[发明专利]一种基于混沌理论的交通状态预测方法及其装置

权利要求书

1.一种基于混沌理论的交通状态预测方法，其特征在于，包括：

S11，采集交通道路的数据流，得到多个交通参数的时间序列；

S13，根据所述交通参数的时间序列进行多参数相空间重构，得到多参数相空间，并在所述多参数相空间中，结合Bayes估计理论进行相点最优融合，得到对应的融合相空间；

S15，对所述融合相空间中的时间序列进行混沌分析，且当分析得出所述融合空间的时间序列呈现混沌特性时，结合RBF神经网络对交通道路进行混沌预测。

2.如权利要求1所述的基于混沌理论的交通状态预测方法，其特征在于，所述RBF神经网络的的输入层输入节点个数为所述融合相空间的嵌入维数m，而其输出层包含1个输出节点。

3.如权利要求1或2所述的基于混沌理论的交通状态预测方法，其特征在于，所述RBF神经网络的输入为所述融合相空间Z中任意相点Z_i，令所述融合相空间为Z＝[Z₁,…,Z_i,…,Z_R]^T，且任意相点Z_i＝(z_i,z_i+τ,…,z_i+(m-1)τ)(i＝1,2,…,R)，则所述RBF神经网络的输入为：

z＝(z_n,z_n-τ,…,z_n-(m-1)τ)(n＝(m-1)τ+1,(m-1)τ+2,…,N)

其中，i为时间序列中任意坐标点，R为相点总数，R＝N-(m-1)τ，N为时间序列的数据点个数，m和τ分别为时间序列的嵌入维数和延迟时间。

4.如权利要求3所述的基于混沌理论的交通状态预测方法，其特征在于，所述RBF神经网络的输出为交通状态时间序列的预测值，令该预测值为z_n+1，则其表达式为：

zn+1=f(z)=Σk=1hwkφ(||z-ck||)(n=(m-1)τ+1,(m-1)τ+2,···,N)]]>

其中，φ(||z-c_k||)为隐含节点的径向基函数，c_k为每个径向基函数的中心，||z-c_k||表示向量z与中心c_k的Euclid距离，w_k是线性权值，φ(·)为Gauss函数，则

φ(||z-ck||)=exp(-||z-ck2||2σi2),]]>

其中，σ_i第i个神经元的径向基函数的宽度参数。