CN108280998A - 基于历史数据动态选择的短时交通流预测方法 - Google Patents

Abstract

本发明公开了一种基于历史数据动态选择的短时交通流预测方法。本发明首先通过动态时间规整判断出流量序列的相似程度。然后比较相似度大小找出待预测交通流量序列所属分类。其次在待预测对象所属的分类中根据相似度大小计算不同项的权重。最后对被选择项在待预测时段的流量值为基准，以相似度为权重系数，计算待预测项在预测时段内的流量值。本发明通过计算距离的方式，得到历史数据集与待预测序列之间的相似度，从而分配权重系数，对较短时间内的交通流量实现实时预测。

Description

基于历史数据动态选择的短时交通流预测方法

技术领域

本发明涉及一种交通流量序列的预测方法，具体是一种基于历史数据动态选择的短时交通流预测方法，属于交通控制研究领域。

背景技术

交通流量预测是智能交通系统的核心内容之一，城市交通流诱导与智能调控系统可以有效减少交通拥挤和城市环境污染，提高道路通行能力、改善交通安全水平。由于诱导及管控方案的实施效果具有滞后性，其优化方法不仅依赖于实时交通流量数据，在很大程度上也取决于未来一个或某几个时段内(一般为几分钟或几十分钟)的交通流预测。因此，流量预测的精度是决定交通控制与诱导效果的关键要素之一。

在随机序列数据的预测中，当t到t+1之间的预测时间跨度不超过15min(甚至小于5min)的预测称为短时预测。短时交通流预测方法早在20世纪六七十年代就有学者着手研究，至今已有近30种预测方法。早期的预测方法主要有自回归滑动平均模型(ARMA)、自回归模型(AR)、滑动平均模型(MA)和历史平均模型(HA)等等。这些线性预测模型考虑因素都较为简单，一般都用最小二乘法(LS)在线估计参数，未考虑短时交通流中不确定干扰因素的影响，或者将各干扰简单复合统一处理，预测结果准确性一般较差。随着数据量的不断增加，从海量数据当中提炼数据变换规律，进而基于神经网络实施短时预测是近年来的一大发展方向，但是该类方法针对不同历史数据会得到差异性的预测模型，其模型本身不具有可移植性，制约方法的应用范围。

发明内容

本发明通过历史数据变换规律的分析、评估预测对象与历史序列的相似度筛选合适历史数据，建立一种在保障预测精度前提下的预测方法，可以克服传统预测模型与神经网络训练方法的缺陷，提高方法的可移植性。

本发明的目的在于预测某天中较短时间范围内的流量数据(一般应不超过15分钟的数据)，数据输入包括两类：1.预测当天待预测时间段之前的流量数据；2.当天之前的历史交通流量数据。将历史流量数据作为基础数据，依据预测当天待预测时间段之前的数据评估预测对象与各条历史数据序列的相似度，以相似度最大的历史流量序列数据为基准，完成下一个时间段内的交通流量预测。

本发明的基本思想为：在单位时间内，已知的较长时间段的交通流量其变化趋势若与原数据中某项或者某几项变换趋势相同，则待预测时间段的流量值与历史数据中趋势相同项在待预测时段的流量值很相近；若干相同项在待预测时段内的历史流量加权平均值可以作为预测结果。该方法实现的前提是：拥有相对充裕的已知交通流量数据进行匹配操作，并且待测流量数据之前的交通情况要求连续且可知。该方法的流程包括：1.通过动态时间规整判断出流量序列的相似程度；2.比较相似度大小找出待预测交通流量序列所属分类，3.在待预测对象所属的分类中根据相似度大小计算不同项的权重；4.对被选择项在待预测时段的流量值为基准，以相似度为权重系数，计算待预测项在预测时段内的流量值。

本发明的基本步骤如下：

c1、对已知的时间序列进行预处理；

c2、在时间序列中选取等间隔的点，通过计算待预测序列与已知序列中的点间距构造距离矩阵；

c3、定义一个距离累积原则，通过距离矩阵构造出累积距离矩阵；

c4、以序列数据之间的距离为指标分配各条历史流量序列对预测对象的权重系数；

c5、将每条历史序列当中在预测时刻的流量值按照权重系数进行加权平均，该平均值即为待预测对象的估计值。

步骤c1的过程包括：

c11、假设输入n条时间序列作为历史数据{T¹,T²,…,Tⁿ}，待预测时间序列为其中待预测部分为(1<p<q<m)；p，q为预测对象在流量序列中的位置。

c12、针对第一个待预测数据选取历史数据中所有时间序列位置为1到p-1的数据，构建与待预测数据已知部分长度相等的历史流量序列数据集合。

…

步骤c2的过程包括：

c21、针对历史流量序列数据集合，每条序列所包含的数据点的个数为(p-1)，对于第i条序列，构造一个大小为(p-1)*(p-1)的矩阵A_i(1≤i≤n)，对于n条历史数据，得到n个矩阵A₁,A₂,…,A_n。

c22、针对矩阵A_i,设其元素为A_i(x,y)(1<x,y<p-1)，A_i(x,y)表示待预测序列Tⁿ⁺¹的第x个点和Tⁱ(1≤i≤n)中第y个点之间的距离(后续用以计算待预测序列Tⁿ⁺¹和历史数据序列Tⁱ之间的相似度，距离越小则相似度越高)，算法采用欧式距离。

步骤c3的过程包括：

c31、构造一个累积距离矩阵D_i，其维度与矩阵A_i相同为(p-1)*(p-1)，构造D_i的目的是获取其中元素D_i(p-1,p-1)的数值作为待预测序列Tⁿ⁺¹与历史数据Tⁱ之间的累积距离值。

c32、设矩阵D_i中元素为D_i(x,y)，采用如下规则更新初始化的矩阵D_i：

①规则1：在D_i的第一行与第一列中填入矩阵A_i中的第一行与第一列的元素。

②规则2：从第二行第二列逐行更新矩阵元素，公式如下。

D_i(x,y)＝min{D_i(x-1,y)+A_i(x,y),D_i(x,y-1)+A_i(x,y),D_i(x-1,y-1)+2A_i(x,y)}(1<x,y<p-1)(1-b)

步骤c4的过程包括：

c41、对n个历史数据序列重复进行前三个步骤得到n个累积距离矩阵D₁,D₂,…,D_n，对应得到n个元素数值D₁(p-1,p-1),D₂(p-1,p-1),…,D_n(p-1,p-1)，通过距离计算得到对应的相似度：

式中α_i表示序列Tⁿ⁺¹和Tⁱ之间的相似度，通过相似度对应计算得到相应权重：

式中δ_i表示历史数据Tⁱ序列对于待预测序列Tⁿ⁺¹的权重系数。

步骤c5的过程包括：

c51、通过历史数据中每条序列的权重系数δ_i以及历史数据对应待预测数据部分的值，计算得到的待预测序列Tⁿ⁺¹的待预测部分：

式中j表示待预测时间段p，q上的一点，i表示历史数据集{T¹,T²,…,Tⁿ}上的第i个历史数据序列，δ_i表示Tⁱ序列对于Tⁿ⁺¹的权重系数，表示历史数据中第i条数据第j个点的数值。

本发明的有益效果：本发明提出了一种基于动态序列时间规整的交通流量序列短时预测方法，通过计算距离的方式，得到历史数据集与待预测序列之间的相似度，从而分配权重系数，对较短时间内的交通流量实现实时预测。

附图说明

图1算法实现过程流程图；

图2预测折线图。

具体实施方式

以某城市某路口350天的流量序列为例，将350天交通流量数据作为历史数据集，将第351天的交通流量数据作为待预测序列，对第351天6:00-20:00内的交通流量数据进行预测，具体实现流程见图1。

1、将350天的流量数据进行预处理。

1)去除不包含6:00-20:00时间段的数据序列0个。

2)假定0:00-6:00作为已知时间序列，去除不包含此时间段的历史流量序列0个，当前历史流量序列包含350个。

2、以待预测序列(第351天的时间序列)中6:00-6:15为例，滚动预测这天6:00-20:00内的交通流量情况。设待预测序列中0:00-6:00时间段为Tⁿ⁺¹，设历史流量序列第一天0:00-6:00为序列T¹。

1)对T¹，Tⁿ⁺¹在同一时刻进行等间隔取样处理，每条序列取72个点，初始化构成一个72*72的矩阵A₁。

2)通过计算矩阵A₁中的元素数值。

3)重复以上两步骤，计算出剩余349天历史数据序列的距离矩阵。

3、构造累积距离矩阵。

1)构造累计距离矩阵D₁，使其与矩阵A₁具有相同维度。

2)在D₁的第一行与第一列中填入矩阵A₁中的第一行与第一列的元素。通过公式计算矩阵D₁中剩余元素的数值。

D_i(x,y)＝min{D_i(x-1,y)+A_i(x,y),D_i(x,y-1)+A_i(x,y),D_i(x-1,y-1)+2A_i(x,y)}

3)重复以上三步骤，计算出剩余349天历史流量序列与待预测序列间的累积距离矩阵。

4、计算待预测序列的权重系数以及6:00-6:15内的交通流量值，以该时间序列上的第一个点t_p为例。

1)取步骤三中计算出的350个矩阵中D_i(72,72)的数值作为累积后的距离，通过如下公式计算权重系数。

2)点待预测的交通数据值如下式计算。

3)重复以上两步计算出该段上的剩余点的交通流量数值。

5、采用滚动预测的方式，计算剩下的待预测序列的待预测段。以6:15-6:30序列上的三个点为例，此时将历史数据集和待预测数据中在一天中的前75个点作为已知，注意此时待预测集中的前75个点都应该为真实值，不包含之前预测出的3个预测值，此时重复前四步。

误差计算及比较：使用第351条序列上预测出的所有点的数值与实际流量值计算误差，这里计算方法采用MAPE，若所得数值小于10，认为预测较为准确，本次预测MAPE＝7.98。同时，用滑动平均模型(MA)对第351天流量序列进行预测，并计算MAPE误差，MA模型下MAPE＝13.18，结果相较于本方法误差较大。最终得到本方法预测结果、MA模型预测结果与真实值对比，如图2所示。

综上，基于历史数据动态选择的短时交通流预测方法能对短时间内的交通序列进行良好的预测。本发明涉及一种交通流量序列的预测方法，具备预测误差小、计算复杂度较低，具有时效性的特点。本发明可将某路口短时间内的交通流量序列进行良好预测，为提高流量预测的智能性与科学性、提升路口交通流的运行效率提供技术支持。

Claims (1)

1.基于历史数据动态选择的短时交通流预测方法，其特征在于该方法包括如下步骤：

步骤c1、对已知的时间序列进行预处理；

步骤c2、在时间序列中选取等间隔的点，通过计算待预测序列与已知序列中的点间距构造距离矩阵；

步骤c3、定义一个距离累积原则，通过距离矩阵构造出累积距离矩阵；

步骤c4、以序列数据之间的距离为指标分配各条历史流量序列对预测对象的权重系数；

步骤c5、将每条历史序列当中在预测时刻的流量值按照权重系数进行加权平均，该平均值即为待预测对象的估计值；

步骤c1的过程包括：

c11、假设输入n条时间序列作为历史数据{T¹,T²,…,Tⁿ}，待预测时间序列为其中待预测部分为p，q为预测对象在流量序列中的位置，1<p<q<m；

c12、针对第一个待预测数据选取历史数据中所有时间序列位置为1到p-1的数据，构建与待预测数据已知部分长度相等的历史流量序列数据集合；

步骤c2的过程包括：

c21、针对历史流量序列数据集合，每条序列所包含的数据点的个数为(p-1)，对于第i条序列，构造一个大小为(p-1)*(p-1)的矩阵A_i，对于n条历史数据，得到n个矩阵A₁,A₂,…,A_n，1≤i≤n；

c22、针对矩阵A_i,设其元素为A_i(x,y)，1<x,y<p-1，A_i(x,y)表示待预测序列Tⁿ⁺¹的第x个点和Tⁱ中第y个点之间的距离：

步骤c3的过程包括：

c31、构造一个累积距离矩阵D_i，其维度与矩阵A_i相同为(p-1)*(p-1)，构造D_i是为了获取其中元素D_i(p-1,p-1)的数值作为待预测序列Tⁿ⁺¹与历史数据Tⁱ之间的累积距离值；

c32、设矩阵D_i中元素为D_i(x,y)，采用如下规则更新初始化的矩阵D_i：

①规则1：在矩阵D_i的第一行与第一列中填入矩阵A_i中的第一行与第一列的元素；

②规则2：从第二行第二列逐行更新矩阵元素，公式如下：

D_i(x,y)＝min{D_i(x-1,y)+A_i(x,y),D_i(x,y-1)+A_i(x,y),D_i(x-1,y-1)+2A_i(x,y)} (1-b)

步骤c4的过程包括：

c41、对n个历史数据序列重复进行前三个步骤得到n个累积距离矩阵D₁,D₂,…,D_n，对应得到n个元素数值

D₁(p-1,p-1),D₂(p-1,p-1),…,D_n(p-1,p-1)，通过距离计算得到对应的相似度：

式中α_i表示序列Tⁿ⁺¹和Tⁱ之间的相似度，通过相似度对应计算得到相应权重：

式中δ_i表示历史数据Tⁱ序列对于待预测序列Tⁿ⁺¹的权重系数；

步骤c5的过程包括：

c51、通过历史数据中每条序列的权重系数δ_i以及历史数据对应待预测数据部分的值，计算得到的待预测序列Tⁿ⁺¹的待预测部分：

式中j表示待预测时间段p，q上的一点，i表示历史数据集{T¹,T²,…,Tⁿ}上的第i个历史数据序列，δ_i表示Tⁱ序列对于Tⁿ⁺¹的权重系数，表示历史数据中第i条数据第j个点的数值。