CN113947025A - 短时交通流的预测方法、装置、终端设备及存储介质 - Google Patents

短时交通流的预测方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN113947025A
CN113947025A CN202111244550.4A CN202111244550A CN113947025A CN 113947025 A CN113947025 A CN 113947025A CN 202111244550 A CN202111244550 A CN 202111244550A CN 113947025 A CN113947025 A CN 113947025A
Authority
CN
China
Prior art keywords
model
traffic flow
target
moving average
determining
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
CN202111244550.4A
Other languages
English (en)
Other versions
CN113947025B (zh
Inventor
李庆印
翟慧
曹倩
孙爱美
周昕
罗顺才
李颛
仝瑞亚
张俊波
王志今
韩启龙
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.)
Shandong Tongguang Electronics Co ltd
Original Assignee
Shandong Tongguang Electronics Co ltd
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 Shandong Tongguang Electronics Co ltd filed Critical Shandong Tongguang Electronics Co ltd
Priority to CN202111244550.4A priority Critical patent/CN113947025B/zh
Publication of CN113947025A publication Critical patent/CN113947025A/zh
Application granted granted Critical
Publication of CN113947025B publication Critical patent/CN113947025B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种短时交通流的预测方法、装置、终端设备及存储介质，包括：获取待预测道路区域的预设时间段；根据预设时间段和预先建立的目标交通流预测模型，得到待预测道路区域内的预设时间段的目标交通流量，预先建立的目标交通流预测模型是根据目标移动平均模型、目标岭回归模型和目标向量机模型确定的，目标移动平均模型是通过采用移动平均法对样本集中的交通流量样本数据进行处理得到的，目标岭回归模型是通过交通流量样本数据对初始岭回归模型进行训练得到的，目标向量机模型是通过交通流量样本数据对初始向量机模型进行训练得到的，可以对某一路段某一时间对道路的短时交通量进行预测，节省人力资源，提高预测效率。

Description

短时交通流的预测方法、装置、终端设备及存储介质
技术领域
本发明涉及交通技术领域，特别是涉及一种短时交通流的预测方法、装 置、终端设备及存储介质。
背景技术
为了解决交通拥堵问题，第一种措施是对现有的交叉口以及路段进行道 路的优化设计，增加或改进空间上的交通设施来解决交通拥堵的问题，例如 进行拓宽道路，交叉口渠化，增加导流线，但是对于现如今来说空间上的解 决措施会带来很多的不便，有些交叉口和路段会受到限制，并且采取措施所 需要的资金也会花费很多，对外部环境也会产生影响。
对于此，研究人员提出了多种预测模型，如线性预测模型、传统非线性 预测模型或智能非线性预测模型。目前智能非线性模型在短时交通流预测中 使用频率比较高，其中神经网络对非线性短时交通流预测能力非常强大，如 现在常用的BP神经网络、人工神经网络等。神经网络模型可以和其他模型 结合使用，从而提高预测的精准度，弥补模型存在的不足。
但是对于神经网络在短时交通流预测中的应用来说，一般需要大量的数 据集来进行训练才能预测未来某一时段的短时交通流，需要消耗较多的时间 和人力。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至 少部分地解决上述问题的一种短时交通流的预测方法、装置、终端设备及存 储介质。
第一个方面，本发明实施例提供一种短时交通流的预测方法，所述方法 包括：
获取待预测道路区域的预设时间段；
根据所述预设时间段和预先建立的目标交通流预测模型，得到待预测道 路区域内的预设时间段的目标交通流量，其中，所述预先建立的目标交通流 预测模型是根据目标移动平均模型、目标岭回归模型和目标向量机模型确定 的，所述目标移动平均模型是通过采用移动平均法对样本集中的交通流量样 本数据进行处理得到的，所述目标岭回归模型是通过样本集中的交通流量样 本数据对初始岭回归模型进行训练得到的，所述目标向量机模型是通过所述 样本集中的交通流量样本数据对初始向量机模型进行训练得到的。
可选地，所述预先建立的目标交通流预测模型通过如下方式得到的，包 括：
获取样本集中的交通流量样本数据；
对所述交通流量样本数据进行预处理，得到初始化样本数据；
根据移动平均法和所述初始化样本数据，确定所述移动平均模型；
根据所述移动平均模型计算的第一预测值和交通流量标准值，确定所述 移动平均模型的第一精确参数；
采用所述初始化样本数据对初始岭回归模型进行训练，确定所述岭回归 模型；
根据所述岭回归模型计算的第二预测值和交通流量标准值，确定所述移 岭回归模型的第二精确参数；
采用所述初始化样本数据对初始向量机模型进行训练，确定所述向量机 模型；
根据所述向量机模型计算的第三预测值和交通流量标准值，确定所述移 向量机模型的第三精确参数；
若所述第一精确参数小于第一预设值，所述第二精确参数小于第二预设 值，所述第三精确参数小于第三预设值，则将所述移动平均模型确定为目标 移动平均模型，将所述岭回归模型确定为目标岭回归模型，将所述向量机模 型确定为目标向量机模型；
确定所述目标移动平均模型的第一权重值、所述目标岭回归模型的第二 权重值和所述目标向量机模型的第三权重值；
确定所述目标移动平均模型和第一权重值的第一乘积，所述目标回归模 型和所述第二权重值的第二乘积，所述目标向量机模型和所述第三权重值的 第三乘积；
根据所述第一乘积、所述第二乘积和所述第三乘积，确定所述目标交通 流预测模型。
可选地，所述根据所述第一乘积、所述第二乘积和所述第三乘积，确定 所述目标交通流预测模型，包括：
根据所述第一精确参数、第一权重值、第二精确参数、第二权重值、第 三精确参数和第三权重值，确定预设误差参数；
若所述预设误差参数的值最小，则将与所述预设误差参数对应的交通流 预测模型为目标交通流预测模型。
可选地，所述根据移动平均法和所述初始化样本数据，确定所述移动平 均模型，包括：
Figure RE-GDA0003349261420000031
Figure RE-GDA0003349261420000032
其中：
Figure RE-GDA0003349261420000033
—第t期的二次移动平均值；xt+1为t+1期的预测值；
Figure RE-GDA0003349261420000034
为第t期一次移动平均值；n:参加移动平均的历史数据的个数。
可选地，所述第一精确参数包括：相对误差、平均相对误差、平均绝对 相对误差和均方根相对误差，所述相对误差、平均相对误差、平均绝对相对 误差、均方根相对误差具体包括：
计算相对误差，
Figure RE-GDA0003349261420000035
其中，xi为交通量实际值，yi为交通量预测 值；
计算出平均相对误差，
Figure RE-GDA0003349261420000036
计算绝对相对误差，
Figure RE-GDA0003349261420000037
计算均方根相对误差，
Figure RE-GDA0003349261420000041
可选地，所述根据所述第一乘积、所述第二乘积和所述第三乘积，确定 所述目标交通流预测模型，包括：
设置l1,l2,ln分别为n种独立预测方法的权系数，且所述权系数应满足： l1+l2+ln＝1，其中，l1为第一权重值、l2为第二权重值，ln为第三权重值；
获取目标交通流预测模型为
Figure RE-GDA0003349261420000042
获取所述目标交通流预测模型的在t时刻的预测误差值为
Figure RE-GDA0003349261420000043
计算所述目标交通流预测模型的预测误差平方和
Figure RE-GDA0003349261420000044
根据所述预测误差平方和，确定最小预测误差平方和，即
Figure RE-GDA0003349261420000045
Figure RE-GDA0003349261420000046
在确定了最小预测误差平方和，确定与所述最小预测误差平方和对应的 第一权重值、第二权重值和第三权重值；
根据所述第一权重值、第二权重值和第三权重值确定所述目标交通流预 测模型。
第二个方面，本发明实施例提供一种短时交通流的预测装置，所述装置 包括：
获取模块，用于获取待预测道路区域的预设时间段；
预测模块，用于根据所述预设时间段和预先建立的目标交通流预测模 型，得到待预测道路区域内的预设时间段的目标交通流量，其中，所述预先 建立的目标交通流预测模型是根据目标移动平均模型、目标岭回归模型和目 标向量机模型确定的，所述目标移动平均模型是通过采用移动平均法对样本 集中的交通流量样本数据进行处理得到的，所述目标岭回归模型是通过样本 集中的交通流量样本数据对初始岭回归模型进行训练得到的，所述目标向量 机模型是通过所述样本集中的交通流量样本数据对初始向量机模型进行训练得到的。
可选地，所述装置还包括模型建立模块，所述模型建立模块用于：
获取样本集中的交通流量样本数据；
对所述交通流量样本数据进行预处理，得到初始化样本数据；
根据移动平均法和所述初始化样本数据，确定所述移动平均模型；
根据所述移动平均模型计算的第一预测值和交通流量标准值，确定所述 移动平均模型的第一精确参数；
采用所述初始化样本数据对初始岭回归模型进行训练，确定所述岭回归 模型；
根据所述岭回归模型计算的第二预测值和交通流量标准值，确定所述移 岭回归模型的第二精确参数；
采用所述初始化样本数据对初始向量机模型进行训练，确定所述向量机 模型；
根据所述向量机模型计算的第三预测值和交通流量标准值，确定所述移 向量机模型的第三精确参数；
若所述第一精确参数小于第一预设值，所述第二精确参数小于第二预设 值，所述第三精确参数小于第三预设值，则将所述移动平均模型确定为目标 移动平均模型，将所述岭回归模型确定为目标岭回归模型，将所述向量机模 型确定为目标向量机模型；
确定所述目标移动平均模型的第一权重值、所述目标岭回归模型的第二 权重值和所述目标向量机模型的第三权重值；
确定所述目标移动平均模型和第一权重值的第一乘积，所述目标回归模 型和所述第二权重值的第二乘积，所述目标向量机模型和所述第三权重值的 第三乘积；
根据所述第一乘积、所述第二乘积和所述第三乘积，确定所述目标交通 流预测模型。
可选地，所述模型建立模块用于：
根据所述第一精确参数、第一权重值、第二精确参数、第二权重值、第 三精确参数和第三权重值，确定预设误差参数；
若所述预设误差参数的值最小，则将与所述预设误差参数对应的交通流 预测模型为目标交通流预测模型。
可选地，所述模型建立模块用于：
Figure RE-GDA0003349261420000061
Figure RE-GDA0003349261420000062
其中：
Figure RE-GDA0003349261420000063
为第t期的二次移动平均值；xt+1为t+1期的预测值；
Figure RE-GDA0003349261420000064
为 为第t期一次移动平均值；n为参加移动平均的历史数据的个数。
可选地，所述模型建立模块用于：
计算相对误差，
Figure RE-GDA0003349261420000065
其中，xi为交通量实际值，yi为交通量预测 值；
计算出平均相对误差，
Figure RE-GDA0003349261420000066
计算绝对相对误差，
Figure RE-GDA0003349261420000067
计算均方根相对误差，
Figure RE-GDA0003349261420000068
可选地，所述模型建立模块用于：
设置l1,l2,ln分别为n种独立预测方法的权系数，且所述权系数应满足： l1+l2+ln＝1，其中，l1为第一权重值、l2为第二权重值，ln为第三权重值；
获取目标交通流预测模型为
Figure RE-GDA0003349261420000069
获取所述目标交通流预测模型的在t时刻的预测误差值为
Figure RE-GDA00033492614200000610
计算所述目标交通流预测模型的预测误差平方和
Figure RE-GDA00033492614200000611
根据所述预测误差平方和，确定最小预测误差平方和，即
Figure RE-GDA00033492614200000612
在确定了最小预测误差平方和，确定与所述最小预测误差平方和对应的 第一权重值、第二权重值和第三权重值；
根据所述第一权重值、第二权重值和第三权重值确定所述目标交通流预 测模型。
第三个方面，本发明实施例提供一种终端设备，包括：至少一个处理器 和存储器；
所述存储器存储计算机程序；所述至少一个处理器执行所述存储器存储 的计算机程序，以实现第一个方面提供的短时交通流的预测方法。
第四个方面，本发明实施例提供一种计算机可读存储介质，该计算机可 读存储介质中存储有计算机程序，所述计算机程序被执行时实现第一个方面 提供的短时交通流的预测方法。
本发明实施例包括以下优点：
本发明实施例提供的短时交通流的预测方法、装置、终端设备及存储介 质，通过获取待预测道路区域的预设时间段；根据预设时间段和预先建立的 目标交通流预测模型，得到待预测道路区域内的预设时间段的目标交通流 量，其中，预先建立的目标交通流预测模型是根据目标移动平均模型、目标 岭回归模型和目标向量机模型确定的，目标移动平均模型是通过采用移动平 均法对样本集中的交通流量样本数据进行处理得到的，目标岭回归模型是通 过样本集中的交通流量样本数据对初始岭回归模型进行训练得到的，目标向量机模型是通过样本集中的交通流量样本数据对初始向量机模型进行训练 得到的，通过本发明实施例可以对某一路段某一时间对道路的短时交通量进 行预测，节省人力资源，提高预测效率。
附图说明
图1是本发明的一种短时交通流的预测方法实施例的步骤流程图；
图2是本发明的另一种短时交通流的预测方法实施例的步骤流程图；
图3是本发明的实施例中移动平均模型预测结果示意图；
图4是本发明的实施例中岭回归模型预测图；
图5是本发明的实施例中支持向量机预测图；
图6是本发明的实施例中三种模型的预测结果对比图；
图7是本发明的一种短时交通流的预测装置实施例的结构框图；
图8是本发明的一种终端设备的结构示意图。
具体实施方式
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。
本发明一实施例提供一种短时交通流的预测方法，用于对某一路段某一 时刻的交通流量进行预测。本实施例的执行主体为短时交通流的预测装置， 设置在终端设备上，该终端设备可以是计算机、平板或手机终端等。
参照图1，示出了本发明的一种短时交通流的预测方法实施例的步骤流 程图，该方法具体可以包括如下步骤：
S101、获取待预测道路区域的预设时间段；
具体的，短时交通流就是指在某一短时区间内，通过道路某一断面的车 流量，通常时间区间在(1min-15min)内。本申请实施例中主要选择的预测 区间为2min，而短时交通流预测，是指对将来某一较短时刻内通过道路某 一断面的交通量的测定。短时的交通流预测所需要大量的历史数据，然后选 择预测方法，利用建立模型的方式进行拟合、统计预测，利用预测的数据来 评定预测工作的完成度。
用户想要知道某个路段某个时刻是否堵车，车辆的交通流量是多少，这 时，用户可以在终端设备上输入交通路段和预设时间段，例如，交通路段为 A路口，预设时间段为3点-3点2分。
S102、根据预设时间段和预先建立的目标交通流预测模型，得到待预测 道路区域内的预设时间段的目标交通流量，其中，预先建立的目标交通流预 测模型是根据目标移动平均模型、目标岭回归模型和目标向量机模型确定 的，目标移动平均模型是通过采用移动平均法对样本集中的交通流量样本数 据进行处理得到的，目标岭回归模型是通过样本集中的交通流量样本数据对 初始岭回归模型进行训练得到的，目标向量机模型是通过样本集中的交通流 量样本数据对初始向量机模型进行训练得到的。
具体地，在终端设备上预先建立目标交通流预测模型，该目标交通流预 测模型是根据目标移动平均模型、目标岭回归模型和目标向量机模型，以及 各个模型对应的权重值确定的；
在具体的建立过程中，分别建立移动平均模型、岭回归模型和向量机模 型，对各个模型分别进行训练，得到目标移动平均模型、目标岭回归模型和 目标向量机模型。
终端设备在获取到用户输入的交通路段和预设时间段后，将该交通路段 和预设时间段输入到预先建立的目标交通流预测模型中，这样就可以预测出 3点-3点2分A路口的交通流量，若交通流量超过预设值，则说明该路口在 该时刻出现堵车情况，若小于预设值，说明该路口在该时刻不堵车，可以顺 利通过。
本发明实施例提供的短时交通流的预测方法，通过获取待预测道路区域 的预设时间段；根据预设时间段和预先建立的目标交通流预测模型，得到待 预测道路区域内的预设时间段的目标交通流量，其中，预先建立的目标交通 流预测模型是根据目标移动平均模型、目标岭回归模型和目标向量机模型确 定的，目标移动平均模型是通过采用移动平均法对样本集中的交通流量样本 数据进行处理得到的，目标岭回归模型是通过样本集中的交通流量样本数据 对初始岭回归模型进行训练得到的，目标向量机模型是通过样本集中的交通 流量样本数据对初始向量机模型进行训练得到的，通过本发明实施例可以对 某一路段某一时间对道路的短时交通量进行预测，节省人力资源，提高预测 效率。
本发明又一实施例对上述实施例提供的短时交通流的预测方法做进一 步补充说明。
可选地，预先建立的目标交通流预测模型通过如下方式得到的，包括：
步骤A1、获取样本集中的交通流量样本数据；
具体地，对于短时交通流的数据的获取，可以有两种获取方式，一种是 静态采集装置，主要的设施为检查口定点的检测器或者是摄像机，定点检测 器有感应线圈、雷达、光电、红外线等，但是如果要获取短时间段内的交通 流也可以人工拍摄然后数车；而动态交通采集数据的方式就是在固定交叉口 的检测器对来往车辆实时的行车速度和空间占有率等一系列交通流参数进 行数据的采集。
(1)静态交通探测：
对于静态交通采集信息来说，线圈和视频监控是在交叉口或者是其他位 置最常见的检测装置，其中线圈作为磁性检测器一种变形，它是通过埋在 交叉口路段路面下面的一个或者是一组感应线圈对于车辆的来往产生的电 磁感应的变化，从而获取一定的车辆信息。
对于视频监控方式来说，则是利用摄像机为主要的采集设备，是用来作 为记录的装置，是对一定时间段内的图像进行分析处理，从而获取详细的交 通流的资料。这种方法的优点就是可以得到详细的交通资料，并且对于数据 的精确度较高，是一种很好的方法。
(2)动态交通探测
所以说短时交通流的预测也可以称得上简单地对某些交通流中可能具 有代表性的一些基本参数进行了估计,然而短时交通流的预测又可以划分为 各种动态短时交通流和非动态短时交通流的预测等几种类型。动态预测主要 目的就是运用某种预测算法对所建立的模型进行了自动地调整,而非动态预 测主要目的就是在将一个被预测的模型已经训练好后并且对其进行不同程 度地自适应调整,短时运输流的预测则主要是因为由于这个预测过程中的时 间距离相对较小,比如短时交通流需要持续时间大于15分钟。在城市路网中, 短时交通物流状况可以随着时间推移进行动态变化。
示例性地，本发明实施例中采用静态交通探测技术，对交叉口路段的交 通流进行数据的采集，选取中润大道与柳泉路交叉口由北向南车道，周一到 周五连续五天(8：30-11：30)交通量，间隔为5min,共获得180组的短时 交通量的样本数据。
步骤A2、对交通流量样本数据进行预处理，得到初始化样本数据；
具体地，对于所采集的数据是通过交叉口的视频卡口进行获取每一天连 续的交通流量，对于所选时段的交通量还要进行数据的预处理，通过excel 表格来筛取整合所需要的数据，具体情况如下。
(1)需要对交通量进行所在车道进行各个方向的统计，排除左转，右 转车辆，这样可以在同一南北直行方向统计交通流量，一方面在对其进行预 测的同时，还能够后期评估对下游交叉口的影响，以便做出相应的信号控制。
基本的交通量获取方法如表1.
表1
鲁C8KS02 小型汽车 2021-03-15 07：30：01 中润大道与柳泉路路口卡口东向西2 0 东->西 第六车道 未知
鲁C152ME 小型汽车 2021-03-15 07：30：01 中润大道与柳泉路路口电警南向北2 0 南->北 第六车道 未知
鲁CU5T86 小型汽车 2021-03-15 07：30：01 中润大道与柳泉路路口卡口南向北2 0 南->北 第六车道 未知
鲁CF7152 大型汽车 2021-03-15 07：30：02 中润大道柳泉路路口卡口南向北2 0 南->北 第五车道 未知
鲁CTW330 小型汽车 2021-03-15 07：30：02 中润大道与柳泉路路口卡口南向北1 0 南->北 第二车道 未知
鲁C308XE 小型汽车 2021-03-15 07：30：02 中润大道柳泉路路口电警北向南1 0 北->南 第二车道 未知
鲁CA327S 小型汽车 2021-03-15 07：30：02 中润大道与柳泉路路口卡口东向西2 0 东->西 第六车道 未知
(2)如表1所示，这是部分交叉口所获取的车辆情况，接下来就需要 对交通量按5min时间间隔进行划分，完整筛出由北向南的交通流量，由于 选择的是交叉口的上游路段的交通量，根据需要整理出本发明实施例所需要 的样本数。
(3)对于不同的预测方法所需要的数据样本的分析是不同的，这就要 求对每一种方法的数据分别进行处理，在保留一组历史数据的基础上，对其 他的数据进行练习，选取合适的方法，然后把预测结果与原来选取的交通流 进行计算误差以及各项指标。
步骤A3、根据移动平均法和初始化样本数据，确定移动平均模型；
具体地，在进行移动平均法的过程中，可以采用一次移动平均方法或者 二次移动平均方法，其中，一次移动平均方法是对于识别一组历史数据，计 算这组数据的平均值，利用这一均值作为未来一组数据的预测值，简单的说 就是在短时交通流领域就是对历史数据进行移动平均，选取的合适的交通流 样本数据和合适的预测个数，然后在于原有保留的数据进行对比分析，计算 产生的误差。
一次移动平非常适用于预测呈线性关系的短时交通流，他的方法就是直 接以原有的数据的均值作为下期下一时段预测值的方法。对于一次平均移动 的计算过程中，选择合理的移动步长和预测数，然后每出现一组新的数据值， 就要在移动平均中减去最前面的数据值，以此类推，计算移动平均值这一新 的移动平均值就作为下一期的预测值。
一次移动平均法一般适用于时间序列数据呈现线性的平稳的变化趋势 的短时交通流预测。不适用于长期变动和一些非线性的变化趋势的时间序列 的短时交通流预测。
1)一次移动平均法的预测模型
Figure RE-GDA0003349261420000121
式中：xt+1为t+1期的预测值；
Figure RE-GDA0003349261420000122
为第t期一次移动平均值；n为参加移 动平均的历史数据的个数。
2)二次移动平均模型
二次移动平均模型就是在一次的基础上在进行一次交通流量的一次平 均。对于选用的交通量来说，二次移动平均的在预测结果的误差方面要普遍 高于一次平均的水平。
计算公式为：
Figure RE-GDA0003349261420000123
式中：
Figure RE-GDA0003349261420000124
—第t期的二次移动平均值。
步骤A4、根据移动平均模型计算的第一预测值和交通流量标准值(实 际值)，确定移动平均模型的第一精确参数；
采用二次移动平均模型的曲线如图3所示，看出大概的预测趋势图像。 针对该模型建立的移动平均模型对后期的12个时间间隔的时间区间作短时 交通流量的做出预测，通过与原始的数据对比分析。
相对误差:
Figure RE-GDA0003349261420000125
平均相对误差(MRE):
Figure RE-GDA0003349261420000131
平均绝对相对误差(MARE):
Figure RE-GDA0003349261420000132
均方根相对误差(RMSE):
Figure RE-GDA0003349261420000133
根据以上公式可以计算出所求的模型的相对误差、平均绝对误差、平均 相对误差、均方根相对误差。MRE＝-0.3375％，MARE＝2.6508％、 RMSE＝3.2183％，如表2所示。
表2
Figure RE-GDA0003349261420000134
步骤A5、采用初始化样本数据对初始岭回归模型进行训练，确定岭回 归模型；
具体地，岭回归模型是一种线性偏差估计的回归数据分析的方法，它是 建立在最小二乘法的基础上进行优化估计方法，所谓最小二乘法，就是对算 法进行优化，目的在最小化的误差的平方和的条件下寻求样本数据最佳的函 数，在预测算法中就是拟合预测值与实际数据的最小误差平方和。
岭回归分析是一种从根本上消除多重共线性影响的统计方法。岭回归模 型通过在相关矩阵中引入一个小脊参数K(1>K>0)并将其添加到主对角元素 中，减小了复共线特征向量在参数最小二乘估计中的影响。并减少了复共线 变系数的最小二乘估计方法，从而保证参数估计更接近实际情况。
其参数公式：
Figure RE-GDA0003349261420000141
由于岭参数k不是唯一确定的，所得到的岭回归估计量实际上是回归参 数的估计量族。回归分析中常用的最小二乘法是一种无偏估计。对于一个适 定问题，X通常是排满的。岭回归是在最小二乘估计方法的基础上进行改进 的方法。如果样本数据存在明显的线性特点，它能提供比最小二乘法更稳定 的估计，回归系数的标准差也小于最小二乘法。
步骤A6、根据岭回归模型计算的第二预测值和交通流量标准值，确定 移岭回归模型的第二精确参数；
表3
原始数据 147 136 139 128 135 133
预测值 147.80 136.71 132.89 133.60 136.59 140.15
相对误差 -0.55％ -0.52％ 4.4％ -4.37％ -1.17％ -5.38％
原始数据 155 142 142 148 145 150
预测值 143.11 144.90 145.55 145.69 146.53 149.89
相对误差 7.67％ -2.04％ -2.5％ 1.56％ -1.06 0.07％
通过表3所示，在PYTHON条件下岭回归模型的预测曲线与真实曲线 的拟合度是很高的，通过表3可以看出真实值与预测值之间存在的相对误差 大约控制在正负值为6％左右，想要更近一步提高预测的精准度还需要在这 一算法上进行进一步的改进。但同时说明了短时交通流预测也可以采用线性 回归理论的模型。对于岭回归模型来预测短时交通流，如果样本量足够大， 则可能预测的精度会增加，对于岭回归来说，在预测的同时，需要不断的调 整训练x，y的参数值，最终在达到预测值与真实值之间的拟合度为0.90143 情况下，x＝6.4,y＝156.12，根据现有的程序来预测，对于岭回归模型来说 MRE＝-0.3692％，MARE＝2.6075％、RMSE＝3.4417％，如图4所示。
步骤A7、采用初始化样本数据对初始向量机模型进行训练，确定向量 机模型；
具体地，具体地说就是在输入原始的历史数据作为训练数据，对每个练 习数据进行标记，区分为两种类别。紧接着采用支持向量回归机进行分析数 据呈现的特点，把新的样本分配给其中的一种类别，使其成为非概率二维线 性分类器。支持向量回归机模型将数据点表示为空间上的映射点，将单一类 别的数据点清楚的分离开，所有这样的新数据点都会被映射到相同的空间 中，然后可以根据它们落在区间的哪一边预测。
感知器的思想是通过找到一条直线，它能够分离数据。如果上升到高纬 度，你会找到一个超平面然后你分离高纬度的数据。感知器超平面可能有无 穷多个，而支持向量回归机可以理解为在无穷多个超平面中找到最好的一 个。
所谓函数间隔就是感知机的损失函数的表达形式，其公式方程为：
γ'＝y(wtx+b) (8)
对于几何间隔来说，就是指每一个样本点到超平面的距离。
Figure RE-GDA0003349261420000151
步骤A8、根据向量机模型计算的第三预测值和交通流量标准值，确定 移向量机模型的第三精确参数；
步骤A9、若第一精确参数小于第一预设值，第二精确参数小于第二预 设值，第三精确参数小于第三预设值，则将移动平均模型确定为目标移动平 均模型，将岭回归模型确定为目标岭回归模型，将向量机模型确定为目标向 量机模型；
使用支持向量机模型重复上述步骤，计算第三精确参数，然后的实际值 进行比较，如图5所示。
进而和前两种模型的预测结果进行比较，如图6所示。
步骤A10、确定目标移动平均模型的第一权重值、目标岭回归模型的第 二权重值和目标向量机模型的第三权重值；
步骤A11、确定目标移动平均模型和第一权重值的第一乘积，目标回归 模型和第二权重值的第二乘积，目标向量机模型和第三权重值的第三乘积；
步骤A12、根据第一乘积、第二乘积和第三乘积，确定目标交通流预测 模型。
具体地，根据第一乘积、第二乘积和第三乘积，确定目标交通流预测 模型，包括：
根据第一精确参数、第一权重值、第二精确参数、第二权重值、第三精 确参数和第三权重值，确定预设误差参数；
若预设误差参数的值最小，则将与预设误差参数对应的交通流预测模型 为目标交通流预测模型。
具体地，对于短时交通流预测的组合模型建立的思想就是在三种预测模 型36种预测结果的约束条件下，对于每一种模型选择合适的加权系数，并 且三种模型的加权系数为1，然后得出组合后的预测值。
选取相同的预测数据的样本序列{xt,t＝1，2，3，4.....N}采取多种独立预测 方法，设第i种单项预测方法在t时刻的预测值为xit，(i＝1，2...n)；t＝1，2，3…N, 称eit＝(xt-xit)为i种独立预测方法在t时刻的预测偏差。
设l1,l2…,ln分别为n种独立预测方法的权系数，在组合方法限制无偏性 的条件下，权系数应满足：
l1+l2+…+ln＝1 (10)
设
Figure RE-GDA0003349261420000161
为xt的组合预测结果，设et为组合模型在t时 刻的预测误差则有：
Figure RE-GDA0003349261420000162
组合模型的预测误差平方和是采用加权的方法的重要依据，则有：
Figure RE-GDA0003349261420000163
那么，只要保证在预测误差平方和最小为准则的情况下求得最优线性组 合的预测加权系数。
Figure RE-GDA0003349261420000171
Figure RE-GDA0003349261420000172
简单说就是在保证误差平方较优的情况下的加权方式，采用公式：
Figure RE-GDA0003349261420000173
前面三种预测模型预测值对比如下，所以根据公式(5-4)(5-5(5-6)(5-8) 可以求出三种模型各自的权重比(0.332、0.332、0.336)。
可选地，根据二次移动平均法和初始化样本数据，确定移动平均模型， 包括：
Figure RE-GDA0003349261420000174
Figure RE-GDA0003349261420000175
其中：
Figure RE-GDA0003349261420000176
—第t期的二次移动平均值；xt+1为t+1期的预测值；
Figure RE-GDA0003349261420000177
为第t期一次移动平均值；n:参加移动平均的历史数据的个数。
可选地，
第一精确参数包括：相对误差、平均相对误差、平均绝对相对误差和均 方根相对误差，相对误差、平均相对误差、平均绝对相对误差、均方根相对 误差具体包括：
计算相对误差，
Figure RE-GDA0003349261420000178
其中，xi为交通量实际值，yi为交通量预测 值；
计算出平均相对误差，
Figure RE-GDA0003349261420000179
计算绝对相对误差，
Figure RE-GDA00033492614200001710
计算均方根相对误差，
Figure RE-GDA00033492614200001711
可选地，根据第一乘积、第二乘积和第三乘积，确定目标交通流预测模 型，包括：
设置l1,l2,ln分别为n种独立预测方法的权系数，且权系数应满足： l1+l2+ln＝1，在本发明实施例中，l1为第一权重值、l2为第二权重值，ln为 第三权重值；
获取目标交通流预测模型为
Figure RE-GDA0003349261420000181
其中，L表示中间省 略的权重值。
获取目标交通流预测模型的在t时刻的预测误差值为
Figure RE-GDA0003349261420000182
计算目标交通流预测模型的预测误差平方和
Figure RE-GDA0003349261420000183
根据预测误差平方和，确定最小预测误差平方和，即
Figure RE-GDA0003349261420000184
在确定了最小预测误差平方和，确定与最小预测误差平方和对应的第一 权重值、第二权重值和第三权重值；
根据第一权重值、第二权重值和第三权重值确定目标交通流预测模型。
通过本发明实施例可以选取高峰小时的短时交通量进行预测研究，验证 该模型的适应度与预测精确度，减小时间间隔，缩小时间区段，就是单一的 对某一时刻的高峰小时交通流量进行预测。
图2是本发明的另一种短时交通流的预测方法实施例的步骤流程图，如 图2所示，该短时交通流的预测方法将构建一种线性预测模型与神经网络预 测模型相结合的短时交通流预测模型，缓解线性拟合度不够等问题。针对 交通流的周期性、相似性、不确定性、实时非线性以及随机性等特点，采用 对某一或多个特点具有适用性的模型进行预测，最后以精准度为指标，计算 各模型的权重系数，将模型组合得到新的模型。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系 列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述 的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或 者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例 均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
本发明实施例提供的短时交通流的预测方法，通过获取待预测道路区域 的预设时间段；根据预设时间段和预先建立的目标交通流预测模型，得到待 预测道路区域内的预设时间段的目标交通流量，其中，预先建立的目标交通 流预测模型是根据目标移动平均模型、目标岭回归模型和目标向量机模型确 定的，目标移动平均模型是通过采用移动平均法对样本集中的交通流量样本 数据进行处理得到的，目标岭回归模型是通过样本集中的交通流量样本数据 对初始岭回归模型进行训练得到的，目标向量机模型是通过样本集中的交通 流量样本数据对初始向量机模型进行训练得到的，通过本发明实施例可以对 某一路段某一时间对道路的短时交通量进行预测，节省人力资源，提高预测 效率。
本发明另一实施例提供一种短时交通流的预测装置，用于执行上述实施 例提供的短时交通流的预测方法。
参照图7，示出了本发明的一种短时交通流的预测装置实施例的结构框 图，该装置具体可以包括如下模块：获取模块701和预测模块702，其中：
获取模块701用于获取待预测道路区域的预设时间段；
预测模块702用于根据预设时间段和预先建立的目标交通流预测模型， 得到待预测道路区域内的预设时间段的目标交通流量，其中，预先建立的目 标交通流预测模型是根据目标移动平均模型、目标岭回归模型和目标向量机 模型确定的，目标移动平均模型是通过采用移动平均法对样本集中的交通流 量样本数据进行处理得到的，目标岭回归模型是通过样本集中的交通流量样 本数据对初始岭回归模型进行训练得到的，目标向量机模型是通过样本集中 的交通流量样本数据对初始向量机模型进行训练得到的。本发明实施例提供 的短时交通流的预测装置，通过获取待预测道路区域的预设时间段；根据预 设时间段和预先建立的目标交通流预测模型，得到待预测道路区域内的预设 时间段的目标交通流量，其中，预先建立的目标交通流预测模型是根据目标 移动平均模型、目标岭回归模型和目标向量机模型确定的，目标移动平均模 型是通过采用移动平均法对样本集中的交通流量样本数据进行处理得到的， 目标岭回归模型是通过样本集中的交通流量样本数据对初始岭回归模型进 行训练得到的，目标向量机模型是通过样本集中的交通流量样本数据对初始 向量机模型进行训练得到的，通过本发明实施例可以对某一路段某一时间对 道路的短时交通量进行预测，节省人力资源，提高预测效率。。
本发明又一实施例对上述实施例提供的短时交通流的预测装置做进一 步补充说明。
可选地，装置还包括模型建立模块，模型建立模块用于：
获取样本集中的交通流量样本数据；
对交通流量样本数据进行预处理，得到初始化样本数据；
根据二次移动平均法和初始化样本数据，确定移动平均模型；
根据移动平均模型计算的第一预测值和交通流量标准值，确定移动平均 模型的第一精确参数；
采用初始化样本数据对初始岭回归模型进行训练，确定岭回归模型；
根据岭回归模型计算的第二预测值和交通流量标准值，确定移岭回归模 型的第二精确参数；
采用初始化样本数据对初始向量机模型进行训练，确定向量机模型；
根据向量机模型计算的第三预测值和交通流量标准值，确定移向量机模 型的第三精确参数；
若第一精确参数小于第一预设值，第二精确参数小于第二预设值，第三 精确参数小于第三预设值，则将移动平均模型确定为目标移动平均模型，将 岭回归模型确定为目标岭回归模型，将向量机模型确定为目标向量机模型；
确定目标移动平均模型的第一权重值、目标岭回归模型的第二权重值和 目标向量机模型的第三权重值；
确定目标移动平均模型和第一权重值的第一乘积，目标回归模型和第二 权重值的第二乘积，目标向量机模型和第三权重值的第三乘积；
根据第一乘积、第二乘积和第三乘积，确定目标交通流预测模型。可选 地，模型建立模块用于：
根据第一精确参数、第一权重值、第二精确参数、第二权重值、第三精 确参数和第三权重值，确定预设误差参数；
若预设误差参数的值最小，则将与预设误差参数对应的交通流预测模型 为目标交通流预测模型。
可选地，模型建立模块用于：
Figure RE-GDA0003349261420000211
Figure RE-GDA0003349261420000212
其中：
Figure RE-GDA0003349261420000213
为第t期的二次移动平均值；xt+1为t+1期的预测值；
Figure RE-GDA0003349261420000214
为 为第t期一次移动平均值；n为参加移动平均的历史数据的个数。
可选地，模型建立模块用于：
计算相对误差，
Figure RE-GDA0003349261420000215
其中，xi为交通量实际值，yi为交通量预测 值；
计算出平均相对误差，
Figure RE-GDA0003349261420000216
计算绝对相对误差，
Figure RE-GDA0003349261420000217
计算均方根相对误差，
Figure RE-GDA0003349261420000218
可选地，模型建立模块用于：
设置l1,l2,ln分别为n种独立预测方法的权系数，且权系数应满足： l1+l2+ln＝1，其中，l1为第一权重值、l2为第二权重值，ln为第三权重值；
获取目标交通流预测模型为
Figure RE-GDA0003349261420000219
获取目标交通流预测模型的在t时刻的预测误差值为
Figure RE-GDA00033492614200002110
计算目标交通流预测模型的预测误差平方和
Figure RE-GDA00033492614200002111
根据预测误差平方和，确定最小预测误差平方和，即
Figure RE-GDA00033492614200002112
在确定了最小预测误差平方和，确定与最小预测误差平方和对应的第一 权重值、第二权重值和第三权重值；
根据第一权重值、第二权重值和第三权重值确定目标交通流预测模型。
需要说明的是，本实施例中各可实施的方式可以单独实施，也可以在不 冲突的情况下以任意组合方式结合实施本申请不做限定。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较 简单，相关之处参见方法实施例的部分说明即可。
本发明实施例提供的短时交通流的预测装置，通过获取待预测道路区域 的预设时间段；根据预设时间段和预先建立的目标交通流预测模型，得到待 预测道路区域内的预设时间段的目标交通流量，其中，预先建立的目标交通 流预测模型是根据目标移动平均模型、目标岭回归模型和目标向量机模型确 定的，目标移动平均模型是通过采用移动平均法对样本集中的交通流量样本 数据进行处理得到的，目标岭回归模型是通过样本集中的交通流量样本数据 对初始岭回归模型进行训练得到的，目标向量机模型是通过样本集中的交通 流量样本数据对初始向量机模型进行训练得到的，通过本发明实施例可以对 某一路段某一时间对道路的短时交通量进行预测，节省人力资源，提高预测 效率。
本发明再一实施例提供一种终端设备，用于执行上述实施例提供的短时 交通流的预测方法。
图8是本发明的一种终端设备的结构示意图，如图8所示，该终端设备 包括：至少一个处理器801和存储器802；
存储器存储计算机程序；至少一个处理器执行存储器存储的计算机程 序，以实现上述实施例提供的短时交通流的预测方法。
本实施例提供的终端设备，通过获取待预测道路区域的预设时间段；根 据预设时间段和预先建立的目标交通流预测模型，得到待预测道路区域内的 预设时间段的目标交通流量，其中，预先建立的目标交通流预测模型是根据 目标移动平均模型、目标岭回归模型和目标向量机模型确定的，目标移动平 均模型是通过采用移动平均法对样本集中的交通流量样本数据进行处理得 到的，目标岭回归模型是通过样本集中的交通流量样本数据对初始岭回归模 型进行训练得到的，目标向量机模型是通过样本集中的交通流量样本数据对 初始向量机模型进行训练得到的，通过本发明实施例可以对某一路段某一时 间对道路的短时交通量进行预测，节省人力资源，提高预测效率。
本申请又一实施例提供一种计算机可读存储介质，该计算机可读存储介 质中存储有计算机程序，计算机程序被执行时实现上述任一实施例提供的短 时交通流的预测方法。
根据本实施例的计算机可读存储介质，通过获取待预测道路区域的预设 时间段；根据预设时间段和预先建立的目标交通流预测模型，得到待预测道 路区域内的预设时间段的目标交通流量，其中，预先建立的目标交通流预测 模型是根据目标移动平均模型、目标岭回归模型和目标向量机模型确定的， 目标移动平均模型是通过采用移动平均法对样本集中的交通流量样本数据 进行处理得到的，目标岭回归模型是通过样本集中的交通流量样本数据对初 始岭回归模型进行训练得到的，目标向量机模型是通过样本集中的交通流量 样本数据对初始向量机模型进行训练得到的，通过本发明实施例可以对某一 路段某一时间对道路的短时交通量进行预测，节省人力资源，提高预测效率。
本说明书中的各个实施例均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的部分互相参见 即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装 置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全 软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例 可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介 质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程 序产品的形式。
本发明实施例是参照根据本发明实施例的方法、电子设备(系统)、和计 算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令 实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框 图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、 专用计算机、嵌入式处理机或其他可编程数据处理电子设备的处理器以产生 一个机器，使得通过计算机或其他可编程数据处理电子设备的处理器执行的 指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理 电子设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读 存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理电子设 备上，使得在计算机或其他可编程电子设备上执行一系列操作步骤以产生计 算机实现的处理，从而在计算机或其他可编程电子设备上执行的指令提供用 于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中 指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦 得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以， 所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所 有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语 仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求 或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术 语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得 包括一系列要素的过程、方法、物品或者电子设备不仅包括那些要素，而且 还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或 者电子设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者电子设 备中还存在另外的相同要素。
以上对本发明所提供的一种短时交通流的预测方法和一种短时交通流 的预测装置，进行了详细介绍，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)

1.一种短时交通流的预测方法，其特征在于，所述方法包括：
获取待预测道路区域的预设时间段；
根据所述预设时间段和预先建立的目标交通流预测模型，得到待预测道路区域内的预设时间段的目标交通流量，其中，所述预先建立的目标交通流预测模型是根据目标移动平均模型、目标岭回归模型和目标向量机模型确定的，所述目标移动平均模型是通过采用移动平均法对样本集中的交通流量样本数据进行处理得到的，所述目标岭回归模型是通过样本集中的交通流量样本数据对初始岭回归模型进行训练得到的，所述目标向量机模型是通过所述样本集中的交通流量样本数据对初始向量机模型进行训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述预先建立的目标交通流预测模型通过如下方式得到的，包括：
获取样本集中的交通流量样本数据；
对所述交通流量样本数据进行预处理，得到初始化样本数据；
根据移动平均法和所述初始化样本数据，确定所述移动平均模型；
根据所述移动平均模型计算的第一预测值和交通流量标准值，确定所述移动平均模型的第一精确参数；
采用所述初始化样本数据对初始岭回归模型进行训练，确定所述岭回归模型；
根据所述岭回归模型计算的第二预测值和交通流量标准值，确定所述移岭回归模型的第二精确参数；
采用所述初始化样本数据对初始向量机模型进行训练，确定所述向量机模型；
根据所述向量机模型计算的第三预测值和交通流量标准值，确定所述移向量机模型的第三精确参数；
若所述第一精确参数小于第一预设值，所述第二精确参数小于第二预设值，所述第三精确参数小于第三预设值，则将所述移动平均模型确定为目标移动平均模型，将所述岭回归模型确定为目标岭回归模型，将所述向量机模型确定为目标向量机模型；
确定所述目标移动平均模型的第一权重值、所述目标岭回归模型的第二权重值和所述目标向量机模型的第三权重值；
确定所述目标移动平均模型和第一权重值的第一乘积，所述目标回归模型和所述第二权重值的第二乘积，所述目标向量机模型和所述第三权重值的第三乘积；
根据所述第一乘积、所述第二乘积和所述第三乘积，确定所述目标交通流预测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一乘积、所述第二乘积和所述第三乘积，确定所述目标交通流预测模型，包括：
根据所述第一精确参数、第一权重值、第二精确参数、第二权重值、第三精确参数和第三权重值，确定预设误差参数；
若所述预设误差参数的值最小，则将与所述预设误差参数对应的交通流预测模型为目标交通流预测模型。
4.根据权利要求2所述的方法，其特征在于，所述根据移动平均法和所述初始化样本数据，确定所述移动平均模型，包括：
Figure RE-FDA0003349261410000021
其中：
Figure RE-FDA0003349261410000022
为第t期的二次移动平均值；xt+1为t+1期的预测值；
Figure RE-FDA0003349261410000023
为第t期一次移动平均值；n为参加移动平均的历史数据的个数。
5.根据权利要求4所述的方法，其特征在于，所述第一精确参数包括：相对误差、平均相对误差、平均绝对相对误差和均方根相对误差，所述相对误差、平均相对误差、平均绝对相对误差、均方根相对误差具体包括：
计算相对误差，
Figure RE-FDA0003349261410000024
其中，xi为交通量实际值，yi为交通量预测值；
计算出平均相对误差，
Figure RE-FDA0003349261410000025
计算绝对相对误差，
Figure RE-FDA0003349261410000031
计算均方根相对误差，
Figure RE-FDA0003349261410000032
6.根据权利要求4所述的方法，其特征在于，所述根据所述第一乘积、所述第二乘积和所述第三乘积，确定所述目标交通流预测模型，包括：
设置l1,l2,ln分别为n种独立预测方法的权系数，且所述权系数应满足：l1+l2+ln＝1，其中，l1为第一权重值、l2为第二权重值，ln为第三权重值；
获取目标交通流预测模型为
Figure RE-FDA0003349261410000033
获取所述目标交通流预测模型的在t时刻的预测误差值为
Figure RE-FDA0003349261410000034
计算所述目标交通流预测模型的预测误差平方和
Figure RE-FDA0003349261410000035
根据所述预测误差平方和，确定最小预测误差平方和，即
Figure RE-FDA0003349261410000036
Figure RE-FDA0003349261410000037
在确定了最小预测误差平方和，确定与所述最小预测误差平方和对应的第一权重值、第二权重值和第三权重值；
根据所述第一权重值、第二权重值和第三权重值确定所述目标交通流预测模型。
7.一种短时交通流的预测装置，其特征在于，所述装置包括：
获取模块，用于获取待预测道路区域的预设时间段；
预测模块，用于根据所述预设时间段和预先建立的目标交通流预测模型，得到待预测道路区域内的预设时间段的目标交通流量，其中，所述预先建立的目标交通流预测模型是根据目标移动平均模型、目标岭回归模型和目标向量机模型确定的，所述目标移动平均模型是通过采用移动平均法对样本集中的交通流量样本数据进行处理得到的，所述目标岭回归模型是通过样本集中的交通流量样本数据对初始岭回归模型进行训练得到的，所述目标向量机模型是通过所述样本集中的交通流量样本数据对初始向量机模型进行训练得到的。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括模型建立模块，所述模型建立模块用于：
获取样本集中的交通流量样本数据；
对所述交通流量样本数据进行预处理，得到初始化样本数据；
根据移动平均法和所述初始化样本数据，确定所述移动平均模型；
根据所述移动平均模型计算的第一预测值和交通流量标准值，确定所述移动平均模型的第一精确参数；
采用所述初始化样本数据对初始岭回归模型进行训练，确定所述岭回归模型；
根据所述岭回归模型计算的第二预测值和交通流量标准值，确定所述移岭回归模型的第二精确参数；
采用所述初始化样本数据对初始向量机模型进行训练，确定所述向量机模型；
根据所述向量机模型计算的第三预测值和交通流量标准值，确定所述移向量机模型的第三精确参数；
若所述第一精确参数小于第一预设值，所述第二精确参数小于第二预设值，所述第三精确参数小于第三预设值，则将所述移动平均模型确定为目标移动平均模型，将所述岭回归模型确定为目标岭回归模型，将所述向量机模型确定为目标向量机模型；
确定所述目标移动平均模型的第一权重值、所述目标岭回归模型的第二权重值和所述目标向量机模型的第三权重值；
确定所述目标移动平均模型和第一权重值的第一乘积，所述目标回归模型和所述第二权重值的第二乘积，所述目标向量机模型和所述第三权重值的第三乘积；
根据所述第一乘积、所述第二乘积和所述第三乘积，确定所述目标交通流预测模型。
9.一种终端设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机程序；所述至少一个处理器执行所述存储器存储的计算机程序，以实现权利要求1-6中任一项所述的短时交通流的预测方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现权利要求1-6中任一项所述的短时交通流的预测方法。
CN202111244550.4A 2021-10-26 2021-10-26 短时交通流的预测方法、装置、终端设备及存储介质 Active CN113947025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111244550.4A CN113947025B (zh) 2021-10-26 2021-10-26 短时交通流的预测方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111244550.4A CN113947025B (zh) 2021-10-26 2021-10-26 短时交通流的预测方法、装置、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN113947025A true CN113947025A (zh) 2022-01-18
CN113947025B CN113947025B (zh) 2024-08-27

Family

ID=79332575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111244550.4A Active CN113947025B (zh) 2021-10-26 2021-10-26 短时交通流的预测方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN113947025B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495506A (zh) * 2022-02-23 2022-05-13 复旦大学 基于车流预测和强化学习的多路口信号灯控制系统及方法
CN115798216A (zh) * 2023-02-03 2023-03-14 以萨技术股份有限公司 一种获取目标车流量的数据处理系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830430A (zh) * 2018-08-01 2018-11-16 苏州大学张家港工业技术研究院 用于交通流量预测的卷积神经网络多点回归预测模型
WO2020010717A1 (zh) * 2018-07-13 2020-01-16 南京理工大学 一种基于时空相关性的短时交通流预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020010717A1 (zh) * 2018-07-13 2020-01-16 南京理工大学 一种基于时空相关性的短时交通流预测方法
CN108830430A (zh) * 2018-08-01 2018-11-16 苏州大学张家港工业技术研究院 用于交通流量预测的卷积神经网络多点回归预测模型

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑勋烨;黄晶晶;: "基于支持向量回归机的交通状态短时预测和北京某区域实例分析", 数学的实践与认识, no. 10, 23 May 2010 (2010-05-23) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495506A (zh) * 2022-02-23 2022-05-13 复旦大学 基于车流预测和强化学习的多路口信号灯控制系统及方法
CN114495506B (zh) * 2022-02-23 2023-07-28 复旦大学 基于车流预测和强化学习的多路口信号灯控制系统及方法
CN115798216A (zh) * 2023-02-03 2023-03-14 以萨技术股份有限公司 一种获取目标车流量的数据处理系统

Also Published As

Publication number Publication date
CN113947025B (zh) 2024-08-27

Similar Documents

Publication Publication Date Title
CN110570651B (zh) 一种基于深度学习的路网交通态势预测方法及系统
Ghanim et al. Estimating turning movements at signalized intersections using artificial neural networks
CN113947025A (zh) 短时交通流的预测方法、装置、终端设备及存储介质
CN110686633B (zh) 一种滑坡位移预测方法、装置及电子设备
CN112289034A (zh) 基于多模态时空数据的深度神经网络鲁棒交通预测方法
CN112258093A (zh) 风险等级的数据处理方法及装置、存储介质、电子设备
JP6964689B2 (ja) サンプル重み設定方法及び装置、電子装置
CN110929785B (zh) 数据分类方法、装置、终端设备及可读存储介质
CN111340244B (zh) 预测方法、训练方法、装置、服务器及介质
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
CN106452934B (zh) 一种网络性能指标变化趋势的分析方法和装置
US20240046785A1 (en) System and method for predicting road traffic speed
CN104978738A (zh) 检测数字图像中的兴趣点的方法
CN106202388A (zh) 一种用户等级自动划分方法及系统
CN115456695A (zh) 一种店铺选址的分析方法、装置、系统及介质
CN104063555B (zh) 面向遥感信息智能分发的用户模型建模方法
CN112766240B (zh) 基于时空关系的残差多图卷积人群分布预测方法及系统
CN111323847A (zh) 用于为模拟集成算法确定权重比的方法和设备
CN110704789B (zh) 一种依托“城市超脑”计算平台的人口动态测算方法和系统
CN116977091A (zh) 个股投资组合的确定方法、装置、电子设备及可读存储介质
Zhang et al. Variable stage self-correcting grey clustering model
CN110705408A (zh) 基于混合高斯人数分布学习的室内人数统计方法及系统
Ge et al. Traffic speed prediction with missing data based on TGCN
WO2022222230A1 (zh) 基于机器学习的指标预测方法、装置、设备及存储介质
US20120179721A1 (en) Fitness Function Analysis System and Analysis Method Thereof

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
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: Block C, Xidi Innovation Industrial Park, No. 5, Sanying Road, Fangzhen Town, Zhangdian District, Zibo City, Shandong Province 255022

Applicant after: Zibo Tongguang Electronics Co.,Ltd.

Address before: 255000 No. 5, Yifan Road, Zhangdian District, Zibo City, Shandong Province

Applicant before: SHANDONG TONGGUANG ELECTRONICS Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant