[发明专利]基于HMM的高速路交通量预测方法

说明书

本发明公开了一种基于HMM的高速路交通量预测方法，基于采集的历史交通量数据划分训练集，采用FFT分析频域特性，基于残差噪声分布的衰减特性，确定平均回转时间；利用马尔可夫模型对历史交通量数据训练集的数字特征进行拟合，获取马尔可夫模型参数；利用更新过程分析节假日期间交通量的峰值特性，获取更新过程模型及模型参数；根据历史平峰交通量数据，利用构建的隐马尔可夫模型对未来月度交通流数据进行预测。本发明在多维度交通状态信息采集条件受限的情况下，仅依赖于历史交通量数据就能完成高精度的交通量预测。

技术领域

本发明属于交通量预测技术，具体为一种基于HMM的高速路交通量预测方法。

技术背景

随着交通运输业的蓬勃发展，国内汽车的拥有量日益增多。据中国政府网的公开数据显示，庞大的出行需求导致高速路车流量急剧上升，因车流量增长速度远超过高速路的预期规划，导致高速路上车辆拥堵愈发严重。百度地图发布的《2020年度中国城市交通报告》显示，在汽车保有量200万～300万级的城市拥堵排名中，广州、昆明、南京、济南、杭州、长沙、佛山、合肥、沈阳、哈尔滨等城市进入前十名。基于日益复杂的交通拥堵问题，科学准确地获取交通量预测数据，不仅有助于为高速公路养护、交通控制诱导、路网规划建设等方面提供有效依据，且有助于为交通运输业的可持续发展提供关键支持。

传统的交通流预测采用四阶段法，尽管现有研究对其进行一定程度上的改进，但依旧精度较低已不再适用。

发明内容

本发明的目的在于提供了一种基于HMM的高速路交通量预测方法。

实现本发明目的的技术方案为：一种基于HMM的高速路交通量预测方法，具体步骤如下：

步骤1、基于采集的历史交通量数据划分训练集，采用FFT分析频域特性，基于残差噪声分布的衰减特性，确定平均回转时间；

步骤2、基于平均回转时间，利用马尔可夫模型对历史交通量数据训练集的数字特征进行拟合，获取马尔可夫模型参数；

步骤3、利用更新过程分析节假日期间交通量的峰值特性，获取更新过程模型及模型参数；

步骤4、根据历史平峰交通量数据，利用构建的隐马尔可夫模型对未来月度交通流数据进行预测。

优选地，采用FFT分析频域特性，基于残差噪声分布的衰减特性的具体方法为：

对训练集数据，进行时间域交通流数据傅里叶变换，获取周期-幅度谱图，利用帕斯瓦尔定理计算残差噪声能量，如下式：

F(ω_t)表示当时间周期为t时残差噪声的频域幅值。

优选地，确定平均回转时间为12个月。

优选地，对历史交通量数据训练集的数字特征进行拟合即计算隐含状态空间{1,2,3,...,12}的一步转移概率矩阵：

式中，表示年度平峰交通量状态自i-1月份转移至i月份的一步转移概率。

优选地，利用更新过程分析节假日期间交通量的峰值特性，获取更新过程模型及模型参数的具体步骤为：

步骤3.1、建立假设，若在春节假期内交通流因出游而达到峰值的时间t₁服从均匀分布，则在春假期间[0,ε]内满足下式分布函数：

步骤3.2、建立假设，若春假返程的交通量峰值在t₂计数时刻达到，则基于更新过程的春假返程分布函数以及返程交通流在t₂计数时刻的概率表达式如下：