[发明专利]一种基于时空特性分析的短时交通流预测方法

说明书

本发明涉及一种基于时空特性分析的短时交通流预测方法，应用于道路交通管理，是智能交通系统的核心部分，主要涉及交通流量采集预处理，数据样本优化，交通流量预测三大核心技术部分。交通流量采集预处理技术提供历史实验数据，存储预测数据和导入实时对比数据；数据样本优化技术，通过交通流量时空相关特性，采用OPTICS聚类方法处理，得到高质量的训练集样本；交通流量预测技术，基于训练样本构建以SVM为载体的的短时交通流预测模型，通过BFOA算法优化其中的关键参数提高模型性能，实现实时准确的短时交通流量预测，便于道路交通管理系统有效分配利用道路资源，改善交通拥堵，提高运行效率，方便居民出行。

技术领域

本发明涉及一种基于时空特性分析的短时交通流预测方法，属于城市智能交通管理技术领域。

背景技术

随着城市化进程加快，智能交通管理技术愈发广泛的应用于城市道路交通治理和车辆运输疏导、居民出行规划等实际工程当中，使得交通运输和居民出行逐步走向智能化，动态化和信息化。而该技术的核心基础部分便是短时交通流量的动态分析与预测，此项技术在交通工程领域发挥了不可或缺的作用。实时交通流量的精准预测为交通管理和指导提供了很大的便益，使智能交通系统充分发挥出其高效，方便，快捷的现实作用，智能选择合适路径，规避交通拥塞，减少居民用户出行损耗，最大程度减缓交通环境压力，合理分配道路资源。

短时交通流预测技术是要预测目标时段，路段或路径上未来的交通状况，时间间隔短，要求预测值与实际流量差值尽可能小，便于车辆管理和调控。此项技术话题一直十分活跃却难以取得突破性的进展，原因在于交通流过程是时变的，不同的空间位置、道路环境、时间段下，其状态特征存在巨大差异，难以准确把握。所以此项技术仅凭单一理论预测方法无法成功，需在把握交通流量内在联系与特性的基础上，建立高效的预测模型，方能取得不错的实际预测效果。

迄今为止，世界各国学者致力于研究短时交通流量预测技术，通过努力，斩获众多理论成果，并将之运用于实际工程，不断推陈出新。包括如Kalman滤波法、时间序列法、神经网络法、支持向量机等。由于基于单一模型的预测方法都存在缺陷，国内外学者研究了很多基于组合理论的预测方法，如灰色神经网络预测方法、基于小波包和最小二乘支持向量机的预测方法、基于蚁群优化支持向量机的预测方法等。然而，交通流预测质量主要取决于两个问题：一、数据来源的质量问题，二、交通流预测模型的缺陷问题。

发明内容

本发明所要解决的技术问题是提供一种基于时空特性分析的短时交通流预测方法，通过提高实验数据质量和优化参数改善预测模型，不仅提高预测模型的可行性和有效性，而且提高短时交通流预测的精确度，实现智能交通系统实时准确的交通流预测。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于时空特性分析的短时交通流预测方法，用于实现目标道路的交通流量预测，包括如下步骤：

步骤A.获得目标道路指定历史时间区间内的实时交通流量，然后进入步骤B；

步骤B.针对目标道路指定历史时间区间内实时交通流量，进行预处理操作，获得目标道路指定历史时间区间内各个时间节点对应的交通流量，然后进入步骤C；

步骤C.将目标道路所对应指定历史时间区间内各个时间节点的交通流量，作为各个数据样本点，并针对各个数据样本点，进行维度空间坐标转换，获得各个数据样本点分别所对应的维度空间坐标，然后进入步骤D；

步骤D.基于各个数据样本点分别所对应的维度空间坐标，针对各个数据样本点进行聚类处理，获得各个聚类簇，然后进入步骤E；

步骤E.根据各个聚类簇，获得目标路段分别对应各聚类时间节点的交通流量，然后进入步骤F；