CN111260131A - 一种短期交通流的预测方法及装置 - Google Patents

一种短期交通流的预测方法及装置 Download PDF

Info

Publication number
CN111260131A
CN111260131A CN202010045992.5A CN202010045992A CN111260131A CN 111260131 A CN111260131 A CN 111260131A CN 202010045992 A CN202010045992 A CN 202010045992A CN 111260131 A CN111260131 A CN 111260131A
Authority
CN
China
Prior art keywords
data
traffic flow
prediction
value
time
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.)
Granted
Application number
CN202010045992.5A
Other languages
English (en)
Other versions
CN111260131B (zh
Inventor
周腾
张塽旖
蔡伟鸿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shantou University
Original Assignee
Shantou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shantou University filed Critical Shantou University
Priority to CN202010045992.5A priority Critical patent/CN111260131B/zh
Publication of CN111260131A publication Critical patent/CN111260131A/zh
Application granted granted Critical
Publication of CN111260131B publication Critical patent/CN111260131B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种短期交通流的预测方法及装置，该预测方法先获取历史交通流数据，并通过离散小波分解法将历史交通流数据分解重构为低频近似数据和高频细节数据；将低频近似数据和高频细节数据输入到预设的无偏估计器，获得当前时刻的最优状态估计值；无偏估计器用于识别输入的噪声信号，并对噪声信号和输入的数据进行无偏估计；最后通过最优状态估计值对所述历史交通数据进行加权，获得下一时刻的交通流预测数据。采用本发明技术方案能够避免部分指示交通流突变的细微线索被过滤掉，能够在实现高质量过滤噪声的同时保证原始信号的质量，从而提高短期交通流预测的准确性。

Description

一种短期交通流的预测方法及装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种短期交通流的预测方法及装置。
背景技术
交通流量是判别交通状态的一个关键因素，短期交通流量的预测是微观意义上，与中观和宏观意义上以小时、天、甚至是年计算的基于交通规划的战略预测有本质上的区别。本申请针对的短期交通流量预测是基于当前和过去的交通数据，采用适当的方法去滚动预测未来几秒到半小时的交通状况。然而，由于交通流内在的随机性和外部噪声，如意外事故或人工交通管制，找到既稳健又准确的预测算法是一项具有挑战性的任务。
目前的交通流量预测方法是基于最优状态估计理论，通常会考虑状态和观测噪声并进行相应预处理。上述预测方法主要是运用最优状态估计滤除噪声的能力展开的，但是道路交通系统是一个有时变的、复杂的非线性系统，其显著特点之一就是高度的不确定性。这种不确定性不仅有自然界的原因(季节和气候等)，也有来自人为的原因(交通事故、突发事件、司机的心理状态等)。这些因素都给交通流预测带来了困难，尤其是短期交通流预测问题受随机干扰因素影响更大，不确定性更强，规律性更不明显。如果只对原始数据进行简单的过滤噪声预处理可能会滤除这些指示交通流突变的细微线索，而这些信号的缺失往往会严重损害预测的精确性。而现有的预测方法其改进方向是过滤噪声的能力，但随着过滤噪声的能力进一步地提升，预测精确度趋于平稳，甚至开始下降。因为在过滤噪声的同时，有用的信号，尤其是部分指示交通流突变的细微线索也被过滤掉了。所以对于短期交通流量的预测，采用现有的方法并能得到一个准确的预测结果。
发明内容
本发明实施例提出一种短期交通流的预测方法及装置，能够在实现高质量过滤噪声的同时保证原始信号的质量，从而提高预测的准确性。
本发明实施例提供一种短期交通流的预测方法，包括：
获取历史交通流数据，并通过离散小波分解法将所述历史交通流数据分解重构为低频近似数据和高频细节数据；
将所述低频近似数据和高频细节数据输入到预设的无偏估计器，获得当前时刻的最优状态估计值；所述无偏估计器用于识别输入的噪声信号，并对所述噪声信号和输入的数据进行无偏估计；
通过所述最优状态估计值对所述历史交通数据进行加权，获得下一时刻的交通流预测数据。
进一步的，所述获取历史交通流数据，并通过离散小波分解法将所述历史交通流数据分解重构为低频近似数据和高频细节数据，具体为：
获取所述历史交通流数据，将所述历史交通流数据建模为近期交通流的加权，其动态线性系统模型为：
Θt＝FΘt-1+BΛt-1+wt
volt＝HtΘt+vt
其中，Θt为t时刻的状态估计值；volt为t时刻的真实测量值；Θt为历史交通流权重的集合，Θt＝[θt-n,θt-n+1,…,θt-1]T；
Ht＝[volt-n,volt-n+1,…,volt-1]表示t-n时刻到t-1时刻的交通流；
F和B分别为状态矩阵和控制矩阵；wt和vt分别为过程噪声和测量噪声；
通过离散小波分解法将volt分解重构为低频近似数据
Figure BDA0002369413430000021
和高频细节数据Λt；其中，
Figure BDA0002369413430000022
Λt＝[λt-n,λt-n+1,…,λt-1]；
将
Figure BDA0002369413430000023
替代所述交通流原始数据Ht以更新所述动态线性系统模型。
进一步的，所述无偏估计器包括预测系统模型和估计系统模型；
所述预测系统模型为：
Figure BDA0002369413430000031
Figure BDA0002369413430000032
所述估计系统模型为：
Figure BDA0002369413430000033
Figure BDA0002369413430000034
Figure BDA0002369413430000035
其中，
Figure BDA0002369413430000036
表示t时刻的预测向量，其根据t-1时刻的上一次最优状态估计值
Figure BDA0002369413430000037
和相应的t-1时刻的高频细节数据
Figure BDA0002369413430000038
而计算获得；
Figure BDA0002369413430000039
为协方差矩阵，用于表示每个预测值与真实值的方差；
Figure BDA00023694134300000310
为卡尔曼增益矩阵；
Figure BDA00023694134300000311
表示t时刻的最优状态估计值，其根据t时刻的预测向量
Figure BDA00023694134300000312
和t时刻的真实测量值
Figure BDA00023694134300000313
加权获得；
Figure BDA00023694134300000314
为协方差矩阵，用于表示每个预测值与估计值的方差；
所述预测系统模型用于基于历史时刻数据进行预测，获得下一时刻的预测值；
所述估计系统模型用于对历史时刻的预测值和实际观测值进行加权估计，获得下一时刻的最优状态估计值。
进一步的，所述通过所述最优状态估计值对所述历史交通数据进行加权，获得下一时刻的交通流预测数据，具体为：
通过以下公式进行加权计算，获得下一时刻的交通流预测数据；
Figure BDA00023694134300000315
其中，
Figure BDA00023694134300000316
为下一时刻的交通流预测值，
Figure BDA00023694134300000317
为最优状态估计值。
进一步的，所述历史交通流数据所占的时间长度小于或等于60分钟。
相应地，本发明实施例还提供一种短期交通流的预测装置，包括：获取重构模块、无偏估计模块和预测模块；
所述获取重构模块用于获取历史交通流数据，并通过离散小波分解法将所述历史交通流数据分解重构为低频近似数据和高频细节数据；
所述无偏估计模块用于将所述低频近似数据和高频细节数据输入到预设的无偏估计器，获得当前时刻的最优状态估计值；所述无偏估计器用于识别输入的噪声信号，并对所述噪声信号和输入的数据进行无偏估计；
所述预测模块用于通过所述最优状态估计值对所述历史交通数据进行加权，获得当前时刻的交通流预测数据。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的一种短期交通流的预测方法及装置，该预测方法先获取历史交通流数据，并通过离散小波分解法将历史交通流数据分解重构为低频近似数据和高频细节数据；将低频近似数据和高频细节数据输入到预设的无偏估计器，获得当前时刻的最优状态估计值；无偏估计器用于识别输入的噪声信号，并对噪声信号和输入的数据进行无偏估计；最后通过最优状态估计值对所述历史交通数据进行加权，获得下一时刻的交通流预测数据。相比于现有技术将噪声信号部分进行过滤，本发明将噪声信号部分用于状态估计，避免部分指示交通流突变的细微线索被过滤掉，能够在实现高质量过滤噪声的同时保证原始信号的质量，从而提高短期交通流预测的准确性。
附图说明
图1是本发明提供的短期交通流的预测方法的一种实施例的流程示意图；
图2是本发明提供的基于噪声识别无偏估计器的短期交通流预测和更新过程的一种实施例的示意图；
图3是本发明提供的基于噪声识别无偏估计器的预测和更新过程的一种实施例的示意图；
图4是本发明提供的短期交通流的预测装置的一种实施例的结构示意图。
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作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。
参见图1，是本发明提供的短期交通流的预测方法的一种实施例的流程示意图，该方法包括以下步骤：
步骤101：获取历史交通流数据，并通过离散小波分解法将历史交通流数据分解重构为低频近似数据和高频细节数据。
在本实施例中，步骤101具体为：获取所述历史交通流数据，将所述历史交通流数据建模为近期交通流的加权，其动态线性系统模型为：
Θt＝FΘt-1+BΛt-1+wt
volt＝HtΘt+vt
其中，Θt为t时刻的状态估计值；volt为t时刻的真实测量值；Θt为历史交通流权重的集合，Θt＝[θt-n,θt-n+1,…,θt-1]T；
Ht＝[volt-n,volt-n+1,…,volt-1]表示t-n时刻到t-1时刻的交通流；
F和B分别为状态矩阵和控制矩阵；wt和vt分别为过程噪声和测量噪声；
通过离散小波分解法将volt分解重构为低频近似数据
Figure BDA0002369413430000051
和高频细节数据Λt；其中，
Figure BDA0002369413430000052
Λt＝[λt-n,λt-n+1,…,λt-1]；
将
Figure BDA0002369413430000053
替代所述交通流原始数据Ht以更新所述动态线性系统模型。
在本实施例中，原始交通流数据被局部噪声严重破坏，通过离散小波分解，低频近似部分
Figure BDA0002369413430000054
替换为交通流原始数据Ht以更新该模型，使得其和高频细节数据Λt作为系统的输入用于交通预测。
在本实施例中，交通流是一个时间点对应一个流量的时间序列，所以这里就表示为一个1×n维的向量。
步骤102：将低频近似数据和高频细节数据输入到预设的无偏估计器，获得当前时刻的最优状态估计值；无偏估计器用于识别输入的噪声信号，并对噪声信号和输入的数据进行无偏估计。
在本实施例中，将低频近似数据和高频细节数据同时作为系统输入，既保持了原始交通流的基础模式，又能将高频细节数据作为被噪声破坏的控制输入变量，去捕获隐含在快速随机变化的交通情况中的细微线索，提高预测的准确性，也满足短期交通流的预测。
在本实施例中，无偏估计器包括预测系统模型和估计系统模型；
所述预测系统模型为：
Figure BDA0002369413430000061
Figure BDA0002369413430000062
所述估计系统模型为：
Figure BDA0002369413430000063
Figure BDA0002369413430000064
Figure BDA0002369413430000065
其中，
Figure BDA0002369413430000066
表示t时刻的预测向量，其根据t-1时刻的上一次最优状态估计值
Figure BDA0002369413430000067
和相应的t-1时刻的高频细节数据
Figure BDA0002369413430000068
而计算获得；
Figure BDA0002369413430000069
为协方差矩阵，用于表示每个预测值与真实值的方差；
Figure BDA00023694134300000610
为卡尔曼增益矩阵；
Figure BDA00023694134300000611
表示t时刻的最优状态估计值，其根据t时刻的预测向量
Figure BDA00023694134300000612
和t时刻的真实测量值
Figure BDA00023694134300000613
加权获得；
Figure BDA00023694134300000614
为协方差矩阵，用于表示每个预测值与估计值的方差；
所述预测系统模型用于基于历史时刻数据进行预测，获得下一时刻的预测值；
所述估计系统模型用于对历史时刻的预测值和实际观测值进行估计，获得下一时刻的最优状态估计值。
步骤103：通过最优状态估计值对历史交通数据进行加权，获得下一时刻的交通流预测数据。
参见图2，图2是本发明提供的基于噪声识别无偏估计器的短期交通流预测和更新过程的一种实施例的示意图。如图2所示，基于t-1时刻的交通流状况
Figure BDA0002369413430000071
得到一个先验的预测值
Figure BDA0002369413430000072
然后用观测值
Figure BDA0002369413430000073
去更新预测值
Figure BDA0002369413430000074
从而获得一个后验估计
Figure BDA0002369413430000075
因此，通过以下公式进行加权计算，获得下一时刻的交通流预测数据：
Figure BDA0002369413430000076
其中，
Figure BDA0002369413430000077
为下一时刻的交通流预测值，
Figure BDA0002369413430000078
为最优状态估计值。
需要说明的是，图2中符号的上标“-”，用于标记还没有和测量值进行加权(也就是说还未更新)的一个(先验)预测值，上标“+”用于标记预测值和测量值进行加权后的一个(后验)估计值。所有参数都不是一个数字，而是n×n的矩阵或者n×1(1×n)的向量，比如Θt＝[θt-n,θt-n+1,…,θt-1]T。
在本实施例中，本发明的预测方法适用于短期交通流，其所获取的历史数据所占的时间长度小于或等于60分钟，这样才符合短期交通流的特性。譬如根据半个小时前的数据，预测下一个时刻的交通流数据等。
为了更好的说明本发明的无偏估计器的原理，以下为无偏估计器的推导过程：
考虑一个线性离散时间系统，其离散时间状态空间表示为：
xk＝Axk-1+Buk-1+wk-1 (1)
yk＝Cxk+vk (2)
其中，公式(1)为系统的预测(先验)模型，可理解为人们凭借过去k-1时刻的状态(过去的经验)推断下一时刻k的状态的建模过程；公式(2)为系统的测量(后验)模型，表示人们通过精密仪器实际测出的k时刻的状态。xk∈Rn和yk∈Rm是k时刻的状态向量和测量向量，uk∈Rn为控制向量；A∈Rn×n,B∈Rn×n和C∈Rm×n分别是状态矩阵、控制矩阵和测量矩阵。wk-1∈Rn和vk∈Rm为过程噪声和测量噪声，它们均为零均值、不相关的白噪声，分别有已知的协方差矩阵Qk和Rk。本发明通过结合预测模型和估计模型得到一个k时刻的最佳状态估计
Figure BDA0002369413430000081
对于k-1时刻的状态估计
Figure BDA00023694134300000813
其真实值xk与估计值
Figure BDA0002369413430000082
之间的误差(估计误差)协方差矩阵记为：
Figure BDA0002369413430000083
其真实值xk与预测值
Figure BDA0002369413430000084
之间的误差(预测误差)协方差矩阵记为：
Figure BDA0002369413430000085
本发明通过测量值(收集的样本)不断更新迭代下一时刻的状态和相应的误差协方差矩阵来预测未来时刻的最佳状态。在考虑对噪声进行识别和过滤的无偏估计器时，将带有噪声的输入记为：
Figure BDA0002369413430000086
其中，vin,k-1∈Rn为零均值且方差为
Figure BDA0002369413430000087
的输入噪声向量。而在许多实际情况下，动态系统只能得到带有噪声的输入数据，因此用公式(3)模拟控制输入被噪声破坏的情况，通过推导研究噪声vin,k-1对整个效果的影响。
假设在时刻的测量集记为
Figure BDA0002369413430000088
那么系统的先验估计可以表示为：
Figure BDA0002369413430000089
该系统的后验估计可以表示为：
Figure BDA00023694134300000810
根据公式(1)和(3)，可以导出k时刻系统状态的预测：
Figure BDA00023694134300000811
另外，状态的预测误差可以表示为：
Figure BDA00023694134300000812
根据公式(1)和公式(5)，预测误差的协方差矩阵可以表示为：
Figure BDA0002369413430000091
那么，结合先验和后验所求出的k时刻的最优状态估计
Figure BDA0002369413430000092
可以表示为:
Figure BDA0002369413430000093
其中，
Figure BDA0002369413430000094
为增益矩阵，ik为校正项。
Figure BDA0002369413430000095
状态的估计误差可以表示为
Figure BDA0002369413430000096
其协方差矩阵可以表示为:
Figure BDA0002369413430000097
根据公式(5)和(7)，状态的估计误差可写为:
Figure BDA0002369413430000098
根据公式(8)和公式(9)，且状态预测误差
Figure BDA0002369413430000099
独立于vk，估计误差的协方差矩阵可以表示为：
Figure BDA00023694134300000910
公式(6)的第二项使传统的最优线性状态估计产生有偏估计。为了减少输入噪声带来的偏差，受公式(10)启发，本申请定义一个新的成本函数：
Figure BDA00023694134300000911
Figure BDA0002369413430000101
其中
Figure BDA0002369413430000102
表示估计误差协方差矩阵的迹，即每一项估计值与真实值之间误差的平方和。
Figure BDA0002369413430000103
表示相应输入噪声向量带来的偏差，为进行无偏估计，我们需要在成本函数中减去这一项。
对公式(11)关于增益矩阵
Figure BDA0002369413430000104
求偏导：
Figure BDA0002369413430000105
让上式导数为0，我们可以求出增益矩阵
Figure BDA0002369413430000106
Figure BDA0002369413430000107
为简化下列计算，令
Figure BDA0002369413430000108
再将公式(13)代入公式(10)，可求出估计误差的协方差矩阵
Figure BDA0002369413430000109
再结合公式(10)、(11)和(12)，状态估计误差的协方差矩阵可以被简化为：
Figure BDA00023694134300001010
噪声识别无偏估计器算法可总结为图3，预测过程是指基于过去k-1时刻得到一个k时刻的预测值，更新过程指对k时刻的观测值和预测过程中得到的预测值进行加权，从而得到一个最优估计值。具体的预测和更新的过程为：首先基于k-1时刻的状态
Figure BDA00023694134300001011
得到一个先验的预测值
Figure BDA00023694134300001012
然后用观测值yk去更新预测值
Figure BDA00023694134300001013
从而获得一个后验估计
Figure BDA00023694134300001014
一方面与真实值xk比较用来评价预测精度，另一方面作为k+1时刻的输入用来得到下一时刻的先验预测值。
在本实施例中，本发明将噪声识别无偏估计器进一步应用于智能交通系统领域，在短期交通流预测问题中，交通流可以建模为近期交通流的加权，该动态线性系统可表示为：
Figure BDA00023694134300001015
Figure BDA00023694134300001016
公式(15)等价于公式(1)，公式(16)等价于公式(2)，基于t-1时刻的交通流状况
Figure BDA0002369413430000111
得到一个先验的预测值
Figure BDA0002369413430000112
然后用观测值
Figure BDA0002369413430000113
去更新预测值
Figure BDA0002369413430000114
从而获得一个后验估计
Figure BDA0002369413430000115
因此，通过以下公式进行加权计算，获得下一时刻的交通流预测数据：
Figure BDA0002369413430000116
其中，
Figure BDA0002369413430000117
为下一时刻的交通流预测值，
Figure BDA0002369413430000118
为最优状态估计值。
该公式表示，当我们得到t-n+1时刻到t时刻的n个权重的估计值后，再和相应的历史交通流加权，就会得到下一时刻(t+1)时刻的交通流估计值。请注意区别，
Figure BDA0002369413430000119
是权重的估计值(是一个向量)，
Figure BDA00023694134300001110
是交通流的估计值(是一个数字)，所以本发明是根据前n个时刻预测第n+1时刻的交通流，而不是当前n时刻的交通流比如n＝8，算法流程如下：
用第1到第8个数据(共8个数据)，得到第9个的估计值，第9个的权重的估计作为下一次预测的输入之一；
用第2到第9个数据(共8个数据)，得到第10个的估计值，第10个的权重的估计作为下一次预测的输入之一。以此类推，得到下一个数据。
参见图4，图4是本发明提供的短期交通流的预测装置的一种实施例的结构示意图，包括：获取重构模块401、无偏估计模块402和预测模块403。
获取重构模块401用于获取历史交通流数据，并通过离散小波分解法将所述历史交通流数据分解重构为低频近似数据和高频细节数据。
无偏估计模块402用于将低频近似数据和高频细节数据输入到预设的无偏估计器，获得当前时刻的最优状态估计值；无偏估计器用于识别输入的噪声信号，并对噪声信号和输入的数据进行无偏估计。
预测模块403用于通过最优状态估计值对历史交通数据进行加权，获得当前时刻的交通流预测数据。
本装置更详细的工作原理和流程可以但不限于参见上文所记载的内容。
由上可见，本发明提出的新型无偏估计器可应用在原始数据被噪声严重破坏的系统状态估计问题中，而这类估计问题更普遍存在于实际应用中，比如短期交通流预测问题。传统的最优线性状态估计在这种情况下往往表现为不可靠的有偏估计，本发明提出的新型滤波可以在过滤噪声的同时保证原始数据的质量，经大量实验证明提高了预测的精确度。
而从数据或公式上推演得知，当控制输入向量无噪声时，本发明提出的新型无偏估计器预测更新将近似等于传统的最优线性状态估计。当控制输入向量有噪声时，由公式(13)可看出，偏差以控制输入噪声的二阶统计量表示，即使控制输入变量掺杂的噪声很严重，也可通过公式(13)的减法将其从解中除去。另外，与传统的最优线性状态估计相比，在预测误差的协方差矩阵中仅引入两个额外项，因此其计算复杂性相对于它的优势是可以接受的。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.一种短期交通流的预测方法，其特征在于，包括：
获取历史交通流数据，并通过离散小波分解法将所述历史交通流数据分解重构为低频近似数据和高频细节数据；
将所述低频近似数据和高频细节数据输入到预设的无偏估计器，获得当前时刻的最优状态估计值；所述无偏估计器用于识别输入的噪声信号，并对所述噪声信号和输入的数据进行无偏估计；
通过所述最优状态估计值对所述历史交通数据进行加权，获得下一时刻的交通流预测数据。
2.根据权利要求1所述的短期交通流的预测方法，其特征在于，所述获取历史交通流数据，并通过离散小波分解法将所述历史交通流数据分解重构为低频近似数据和高频细节数据，具体为：
获取所述历史交通流数据，将所述历史交通流数据建模为近期交通流的加权，其动态线性系统模型为：
Θt＝FΘt-1+BΛt-1+wt
volt＝HtΘt+vt
其中，Θt为t时刻的状态估计值；volt为t时刻的真实测量值；Θt为历史交通流权重的集合，Θt＝[θt-n,θt-n+1,…,θt-1]T；
Ht＝[volt-n,volt-n+1,…,volt-1]表示t-n时刻到t-1时刻的交通流；
F和B分别为状态矩阵和控制矩阵；wt和vt分别为过程噪声和测量噪声；
通过离散小波分解法将volt分解重构为低频近似数据
Figure FDA0002369413420000011
和高频细节数据Λt；其中，
Figure FDA0002369413420000012
Λt＝[λt-n,λt-n+1,…,λt-1]；
将
Figure FDA0002369413420000013
替代所述交通流原始数据Ht以更新所述动态线性系统模型。
3.根据权利要求2所述的短期交通流的预测方法，其特征在于，所述无偏估计器包括预测系统模型和估计系统模型；
所述预测系统模型为：
Figure FDA0002369413420000021
Figure FDA0002369413420000022
所述估计系统模型为：
Figure FDA0002369413420000023
Figure FDA0002369413420000024
Figure FDA0002369413420000025
其中，
Figure FDA0002369413420000026
表示t时刻的预测向量，其根据t-1时刻的上一次最优状态估计值
Figure FDA0002369413420000027
和相应的t-1时刻的高频细节数据
Figure FDA0002369413420000028
而计算获得；
Figure FDA0002369413420000029
为协方差矩阵，用于表示每个预测值与真实值的方差；
Figure FDA00023694134200000210
表示t时刻的最优状态估计值，其根据t时刻的预测向量
Figure FDA00023694134200000211
和t时刻的真实测量值
Figure FDA00023694134200000212
加权获得；
Figure FDA00023694134200000213
为卡尔曼增益矩阵；
Figure FDA00023694134200000214
为协方差矩阵，用于表示每个预测值与估计值的方差；
所述预测系统模型用于基于历史时刻数据进行预测，获得当前时刻的预测值；
所述估计系统模型用于对历史时刻的预测值和实际观测值进行加权估计，获得当前时刻的最优状态估计值。
4.根据权利要求3所述的短期交通流的预测方法，其特征在于，所述通过所述最优状态估计值对所述历史交通数据进行加权，获得下一时刻的交通流预测数据，具体为：
通过以下公式进行加权计算，获得下一时刻的交通流预测数据；
Figure FDA00023694134200000215
其中，
Figure FDA00023694134200000216
为下一时刻的交通流预测值，
Figure FDA00023694134200000217
为最优状态估计值。
5.根据权利要求1至4任一项所述的短期交通流的预测方法，其特征在于，所述历史交通流数据所占的时间长度小于或等于60分钟。
6.一种短期交通流的预测装置，其特征在于，包括：获取重构模块、无偏估计模块和预测模块；
所述获取重构模块用于获取历史交通流数据，并通过离散小波分解法将所述历史交通流数据分解重构为低频近似数据和高频细节数据；
所述无偏估计模块用于将所述低频近似数据和高频细节数据输入到预设的无偏估计器，获得当前时刻的最优状态估计值；所述无偏估计器用于识别输入的噪声信号，并对所述噪声信号和输入的数据进行无偏估计；
所述预测模块用于通过所述最优状态估计值对所述历史交通数据进行加权，获得当前时刻的交通流预测数据。
CN202010045992.5A 2020-01-16 2020-01-16 一种短期交通流的预测方法及装置 Active CN111260131B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010045992.5A CN111260131B (zh) 2020-01-16 2020-01-16 一种短期交通流的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010045992.5A CN111260131B (zh) 2020-01-16 2020-01-16 一种短期交通流的预测方法及装置

Publications (2)

Publication Number Publication Date
CN111260131A true CN111260131A (zh) 2020-06-09
CN111260131B CN111260131B (zh) 2023-06-02

Family

ID=70950573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010045992.5A Active CN111260131B (zh) 2020-01-16 2020-01-16 一种短期交通流的预测方法及装置

Country Status (1)

Country Link
CN (1) CN111260131B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951553A (zh) * 2020-08-17 2020-11-17 上海电科智能系统股份有限公司 一种基于交通大数据平台与中观仿真模型的预测方法
CN112990595A (zh) * 2021-03-30 2021-06-18 北京嘀嘀无限科技发展有限公司 行程时间预测方法、装置、存储介质和电子设备
CN115019504A (zh) * 2022-05-17 2022-09-06 汕头大学 基于新深空时自适应融合图网络的短期交通流预测方法
CN115482656A (zh) * 2022-05-23 2022-12-16 汕头大学 一种使用空间动态图卷积网络进行交通流预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629418A (zh) * 2012-04-09 2012-08-08 浙江工业大学 基于模糊卡尔曼滤波的交通流参数预测方法
CN108877224A (zh) * 2018-07-18 2018-11-23 长安大学 一种可进行置信区间估计的短时交通流预测方法
CN109377752A (zh) * 2018-10-19 2019-02-22 桂林电子科技大学 短时交通流变化预测方法、装置、计算机设备及存储介质
CN109858681A (zh) * 2019-01-04 2019-06-07 深圳北斗应用技术研究院有限公司 一种基于ic卡的交通短时客流预测方法和相关装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629418A (zh) * 2012-04-09 2012-08-08 浙江工业大学 基于模糊卡尔曼滤波的交通流参数预测方法
CN108877224A (zh) * 2018-07-18 2018-11-23 长安大学 一种可进行置信区间估计的短时交通流预测方法
CN109377752A (zh) * 2018-10-19 2019-02-22 桂林电子科技大学 短时交通流变化预测方法、装置、计算机设备及存储介质
CN109858681A (zh) * 2019-01-04 2019-06-07 深圳北斗应用技术研究院有限公司 一种基于ic卡的交通短时客流预测方法和相关装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951553A (zh) * 2020-08-17 2020-11-17 上海电科智能系统股份有限公司 一种基于交通大数据平台与中观仿真模型的预测方法
CN112990595A (zh) * 2021-03-30 2021-06-18 北京嘀嘀无限科技发展有限公司 行程时间预测方法、装置、存储介质和电子设备
CN115019504A (zh) * 2022-05-17 2022-09-06 汕头大学 基于新深空时自适应融合图网络的短期交通流预测方法
CN115482656A (zh) * 2022-05-23 2022-12-16 汕头大学 一种使用空间动态图卷积网络进行交通流预测方法
CN115482656B (zh) * 2022-05-23 2023-09-26 汕头大学 一种使用空间动态图卷积网络进行交通流预测方法

Also Published As

Publication number Publication date
CN111260131B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN111260131A (zh) 一种短期交通流的预测方法及装置
Bashir et al. Handling missing data in multivariate time series using a vector autoregressive model-imputation (VAR-IM) algorithm
Jayawardena et al. Noise reduction and prediction of hydrometeorological time series: dynamical systems approach vs. stochastic approach
CN109269497B (zh) 基于auv切法向速度模型的多尺度无迹卡尔曼滤波估计方法
CN105913393A (zh) 一种自适应小波阈值图像去噪算法及装置
US6772185B1 (en) Time-series predicting method using wavelet number series and device thereof
CN107729845B (zh) 一种基于子空间特征值分解的实测频响函数降噪方法
CN110598615A (zh) 一种用于桥梁结构监测的数据降噪方法及系统
CN114221877A (zh) 负载预测方法、装置、设备和计算机可读介质
Cliff et al. Exact inference of linear dependence between multiple autocorrelated time series
Meynard et al. An efficient forecasting approach to reduce boundary effects in real-time time-frequency analysis
CN117158999A (zh) 一种基于ppmcc和自适应vmd的脑电信号去噪方法及系统
Batina et al. Noise power spectrum estimation for speech enhancement using an autoregressive model for speech power spectrum dynamics
CN109344678A (zh) 基于小波阈值的mems陀螺去噪方法
CN111142134B (zh) 一种坐标时间序列处理方法及装置
CN101242488A (zh) 一种数字图像极值的平滑方法
Luz et al. Robust filtering of sequences with periodically stationary multiplicative seasonal increments
Pawlak et al. Signal sampling and recovery under dependent errors
Kizilkaya et al. Optimal signal reconstruction based on time-varying weighted empirical mode decomposition
CN112597433A (zh) 基于即插即用神经网络的傅里叶相位恢复方法及系统
Qu et al. Substructural damage detection using neural networks and ICA
Qibing et al. A wavelet theory about online wavelets denoising based on Moving Window and Principal Component Analysis (PCA)
CN110858309A (zh) 一种多基准时钟加权合成方法
Sami et al. Speech enhancement using fast adaptive Kalman filtering algorithm along with weighting filter
Kazemipour et al. Efficient estimation of compressible state-space models with application to calcium signal deconvolution

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