[发明专利]针对无差异性划分和数据稀疏的动态短时交通流预测系统

说明书

本发明请求保护一种针对交通流无差异性划分和数据稀疏的动态短时交通流预测系统。首先，获取数据源。其次，路口相关性分析。根据空间路口在同一时间周期下得到的短时交通流数据，利用层次聚类，设置距离阈值，度量交通流相似性，加强了预测路口内部相关性。第三，建立模型，根据多维数据处理基础思想和方法，结合时间上的周期特性，同时针对数据稀疏问题，构建短时交通流张量预测模型。第四，预测和分析过程。引入滑动窗口，使张量成为在时间序列上的动态张量流，利用张量分解的数据压缩和维度转换特性，通过对缺失值的不断迭代，优化处理过程，实现动态的短时交通流预测。本发明有效改善了数据稀疏性产生的问题，提高了预测性能。

技术领域

本发明属于智能交通分析领域，涉及短时交通流分析，尤其是区域多个路口基于动态张量分解的短时车流量预测。

背景技术

随着智能交通系统的不断发展,在交通领域，借助于物联网提供的感知设备和网络，可以感知并收集到道路上与人、车、路、环境等相关的多种动静态数据。充分挖掘和利用这些数据，可以为大众提供出行服务，为交通行业提供车辆、物流等监控服务，为城市管理提供辅助决策。短时交通流预测作为智能交通领域的一个研究热点,是实现智能交通控制和交通疏导的关键技术之一。

现阶段，由于交通流数据预测的重要性，研究者一直在探索交通流数据预测理论。其主要研究从交通流数据的时空特性展开，所使用的方法包括基于单一时间序列的分析、基于相邻交通流的分析和基于时空特性的分析等。在针对城市交通的短时交通流预测中，多数研究主要从时空特性展开，结合交通流数据的周期特点进行短时交通流预测。

基于时空特性的交通流预测虽然取得了一定的效果，但实际情况存在大量数据丢失的情况，造成较严重的数据稀疏性问题，传统的方法预测性能急剧下降。同时对交通流的无差异性划分，预测方法难以利用交通流数据间的相似性特点，增大了预测的偏差。

交通流预测旨在挖掘交通数据的变化特征，预测未来一段时间的车流量，为交通流变化趋势和交通引导提供基础和参考。当前对短时交通流预测的研究，在时间层面上分析历史数据与未来数据的相关关系，捕捉交通流时间序列的变化特性。在空间层面上，分析空间相似性和传播性，对交通数据进行矩阵建模计算。同时，在时间序列上，根据交通流数据表现出的周期特性，结合时间维度上的周期性，对交通流数据进行预测。本发明综合以上交通数据的特性，对交通流数据进行了相似性度量，提出了一种基于“路口-X-时段”的短时交通流张量预测方法，X为可变时间周期维度。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种使其能够动态的预测短时交通车流量，提升了路口短时车流量分析的精确性的针对无差异性划分和数据稀疏的动态短时交通流预测系统。本发明的技术方案如下：

一种针对无差异性划分和数据稀疏的动态短时交通流预测系统，其包括：

数据源获取模块，用于获取在不同时间点某路口的过车记录以及车辆信息；

路口相关性分析模块，根据获得数据源的交通流信息，得到预测路口在同一时间周期下的短时交通流时间序列短时交通流数据，采用层次聚类法，其主要思想是，先把每一个样本点看成一个聚类，然后不断重复的将其中最近的两个聚类合并，直到满足迭代终止条件。设置距离阈值，度量交通流相似性，加强预测路口内部相关性；

短时交通流张量预测模型构建模块，结合时间维度、空间维度、时间周期维度，根据不同的周期维度建立不同的张量模型，从多个角度挖掘交通流变化趋势，根据路口相关性分析得到的强相关性路口，构建基于“路口-X-时段”的短时交通流张量预测模型，将预测路口的短时交通流数据填充进张量模型，基于较强相似性的交通流数据的分析提高了张量模型的泛化能力；