[发明专利]一种基于交通流时空相似性的城市短时交通流预测方法

说明书

本发明涉及一种基于交通流时空相似性的城市短时交通流预测方法，该方法对传统的非参数回归方法进行了改造，包括如下步骤：S1、基于交通流时空相似性，定义交通流的时间状态向量、时空状态向量；S2、构造当前时段下交通流的“当前时空状态向量；S3、构造历史上不同日期同一时段下交通流的“历史时空状态向量”；S4、使用距离度量函数计算当前和各历史时空状态向量间的“时空相似距离”；S5、选择k个时空相似距离最小的历史状态向量所在的日期，查出这k个历史日期对应的预测时段的交通流；S6、基于这k个历史日期对应的预测时段的交通流，使用预测函数计算目标路段下一时段的交通流；S7、根据交通流的预测结果和实际结果，对目标路段的预测误差进行评价分析。目的在于提高城市短时交通流预测的准确度。

技术领域

本发明涉及智能交通浮动车轨迹大数据的应用技术领域，尤其涉及一种基于交通流时空相似性的城市短时交通流预测方法。

背景技术

交通流预测分为以交通规划为目的的长期交通流预测，以交通管理为目的的中期交通流预测，以及以实时交通控制和引导为目的短时交通流预测。为控制和诱导服务的短时交通流预测的时间跨度较之前两种大大的缩小，一般不超过15分钟。在较短的时间段内，交通流变化的周期性降低，随机性和非线性增强，各种干扰造成的影响也较大，因此短时交通流预测相对中长期预测难度更大。

自20世纪80年代初以来，短时交通预测理论为智能交通系统的实现提供基础理论支持和数据支持，一直是智能交通系统的研究和应用的一个重要组成部分，也是近年来兴起的智慧城市、城市计算和时空数据挖掘等研究的重要内容，对改进城市规划、缓解交通拥堵、节约能耗、提高城市交通管理水平和人们的出行效率有重要作用。

传统的短时交通预测方法主要有历史平均模型(HA)、BP神经网络模型、原始短时交通流预测Original KNN模型等，这些模型的预测结果及分析中，HA模型只考虑了交通状态的周期性，没有考虑其时变性，抗干扰能力差，不能反映交通流的动态性和非线性；BP-NN模型能识别复杂非线性系统，不需要经验公式，但隐层节点数的确立没有统一的方法，只能凭经验试凑，存在局部极小，收敛速度慢，难以实现在线调节；Original KNN模型虽然也是基于数据驱动的非参数回归方法，但是其只考虑了时间维度上交通流的相似性，而只使用基于时间相似性的状态向量并不能很全面的描述道路交通流的特征。

随着短时交通预测方法研究的不断深入，其他学者提出了基于时空权重的KNN改进模型(STW-KNN)，STW-KNN模型虽然也考虑了空间因素对交通状态的影响，但是只是简单的加入了上下游交通状态，并没有考虑周围路段与目标路段的流量关系，也没有度量周围路段的影响程度。

基于上述研究背景，为了能够克服传统短时交通预测中存在的上述缺陷或者不足，以及近些年部分学者提出的短时交通流预测方法中缺点，本发明引入城市交通流的时空相似性，改进传统的非参数回归模型，提出一种基于交通流时空相似性的K近邻非参数回归预测模型——STS-KNN模型(K-Nearest Neighbors model based on Spatial-TemporalSimilarity of Traffic based)。

发明内容

本发明的目的在于：克服现有技术中短时交通预测方法存在的上述不足，提供一种基于交通流时空相似性的城市短时交通流预测方法，目的在于提高城市短时交通流预测的准确度。

为了达到上述目的，本发明采用如下技术方案实现：

一种基于交通流时空相似性的城市短时交通流预测方法，该方法包括如下步骤：

S1、基于交通流时空相似性，定义交通流的时间状态向量TSV、时空状态向量STSV；

S2、构造当前时段下交通流的“当前时空状态向量；

S3、构造历史上不同日期同一时段下交通流的“历史时空状态向量”；