[发明专利]一种基于时空宽度学习的交通速度预测方法

权利要求书

1.一种基于时空宽度学习的交通速度预测方法，其特征在于，该方法包括以下步骤：

步骤1:建模数据预处理：对各路段的速度数据和对应时刻的天气类型、节假日类型进行预处理；

步骤2:搜寻对预测路段的速度有影响的路段，并定义为待预测路段的相关路段；具体包括如下子步骤：

(2.1)设c为待预测路段代号；删掉v_c^T的第一个样本和v_i^T(i＝1,2,…,L,i≠c)的最后一个样本后重新对齐，构成L个新的速度向量V_i^T(1×24m)；其中，i为路段代号，i＝1,2,…,L，L为路段总数；V_i^T(1×24m)表示路段i在m天内获得的速度向量；对齐的目的是为了分析其他路段i上一时刻的速度对待预测路段c当前时刻的速度的影响；

(2.2)对于L个新的速度向量V_i^T(1×24m)，(i＝1,2,…,L)，用一个长度为K个样本的一维滑动窗口滑过v_i^T(1×24m)，每次向后滑动12个样本，那么一共可以滑动z次，其中z＝(24m-K)/12；将路段i在第j个滑动窗口中的数据所组成的列向量记为j＝1,2,…,z；则所有路段在第j个滑动窗口中的列向量组成一个矩阵窗口移动z次共得到z个矩阵，对于第j个矩阵，按照下式计算与其他L-1个列向量的相关系数

其中，vn_ck^j为路段c在第j个滑动窗口中的数据所组成的列向量中的第k个元素；为vn_ck^j的均值，为vn_ik^j的均值，

那么，路段c与任意路段i的速度滑动相关程度系数定义为R_ci，由下式得到：

(2.3)然后依据R_ci确定相关路段：将R_ci按照降序排列，从中选取前F个最大值所对应的路段代号i，则相关路段确定完毕；表示在除路段c以外的路段中选取了F个与路段c相关的路段，其路段代号记为r₁,r₂,...,r_F，这些相关路段的速度将作为变量用于预测模型的建立；

步骤3:确定模型的输入变量；

步骤4:提取速度变量的慢特征；

步骤5:建立基于时空宽度学习的交通速度预测模型；

步骤6:在线预测。

2.根据权利要求1所述的方法，其特征在于，所述步骤1具体为：

对于速度数据，将获取的车辆速度数据按照不同路段分类，按时间先后顺序排序；对需要分析的每一个路段，选取第k时刻之后的1小时作为时间间隔，k表示该时间间隔的起点，用该时间间隔内该路段上速度的平均值来代替第k时刻的速度；k＝0,1,2,…,23，即每个时间间隔的起点为整点，从而每个路段每天被分割成24个时刻，即0点到23点，每一个时刻对应一个固定的速度值；则路段i在m天内获得的速度向量可以表示为v_i^T(1×24m)，其中，i为路段代号，i＝1,2,…,L，L为路段总数；

对于天气，按照降水量大小将其分类，分别用不同标签表示；将日期类型分为三类：工作日、周末、节假日，分别用不同标签表示；获取上述速度变量对应时刻的天气和日期类型，路段i在m天内的天气数据表示为w_i^T(1×24m)，日期类别数据表示为d_i^T(1×24m)。