本發(fā)明涉及智能交通領域，具體涉及一種最優(yōu)路線搜索系統(tǒng)。
背景技術：
：交通流量是指單位時間內(nèi)通過道路某一斷面的實際車輛數(shù)，是描述交通狀態(tài)的重要特征參數(shù)。交通流量的變化又是一個實時、高維、非線性、非平穩(wěn)的隨機過程，相關因素的變化都可能影響下一時刻的交通流量。相關技術中，關于短時的預測裝置局限性強，預測精度較低，實時預測未能取得令人滿意的結(jié)果，未能對人們的實時道路選擇提供有效建議，從而交通流量預測大部分停留在交通流量的中長期預測。技術實現(xiàn)要素：針對上述問題，本發(fā)明提供一種最優(yōu)路線搜索系統(tǒng)。本發(fā)明的目的采用以下技術方案來實現(xiàn)：一種最優(yōu)路線搜索系統(tǒng)，包括搜索系統(tǒng)和與搜索系統(tǒng)相連的預測裝置，所述搜索系統(tǒng)的實現(xiàn)方法包括：a.接收用戶的查詢請求；b.從常規(guī)索引庫搜索與所述查詢請求相關聯(lián)的常規(guī)搜索結(jié)果，并從個性化索引庫搜索與所述用戶的識別信息以及所述查詢請求相關聯(lián)的個性化搜索結(jié)果；c.對所述常規(guī)搜索結(jié)果以及所述個性化搜索結(jié)果進行合并，并發(fā)送合并后的所述常規(guī)搜索結(jié)果以及所述個性化搜索結(jié)果。優(yōu)選地，所述步驟b進一步包括：通過用戶登錄來獲取所述識別信息。優(yōu)選地，所述步驟c進一步包括對所述常規(guī)搜索結(jié)果進行排序，以及對所述個性化搜索結(jié)果進行排序。優(yōu)選地，預測裝置包括依次連接的采集模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)分類模塊、平穩(wěn)性檢驗模塊、相關系數(shù)計算模塊、閾值設定模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：(1)采集模塊，用于采集路網(wǎng)S內(nèi)觀測路段Si、預測路段Sj對應各時間段的交通流量數(shù)據(jù)和通行情況；(2)數(shù)據(jù)預處理模塊，用于對所述交通流量數(shù)據(jù)進行數(shù)據(jù)預處理，并剔除不符合交通實際情況的數(shù)據(jù)；(3)數(shù)據(jù)分類模塊，用于對經(jīng)過數(shù)據(jù)預處理的交通流量數(shù)據(jù)進行類型分類，所述類型包括節(jié)假日交通流量數(shù)據(jù)、周末交通流量數(shù)據(jù)和工作日交通流量數(shù)據(jù)；(4)平穩(wěn)性檢驗模塊，用于對處于同一類型的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj分別進行平穩(wěn)性檢驗，檢驗平穩(wěn)性的自相關函數(shù)為：P(τ)=E[(Xx-νi)(Xx+τ-νx+τ)]σ2]]>其中，Xx表示待檢驗交通流量序列，νi表示待檢驗交通流量序列的均值，Xx+τ表示Xx在時間延遲τ后的交通流量序列，νx+τ為Xx+τ的均值，σ2為Xx與Xx+τ之間的方差；當自相關函數(shù)P(τ)能快速衰減趨近于0或在0附近波動，則所述待檢驗交通流量序列通過平穩(wěn)性檢驗；當自相關函數(shù)P(τ)不能快速衰減趨近于0或在0附近波動，則對所述待檢驗交通流量序列進行平穩(wěn)處理后繼續(xù)進行平穩(wěn)性檢驗；(5)相關系數(shù)計算模塊，用于計算通過平穩(wěn)性檢驗的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj在時間延遲τ下的時間相關系數(shù)ρij(τ)和空間相關系數(shù)ρij(w)，設路網(wǎng)S內(nèi)有N個路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示觀測路段Si在t時刻的流量，xj(t)表示預測路段Sj在t時刻的流量，t＝1,2,...n，時間相關系數(shù)ρij(τ)的計算公式為：ρij(τ)=Σt=1n-τxi(t)xj(t+τ)-1n-τΣt=1n-τxi(t)Σt=1n-τxj(t+τ)Σt=1n-τ[xi(t)-1n-τΣt=1n-τxi(t)]2×Σt=1n-τ[xj(t+τ)-1n-τΣt=1n-τxj(t+τ)]2]]>空間相關系數(shù)ρij(w)的計算公式為：優(yōu)選地，預測裝置還包括：(6)閾值設定模塊，用于設定各路段之間的時間延遲最大值L、時空相關系數(shù)閾值T1和歷史相關系數(shù)閾值T2；(7)時空相關系數(shù)矩陣生成模塊，用于根據(jù)各路段的時間相關系數(shù)ρij(τ)和空間相關系數(shù)ρij(w)構建各觀測路段Si與預測路段Sj在不同時間延遲τ下的時空相關系數(shù)矩陣ρ(τ)'，并計算各路段的時空相關系數(shù)ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范圍為[8,12]，時空相關系數(shù)矩陣ρ(τ)'的計算公式為：ρ(τ)′=ρ1j(0)′ρ1j(0)′...ρNj(0)′ρ1j(1)′ρ2j(1)′...ρNj(1)′............ρ1j(L)′ρ2j(L)′...ρNj(L)′;]]>時空相關系數(shù)ρij(τ)'的計算公式為：ρij(τ)'＝ρij(τ)ρij(w)；(8)歷史相關系數(shù)矩陣生成模塊，用于生成預測路段Sj的歷史相關系數(shù)矩陣ρ(t)：其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列Xj的歷史相關序列，記為m＝1,2,...M，M的取值范圍為[3,5]，所述歷史相關系數(shù)ρjm(t)的計算公式為：ρjm(t)=Σt=1nxj(t)xjm(t)-1nΣt=1nxj(t)Σt=1nxjm(t)Σt=1n[xj(t)-1nΣt=1nxj(t)]2×Σt=1n[xjm(t)-1nΣt=1nxjm(t)]2]]>(9)預測因子選取模塊，用于根據(jù)所述時空相關系數(shù)閾值T1和歷史相關系數(shù)閾值T2選取與預測目標點相關的預測因子，并按照其所選空間位置j與時間延遲τ進行矩陣重構，選取原則為：若ρij(τ)'＞T1，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列并作為第一預測因子，記做X',X'＝(x1',x2',...,xp')，其中p為所述滿足條件的交通流量個數(shù)，設L1為第一預測因子中時間延遲的最大值，L1＝max{τ|τ∈[0,L]andρij(τ)'＞T1}，則第一預測因子X'可表述成如下矩陣形式：X′=x1′(1)x2′(1)...xp′(1)x1′(2)x2′(2)...xp′(2)............x1′(n-L1)x2′(n-L1)...xp′(n-L1);]]>若ρjm(t)＞T2，則將所有滿足條件的歷史相關序列Xjm(t)作為第二預測因子，記作Y'，Y'＝{y1',y2',...,yq'}，其中q為滿足條件的歷史流量個數(shù)，第二預測因子Y'可表述成如下矩陣形式：(10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。其中，所述數(shù)據(jù)預處理模塊中，剔除所述不符合交通實際情況的數(shù)據(jù)的規(guī)則為：在一個數(shù)據(jù)更新周期內(nèi)，分別設定各路段的總交通流量數(shù)據(jù)的閥值范圍，若采集到的某路段的總交通流量數(shù)據(jù)落在對應的閾值范圍內(nèi)，則表明該組數(shù)據(jù)可靠，保留該組數(shù)據(jù)；若采集到的某路段的總交通流量數(shù)據(jù)落不在對應的閾值范圍內(nèi)，則表明該組數(shù)據(jù)不可靠，并將其剔除。其中，所述平穩(wěn)性檢驗模塊包括以下子模塊：(1)檢驗子模塊，用于對處于同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩(wěn)性檢驗；(2)連續(xù)性檢查子模塊，與檢驗子模塊連接，用于對不通過平穩(wěn)性檢驗的待檢驗交通流量序列進行連續(xù)性檢查，若不符合連續(xù)性，所述連續(xù)性檢查子模塊采用平均插值法對數(shù)據(jù)進行補齊；(3)排錯子模塊，與連續(xù)性檢查子模塊連接，用于刪除明顯錯誤的數(shù)據(jù)，同時采用平均插值法對數(shù)據(jù)進行補齊；(4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用于對補齊后的數(shù)據(jù)進行差分處理，并將差分處理后的數(shù)據(jù)傳送到檢驗子模塊。本發(fā)明的有益效果為：1、設置數(shù)據(jù)分類模塊和平穩(wěn)性檢驗模塊，增加了數(shù)據(jù)的準確度，且使構造的預測模型更有針對性；2、設置相關系數(shù)計算模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，其中預測因子直接影響預測精度，相關系數(shù)是測量隨機變量相關性的指標，能夠幫助選取與預測點密切相關的變量作為預測模型的訓練樣本，選取多個相關系數(shù)作為預測因子，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩(wěn)定和準確；3、相關系數(shù)計算模塊中的空間相關系數(shù)反映了路網(wǎng)的可達性對預測模型的影響，時間相關系數(shù)能夠表達流量序列的時間順序，反映兩序列時間上的因果關系，從而提高預測因子選取的效率；由于交通流量的周相似性，引入歷史相關系數(shù)矩陣生成模塊的歷史相關系數(shù)，同時間相關系數(shù)和空間相關系數(shù)配合使用，為準確預測提供更多的數(shù)據(jù)支持。附圖說明利用附圖對本發(fā)明作進一步說明，但附圖中的實施例不構成對本發(fā)明的任何限制，對于本領域的普通技術人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得其它的附圖。圖1是本發(fā)明預測裝置各模塊的連接示意圖。圖2是本發(fā)明搜索系統(tǒng)的實現(xiàn)方法的流程圖。具體實施方式結(jié)合以下實施例對本發(fā)明作進一步描述。實施例1參見圖1，圖2，本實施例一種最優(yōu)路線搜索系統(tǒng)，包括搜索系統(tǒng)和與搜索系統(tǒng)相連的預測裝置，所述搜索系統(tǒng)的實現(xiàn)方法包括：a.接收用戶的查詢請求；b.從常規(guī)索引庫搜索與所述查詢請求相關聯(lián)的常規(guī)搜索結(jié)果，并從個性化索引庫搜索與所述用戶的識別信息以及所述查詢請求相關聯(lián)的個性化搜索結(jié)果；c.對所述常規(guī)搜索結(jié)果以及所述個性化搜索結(jié)果進行合并，并發(fā)送合并后的所述常規(guī)搜索結(jié)果以及所述個性化搜索結(jié)果。優(yōu)選地，所述步驟b進一步包括：通過用戶登錄來獲取所述識別信息。優(yōu)選地，所述步驟c進一步包括對所述常規(guī)搜索結(jié)果進行排序，以及對所述個性化搜索結(jié)果進行排序。優(yōu)選地，預測裝置包括依次連接的采集模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)分類模塊、平穩(wěn)性檢驗模塊、相關系數(shù)計算模塊、閾值設定模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：(1)采集模塊，用于采集路網(wǎng)S內(nèi)觀測路段Si、預測路段Sj對應各時間段的交通流量數(shù)據(jù)和通行情況；(2)數(shù)據(jù)預處理模塊，用于對所述交通流量數(shù)據(jù)進行數(shù)據(jù)預處理，并剔除不符合交通實際情況的數(shù)據(jù)；(3)數(shù)據(jù)分類模塊，用于對經(jīng)過數(shù)據(jù)預處理的交通流量數(shù)據(jù)進行類型分類，所述類型包括節(jié)假日交通流量數(shù)據(jù)、周末交通流量數(shù)據(jù)和工作日交通流量數(shù)據(jù)；(4)平穩(wěn)性檢驗模塊，用于對處于同一類型的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj分別進行平穩(wěn)性檢驗，檢驗平穩(wěn)性的自相關函數(shù)為：P(τ)=E[(Xx-νi)(Xx+τ-νx+τ)]σ2]]>其中，Xx表示待檢驗交通流量序列，νi表示待檢驗交通流量序列的均值，Xx+τ表示Xx在時間延遲τ后的交通流量序列，νx+τ為Xx+τ的均值，σ2為Xx與Xx+τ之間的方差；當自相關函數(shù)P(τ)能快速衰減趨近于0或在0附近波動，則所述待檢驗交通流量序列通過平穩(wěn)性檢驗；當自相關函數(shù)P(τ)不能快速衰減趨近于0或在0附近波動，則對所述待檢驗交通流量序列進行平穩(wěn)處理后繼續(xù)進行平穩(wěn)性檢驗；(5)相關系數(shù)計算模塊，用于計算通過平穩(wěn)性檢驗的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj在時間延遲τ下的時間相關系數(shù)ρij(τ)和空間相關系數(shù)ρij(w)，設路網(wǎng)S內(nèi)有N個路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示觀測路段Si在t時刻的流量，xj(t)表示預測路段Sj在t時刻的流量，t＝1,2,...n，時間相關系數(shù)ρij(τ)的計算公式為：ρij(τ)=Σt=1n-τxi(t)xj(t+τ)-1n-τΣt=1n-τxi(t)Σt=1n-τxj(t+τ)Σt=1n-τ[xi(t)-1n-τΣt=1n-τxi(t)]2×Σt=1n-τ[xj(t+τ)-1n-τΣt=1n-τxj(t+τ)]2]]>空間相關系數(shù)ρij(w)的計算公式為：優(yōu)選地，預測裝置還包括：(6)閾值設定模塊，用于設定各路段之間的時間延遲最大值L、時空相關系數(shù)閾值T1和歷史相關系數(shù)閾值T2；(7)時空相關系數(shù)矩陣生成模塊，用于根據(jù)各路段的時間相關系數(shù)ρij(τ)和空間相關系數(shù)ρij(w)構建各觀測路段Si與預測路段Sj在不同時間延遲τ下的時空相關系數(shù)矩陣ρ(τ)'，并計算各路段的時空相關系數(shù)ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范圍為[8,12]，時空相關系數(shù)矩陣ρ(τ)'的計算公式為：ρ(τ)′=ρ1j(0)′ρ1j(0)′...ρNj(0)′ρ1j(1)′ρ2j(1)′...ρNj(1)′............ρ1j(L)′ρ2j(L)′...ρNj(L)′;]]>時空相關系數(shù)ρij(τ)'的計算公式為：ρij(τ)'＝ρij(τ)ρij(w)；(8)歷史相關系數(shù)矩陣生成模塊，用于生成預測路段Sj的歷史相關系數(shù)矩陣ρ(t)：其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列Xj的歷史相關序列，記為m＝1,2,...M，M的取值范圍為[3,5]，所述歷史相關系數(shù)ρjm(t)的計算公式為：ρjm(t)=Σt=1nxj(t)xjm(t)-1nΣt=1nxj(t)Σt=1nxjm(t)Σt=1n[xj(t)-1nΣt=1nxj(t)]2×Σt=1n[xjm(t)-1nΣt=1nxjm(t)]2]]>(9)預測因子選取模塊，用于根據(jù)所述時空相關系數(shù)閾值T1和歷史相關系數(shù)閾值T2選取與預測目標點相關的預測因子，并按照其所選空間位置j與時間延遲τ進行矩陣重構，選取原則為：若ρij(τ)'＞T1，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列并作為第一預測因子，記做X',X'＝(x1',x2',...,xp')，其中p為所述滿足條件的交通流量個數(shù)，設L1為第一預測因子中時間延遲的最大值，L1＝max{τ|τ∈[0,L]andρij(τ)'＞T1}，則第一預測因子X'可表述成如下矩陣形式：X′=x1′(1)x2′(1)...xp′(1)x1′(2)x2′(2)...xp′(2)............x1′(n-L1)x2′(n-L1)...xp′(n-L1);]]>若ρjm(t)＞T2，則將所有滿足條件的歷史相關序列Xjm(t)作為第二預測因子，記作Y'，Y'＝{y1',y2',...,yq'}，其中q為滿足條件的歷史流量個數(shù)，第二預測因子Y'可表述成如下矩陣形式：(10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。其中，所述數(shù)據(jù)預處理模塊中，剔除所述不符合交通實際情況的數(shù)據(jù)的規(guī)則為：在一個數(shù)據(jù)更新周期內(nèi)，分別設定各路段的總交通流量數(shù)據(jù)的閥值范圍，若采集到的某路段的總交通流量數(shù)據(jù)落在對應的閾值范圍內(nèi)，則表明該組數(shù)據(jù)可靠，保留該組數(shù)據(jù)；若采集到的某路段的總交通流量數(shù)據(jù)落不在對應的閾值范圍內(nèi)，則表明該組數(shù)據(jù)不可靠，并將其剔除。其中，所述平穩(wěn)性檢驗模塊包括以下子模塊：(1)檢驗子模塊，用于對處于同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩(wěn)性檢驗；(2)連續(xù)性檢查子模塊，與檢驗子模塊連接，用于對不通過平穩(wěn)性檢驗的待檢驗交通流量序列進行連續(xù)性檢查，若不符合連續(xù)性，所述連續(xù)性檢查子模塊采用平均插值法對數(shù)據(jù)進行補齊；(3)排錯子模塊，與連續(xù)性檢查子模塊連接，用于刪除明顯錯誤的數(shù)據(jù)，同時采用平均插值法對數(shù)據(jù)進行補齊；(4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用于對補齊后的數(shù)據(jù)進行差分處理，并將差分處理后的數(shù)據(jù)傳送到檢驗子模塊。本實施例設置數(shù)據(jù)分類模塊和平穩(wěn)性檢驗模塊，增加了數(shù)據(jù)的準確度，且使構造的預測模型更有針對性；設置相關系數(shù)計算模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩(wěn)定和準確；本實施例取值L＝8，M＝3，預測精度相對于相關技術提高了1.5％。實施例2參見圖1，圖2，本實施例一種最優(yōu)路線搜索系統(tǒng)，包括搜索系統(tǒng)和與搜索系統(tǒng)相連的預測裝置，所述搜索系統(tǒng)的實現(xiàn)方法包括：a.接收用戶的查詢請求；b.從常規(guī)索引庫搜索與所述查詢請求相關聯(lián)的常規(guī)搜索結(jié)果，并從個性化索引庫搜索與所述用戶的識別信息以及所述查詢請求相關聯(lián)的個性化搜索結(jié)果；c.對所述常規(guī)搜索結(jié)果以及所述個性化搜索結(jié)果進行合并，并發(fā)送合并后的所述常規(guī)搜索結(jié)果以及所述個性化搜索結(jié)果。優(yōu)選地，所述步驟b進一步包括：通過用戶登錄來獲取所述識別信息。優(yōu)選地，所述步驟c進一步包括對所述常規(guī)搜索結(jié)果進行排序，以及對所述個性化搜索結(jié)果進行排序。優(yōu)選地，預測裝置包括依次連接的采集模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)分類模塊、平穩(wěn)性檢驗模塊、相關系數(shù)計算模塊、閾值設定模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：(1)采集模塊，用于采集路網(wǎng)S內(nèi)觀測路段Si、預測路段Sj對應各時間段的交通流量數(shù)據(jù)和通行情況；(2)數(shù)據(jù)預處理模塊，用于對所述交通流量數(shù)據(jù)進行數(shù)據(jù)預處理，并剔除不符合交通實際情況的數(shù)據(jù)；(3)數(shù)據(jù)分類模塊，用于對經(jīng)過數(shù)據(jù)預處理的交通流量數(shù)據(jù)進行類型分類，所述類型包括節(jié)假日交通流量數(shù)據(jù)、周末交通流量數(shù)據(jù)和工作日交通流量數(shù)據(jù)；(4)平穩(wěn)性檢驗模塊，用于對處于同一類型的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj分別進行平穩(wěn)性檢驗，檢驗平穩(wěn)性的自相關函數(shù)為：P(τ)=E[(Xx-νi)(Xx+τ-νx+τ)]σ2]]>其中，Xx表示待檢驗交通流量序列，νi表示待檢驗交通流量序列的均值，Xx+τ表示Xx在時間延遲τ后的交通流量序列，νx+τ為Xx+τ的均值，σ2為Xx與Xx+τ之間的方差；當自相關函數(shù)P(τ)能快速衰減趨近于0或在0附近波動，則所述待檢驗交通流量序列通過平穩(wěn)性檢驗；當自相關函數(shù)P(τ)不能快速衰減趨近于0或在0附近波動，則對所述待檢驗交通流量序列進行平穩(wěn)處理后繼續(xù)進行平穩(wěn)性檢驗；(5)相關系數(shù)計算模塊，用于計算通過平穩(wěn)性檢驗的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj在時間延遲τ下的時間相關系數(shù)ρij(τ)和空間相關系數(shù)ρij(w)，設路網(wǎng)S內(nèi)有N個路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示觀測路段Si在t時刻的流量，xj(t)表示預測路段Sj在t時刻的流量，t＝1,2,...n，時間相關系數(shù)ρij(τ)的計算公式為：ρij(τ)=Σt=1n-τxi(t)xj(t+τ)-1n-τΣt=1n-τxi(t)Σt=1n-τxj(t+τ)Σt=1n-τ[xi(t)-1n-τΣt=1n-τxi(t)]2×Σt=1n-τ[xj(t+τ)-1n-τΣt=1n-τxj(t+τ)]2]]>空間相關系數(shù)ρij(w)的計算公式為：優(yōu)選地，預測裝置還包括：(6)閾值設定模塊，用于設定各路段之間的時間延遲最大值L、時空相關系數(shù)閾值T1和歷史相關系數(shù)閾值T2；(7)時空相關系數(shù)矩陣生成模塊，用于根據(jù)各路段的時間相關系數(shù)ρij(τ)和空間相關系數(shù)ρij(w)構建各觀測路段Si與預測路段Sj在不同時間延遲τ下的時空相關系數(shù)矩陣ρ(τ)'，并計算各路段的時空相關系數(shù)ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范圍為[8,12]，時空相關系數(shù)矩陣ρ(τ)'的計算公式為：ρ(τ)′=ρ1j(0)′ρ1j(0)′...ρNj(0)′ρ1j(1)′ρ2j(1)′...ρNj(1)′............ρ1j(L)′ρ2j(L)′...ρNj(L)′;]]>時空相關系數(shù)ρij(τ)'的計算公式為：ρij(τ)'＝ρij(τ)ρij(w)；(8)歷史相關系數(shù)矩陣生成模塊，用于生成預測路段Sj的歷史相關系數(shù)矩陣ρ(t)：其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列Xj的歷史相關序列，記為m＝1,2,...M，M的取值范圍為[3,5]，所述歷史相關系數(shù)ρjm(t)的計算公式為：ρjm(t)=Σt=1nxj(t)xjm(t)-1nΣt=1nxj(t)Σt=1nxjm(t)Σt=1n[xj(t)-1nΣt=1nxj(t)]2×Σt=1n[xjm(t)-1nΣt=1nxjm(t)]2]]>(9)預測因子選取模塊，用于根據(jù)所述時空相關系數(shù)閾值T1和歷史相關系數(shù)閾值T2選取與預測目標點相關的預測因子，并按照其所選空間位置j與時間延遲τ進行矩陣重構，選取原則為：若ρij(τ)'＞T1，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列并作為第一預測因子，記做X',X'＝(x1',x2',...,xp')，其中p為所述滿足條件的交通流量個數(shù)，設L1為第一預測因子中時間延遲的最大值，L1＝max{τ|τ∈[0,L]andρij(τ)'＞T1}，則第一預測因子X'可表述成如下矩陣形式：X′=x1′(1)x2′(1)...xp′(1)x1′(2)x2′(2)...xp′(2)............x1′(n-L1)x2′(n-L1)...xp′(n-L1);]]>若ρjm(t)＞T2，則將所有滿足條件的歷史相關序列Xjm(t)作為第二預測因子，記作Y'，Y'＝{y1',y2',...,yq'}，其中q為滿足條件的歷史流量個數(shù)，第二預測因子Y'可表述成如下矩陣形式：(10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。其中，所述數(shù)據(jù)預處理模塊中，剔除所述不符合交通實際情況的數(shù)據(jù)的規(guī)則為：在一個數(shù)據(jù)更新周期內(nèi)，分別設定各路段的總交通流量數(shù)據(jù)的閥值范圍，若采集到的某路段的總交通流量數(shù)據(jù)落在對應的閾值范圍內(nèi)，則表明該組數(shù)據(jù)可靠，保留該組數(shù)據(jù)；若采集到的某路段的總交通流量數(shù)據(jù)落不在對應的閾值范圍內(nèi)，則表明該組數(shù)據(jù)不可靠，并將其剔除。其中，所述平穩(wěn)性檢驗模塊包括以下子模塊：(1)檢驗子模塊，用于對處于同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩(wěn)性檢驗；(2)連續(xù)性檢查子模塊，與檢驗子模塊連接，用于對不通過平穩(wěn)性檢驗的待檢驗交通流量序列進行連續(xù)性檢查，若不符合連續(xù)性，所述連續(xù)性檢查子模塊采用平均插值法對數(shù)據(jù)進行補齊；(3)排錯子模塊，與連續(xù)性檢查子模塊連接，用于刪除明顯錯誤的數(shù)據(jù)，同時采用平均插值法對數(shù)據(jù)進行補齊；(4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用于對補齊后的數(shù)據(jù)進行差分處理，并將差分處理后的數(shù)據(jù)傳送到檢驗子模塊。本實施例設置數(shù)據(jù)分類模塊和平穩(wěn)性檢驗模塊，增加了數(shù)據(jù)的準確度，且使構造的預測模型更有針對性；設置相關系數(shù)計算模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩(wěn)定和準確；本實施例取值L＝9，M＝3，預測精度相對于相關技術提高了2％。實施例3參見圖1，圖2，本實施例一種最優(yōu)路線搜索系統(tǒng)，包括搜索系統(tǒng)和與搜索系統(tǒng)相連的預測裝置，所述搜索系統(tǒng)的實現(xiàn)方法包括：a.接收用戶的查詢請求；b.從常規(guī)索引庫搜索與所述查詢請求相關聯(lián)的常規(guī)搜索結(jié)果，并從個性化索引庫搜索與所述用戶的識別信息以及所述查詢請求相關聯(lián)的個性化搜索結(jié)果；c.對所述常規(guī)搜索結(jié)果以及所述個性化搜索結(jié)果進行合并，并發(fā)送合并后的所述常規(guī)搜索結(jié)果以及所述個性化搜索結(jié)果。優(yōu)選地，所述步驟b進一步包括：通過用戶登錄來獲取所述識別信息。優(yōu)選地，所述步驟c進一步包括對所述常規(guī)搜索結(jié)果進行排序，以及對所述個性化搜索結(jié)果進行排序。優(yōu)選地，預測裝置包括依次連接的采集模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)分類模塊、平穩(wěn)性檢驗模塊、相關系數(shù)計算模塊、閾值設定模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：(1)采集模塊，用于采集路網(wǎng)S內(nèi)觀測路段Si、預測路段Sj對應各時間段的交通流量數(shù)據(jù)和通行情況；(2)數(shù)據(jù)預處理模塊，用于對所述交通流量數(shù)據(jù)進行數(shù)據(jù)預處理，并剔除不符合交通實際情況的數(shù)據(jù)；(3)數(shù)據(jù)分類模塊，用于對經(jīng)過數(shù)據(jù)預處理的交通流量數(shù)據(jù)進行類型分類，所述類型包括節(jié)假日交通流量數(shù)據(jù)、周末交通流量數(shù)據(jù)和工作日交通流量數(shù)據(jù)；(4)平穩(wěn)性檢驗模塊，用于對處于同一類型的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj分別進行平穩(wěn)性檢驗，檢驗平穩(wěn)性的自相關函數(shù)為：P(τ)=E[(Xx-νi)(Xx+τ-νx+τ)]σ2]]>其中，Xx表示待檢驗交通流量序列，νi表示待檢驗交通流量序列的均值，Xx+τ表示Xx在時間延遲τ后的交通流量序列，νx+τ為Xx+τ的均值，σ2為Xx與Xx+τ之間的方差；當自相關函數(shù)P(τ)能快速衰減趨近于0或在0附近波動，則所述待檢驗交通流量序列通過平穩(wěn)性檢驗；當自相關函數(shù)P(τ)不能快速衰減趨近于0或在0附近波動，則對所述待檢驗交通流量序列進行平穩(wěn)處理后繼續(xù)進行平穩(wěn)性檢驗；(5)相關系數(shù)計算模塊，用于計算通過平穩(wěn)性檢驗的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj在時間延遲τ下的時間相關系數(shù)ρij(τ)和空間相關系數(shù)ρij(w)，設路網(wǎng)S內(nèi)有N個路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示觀測路段Si在t時刻的流量，xj(t)表示預測路段Sj在t時刻的流量，t＝1,2,...n，時間相關系數(shù)ρij(τ)的計算公式為：ρij(τ)=Σt=1n-τxi(t)xj(t+τ)-1n-τΣt=1n-τxi(t)Σt=1n-τxj(t+τ)Σt=1n-τ[xi(t)-1n-τΣt=1n-τxi(t)]2×Σt=1n-τ[xj(t+τ)-1n-τΣt=1n-τxj(t+τ)]2]]>空間相關系數(shù)ρij(w)的計算公式為：優(yōu)選地，預測裝置還包括：(6)閾值設定模塊，用于設定各路段之間的時間延遲最大值L、時空相關系數(shù)閾值T1和歷史相關系數(shù)閾值T2；(7)時空相關系數(shù)矩陣生成模塊，用于根據(jù)各路段的時間相關系數(shù)ρij(τ)和空間相關系數(shù)ρij(w)構建各觀測路段Si與預測路段Sj在不同時間延遲τ下的時空相關系數(shù)矩陣ρ(τ)'，并計算各路段的時空相關系數(shù)ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范圍為[8,12]，時空相關系數(shù)矩陣ρ(τ)'的計算公式為：ρ(τ)′=ρ1j(0)′ρ1j(0)′...ρNj(0)′ρ1j(1)′ρ2j(1)′...ρNj(1)′............ρ1j(L)′ρ2j(L)′...ρNj(L)′;]]>時空相關系數(shù)ρij(τ)'的計算公式為：ρij(τ)'＝ρij(τ)ρij(w)；(8)歷史相關系數(shù)矩陣生成模塊，用于生成預測路段Sj的歷史相關系數(shù)矩陣ρ(t)：其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列Xj的歷史相關序列，記為m＝1,2,...M，M的取值范圍為[3,5]，所述歷史相關系數(shù)ρjm(t)的計算公式為：ρjm(t)=Σt=1nxj(t)xjm(t)-1nΣt=1nxj(t)Σt=1nxjm(t)Σt=1n[xj(t)-1nΣt=1nxj(t)]2×Σt=1n[xjm(t)-1nΣt=1nxjm(t)]2]]>(9)預測因子選取模塊，用于根據(jù)所述時空相關系數(shù)閾值T1和歷史相關系數(shù)閾值T2選取與預測目標點相關的預測因子，并按照其所選空間位置j與時間延遲τ進行矩陣重構，選取原則為：若ρij(τ)'＞T1，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列并作為第一預測因子，記做X',X'＝(x1',x2',...,xp')，其中p為所述滿足條件的交通流量個數(shù)，設L1為第一預測因子中時間延遲的最大值，L1＝max{τ|τ∈[0,L]andρij(τ)'＞T1}，則第一預測因子X'可表述成如下矩陣形式：X′=x1′(1)x2′(1)...xp′(1)x1′(2)x2′(2)...xp′(2)............x1′(n-L1)x2′(n-L1)...xp′(n-L1);]]>若ρjm(t)＞T2，則將所有滿足條件的歷史相關序列Xjm(t)作為第二預測因子，記作Y'，Y'＝{y1',y2',...,yq'}，其中q為滿足條件的歷史流量個數(shù)，第二預測因子Y'可表述成如下矩陣形式：(10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。其中，所述數(shù)據(jù)預處理模塊中，剔除所述不符合交通實際情況的數(shù)據(jù)的規(guī)則為：在一個數(shù)據(jù)更新周期內(nèi)，分別設定各路段的總交通流量數(shù)據(jù)的閥值范圍，若采集到的某路段的總交通流量數(shù)據(jù)落在對應的閾值范圍內(nèi)，則表明該組數(shù)據(jù)可靠，保留該組數(shù)據(jù)；若采集到的某路段的總交通流量數(shù)據(jù)落不在對應的閾值范圍內(nèi)，則表明該組數(shù)據(jù)不可靠，并將其剔除。其中，所述平穩(wěn)性檢驗模塊包括以下子模塊：(1)檢驗子模塊，用于對處于同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩(wěn)性檢驗；(2)連續(xù)性檢查子模塊，與檢驗子模塊連接，用于對不通過平穩(wěn)性檢驗的待檢驗交通流量序列進行連續(xù)性檢查，若不符合連續(xù)性，所述連續(xù)性檢查子模塊采用平均插值法對數(shù)據(jù)進行補齊；(3)排錯子模塊，與連續(xù)性檢查子模塊連接，用于刪除明顯錯誤的數(shù)據(jù)，同時采用平均插值法對數(shù)據(jù)進行補齊；(4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用于對補齊后的數(shù)據(jù)進行差分處理，并將差分處理后的數(shù)據(jù)傳送到檢驗子模塊。本實施例設置數(shù)據(jù)分類模塊和平穩(wěn)性檢驗模塊，增加了數(shù)據(jù)的準確度，且使構造的預測模型更有針對性；設置相關系數(shù)計算模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩(wěn)定和準確；本實施例取值L＝10，M＝4，預測精度相對于相關技術提高了2.6％。實施例4參見圖1，圖2，本實施例一種最優(yōu)路線搜索系統(tǒng)，包括搜索系統(tǒng)和與搜索系統(tǒng)相連的預測裝置，所述搜索系統(tǒng)的實現(xiàn)方法包括：a.接收用戶的查詢請求；b.從常規(guī)索引庫搜索與所述查詢請求相關聯(lián)的常規(guī)搜索結(jié)果，并從個性化索引庫搜索與所述用戶的識別信息以及所述查詢請求相關聯(lián)的個性化搜索結(jié)果；c.對所述常規(guī)搜索結(jié)果以及所述個性化搜索結(jié)果進行合并，并發(fā)送合并后的所述常規(guī)搜索結(jié)果以及所述個性化搜索結(jié)果。優(yōu)選地，所述步驟b進一步包括：通過用戶登錄來獲取所述識別信息。優(yōu)選地，所述步驟c進一步包括對所述常規(guī)搜索結(jié)果進行排序，以及對所述個性化搜索結(jié)果進行排序。優(yōu)選地，預測裝置包括依次連接的采集模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)分類模塊、平穩(wěn)性檢驗模塊、相關系數(shù)計算模塊、閾值設定模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：(1)采集模塊，用于采集路網(wǎng)S內(nèi)觀測路段Si、預測路段Sj對應各時間段的交通流量數(shù)據(jù)和通行情況；(2)數(shù)據(jù)預處理模塊，用于對所述交通流量數(shù)據(jù)進行數(shù)據(jù)預處理，并剔除不符合交通實際情況的數(shù)據(jù)；(3)數(shù)據(jù)分類模塊，用于對經(jīng)過數(shù)據(jù)預處理的交通流量數(shù)據(jù)進行類型分類，所述類型包括節(jié)假日交通流量數(shù)據(jù)、周末交通流量數(shù)據(jù)和工作日交通流量數(shù)據(jù)；(4)平穩(wěn)性檢驗模塊，用于對處于同一類型的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj分別進行平穩(wěn)性檢驗，檢驗平穩(wěn)性的自相關函數(shù)為：P(τ)=E[(Xx-νi)(Xx+τ-νx+τ)]σ2]]>其中，Xx表示待檢驗交通流量序列，νi表示待檢驗交通流量序列的均值，Xx+τ表示Xx在時間延遲τ后的交通流量序列，νx+τ為Xx+τ的均值，σ2為Xx與Xx+τ之間的方差；當自相關函數(shù)P(τ)能快速衰減趨近于0或在0附近波動，則所述待檢驗交通流量序列通過平穩(wěn)性檢驗；當自相關函數(shù)P(τ)不能快速衰減趨近于0或在0附近波動，則對所述待檢驗交通流量序列進行平穩(wěn)處理后繼續(xù)進行平穩(wěn)性檢驗；(5)相關系數(shù)計算模塊，用于計算通過平穩(wěn)性檢驗的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj在時間延遲τ下的時間相關系數(shù)ρij(τ)和空間相關系數(shù)ρij(w)，設路網(wǎng)S內(nèi)有N個路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示觀測路段Si在t時刻的流量，xj(t)表示預測路段Sj在t時刻的流量，t＝1,2,...n，時間相關系數(shù)ρij(τ)的計算公式為：ρij(τ)=Σt=1n-τxi(t)xj(t+τ)-1n-τΣt=1n-τxi(t)Σt=1n-τxj(t+τ)Σt=1n-τ[xi(t)-1n-τΣt=1n-τxi(t)]2×Σt=1n-τ[xj(t+τ)-1n-τΣt=1n-τxj(t+τ)]2]]>空間相關系數(shù)ρij(w)的計算公式為：優(yōu)選地，預測裝置還包括：(6)閾值設定模塊，用于設定各路段之間的時間延遲最大值L、時空相關系數(shù)閾值T1和歷史相關系數(shù)閾值T2；(7)時空相關系數(shù)矩陣生成模塊，用于根據(jù)各路段的時間相關系數(shù)ρij(τ)和空間相關系數(shù)ρij(w)構建各觀測路段Si與預測路段Sj在不同時間延遲τ下的時空相關系數(shù)矩陣ρ(τ)'，并計算各路段的時空相關系數(shù)ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范圍為[8,12]，時空相關系數(shù)矩陣ρ(τ)'的計算公式為：ρ(τ)′=ρ1j(0)′ρ1j(0)′...ρNj(0)′ρ1j(1)′ρ2j(1)′...ρNj(1)′............ρ1j(L)′ρ2j(L)′...ρNj(L)′;]]>時空相關系數(shù)ρij(τ)'的計算公式為：ρij(τ)'＝ρij(τ)ρij(w)；(8)歷史相關系數(shù)矩陣生成模塊，用于生成預測路段Sj的歷史相關系數(shù)矩陣ρ(t)：其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列Xj的歷史相關序列，記為m＝1,2,...M，M的取值范圍為[3,5]，所述歷史相關系數(shù)ρjm(t)的計算公式為：ρjm(t)=Σt=1nxj(t)xjm(t)-1nΣt=1nxj(t)Σt=1nxjm(t)Σt=1n[xj(t)-1nΣt=1nxj(t)]2×Σt=1n[xjm(t)-1nΣt=1nxjm(t)]2]]>(9)預測因子選取模塊，用于根據(jù)所述時空相關系數(shù)閾值T1和歷史相關系數(shù)閾值T2選取與預測目標點相關的預測因子，并按照其所選空間位置j與時間延遲τ進行矩陣重構，選取原則為：若ρij(τ)'＞T1，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列并作為第一預測因子，記做X',X'＝(x1',x2',...,xp')，其中p為所述滿足條件的交通流量個數(shù)，設L1為第一預測因子中時間延遲的最大值，L1＝max{τ|τ∈[0,L]andρij(τ)'＞T1}，則第一預測因子X'可表述成如下矩陣形式：X′=x1′(1)x2′(1)...xp′(1)x1′(2)x2′(2)...xp′(2)............x1′(n-L1)x2′(n-L1)...xp′(n-L1);]]>若ρjm(t)＞T2，則將所有滿足條件的歷史相關序列Xjm(t)作為第二預測因子，記作Y'，Y'＝{y1',y2',...,yq'}，其中q為滿足條件的歷史流量個數(shù)，第二預測因子Y'可表述成如下矩陣形式：(10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。其中，所述數(shù)據(jù)預處理模塊中，剔除所述不符合交通實際情況的數(shù)據(jù)的規(guī)則為：在一個數(shù)據(jù)更新周期內(nèi)，分別設定各路段的總交通流量數(shù)據(jù)的閥值范圍，若采集到的某路段的總交通流量數(shù)據(jù)落在對應的閾值范圍內(nèi)，則表明該組數(shù)據(jù)可靠，保留該組數(shù)據(jù)；若采集到的某路段的總交通流量數(shù)據(jù)落不在對應的閾值范圍內(nèi)，則表明該組數(shù)據(jù)不可靠，并將其剔除。其中，所述平穩(wěn)性檢驗模塊包括以下子模塊：(1)檢驗子模塊，用于對處于同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩(wěn)性檢驗；(2)連續(xù)性檢查子模塊，與檢驗子模塊連接，用于對不通過平穩(wěn)性檢驗的待檢驗交通流量序列進行連續(xù)性檢查，若不符合連續(xù)性，所述連續(xù)性檢查子模塊采用平均插值法對數(shù)據(jù)進行補齊；(3)排錯子模塊，與連續(xù)性檢查子模塊連接，用于刪除明顯錯誤的數(shù)據(jù)，同時采用平均插值法對數(shù)據(jù)進行補齊；(4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用于對補齊后的數(shù)據(jù)進行差分處理，并將差分處理后的數(shù)據(jù)傳送到檢驗子模塊。本實施例設置數(shù)據(jù)分類模塊和平穩(wěn)性檢驗模塊，增加了數(shù)據(jù)的準確度，且使構造的預測模型更有針對性；設置相關系數(shù)計算模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩(wěn)定和準確；本實施例取值L＝11，M＝5，預測精度相對于相關技術提高了3.2％。實施例5參見圖1，圖2，本實施例一種最優(yōu)路線搜索系統(tǒng)，包括搜索系統(tǒng)和與搜索系統(tǒng)相連的預測裝置，所述搜索系統(tǒng)的實現(xiàn)方法包括：a.接收用戶的查詢請求；b.從常規(guī)索引庫搜索與所述查詢請求相關聯(lián)的常規(guī)搜索結(jié)果，并從個性化索引庫搜索與所述用戶的識別信息以及所述查詢請求相關聯(lián)的個性化搜索結(jié)果；c.對所述常規(guī)搜索結(jié)果以及所述個性化搜索結(jié)果進行合并，并發(fā)送合并后的所述常規(guī)搜索結(jié)果以及所述個性化搜索結(jié)果。優(yōu)選地，所述步驟b進一步包括：通過用戶登錄來獲取所述識別信息。優(yōu)選地，所述步驟c進一步包括對所述常規(guī)搜索結(jié)果進行排序，以及對所述個性化搜索結(jié)果進行排序。優(yōu)選地，預測裝置包括依次連接的采集模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)分類模塊、平穩(wěn)性檢驗模塊、相關系數(shù)計算模塊、閾值設定模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：(1)采集模塊，用于采集路網(wǎng)S內(nèi)觀測路段Si、預測路段Sj對應各時間段的交通流量數(shù)據(jù)和通行情況；(2)數(shù)據(jù)預處理模塊，用于對所述交通流量數(shù)據(jù)進行數(shù)據(jù)預處理，并剔除不符合交通實際情況的數(shù)據(jù)；(3)數(shù)據(jù)分類模塊，用于對經(jīng)過數(shù)據(jù)預處理的交通流量數(shù)據(jù)進行類型分類，所述類型包括節(jié)假日交通流量數(shù)據(jù)、周末交通流量數(shù)據(jù)和工作日交通流量數(shù)據(jù)；(4)平穩(wěn)性檢驗模塊，用于對處于同一類型的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj分別進行平穩(wěn)性檢驗，檢驗平穩(wěn)性的自相關函數(shù)為：P(τ)=E[(Xx-νi)(Xx+τ-νx+τ)]σ2]]>其中，Xx表示待檢驗交通流量序列，νi表示待檢驗交通流量序列的均值，Xx+τ表示Xx在時間延遲τ后的交通流量序列，νx+τ為Xx+τ的均值，σ2為Xx與Xx+τ之間的方差；當自相關函數(shù)P(τ)能快速衰減趨近于0或在0附近波動，則所述待檢驗交通流量序列通過平穩(wěn)性檢驗；當自相關函數(shù)P(τ)不能快速衰減趨近于0或在0附近波動，則對所述待檢驗交通流量序列進行平穩(wěn)處理后繼續(xù)進行平穩(wěn)性檢驗；(5)相關系數(shù)計算模塊，用于計算通過平穩(wěn)性檢驗的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj在時間延遲τ下的時間相關系數(shù)ρij(τ)和空間相關系數(shù)ρij(w)，設路網(wǎng)S內(nèi)有N個路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示觀測路段Si在t時刻的流量，xj(t)表示預測路段Sj在t時刻的流量，t＝1,2,...n，時間相關系數(shù)ρij(τ)的計算公式為：ρij(τ)=Σt=1n-τxi(t)xj(t+τ)-1n-τΣt=1n-τxi(t)Σt=1n-τxj(t+τ)Σt=1n-τ[xi(t)-1n-τΣt=1n-τxi(t)]2×Σt=1n-τ[xj(t+τ)-1n-τΣt=1n-τxj(t+τ)]2]]>空間相關系數(shù)ρij(w)的計算公式為：優(yōu)選地，預測裝置還包括：(6)閾值設定模塊，用于設定各路段之間的時間延遲最大值L、時空相關系數(shù)閾值T1和歷史相關系數(shù)閾值T2；(7)時空相關系數(shù)矩陣生成模塊，用于根據(jù)各路段的時間相關系數(shù)ρij(τ)和空間相關系數(shù)ρij(w)構建各觀測路段Si與預測路段Sj在不同時間延遲τ下的時空相關系數(shù)矩陣ρ(τ)'，并計算各路段的時空相關系數(shù)ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值范圍為[8,12]，時空相關系數(shù)矩陣ρ(τ)'的計算公式為：ρ(τ)′=ρ1j(0)′ρ1j(0)′...ρNj(0)′ρ1j(1)′ρ2j(1)′...ρNj(1)′............ρ1j(L)′ρ2j(L)′...ρNj(L)′;]]>時空相關系數(shù)ρij(τ)'的計算公式為：ρij(τ)'＝ρij(τ)ρij(w)；(8)歷史相關系數(shù)矩陣生成模塊，用于生成預測路段Sj的歷史相關系數(shù)矩陣ρ(t)：其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列Xj的歷史相關序列，記為m＝1,2,...M，M的取值范圍為[3,5]，所述歷史相關系數(shù)ρjm(t)的計算公式為：ρjm(t)=Σt=1nxj(t)xjm(t)-1nΣt=1nxj(t)Σt=1nxjm(t)Σt=1n[xj(t)-1nΣt=1nxj(t)]2×Σt=1n[xjm(t)-1nΣt=1nxjm(t)]2]]>(9)預測因子選取模塊，用于根據(jù)所述時空相關系數(shù)閾值T1和歷史相關系數(shù)閾值T2選取與預測目標點相關的預測因子，并按照其所選空間位置j與時間延遲τ進行矩陣重構，選取原則為：若ρij(τ)'＞T1，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列并作為第一預測因子，記做X',X'＝(x1',x2',...,xp')，其中p為所述滿足條件的交通流量個數(shù)，設L1為第一預測因子中時間延遲的最大值，L1＝max{τ|τ∈[0,L]|andρij(τ)'＞T1}，則第一預測因子X'可表述成如下矩陣形式：X′=x1′(1)x2′(1)...xp′(1)x1′(2)x2′(2)...xp′(2)............x1′(n-L1)x2′(n-L1)...xp′(n-L1);]]>若ρjm(t)＞T2，則將所有滿足條件的歷史相關序列Xjm(t)作為第二預測因子，記作Y'，Y'＝{y1',y2',...,yq'}，其中q為滿足條件的歷史流量個數(shù)，第二預測因子Y'可表述成如下矩陣形式：(10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。其中，所述數(shù)據(jù)預處理模塊中，剔除所述不符合交通實際情況的數(shù)據(jù)的規(guī)則為：在一個數(shù)據(jù)更新周期內(nèi)，分別設定各路段的總交通流量數(shù)據(jù)的閥值范圍，若采集到的某路段的總交通流量數(shù)據(jù)落在對應的閾值范圍內(nèi)，則表明該組數(shù)據(jù)可靠，保留該組數(shù)據(jù)；若采集到的某路段的總交通流量數(shù)據(jù)落不在對應的閾值范圍內(nèi)，則表明該組數(shù)據(jù)不可靠，并將其剔除。其中，所述平穩(wěn)性檢驗模塊包括以下子模塊：(1)檢驗子模塊，用于對處于同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩(wěn)性檢驗；(2)連續(xù)性檢查子模塊，與檢驗子模塊連接，用于對不通過平穩(wěn)性檢驗的待檢驗交通流量序列進行連續(xù)性檢查，若不符合連續(xù)性，所述連續(xù)性檢查子模塊采用平均插值法對數(shù)據(jù)進行補齊；(3)排錯子模塊，與連續(xù)性檢查子模塊連接，用于刪除明顯錯誤的數(shù)據(jù)，同時采用平均插值法對數(shù)據(jù)進行補齊；(4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用于對補齊后的數(shù)據(jù)進行差分處理，并將差分處理后的數(shù)據(jù)傳送到檢驗子模塊。本實施例設置數(shù)據(jù)分類模塊和平穩(wěn)性檢驗模塊，增加了數(shù)據(jù)的準確度，且使構造的預測模型更有針對性；設置相關系數(shù)計算模塊、時空相關系數(shù)矩陣生成模塊、歷史相關系數(shù)矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩(wěn)定和準確；本實施例取值L＝12，M＝5，預測精度相對于相關技術提高了3.5％。最后應當說明的是，以上實施例僅用以說明本發(fā)明的技術方案，而非對本發(fā)明保護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的實質(zhì)和范圍。當前第1頁1 2 3