CN108922183A - 一种时空关联度与svr结合的高速公路短时流量预测方法 - Google Patents

Abstract

本发明公开了一种时空关联度与SVR结合的高速公路短时流量预测方法，包括：确定待预测的目标断面i和多个上游断面j；获取目标断面i以及多个上游断面j在时刻t所对应的时段T_t内的交通流量原始数据序列；对时刻t所对应的时段T_t内的交通流量原始数据序列进行预处理；计算交通流量原始数据序列与历史状态矩阵的时空关联度；对目标断面下一检测周期的流量进行预测，得到预测结果q_i‑D(t+T)；训练得到支持向量机回归模型；用支持向量机回归模型对测试样本集进行预测，输出预测结果q_i‑SVR(t+T)；将预测结果q_i‑D(t+1)、q_i‑SVR(t+1)进行加权融合，得到最终的预测结果。本发明将高速公路路段交通流的时空关联特性与支持向量机回归(SVR)结合，提高高速公路路段流量的预测精度。

Description

一种时空关联度与SVR结合的高速公路短时流量预测方法

技术领域

本发明涉及交通信息技术领域，具体涉及一种时空关联度与SVR结合的高速公路短时流量预测方法。

背景技术

随着汽车持有量的持续增加，以及各地区经济互动的愈加频繁，行驶于高速公路上的车辆越来越多，导致高速公路上的交通拥堵越来越严重，交通事故也频频发生。

单靠传统“修路限行”的方法，很难从根本上解决高速公路交通拥堵、事故频发等问题，还需加强对高速公路交通的管理和控制，提升现有高速公路的通行效率，从而达到缓解拥堵、减少事故的目的。对流量变化趋势的掌握，是对高速公路进行有效管理和及时实施管控措施的前提。因此要实现对高速公路的有效管理，减少交通拥堵和交通事故的发生，其重点在于对高速公路交通流量的准确预测。

交通系统受到诸多因素的影响，是一个复杂、时变的非线性系统。同时，其较强的随机性和不确定性的特征增强了进行交通流预测的困难程度。支持向量机作为机器学习领域的一大研究热点，在解决小样本、高维度识别、非线性分类等问题有着十分显著的优势，Vapnik等人提出基于统计学习理论框架下的支持向量机回归(SVR)方法，能够克服局部最小，高维度和过度学习等问题，具有很强的泛化能力，在交通流预测中得到了广泛的应用。

但是，高速公路交通流不仅随时间变化，同时也受空间因素的影响，具有明显的时间和空间变化特性。而传统的基于支持向量机回归的高速公路交通流量预测算法主要针对交通流的时间变化特性，而忽略相邻断面及匝道进出口流量对目标断面流量的影响，造成预测结果不准确。

发明内容

有鉴于此，为了解决上述问题，本发明提供一种时空关联度与SVR结合的高速公路短时流量预测方法。

为实现上述目的及其他目的，本发明提供一种时空关联度与SVR结合的高速公路短时流量预测方法，包括以下步骤：

确定待预测的目标断面i，记当前时刻为t，预测时长为T，选择与目标断面i在t+T时刻的流量相关的多个上游断面j；

获取目标断面i以及多个上游断面j在时刻t所对应的时段T_t内的交通流量原始数据序列；

对目标断面i以及多个上游断面j在时刻t所对应的时段T_t内的交通流量原始数据序列进行预处理；

计算当前时刻t上游断面j所对应的时段T_t内的交通流量原始数据序列与历史状态矩阵的时空关联度；

对目标断面下一检测周期的流量进行预测，得到预测结果q_i-D(t+T)；

选择目标断面i与t时刻相邻的前n个检测周期的数据作为支持回归机的输入来训练得到支持向量机回归模型；

用支持向量机回归模型进行预测，输出预测结果q_i-SVR(t+T)；

将预测结果q_i-D(t+1)、q_i-SVR(t+1)进行加权融合，得到最终的预测结果。

优选地，所述计算当前时刻t上游断面j所对应的时段T_t内的交通流量原始数据序列与历史状态矩阵的时空关联度的具体方法：

计算从断面k到断面k+1的平均速度v_k,k+1、平均行程时间t_k,k+1以及从上游各个断面到达相邻目标断面i的平均时间t_i,j；

利用从上游各个断面到达目标断面i的平均行程时间t_i,j与预测时长T的差值Δt_i,j计算各断面的权重系数a_i；

则当前时刻t上游断面j所对应的时段T_t内的交通流量原始数据序列与历史状态矩阵的时空关联度为：

其中，a_j表示第j个断面的权重系数，x_ij表示当前的i时刻第j个断面的流量，y_ij表示历史的i时刻第j个断面的流量。

优选地，在所述将预测结果q_i-D(t+1)、q_i-SVR(t+1)进行加权融合步骤中，权重系统的确定方法为：

对两种预测模型得到的相对误差序列进行归一化处理；

其中，N表示序列的长度，i表示第i种预测模型，t表示序列中的第t个误差数据，e_it表示第i种预测模型的第t个误差数据，p_it表示将误差数据归一化以后的第i种预测模型的第t个误差数据。

分别计算两种预测模型相对误差的熵值h_i；

其中，k＞0为常数，ln为自然对数，h_i≥0；

计算两种预测模型相对误差序列的变异程度系数d_i；

d_i＝1-h_i(0≤h_i≤1)

计算两种预测模型的加权系数

其中，n表示n个预测模型。

由于采用了上述技术方案，本发明具有如下的优点：

本发明将高速公路路段交通流的时空关联特性与支持向量机回归(SVR)结合，充分考虑交通流时空相互作用对预测结果的影响，利用高速公路上下游及匝道流量之间时空关联分析的结果，改进传统的支持向量机回归模型，建立一种时空关联度与SVR结合的高速公路路段短时流量预测模型，提高高速公路路段流量的预测精度。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1为本发明的流程示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1所示，本发明提供一种时空关联度与SVR结合的高速公路短时流量预测方法，包括以下几个步骤：

Step 1：确定待预测的目标断面i，记当前时刻为t，预测时长为T，选择与目标断面i在t+T时刻的流量相关的多个上游断面(设上游断面与目标断面的距离为l，高速公路限速为V_max，若l≤V_max·T，则此上游断面与目标断面相关)，记为断面j(j＝1,2,…,k)。

Step 2：获取目标断面i当前时刻t所对应的时段T_t内的交通流量原始数据序列{q_i(t),q_i(t-1),…,q_i(t-N)}，同时，还获取Step1中选取的多个上游断面j(j＝1,2,…,k)在t时刻所对应的时段T_t内的流量原始时间序列数据集Q_ij(t)：

其中，D_k(t-n)表示断面K在t-n时刻的流量值。

Step 3：数据预处理，对各断面交通流量时序样本数据中的缺失数据进行插值，对异常数据以及错误数据剔除后再进行插值处理。

Step 4a：利用改进的欧式距离时空关联度度量方法，分别计算当前时刻上游断面多维时间序列Q_ij(t)与历史状态矩阵的时空关联度。

具体地，改进欧式距离时空关联度度量方法包括以下步骤：

①设目标断面为i，其相邻上游断面为i+1、i+2、…、i+j，设任意两个相邻断面k与k+1之间的距离为L_k,k+1，两个断面的平均速度分别为v_k和v_k+1，可以用公式(2)来计算从断面k到k+1的平均速度：

②计算从断面k到k+1平均行程时间：

③计算从上游各个断面到达目标断面i的平均时间：

④利用上游断面车辆到达目标断面i的平均行程时间t_i,j与T的差值Δt_i,j来计算各断面的权重系数，计算公式如式(5)所示。

其中，Δt_i,j为上游断面车辆到达当前断面i的行程时间与T的差值：

Δt_i,j＝|T-t_i,j|，j＝i+1,i+2,… (6)

⑤将公式(5)得到的不同断面的权重系数加入欧氏距离公式之中即可得到改进的欧式距离时空关联度度量公式：

其中，a_j表示第j个断面的权重系数，x_ij表示当前的i时刻第j个断面的流量，yi_j表示历史的i时刻第j个断面的流量。

Step 5a：选出时空关联度最高的h个时间段。

Step 6a：利用公式(8)所示的时空关联度预测函数来对目标断面下一检测周期的流量进行预测，得到预测结果q_i-D(t+T)。

其中，t_i′为距离d_i所对应的时间段，d_i表示第i个历史时段与当前时段之间的时空关联度，d_j表示第j个历史时段与当前时段之间的时空关联度。

Step 4b：选择目标断面i与t时刻相邻的前n个检测周期的数据，作为支持回归机的输入：X_i＝{q_i(t),q_i(t-1),…,q_i(t-n)}。

Step 5b：确定训练样本集和测试样本，利用训练样本集，并选择合适的核函数和最佳参数，训练得到支持向量机回归模型。

具体地，支持向量机回归模型核函数的选择以及参数的选取包含以下几个步骤：

①Gauss径向基函数(RBF)是支持向量机使用最多的核函数，其适用范围最广，因此，选择径向基函数(RBF)作为核函数。RBF需要选择两个参数，支持向量机目标函数中的γ以及核函数中的σ²。

②将样本数据中的一部分作为训练数据，另一部分作为检验数据。

③用训练数据和预设的参数组合来训练支持向量机，并用训练好的支持向量机模型预测检验数据的值。

④然后计算预测值与检验数据的真实值之间均方差的大小，选择均方差最小时γ和σ²的值作为支持向量机模型的参数。

Step 6b：用支持向量机回归模型对测试样本集进行预测，输出预测结果q_i-SVR(t+T)。

Step 7：将Step6a、Step6b中得到的预测结果q_i-D(t+1)、q_i-SVR(t+1)进行加权融合，得到最终的预测结果：

q_i(t+T)＝ω₁·q_i-D(t+T)+ω₂·q_i-SVR(t+T) (9)。

其中，q_i-D(t+1)表示利用时空关联度模型预测出的目标断面t+T时刻的流量，ω₁表示利用熵值法算出的时空关联度预测模型对应的权重系数，q_i-SVR(t+T)表示利用支持向量机回归模型预测出的目标断面t+T时刻的流量，ω₂表示利用熵值法算出的支持向量机回归模型对应的权重系数。

具体地，两个模型权重系数的确定包含以下步骤：

①用公式(10)对两种预测模型得到的相对误差序列进行归一化处理。

其中，N表示序列的长度，i表示第i种预测模型，t表示序列中的第t个误差数据，e_it表示第i种预测模型的第t个误差数据，p_it表示将误差数据归一化以后的第i种预测模型的第t个误差数据。

②分别计算两种预测模型相对误差的熵值。

其中，k＞0为常数，ln为自然对数，h_i≥0。就第i种预测模型来说，若p_it全都相等，即p_it＝1/N，那么h_i取极大值，即h_i＝klnN，这里取k＝1/lnN，则有0≤h_i≤1。

③计算两种预测模型相对误差序列的变异程度系数。因为熵值的大小与变异程度相反，所以定义变异程度系数d_i为：

d_i＝1-h_i(0≤h_i≤1) (12)

④计算两种预测模型的加权系数

本发明将高速公路路段交通流的时空关联特性与支持向量机回归(SVR)结合，充分考虑交通流时空相互作用对预测结果的影响，利用高速公路上下游及匝道流量之间时空关联分析的结果，改进传统的支持向量机回归模型，建立一种时空关联度与SVR结合的高速公路路段短时流量预测模型，提高高速公路路段流量的预测精度。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，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，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (3)

1.一种时空关联度与SVR结合的高速公路短时流量预测方法，其特征在于，包括以下步骤：确定待预测的目标断面i，记当前时刻为t，预测时长为T，选择与目标断面i在t+T时刻的流量相关的多个上游断面j；

获取目标断面i以及多个上游断面j在时刻t所对应的时段T_t内的交通流量原始数据序列；

对目标断面i以及多个上游断面j在时刻t所对应的时段T_t内的交通流量原始数据序列进行预处理；

计算当前时刻t上游断面j所对应的时段T_t内的交通流量原始数据序列与历史状态矩阵的时空关联度；

对目标断面下一检测周期的流量进行预测，得到预测结果q_i-D(t+T)；

选择目标断面i与t时刻相邻的前n个检测周期的数据作为支持回归机的输入来训练得到支持向量机回归模型；

用支持向量机回归模型进行预测，输出预测结果q_i-SVR(t+T)；

将预测结果q_i-D(t+1)、q_i-SVR(t+1)进行加权融合，得到最终的预测结果。

2.根据权利要求1所述的一种时空关联度与SVR结合的高速公路短时流量预测方法，其特征在于，所述计算当前时刻t上游断面j所对应的时段T_t内的交通流量原始数据序列与历史状态矩阵的时空关联度的具体方法：

计算从断面k到断面k+1的平均速度v_k,k+1、平均行程时间t_k,k+1以及从上游各个断面到达相邻目标断面i的平均时间t_i,j；

利用从上游各个断面到达目标断面i的平均行程时间t_i,j与预测时长T的差值Δt_i,j计算各断面的权重系数a_i；

则当前时刻t上游断面j所对应的时段T_t内的交通流量原始数据序列与历史状态矩阵的时空关联度为：

其中，a_j表示第j个断面的权重系数，x_ij表示当前的i时刻第j个断面的流量，y_ij表示历史的i时刻第j个断面的流量。

3.根据权利要求1所述的一种时空关联度与SVR结合的高速公路短时流量预测方法，在所述将预测结果q_i-D(t+1)、q_i-SVR(t+1)进行加权融合步骤中，权重系统的确定方法为：对两种预测模型得到的相对误差序列进行归一化处理；

其中，N表示序列的长度，i表示第i种预测模型，t表示序列中的第t个误差数据，e_it表示第i种预测模型的第t个误差数据，p_it表示将误差数据归一化以后的第i种预测模型的第t个误差数据；

分别计算两种预测模型相对误差的熵值h_i；

其中，k＞0为常数，ln为自然对数，h_i≥0；

计算两种预测模型相对误差序列的变异程度系数d_i；

d_i＝1-h_i(0≤h_i≤1)

计算两种预测模型的加权系数

其中，n表示n个预测模型。