CN108492568B - 一种基于时空特性分析的短时交通流预测方法 - Google Patents
一种基于时空特性分析的短时交通流预测方法 Download PDFInfo
- Publication number
- CN108492568B CN108492568B CN201810377482.0A CN201810377482A CN108492568B CN 108492568 B CN108492568 B CN 108492568B CN 201810377482 A CN201810377482 A CN 201810377482A CN 108492568 B CN108492568 B CN 108492568B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- data sample
- time
- short
- target road
- 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
Images
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于时空特性分析的短时交通流预测方法,应用于道路交通管理,是智能交通系统的核心部分,主要涉及交通流量采集预处理,数据样本优化,交通流量预测三大核心技术部分。交通流量采集预处理技术提供历史实验数据,存储预测数据和导入实时对比数据;数据样本优化技术,通过交通流量时空相关特性,采用OPTICS聚类方法处理,得到高质量的训练集样本;交通流量预测技术,基于训练样本构建以SVM为载体的的短时交通流预测模型,通过BFOA算法优化其中的关键参数提高模型性能,实现实时准确的短时交通流量预测,便于道路交通管理系统有效分配利用道路资源,改善交通拥堵,提高运行效率,方便居民出行。
Description
技术领域
本发明涉及一种基于时空特性分析的短时交通流预测方法,属于城市智能交通管理技术领域。
背景技术
随着城市化进程加快,智能交通管理技术愈发广泛的应用于城市道路交通治理和车辆运输疏导、居民出行规划等实际工程当中,使得交通运输和居民出行逐步走向智能化,动态化和信息化。而该技术的核心基础部分便是短时交通流量的动态分析与预测,此项技术在交通工程领域发挥了不可或缺的作用。实时交通流量的精准预测为交通管理和指导提供了很大的便益,使智能交通系统充分发挥出其高效,方便,快捷的现实作用,智能选择合适路径,规避交通拥塞,减少居民用户出行损耗,最大程度减缓交通环境压力,合理分配道路资源。
短时交通流预测技术是要预测目标时段,路段或路径上未来的交通状况,时间间隔短,要求预测值与实际流量差值尽可能小,便于车辆管理和调控。此项技术话题一直十分活跃却难以取得突破性的进展,原因在于交通流过程是时变的,不同的空间位置、道路环境、时间段下,其状态特征存在巨大差异,难以准确把握。所以此项技术仅凭单一理论预测方法无法成功,需在把握交通流量内在联系与特性的基础上,建立高效的预测模型,方能取得不错的实际预测效果。
迄今为止,世界各国学者致力于研究短时交通流量预测技术,通过努力,斩获众多理论成果,并将之运用于实际工程,不断推陈出新。包括如Kalman滤波法、时间序列法、神经网络法、支持向量机等。由于基于单一模型的预测方法都存在缺陷,国内外学者研究了很多基于组合理论的预测方法,如灰色神经网络预测方法、基于小波包和最小二乘支持向量机的预测方法、基于蚁群优化支持向量机的预测方法等。然而,交通流预测质量主要取决于两个问题:一、数据来源的质量问题,二、交通流预测模型的缺陷问题。
发明内容
本发明所要解决的技术问题是提供一种基于时空特性分析的短时交通流预测方法,通过提高实验数据质量和优化参数改善预测模型,不仅提高预测模型的可行性和有效性,而且提高短时交通流预测的精确度,实现智能交通系统实时准确的交通流预测。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于时空特性分析的短时交通流预测方法,用于实现目标道路的交通流量预测,包括如下步骤:
步骤A.获得目标道路指定历史时间区间内的实时交通流量,然后进入步骤B;
步骤B.针对目标道路指定历史时间区间内实时交通流量,进行预处理操作,获得目标道路指定历史时间区间内各个时间节点对应的交通流量,然后进入步骤C;
步骤C.将目标道路所对应指定历史时间区间内各个时间节点的交通流量,作为各个数据样本点,并针对各个数据样本点,进行维度空间坐标转换,获得各个数据样本点分别所对应的维度空间坐标,然后进入步骤D;
步骤D.基于各个数据样本点分别所对应的维度空间坐标,针对各个数据样本点进行聚类处理,获得各个聚类簇,然后进入步骤E;
步骤E.根据各个聚类簇,获得目标路段分别对应各聚类时间节点的交通流量,然后进入步骤F;
步骤F.基于目标路段分别对应各聚类时间节点的交通流量,结合预设预测时长跨度,获得各组训练样本(xk,yk),然后进入步骤G;其中,k∈{1,…,K},K表示训练样本的组数,xk、yk均属于目标路段分别对应各聚类时间节点的交通流量,xk所对应聚类时间节点与yk所对应聚类时间节点之间的差值等于预测时长跨度,且按时序、xk所对应聚类时间节点在yk所对应聚类时间节点之前;
步骤G.采用各组训练样本(xk,yk),基于xk为输入,yk为输出,针对预设分类器进行训练,获得对应预测时长跨度的目标路段短时交通流预测模型,然后进入步骤H;
步骤H.基于所获目标路段短时交通流预测模型,针对目标路段,实现预测时长跨度的交通流量预测。
作为本发明的一种优选技术方案:所述步骤B中,采用历史平均法、相邻数据平均法或加权平均法中的一种或几种任意组合,针对目标道路指定历史时间区间内实时交通流量进行预处理操作。
作为本发明的一种优选技术方案:所述步骤B中,针对目标道路指定历史时间区间内实时交通流量,进行预处理操作,包括丢失值处理、错误值处理和异常值处理。
作为本发明的一种优选技术方案:所述步骤D中,基于各个数据样本点分别所对应的维度空间坐标,针对各个数据样本点进行OPTICS聚类处理,获得各个聚类簇。
作为本发明的一种优选技术方案:所述步骤D中,初始化用于存放本次循环中核心点、及其直接密度可达点的集合I,以及包含各核心点分别所对应簇的集合Ⅱ,然后基于各个数据样本点分别所对应的维度空间坐标,执行如下步骤,针对各个数据样本点进行聚类处理,获得各个聚类簇;
步骤D1.判断是否存在非核心点、以及未被划簇的数据样本点,是则进入步骤D2;否则进入步骤D10;
步骤D2.针对非核心点、以及未被划簇的各个数据样本点,任选一个数据样本点,作为本次循环的核心点,并进入步骤D3;
步骤D3.将该核心点划分至集合Ⅱ当中,并获得该核心点所对应的所有密度可达的数据样本点,然后进入步骤D4;
步骤D4.针对该核心点所对应的所有密度可达的数据样本点,判断其中直接密度可达的数据样本点是否在集合Ⅱ当中,是则进入步骤D5;否则步骤D6;
步骤D5.分别针对该核心点所对应直接密度可达的各个数据样本点,判断数据样本点对应的可达距离是否小于预设半径,是则将该数据样本点划分至该核心点所对应的簇中,并更新集合I中该核心点所对应的簇,且返回步骤D1;否则将数据样本点直接删除,并返回步骤D1;
步骤D6.针对该核心点所对应的所有密度可达的数据样本点,按可达距离升序,针对各个数据样本点进行排序,划入该核心点所对应的簇,并加入集合I,然后进入步骤D7;
步骤D7.由该核心点所对应簇中,剪切出第一个数据样本点,作为本次循环的待判断数据样本点,并进入步骤D8;
步骤D8.判断该待判断数据样本点是否属于集合Ⅱ,是则将该待判断数据样本点,作为核心点,并返回步骤D3;否则进入步骤D9;
步骤D9.判断集合I是否为空,是则返回步骤D1;否则返回步骤D7;
步骤D10.即完成针对各个数据样本点的聚类处理,获得各个聚类簇。
作为本发明的一种优选技术方案:所述步骤E中,根据各个聚类簇,获得目标路段分别对应各聚类时间节点的交通流量,并针对各个交通流量进行数据归一化处理,更新目标路段分别对应各聚类时间节点的交通流量,然后进入步骤F。
作为本发明的一种优选技术方案:所述步骤G中,采用各组训练样本(xk,yk),基于xk为输入,yk为输出,针对SVM分类器进行训练,获得对应预测时长跨度的目标路段短时交通流预测模型。
作为本发明的一种优选技术方案:还包括步骤GH,执行完步骤G之后,进入步骤GH,执行完步骤GH之后,进入步骤H;
步骤GH.采用细菌觅食算法,针对目标路段短时交通流预测模型中的参数进行优化。
作为本发明的一种优选技术方案,所述步骤GH,包括如下步骤:
步骤GH-1.针对目标路段短时交通流预测模型,将其中核函数系数、惩罚因子作为待优化参数输入细菌觅食模型当中;
步骤GH-2.根据优性原则,设置细菌觅食算法的主要参数,细菌个数S,单向运动的最大步数N0,趋向性循环操作次数N1,复制性循环操作次数N2,迁徙性循环操作次数N3,迁徙概率P;
步骤GH-3.根据细菌觅食算法,针对核函数系数、惩罚因子进行寻优,优化更新核函数系数、惩罚因子,进而更新目标路段短时交通流预测模型。
本发明所述一种基于时空特性分析的短时交通流预测方法采用以上技术方案与现有技术相比,具有以下技术效果:本发明设计的基于时空特性分析的短时交通流预测方法,以对交通流的内在联系与特性进行分析,找寻数据的内在规律,改善模型输入数据的质量;并运用得当方法对预测模型的重要参数进行优化,改善预测模型效果,从而提高预测模型的可行性和有效性,提高短时交通流预测精确度,实现智能交通系统实时准确的交通流预测。
附图说明
图1是本发明所设计基于时空特性分析的短时交通流预测方法的流程示意图;
图2是本发明所设计基于时空特性分析的短时交通流预测方法中聚类方法流程示意图;
图3是本发明所设计基于时空特性分析的短时交通流预测方法中参数优化方法流程示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
时空相关性分析:
(1)、周期性:由于人们的生活习惯,可以通过数据观察出,同一路段一周内的交通流数据呈现周期性变化,周期近似为一天。
(2)、时延性:不同路段间交通流数据存在相关性,即时延性,通过前一路段的车辆有部分同样也通过下一路段,然而这种交通流变化的反应需要一段时间可体现在数据当中。
(3)、混沌性:由于路况天气的不确定和多变性,导致交通流数据可能出现短期内的不稳定的非线性变化以及异常值的诞生。
如图1所示,本发明设计了一种基于时空特性分析的短时交通流预测方法,用于实现目标道路的交通流量预测,包括如下步骤:
步骤A.获得目标道路指定历史时间区间内的实时交通流量,然后进入步骤B。
步骤B.采用历史平均法、相邻数据平均法或加权平均法中的一种或几种任意组合,针对目标道路指定历史时间区间内实时交通流量,进行预处理操作,包括丢失值处理、错误值处理和异常值处理,获得目标道路指定历史时间区间内各个时间节点对应的交通流量,然后进入步骤C。
对于上述历史平均法、相邻数据平均法或加权平均法,具体如下:
(1)、历史平均法:将不同日期相同时刻的数据的均值作为缺失值的估计值(如公式1-1)。
其中,y(t)为缺失值的修正值,yi(t)为第i天、第t时刻的值,n为天数。
(2)、相邻数据平均法:将相邻时刻的均值作为估计值(如公式1-2)。
y(t)=(y(t-1)+y(t+1))/2 (1-2)
(3)、加权平均法:利用相邻历史数据和相邻实际测量值的加权平均值作为估计值如公式(1-3)。
y(t)=γy(t-1)+(1-γ)yi(t) (1-3)
其中,γ为加权系数。
步骤C.将目标道路所对应指定历史时间区间内各个时间节点的交通流量,作为各个数据样本点,并针对各个数据样本点,进行维度空间坐标转换,获得各个数据样本点分别所对应的维度空间坐标,然后进入步骤D。
步骤D.基于各个数据样本点分别所对应的维度空间坐标,针对各个数据样本点进行OPTICS聚类处理,获得各个聚类簇,然后进入步骤E。
如图2所示,上述步骤D中,初始化用于存放本次循环中核心点、及其直接密度可达点的集合I,以及包含各核心点分别所对应簇的集合Ⅱ,然后基于各个数据样本点分别所对应的维度空间坐标,执行如下步骤,针对各个数据样本点进行聚类处理,获得各个聚类簇;
步骤D1.判断是否存在非核心点、以及未被划簇的数据样本点,是则进入步骤D2;否则进入步骤D10;
步骤D2.针对非核心点、以及未被划簇的各个数据样本点,任选一个数据样本点,作为本次循环的核心点,并进入步骤D3;
步骤D3.将该核心点划分至集合Ⅱ当中,并获得该核心点所对应的所有密度可达的数据样本点,然后进入步骤D4;
步骤D4.针对该核心点所对应的所有密度可达的数据样本点,判断其中直接密度可达的数据样本点是否在集合Ⅱ当中,是则进入步骤D5;否则步骤D6;
步骤D5.分别针对该核心点所对应直接密度可达的各个数据样本点,判断数据样本点对应的可达距离是否小于预设半径,是则将该数据样本点划分至该核心点所对应的簇中,并更新集合I中该核心点所对应的簇,且返回步骤D1;否则将数据样本点直接删除,并返回步骤D1;
步骤D6.针对该核心点所对应的所有密度可达的数据样本点,按可达距离升序,针对各个数据样本点进行排序,划入该核心点所对应的簇,并加入集合I,然后进入步骤D7;
步骤D7.由该核心点所对应簇中,剪切出第一个数据样本点,作为本次循环的待判断数据样本点,并进入步骤D8;
步骤D8.判断该待判断数据样本点是否属于集合Ⅱ,是则将该待判断数据样本点,作为核心点,并返回步骤D3;否则进入步骤D9;
步骤D9.判断集合I是否为空,是则返回步骤D1;否则返回步骤D7;
步骤D10.即完成针对各个数据样本点的聚类处理,获得各个聚类簇。
步骤E.根据各个聚类簇,获得目标路段分别对应各聚类时间节点的交通流量,并针对各个交通流量进行数据归一化处理,提高模型精准度和降低计算复杂度,即更新目标路段分别对应各聚类时间节点的交通流量,然后进入步骤F。
步骤F.基于目标路段分别对应各聚类时间节点的交通流量,结合预设预测时长跨度,获得各组训练样本(xk,yk),然后进入步骤G;其中,k∈{1,…,K},K表示训练样本的组数,xk、yk均属于目标路段分别对应各聚类时间节点的交通流量,xk所对应聚类时间节点与yk所对应聚类时间节点之间的差值等于预测时长跨度,且按时序、xk所对应聚类时间节点在yk所对应聚类时间节点之前。
步骤G.采用各组训练样本(xk,yk),基于xk为输入,yk为输出,针对SVM分类器进行训练,获得对应预测时长跨度的目标路段短时交通流预测模型,然后进入步骤GH。
上述步骤G具体如下:
(1)、将聚类簇作为SVM训练子样本集作为输入,即采用各组训练样本(xk,yk),基于xk为输入,yk为输出。
(2)、本模型选择核函数,要求具有较强的学习性能,即误差较小的径向基(RBF)核函数,如公式(3-1):
(3)、通过剖析已知数据,求出核函数系数ε、惩罚因子C等重要参数。
惩罚因子C的选择公式如下:
由于K(xi,x)≤1,可得|f(x)|≤CN
(4)、构建核函数优化问题求解,如公式(3-4):
(5)、决策函数由求得的最优解建立,预测值即公式(3-5)
步骤GH.采用细菌觅食算法(BFOA),针对目标路段短时交通流预测模型中的参数进行优化,然后进入步骤H。如此通过细菌间的趋向性操作,复制操作和迁徙操作,利用群体间的竞争与协作实现核心参数寻优,获得最优解,优化预测模型性能。
如图3所示,上述步骤GH,包括如下步骤:
步骤GH-1.针对目标路段短时交通流预测模型,将其中核函数系数、惩罚因子作为待优化参数输入细菌觅食模型当中;
步骤GH-2.根据优性原则,设置细菌觅食算法(BFOA)的主要参数,细菌个数S,单向运动的最大步数N0,趋向性循环操作次数N1,复制性循环操作次数N2,迁徙性循环操作次数N3,迁徙概率P;
步骤GH-3.根据细菌觅食算法(BFOA),针对核函数系数、惩罚因子进行寻优,优化更新核函数系数、惩罚因子,进而更新目标路段短时交通流预测模型。
具体来说,采用细菌觅食算法(BFOA)进行参数优化,具体如下:
(1)确定影响BFOA寻优能力和优化速度的参数:细菌个数S,单向运动的最大步数N0,趋向性循环操作次数N1,复制性循环操作次数N2,迁徙性循环操作次数N3,迁徙概率P。
(2)趋向性操作
即细菌向有利于自身环境的区域移动,包括翻转运动(任意方向单位步长)和游动运动(延上一步移动方向单位步长)。第i个细菌进行翻转运动时根据式(1)更新位置。
(3)复制操作
细菌达到设定的趋向性循环次数时,细菌进行自我复制,产生新的个体。自我复制前,对细菌种群的适应度降序排列,较大的前一半保留进行分裂,后一半淘汰。保证种群大小不变,复制后保留母细菌特性。
(4)迁徙操作
细菌完成固定周期内的复制操作后,以概率P进行迁徙操作。如果细菌满足迁徙发生概率则该个体死亡,同时解空间任意位置重新生成一个新个体,相当于把原来个体移到一个新的位置,保持其他细菌位置不变。迁徙操作随机生成的细菌个体更接近全局最优解,从而跳出局部最优解的可能性。
步骤H.基于所获目标路段短时交通流预测模型,针对目标路段,实现预测时长跨度的交通流量预测。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (9)
1.一种基于时空特性分析的短时交通流预测方法,用于实现目标道路的交通流量预测,其特征在于,包括如下步骤:
步骤A.获得目标道路指定历史时间区间内的实时交通流量,然后进入步骤B;
步骤B.针对目标道路指定历史时间区间内实时交通流量,进行预处理操作,获得目标道路指定历史时间区间内各个时间节点对应的交通流量,然后进入步骤C;
步骤C.将目标道路所对应指定历史时间区间内各个时间节点的交通流量,作为各个数据样本点,并针对各个数据样本点,进行维度空间坐标转换,获得各个数据样本点分别所对应的维度空间坐标,然后进入步骤D;
步骤D.基于各个数据样本点分别所对应的维度空间坐标,针对各个数据样本点进行聚类处理,获得各个聚类簇,然后进入步骤E;
步骤E.根据各个聚类簇,获得目标路段分别对应各聚类时间节点的交通流量,然后进入步骤F;
步骤F.基于目标路段分别对应各聚类时间节点的交通流量,结合预设预测时长跨度,获得各组训练样本(xk,yk),然后进入步骤G;其中,k∈{1,…,K},K表示训练样本的组数,xk、yk均属于目标路段分别对应各聚类时间节点的交通流量,xk所对应聚类时间节点与yk所对应聚类时间节点之间的差值等于预测时长跨度,且按时序、xk所对应聚类时间节点在yk所对应聚类时间节点之前;
步骤G.采用各组训练样本(xk,yk),基于xk为输入,yk为输出,针对预设分类器进行训练,获得对应预测时长跨度的目标路段短时交通流预测模型,然后进入步骤H;
步骤H.基于所获目标路段短时交通流预测模型,针对目标路段,实现预测时长跨度的交通流量预测。
2.根据权利要求1所述一种基于时空特性分析的短时交通流预测方法,其特征在于:所述步骤B中,采用历史平均法、相邻数据平均法或加权平均法中的一种或几种任意组合,针对目标道路指定历史时间区间内实时交通流量进行预处理操作。
3.根据权利要求1或2所述一种基于时空特性分析的短时交通流预测方法,其特征在于:所述步骤B中,针对目标道路指定历史时间区间内实时交通流量,进行预处理操作,包括丢失值处理、错误值处理和异常值处理。
4.根据权利要求1所述一种基于时空特性分析的短时交通流预测方法,其特征在于:所述步骤D中,基于各个数据样本点分别所对应的维度空间坐标,针对各个数据样本点进行OPTICS聚类处理,获得各个聚类簇。
5.根据权利要求4所述一种基于时空特性分析的短时交通流预测方法,其特征在于:所述步骤D中,初始化用于存放本次循环中核心点、及其直接密度可达点的集合I,以及包含各核心点分别所对应簇的集合Ⅱ,然后基于各个数据样本点分别所对应的维度空间坐标,执行如下步骤,针对各个数据样本点进行聚类处理,获得各个聚类簇;
步骤D1.判断是否存在非核心点、以及未被划簇的数据样本点,是则进入步骤D2;否则进入步骤D10;
步骤D2.针对非核心点、以及未被划簇的各个数据样本点,任选一个数据样本点,作为本次循环的核心点,并进入步骤D3;
步骤D3.将该核心点划分至集合Ⅱ当中,并获得该核心点所对应的所有密度可达的数据样本点,然后进入步骤D4;
步骤D4.针对该核心点所对应的所有密度可达的数据样本点,判断其中直接密度可达的数据样本点是否在集合Ⅱ当中,是则进入步骤D5;否则步骤D6;
步骤D5.分别针对该核心点所对应直接密度可达的各个数据样本点,判断数据样本点对应的可达距离是否小于预设半径,是则将该数据样本点划分至该核心点所对应的簇中,并更新集合I中该核心点所对应的簇,且返回步骤D1;否则将数据样本点直接删除,并返回步骤D1;
步骤D6.针对该核心点所对应的所有密度可达的数据样本点,按可达距离升序,针对各个数据样本点进行排序,划入该核心点所对应的簇,并加入集合I,然后进入步骤D7;
步骤D7.由该核心点所对应簇中,剪切出第一个数据样本点,作为本次循环的待判断数据样本点,并进入步骤D8;
步骤D8.判断该待判断数据样本点是否属于集合Ⅱ,是则将该待判断数据样本点,作为核心点,并返回步骤D3;否则进入步骤D9;
步骤D9.判断集合I是否为空,是则返回步骤D1;否则返回步骤D7;
步骤D10.即完成针对各个数据样本点的聚类处理,获得各个聚类簇。
6.根据权利要求1所述一种基于时空特性分析的短时交通流预测方法,其特征在于:所述步骤E中,根据各个聚类簇,获得目标路段分别对应各聚类时间节点的交通流量,并针对各个交通流量进行数据归一化处理,更新目标路段分别对应各聚类时间节点的交通流量,然后进入步骤F。
7.根据权利要求1所述一种基于时空特性分析的短时交通流预测方法,其特征在于:所述步骤G中,采用各组训练样本(xk,yk),基于xk为输入,yk为输出,针对SVM分类器进行训练,获得对应预测时长跨度的目标路段短时交通流预测模型。
8.根据权利要求1所述一种基于时空特性分析的短时交通流预测方法,其特征在于:还包括步骤GH,执行完步骤G之后,进入步骤GH,执行完步骤GH之后,进入步骤H;
步骤GH.采用细菌觅食算法,针对目标路段短时交通流预测模型中的参数进行优化。
9.根据权利要求8所述一种基于时空特性分析的短时交通流预测方法,其特征在于,所述步骤GH,包括如下步骤:
步骤GH-1.针对目标路段短时交通流预测模型,将其中核函数系数、惩罚因子作为待优化参数输入细菌觅食模型当中;
步骤GH-2.根据优性原则,设置细菌觅食算法的主要参数,细菌个数S,单向运动的最大步数N0,趋向性循环操作次数N1,复制性循环操作次数N2,迁徙性循环操作次数N3,迁徙概率P;
步骤GH-3.根据细菌觅食算法,针对核函数系数、惩罚因子进行寻优,优化更新核函数系数、惩罚因子,进而更新目标路段短时交通流预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810377482.0A CN108492568B (zh) | 2018-04-25 | 2018-04-25 | 一种基于时空特性分析的短时交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810377482.0A CN108492568B (zh) | 2018-04-25 | 2018-04-25 | 一种基于时空特性分析的短时交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108492568A CN108492568A (zh) | 2018-09-04 |
CN108492568B true CN108492568B (zh) | 2020-06-12 |
Family
ID=63313923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810377482.0A Active CN108492568B (zh) | 2018-04-25 | 2018-04-25 | 一种基于时空特性分析的短时交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492568B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102698B (zh) * | 2018-09-28 | 2021-07-20 | 江苏大学 | 基于集成lssvr模型的路网中短时交通流的预测方法 |
CN109754599B (zh) * | 2018-12-19 | 2022-01-04 | 南京莱斯信息技术股份有限公司 | 一种基于时空分析的路口交通状态识别方法 |
CN111915877A (zh) * | 2019-05-08 | 2020-11-10 | 阿里巴巴集团控股有限公司 | 一种车流路径分布信息的处理方法、装置及电子设备 |
CN111915875A (zh) * | 2019-05-08 | 2020-11-10 | 阿里巴巴集团控股有限公司 | 一种车流路径分布信息的处理方法、装置及电子设备 |
CN110139299B (zh) * | 2019-05-14 | 2022-04-01 | 鹰潭泰尔物联网研究中心 | 一种蜂窝网络中基站流量的聚类分析方法 |
CN110223517B (zh) * | 2019-06-20 | 2021-05-18 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110415516B (zh) * | 2019-07-15 | 2021-06-22 | 厦门大学 | 基于图卷积神经网络的城市交通流预测方法及介质 |
CN110782063B (zh) * | 2019-08-15 | 2024-02-06 | 腾讯科技(深圳)有限公司 | 区域拥堵程度的预测方法、装置 |
CN111047425B (zh) * | 2019-11-25 | 2023-10-24 | 中国联合网络通信集团有限公司 | 一种行为预测方法及装置 |
CN117575684B (zh) * | 2024-01-15 | 2024-04-05 | 杭州路过网络有限公司 | 一种客流量预测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104064023A (zh) * | 2014-06-18 | 2014-09-24 | 银江股份有限公司 | 一种基于时空关联的动态交通流预测方法 |
CN104599500A (zh) * | 2015-01-14 | 2015-05-06 | 南京信息工程大学 | 基于灰熵分析和改进贝叶斯融合的交通流预测方法 |
KR20150072471A (ko) * | 2013-12-19 | 2015-06-30 | 건국대학교 산학협력단 | 시공간 확률 모델을 이용한 교통 흐름 예측 시스템 |
CN105118294A (zh) * | 2015-09-25 | 2015-12-02 | 山东易构软件技术股份有限公司 | 一种基于状态模式的短时交通流预测方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
CN105702029A (zh) * | 2016-02-22 | 2016-06-22 | 北京航空航天大学 | 一种分时段考虑时空关联性的快速路交通状态预测方法 |
CN106846842A (zh) * | 2017-03-24 | 2017-06-13 | 上海理工大学 | 基于多时段控制方案的城市干道协调控制优化方法 |
CN107464419A (zh) * | 2017-08-28 | 2017-12-12 | 北京工业大学 | 一种考虑时空特性的短时交通流预测方法 |
JP2017220000A (ja) * | 2016-06-07 | 2017-12-14 | 日本電信電話株式会社 | 流量予測装置、パターン推定装置、流量予測方法、パターン推定方法、及びプログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9008954B2 (en) * | 2012-04-30 | 2015-04-14 | Hewlett-Packard Development Company, L.P. | Predicting impact of a traffic incident on a road network |
-
2018
- 2018-04-25 CN CN201810377482.0A patent/CN108492568B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150072471A (ko) * | 2013-12-19 | 2015-06-30 | 건국대학교 산학협력단 | 시공간 확률 모델을 이용한 교통 흐름 예측 시스템 |
CN104064023A (zh) * | 2014-06-18 | 2014-09-24 | 银江股份有限公司 | 一种基于时空关联的动态交通流预测方法 |
CN104599500A (zh) * | 2015-01-14 | 2015-05-06 | 南京信息工程大学 | 基于灰熵分析和改进贝叶斯融合的交通流预测方法 |
CN105118294A (zh) * | 2015-09-25 | 2015-12-02 | 山东易构软件技术股份有限公司 | 一种基于状态模式的短时交通流预测方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
CN105702029A (zh) * | 2016-02-22 | 2016-06-22 | 北京航空航天大学 | 一种分时段考虑时空关联性的快速路交通状态预测方法 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
JP2017220000A (ja) * | 2016-06-07 | 2017-12-14 | 日本電信電話株式会社 | 流量予測装置、パターン推定装置、流量予測方法、パターン推定方法、及びプログラム |
CN106846842A (zh) * | 2017-03-24 | 2017-06-13 | 上海理工大学 | 基于多时段控制方案的城市干道协调控制优化方法 |
CN107464419A (zh) * | 2017-08-28 | 2017-12-12 | 北京工业大学 | 一种考虑时空特性的短时交通流预测方法 |
Non-Patent Citations (2)
Title |
---|
基于时空特征分析的短时交通流预测模型;田保慧,等;《重庆交通大学学报(自然科学版)》;20160630;第35卷(第3期);第105-109、182页 * |
基于时空特性的短时交通流预测模型;邱敦国,等;《华南理工大学学报(自然科学版)》;20140731;第42卷(第7期);第49-54页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108492568A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492568B (zh) | 一种基于时空特性分析的短时交通流预测方法 | |
Lin et al. | An efficient deep reinforcement learning model for urban traffic control | |
CN111210633B (zh) | 一种基于深度学习的短时交通流预测方法 | |
Wu et al. | A combined deep learning method with attention-based LSTM model for short-term traffic speed forecasting | |
CN110458336B (zh) | 一种基于深度学习的网约车供需预测方法 | |
CN100444210C (zh) | 单点信号控制交叉口的混合控制方法 | |
CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
CN107977734B (zh) | 一种时空大数据下基于移动马尔可夫模型的预测方法 | |
Yu et al. | A special event-based K-nearest neighbor model for short-term traffic state prediction | |
CN111027673B (zh) | 一种地铁客流量预测方法 | |
CN110188936B (zh) | 基于多因素空间选择深度学习算法的短时交通流预测方法 | |
CN109697512B (zh) | 基于贝叶斯网络的个人数据分析方法及计算机存储介质 | |
CN111160650B (zh) | 一种基于Adaboost算法的交通流特性分析与预测方法 | |
CN111506835A (zh) | 一种融合用户时间特征和个性特征的数据特征提取方法 | |
Zou et al. | Passenger flow prediction using smart card data from connected bus system based on interpretable xgboost | |
CN113128783A (zh) | 一种基于图迁移学习的交通预测方法 | |
CN114707881A (zh) | 一种基于深度强化学习的作业车间自适应调度方法 | |
Lei et al. | Large-scale dynamic scheduling for flexible job-shop with random arrivals of new jobs by hierarchical reinforcement learning | |
CN110110447B (zh) | 一种混合蛙跳反馈极限学习机带钢厚度预测方法 | |
Xiangdong et al. | Prediction of short-term available parking space using LSTM model | |
Liu et al. | A survey of artificial bee colony algorithm | |
Hu et al. | Learning model parameters for decentralized schedule-driven traffic control | |
CN112382081A (zh) | 一种基于多任务的交通流量预测方法 | |
CN115208892B (zh) | 基于动态资源需求的车路协同在线任务调度方法及系统 | |
Chen et al. | Traffic signal optimization control method based on adaptive weighted averaged double deep Q network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |