是推理过程中第k条规则的权重，Y_output是在某个输入数据x_i＝[x_i1,x_i2,…,x_im]条件下获得的所有不同规则的输出值，即模糊神经网络的输出值，该值的作用是在输入数据条件下对未来数值的预测。

在学习过程中，采用最小二乘估计量方法(least squares estimator：LSE)训练线性方程，优化方程中的参数。对于一个给定的输入数据x＝[x₁,x₂,…,x_m]每一个线性方程表示如下：

y＝α₀+α₁x₁+α₂x₂+...+α_mx_m

为了标定线性方程中的参数，假设训练数据包括一个数据对，{([x_i1,x_i2,…,x_im],y_ireal),i＝1,2,…,l}，y_ireal表示线性函数对应于训练输入样本x_i的期望输出。

通过LSE方法，这些数据对被用来计算方程中的系数

a＝[a₀ a₁ a₂ … a_m]^T。

a＝(A^TA)^-1A^Ty^real

其中

且y_real＝[y_1real y_2real y_3real … y_lreal]^T。

在此基础上，采用一种改进的加权LSE参数估计方法，计算如下：

a_w＝(A^TWA)^-1A^TWy^real

其中

该处的W是加权LSE方法中的权重矩阵，用于计算线性函数中的参数。

公式中，w_j表示第j个样本与其相应的聚类中心之间的距离，j＝1,2,…,l。因此，

P_w是加权LSE方法中的系数矩阵，a_w是加权LSE方法中估算的参数矩阵。

EFNN模型是采用历史数据估计预测的速度值，在模型的训练过程中，采用十个历史速度数据作为模型的输入变量，即输入样本表示为x_i＝[x_i1,x_i2,…,x_im]，m＝10，模型的期望输出数据为y_ireal＝x_im+1，即表示为速度的预测值。整体的计算过程表述如下：

第一步，在EFNN第一层中确定输入变量，在非监督学习过程中，对输入样本利用K均值方法进行样本聚类，确定输入变量的模糊隶属函数，获得隶属函数的参数。随着输入样本的增长，聚类中心和对应的隶属函数也会随之调整。隶属度是由每个聚类中数据样本与聚类中心的距离确定。

第二步，在第三层中确定模糊规则，采用一阶线性Takagi-Sugeno方程构建模糊推理系统，确定推理过程中每条规则的权重。在监督学习过程中，采用加权最小二乘法优化推理系统中的参数。

第三步，在第四层中，获得每条规则的模糊输出值，在第五层中通过对各规则的模糊输出值进行加权平均，获得模型的速度预测值。

提取数据中的周期特性：

针对交通速度数据的周期性分布模式，本发明利用正弦和余弦的组合三角函数描述周期性：

β_1k和β_2k分别为正弦和余弦函数的权值。以一个月(30天)获得的2分钟采样间隔的平均速度数据为例，每一个采样点的天平均速度计算如下：其中，V_t表示采样时刻t的2分钟平均速度，表示第d天采样时刻t的2分钟平均速度，t＝1,2,…,720，d＝1,2,…,30。在拟合速度时间序列周期性过程中，发现使用有限的三角函数多项式就能够获得足够的拟合精度，因此周期性部分表示如下：

其中，Mt表示拟合的采样时刻为t的周期性函数，t＝1,2,…,720，n表示三角函数多项式的数量，本发明通过实验分析，发现n取值过小会影响拟合效果，n取值过大会增加计算的负担，并且当n大于某一取值时，周期性的拟合精度会变得相对稳定，因此，本发明确定n取值为10。m₀,m₁,…,m_2n是拟合函数中的系数，可通过最小二乘法估算。

构建组合预测模型：

传统的速度预测方法常常只考虑利用实时数据作为输入预测当前的速度值。通过大量实验观察，一天的速度数据常常表现出周期性变化特征。因此，本发明结合速度数据的周期变化，构造了组合速度预测方法。组合预测值由以下两个部分构成：一部分为利用具有分类学习功能的模糊神经网络预测值另一部分为周期性部分，描述了速度的周期性趋势，组合模型表示如下：

其中，S_t表示组合模型在采样时刻t的速度预测值，表示采样时刻t的模糊神经网络输出值，M_t表示采样时刻t的周期性分布。

本发明拟利用模糊神经网络在处理不确定性问题及自适应学习能力方面的优点，构建具有分类学习机制的交通流预测模型，即建立一种基于监督与非监督学习机制的改进模糊神经网络交通流速度预测模型。在非监督学习过程中，采用K均值将输入样本分为不同类别，然后针对每个类别，利用高斯模糊隶属函数计算每个样本距离样本中心的模糊隶属度。在监督学习过程中，基于加权最小二乘法被用来优化一阶Takagi-Sugeno模型中的参数。通过引入分类学习机制，增强预测模型的自学习能力，提升预测效果。同时，提取原始数据中的周期分布特征，构造基于傅里叶级数的周期表征方法，建立组合预测模型，提升长期预测精度。

本发明还提供了一种交通流速度预测系统，图3为本发明实施例交通流速度预测系统结构示意图，如图3所示，本发明提供的交通流速度预测系统包括：

样本数据获取模块301，用于获取样本数据，所述样本数据为t时刻采集到的交通流速度数据，所述样本数据为多个；

神经网络模型改进模块302，用于对模糊神经网络模型进行改进，所述模型改进模块302具体包括：

分类单元，用于对所述样本数据进行分类；

参数确定单元，用于根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；

规则函数优化单元，用于采用最小二乘估计法优化所述模糊神经网络模型中的规则函数；

神经网络模型预测模块303，用于采用改进后的神经网络模型对所述样本数据进行训练，得到t时刻的交通流速度的神经网络预测值。

周期特性曲线拟合模块304，用于对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线；

周期特性曲线拟合预测模块305，用于根据所述拟合曲线获取t时刻的交通流速度的周期特性拟合曲线预测值；

交通流速度确定模块306，用于根据所述交通流速度的神经网络预测值和周期特性拟合曲线预测值，确定t时刻的所述交通流速度。

其中，所述分类单元，具体包括：

分类子单元，用于采用K均值法对所述样本数据进行分类。

所述参数确定单元，具体包括：

聚类中心获取子单元，用于获取每类样本数据的聚类中心；

第一参数确定子单元，用于将所述隶属函数中的参数μ确定为所述聚类中心；

第二参数确定子单元，用于将所述隶属函数中的参数σ确定为所述样本数据与所述样本数据所属类的聚类中心之间的距离的方差。

所述周期特性曲线拟合模块304，具体包括：

周期特性曲线拟合单元，用于采用三角函数多项式 对所述交通流速度数据进行曲线拟合，其中，M_t表示拟合的采样时刻为t的周期性函数，t＝1,2,…720，n表示三角函数多项式的数量，m₀,m₁,…,m_2n为系数。

所述交通流速度确定模块306，具体包括：

交通流速度确定单元，用于根据公式计算t时刻的所述交通流速度S_t，其中，为神经网络预测值，M_t为周期特性拟合曲线预测值。

本发明提供的交通流速度预测系统，一方面，对模糊神经网络模型进行改进，对所述样本数据进行分类，利用分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；采用最小二乘估计法优化所述模糊神经网络模型中的规则函数，提高了模糊神经网络模型的预测效果。另一方面，本发明还对交通流速度数据的周期性进行曲线拟合，通过得到的拟合曲线可以获得交通流速度的周期变化特性，进而得到交通流速度周期变化的预测值，采用改进的模糊神经网络模型和周期特性曲线拟合两种方法组合预测交通流速度，提高了预测的准确性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种交通流速度预测方法，其特征在于，所述方法包括：

获取样本数据，所述样本数据为t时刻采集到的交通流速度数据，所述样本数据为多个；

对模糊神经网络模型进行改进，具体包括：

对所述样本数据进行分类；

根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；

采用最小二乘估计法优化所述模糊神经网络模型中的规则函数；

采用改进后的神经网络模型对所述样本数据进行训练，得到t时刻的交通流速度的神经网络预测值。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线；

根据所述拟合曲线获取t时刻的交通流速度的周期特性拟合曲线预测值；

根据所述交通流速度的神经网络预测值和周期特性拟合曲线预测值，综合确定t时刻的交通流速度。

3.根据权利要求1所述的方法，其特征在于，所述对所述样本数据进行分类，具体包括：

采用K均值法对所述样本数据进行分类。

4.根据权利要求1所述的方法，其特征在于，所述根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数，具体包括：

获取每类样本数据的聚类中心；

将所述隶属函数中的参数μ确定为所述聚类中心的值；

将所述隶属函数中的参数σ确定为所述样本数据与所述样本数据所属类的聚类中心之间的距离的方差。

5.根据权利要求1所述的方法，其特征在于，所述对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线，具体包括：

采用三角函数多项式对所述交通流速度数据进行曲线拟合，其中，M_t表示拟合的采样时刻为t的周期性函数，t＝1,2,…720，n表示三角函数多项式的数量，m₀,m₁,…,m_2n为系数。

6.根据权利要求2所述的方法，其特征在于，所述根据所述交通流速度的神经网络预测值和周期特性拟合曲线预测值，确定t时刻的所述交通流速度，具体包括：

根据公式计算t时刻的所述交通流速度S_t，其中，为神经网络预测值，M_t为周期特性拟合曲线预测值。

7.一种交通流速度预测系统，其特征在于，所述系统包括：

样本数据获取模块，用于获取样本数据，所述样本数据为t时刻采集到的交通流速度数据，所述样本数据为多个；

神经网络模型改进模块，用于对模糊神经网络模型进行改进，所述神经网络模型改进模块具体包括：

分类单元，用于对所述样本数据进行分类；

参数确定单元，用于根据所述样本数据的分类结果确定模糊神经网络模型中模糊变量的隶属函数中的参数；

规则函数优化单元，用于采用最小二乘估计法优化所述模糊神经网络模型中的规则函数；

神经网络模型预测模块，用于采用改进后的神经网络模型对所述样本数据进行训练，得到t时刻的交通流速度的神经网络预测值。

8.根据权利要求7所述的系统，其特征在于，所述系统还包括：

周期特性曲线拟合模块，用于对所述交通流速度数据的周期特性采用三角函数多项式进行曲线拟合，得到所述交通流速度数据随时间变化的拟合曲线；

周期特性曲线拟合预测模块，用于根据所述拟合曲线获取t时刻的交通流速度的周期特性拟合曲线预测值；

交通流速度确定模块，用于根据所述交通流速度的神经网络预测值和周期特性拟合曲线预测值，确定t时刻的所述交通流速度。

9.根据权利要求7所述的系统，其特征在于，所述分类单元，具体包括：

分类子单元，用于采用K均值法对所述样本数据进行分类。

所述参数确定单元，具体包括：

聚类中心获取子单元，用于获取每类样本数据的聚类中心；

第一参数确定子单元，用于将所述隶属函数中的参数μ确定为所述聚类中心；

第二参数确定子单元，用于将所述隶属函数中的参数σ确定为所述样本数据与所述样本数据所属类的聚类中心之间的距离的方差。

所述周期特性曲线拟合模块，具体包括：

周期特性曲线拟合单元，用于采用三角函数多项式 对所述交通流速度数据进行曲线拟合，其中，M_t表示拟合的采样时刻为t的周期性函数，t＝1,2,…720，n表示三角函数多项式的数量，m₀,m₁,…,m_2n为系数。

10.根据权利要求8所述的系统，其特征在于，所述交通流速度确定模块，具体包括：

交通流速度确定单元，用于根据公式计算t时刻的所述交通流速度S_t，其中，为神经网络预测值，M_t为周期特性拟合曲线预测值。