[发明专利]一种交通拥塞趋势预测方法及系统

说明书

本发明公开了一种交通拥塞趋势预测系统及方法，其中，该方法包括：实时获取路口的交通数据，所述交通数据包括车辆经过时刻、速度及行驶方向；利用预设时间段的滑动窗口来记录交通数据，进而输出一个车辆数序列；对输出的车辆数序列进行平滑处理并更新自回归积分滑动平均模型；利用更新后的自回归积分滑动平均模型对当前窗口及下一个窗口所对应的车辆数进行预测；求取预测的车辆数的期望频率之差的对数值，作为交通状态的当前变化度；求取交通状态的变化度均值作为交通状态预测变化度，并与拥塞区间的变化度阈值比较，进而预测出相应路口的交通拥塞趋势。本发明通过当前交通状态的变化，实现了对交通拥塞趋势进行预测。

技术领域

本发明属于智能交通系统领域，尤其涉及一种交通拥塞趋势预测方法及系统。

背景技术

目前，随着经济的发展和人口的增长，交通拥塞的问题在城市中越来越严重。交通拥塞带来了在经济、社会和生态等方面的一系列问题，造成了在这些方面的严重损失。很多国家开始大力发展以城市公共交通为主的公共交通，然而仍然无法解决交通事故、交通拥堵、交通污染的通病。于是各国开始寻找解决的方法，其中一个重要研究方向就是智能运输系统(ITS)。智能交通系统上是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。

本发明的内容作为智能交通系统的一个重要研究方向，着重于对道路交通拥塞趋势的预测。对交通拥塞趋势的智能预测在全世界正受到越来越多的关注。精确和实时的交通趋势信息能够带来减少污染、节约能源和提高车流的速度等方面的好处。这样的话，如果人们在出行之前能够得到对于交通状况的预测信息，那么就可以相对应地选择出行的路线，同时相关政府部门也能根据这些信息来合理地对交通进行调度。

在交通预测的研究方面，很多工作都选择了回归模型作为工具。比如，有人使用了卡尔曼滤波器来实现了短期的交通流量预测，还有人使用了自回归积分滑动平均模型(ARIMA)。也有很多工作使用了机器学习方面的工具，比如说有人使用了人工神经网络(ANN)，还有人使用了深度学习。这些工作和方法基本上都把他们的注意力放在了交通拥塞检测上面，在这方面都为了找到一个拥塞的阈值或者自适应阈值。然而，交通拥塞都逐步形成的，利用一个阈值来决定是否产生了交通拥塞，并不能准确地预测交通拥塞。

发明内容

为了解决现有技术中交通拥塞预测结果准确性的问题，本发明的第一目的是提供一种交通拥塞趋势预测方法。

本发明的一种交通拥塞趋势预测方法，包括：

利用预设时间段的滑动窗口来记录交通数据，进而输出一个车辆数序列；

对输出的车辆数序列进行平滑处理并更新自回归积分滑动平均模型；

利用更新后的自回归积分滑动平均模型对当前窗口及下一个窗口所对应的车辆数进行预测；

求取预测的车辆数的期望概率之差的对数值，作为交通状态的当前变化度；

求取交通状态的变化度均值作为交通状态预测变化度，并与拥塞区间的变化度阈值比较，进而预测出相应路口的交通拥塞趋势。

进一步的，在利用预设时间段的滑动窗口来记录交通数据的过程中，首先，确定需要预测的车辆行驶方向；

然后，将第一个车辆经过当前路口的时刻作为起始时刻，直至经过滑动窗口的预设时间段后，记录车辆经过时刻及速度，并对当前窗口执行滑动操作。

本发明利用预设时间段的滑动窗口，以实时交通数据作为输入，对其进行处理以得到所需要的数据，即窗口中的车辆数，保证了数据获取的真实性，进一步提高了交通拥塞趋势预测的准确性。