[发明专利]一种基于多源交通数据动态可靠性的交通状态预测方法

说明书

技术领域

本发明涉及一种交通信息处理方法，具体涉及一种基于多源交通数据动态可 靠性的交通状态预测方法。

背景技术

交通状态是智能交通系统的重要交通参数，为城市交通控制和交通诱导提供 重要数据支撑。目前，国内外学者在交通状态预测方面进行了大量的研究，提出 了诸多较成熟的预测方法，主要包括随机漫步法、历史平均法、线性回归模型、 时间序列模型、神经网络模型、模糊逻辑模型、支持向量机等。如何提高交通状 态预测的准确性和可靠性成为研究热点和难点。

随着智能交通技术的发展，交通信息采集手段越来越多样化，充分利用各类 交通数据的进行交通状态预测越来越受到关注。通过处理各种传感器采集的实时 交通信息获取更准确更可靠的交通状态，可有效弥补单一交通数据源设施空间覆 盖率低、采集数据样本覆盖率低、检测数据缺失等缺陷，充分利用各类数据源的 优势。由于不同交通检测方法具备不同的可靠性，基于不同交通检测方法的交通 数据在融合中的权重也不同，交通检测方法越可靠，在融合中所占权重应该更大， 反之，在融合中所占的权重更小。在基于多源数据的交通状态融合算法中综合考 虑不同数据源的动态可靠性，可进一步提升交通状态预测的准确性和可靠性。

发明内容

本发明要解决的技术问题是：提高交通状态预测的准确性。

为了解决上述技术问题，本发明的技术方案是提供了一种基于多源交通数据 动态可靠性的交通状态预测方法，其特征在于，包括以下步骤：

步骤1、构建交通状态D-S证据理论识别框架，确定目标路段的M个待识 别交通状态；

步骤2、将不同数据源的交通信息转化为统一的交通状态判别参数；

步骤3、利用时间序列模型中的差分自回归移动平均-广义自回归条件异方差 模型预测交通状态判别参数的条件方差，其中，第i类数据源在t时刻的交通状 态判别参数的条件方差为

步骤4、以步骤3预测得到的条件方差计算每个数据源的可靠性，其中，数 据源i在t时刻的可靠性为n表示数据源的总个数；

步骤5、以步骤4得到的所有数据源的可靠性为基础，构建基于不同数据源 动态可靠性的基本概率分配；

步骤6、通过D-S证据理论合成规则进行证据合成，得到所有待识别状态的 基本概率分配函数；

步骤7、进行交通状态的决策。

优选地，在所述步骤3中，所述差分自回归移动平均-广义自回归条件异方 差模型ARIMA(p₁，d，q₁)-GARCH(p₂，q₂)的公式为：

式中，X_it为第i类数据源在t时刻的特征信息；B_i为后移算子，通过 B_i^kX_it＝X_i(t-k)计算得到，k为整数；d为X_it的差分阶数；为自回归算子多项式，为自回归系数；称为滑动平均算子多项式，为移动平 均系数；u_it为第i类数据源在t时刻的随机误差项；是第i类数据源在t时刻 的交通状态判别参数的条件方差；Ω_i(t-1)为第i类数据源在t-1时刻的信息集合； 为均值为零，方差为的正态分布；e_it～IIN(0，1)，即均值为0，方差为1 的独立同分布(iid)随机变量序列；α_ij和β_ij为非负系数。

优选地，在所述步骤5中，构建基于不同数据源动态可靠性的基本概率分配 包括以下步骤：

(1)确定每一数据源中每一种待识别交通状态的重心，组成重心向量，第 i类数据源在t时刻的重心向量A_it＝[g_i1，g_i2，...，g_iM]；

(2)计算每一数据源的交通状态判别参数与所有待识别交通状态重心的距 离，第i类数据源在t时刻的交通状态判别参数与所有待识别交通状态重心的距 离d_it＝[d_i1，d_i2，...，d_iM]；

(3)建立每一数据源的基本概率分配，其中，第i类数据源在t时刻的基本 概率分配为m_it(A_It)：

式中，β_it和γ_i为基本概率分配区分度参数；