專利名稱：非常態(tài)下基于經(jīng)驗(yàn)?zāi)B(tài)分解和分類(lèi)組合預(yù)測(cè)的交通參數(shù)短時(shí)預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及交通信息技術(shù)領(lǐng)域，特別涉及ー種非常態(tài)下基于經(jīng)驗(yàn)?zāi)B(tài)分解和分類(lèi)組合預(yù)測(cè)的交通參數(shù)短時(shí)預(yù)測(cè)方法。
背景技術(shù)：
短時(shí)交通參數(shù)預(yù)測(cè)是智能交通系統(tǒng)建設(shè)中的核心問(wèn)題之一，它為先進(jìn)的交通管理系統(tǒng)(ATMS)制定主動(dòng)型交通控制策略以及交通出行信息系統(tǒng)(ATIS)進(jìn)行實(shí)時(shí)路徑誘導(dǎo)提供了基礎(chǔ)條件。交通參數(shù)預(yù)測(cè)是指在時(shí)刻t，對(duì)下ー決策時(shí)刻t+At乃至以后若干時(shí)刻的交通參數(shù)做出實(shí)時(shí)預(yù)測(cè)。一般認(rèn)為t到t+At的預(yù)測(cè)時(shí)間跨度不超過(guò)15min的預(yù)測(cè)為短時(shí)交通參數(shù)預(yù)測(cè)。交通參數(shù)預(yù)測(cè)的結(jié)果可以直接送到交通信息系統(tǒng)和交通管理系統(tǒng)中，給出行者提供實(shí)時(shí)有效的信息，幫助他們更好的進(jìn)行路徑選擇，實(shí)現(xiàn)路徑誘導(dǎo)，以縮短出行時(shí)間，減少交通擁堵。就目前來(lái)說(shuō)，我們進(jìn)行短時(shí)交通參數(shù)預(yù)測(cè)大致有因果分析預(yù)測(cè)、趨勢(shì)分析預(yù)測(cè)和智能模型預(yù)測(cè)三大類(lèi)定量分析方法，每大類(lèi)里面包含許多小類(lèi)，例如歷史平均法、線性回歸模型；時(shí)間序列法、卡爾曼濾波法；非參數(shù)回歸模型、人工神經(jīng)網(wǎng)絡(luò)模型等。歷史平均法研究較早但精度較差；線性回歸模型算法簡(jiǎn)單但適用性差，未能反映交通流的不確定性和非線性，無(wú)法克服隨機(jī)干擾；卡爾曼濾波法為線性模型，在預(yù)測(cè)非線性、不確定性的交通流吋， 性能變差，且每次計(jì)算都要調(diào)整權(quán)值，計(jì)算量過(guò)大；非參數(shù)回歸模型算法簡(jiǎn)單清晰，預(yù)測(cè)精度高誤差小，有較強(qiáng)的時(shí)間強(qiáng)壯性，應(yīng)付非線性和不確定性變化的能力強(qiáng)，但需要大量的流量數(shù)據(jù)來(lái)建立樣本數(shù)據(jù)庫(kù)，鄰域規(guī)模的確定沒(méi)有統(tǒng)ー的方法；人工神經(jīng)網(wǎng)絡(luò)模型可以識(shí)別復(fù)雜非線性系統(tǒng)，不需要經(jīng)驗(yàn)公式，但可轉(zhuǎn)移性差，隱層節(jié)點(diǎn)數(shù)的確立沒(méi)有統(tǒng)一方法，只能憑經(jīng)驗(yàn)試湊，且存在局部極小，收斂速度慢，難以實(shí)現(xiàn)在線調(diào)節(jié)?，F(xiàn)在的發(fā)展趨勢(shì)是將這些方法恰當(dāng)?shù)亟M合起來(lái)應(yīng)用，即組合預(yù)測(cè)方法。但在非常態(tài)事件條件下，道路交通參數(shù)因?yàn)槠涑梢虻牟淮_定性、發(fā)生時(shí)間和地點(diǎn)的隨機(jī)性，表現(xiàn)為交通流量、行程時(shí)間等交通參數(shù)的變化在事件發(fā)生之后呈現(xiàn)出不連續(xù)狀態(tài)，并且隨著事件的嚴(yán)重程度有較大差異，其巨大的破壞性也直接導(dǎo)致了歷史數(shù)據(jù)的匱乏。 而以上所述的各種方法，均無(wú)法同時(shí)滿足預(yù)測(cè)精度、適用性和大量歷史數(shù)據(jù)的要求。

發(fā)明內(nèi)容
本發(fā)明目的是針對(duì)目前存在的交通參數(shù)時(shí)間序列預(yù)測(cè)技術(shù)沒(méi)有考慮到非常態(tài)事件下交通參數(shù)時(shí)間序列的非平穩(wěn)特性特點(diǎn)，提供ー種非常態(tài)下基于經(jīng)驗(yàn)?zāi)B(tài)分解和分類(lèi)組合預(yù)測(cè)的交通參數(shù)短時(shí)預(yù)測(cè)方法，對(duì)交通參數(shù)時(shí)間序列進(jìn)行平穩(wěn)化處理，再重組分類(lèi)根據(jù)各類(lèi)濾波特點(diǎn)分別使用灰色理論、卡爾曼濾波和自回歸滑動(dòng)平均進(jìn)行預(yù)測(cè)，以提高復(fù)雜交通參數(shù)時(shí)間序列的預(yù)測(cè)準(zhǔn)確率。
3
本發(fā)明為實(shí)現(xiàn)上述目的，采用如下技術(shù)方案，具體包括以下幾個(gè)步驟1.經(jīng)驗(yàn)?zāi)B(tài)分解將已經(jīng)預(yù)處理的交通參數(shù)時(shí)間序列用EMD算法分解，得出η個(gè) IMF分量和一個(gè)趨勢(shì)分量，其中η為大于1的自然數(shù)；2. IMF分量重組分類(lèi)基于EMD濾波特性構(gòu)造濾波器組，步驟1所述分解后的IMF 分量呈現(xiàn)由高頻向低頻的篩選過(guò)程，將IMF分量分成高頻濾波、中頻濾波和低頻濾波三部分；3.針對(duì)不同頻率的濾波分類(lèi)預(yù)測(cè)(1)對(duì)高頻濾波部分，使用灰色理論進(jìn)行預(yù)測(cè)；(2)對(duì)中頻濾波部分，使用卡爾曼濾波進(jìn)行預(yù)測(cè)；(3)對(duì)低頻濾波部分，使用自回歸滑動(dòng)平均進(jìn)行預(yù)測(cè)。4.結(jié)果累加將步驟3所述的包含三部分不同特征的預(yù)測(cè)結(jié)果累加，得到下ー時(shí)段實(shí)時(shí)交通參數(shù)預(yù)測(cè)結(jié)果；5.結(jié)合歷史數(shù)據(jù)庫(kù)進(jìn)行多步預(yù)測(cè)結(jié)合步驟4所述的下ー時(shí)段實(shí)時(shí)交通參數(shù)結(jié)果和非常態(tài)事件下歷史數(shù)據(jù)庫(kù)進(jìn)行多步預(yù)測(cè)，得到更精確的交通參數(shù)預(yù)測(cè)結(jié)果和交通參數(shù)的未來(lái)發(fā)展趨勢(shì)。步驟1所述的經(jīng)驗(yàn)?zāi)B(tài)分解算法EMD，在分解的篩選過(guò)程中，采用設(shè)置兩個(gè)連續(xù)的迭代結(jié)果之間的標(biāo)準(zhǔn)差SD的大小取0. 3。步驟1所述的η個(gè)IMF分量和一個(gè)趨勢(shì)分量中，第一個(gè)IMF分量對(duì)應(yīng)隨機(jī)成分，第一至第n個(gè)IMF分量對(duì)應(yīng)周期成分，趨勢(shì)分量即殘差rn對(duì)應(yīng)趨勢(shì)成分。步驟2所述的IMF分量分類(lèi)重組，取前面幾個(gè)較高頻率的IMF分量作為高頻濾波， 取后面幾個(gè)較低頻率的IMF分量及殘差作為低頻濾波，其余中間幾個(gè)一般頻率的IMF分量作為中頻濾波。步驟5所述的多步預(yù)測(cè)過(guò)程中，選取非常態(tài)事件下歷史數(shù)據(jù)庫(kù)中與預(yù)測(cè)的交通參數(shù)具有相同變化趨勢(shì)的時(shí)間序列數(shù)據(jù)，作為預(yù)測(cè)實(shí)時(shí)交通參數(shù)變化趨勢(shì)的基礎(chǔ)，然后使用歷史數(shù)據(jù)和實(shí)時(shí)預(yù)測(cè)數(shù)據(jù)對(duì)未來(lái)多個(gè)時(shí)段的交通參數(shù)進(jìn)行短時(shí)多步預(yù)測(cè)，得到最終的下一時(shí)段實(shí)時(shí)交通參數(shù)預(yù)測(cè)結(jié)果和未來(lái)發(fā)展趨勢(shì)。本發(fā)明針對(duì)非常態(tài)事件下交通狀態(tài)的實(shí)際特點(diǎn)提出了新的預(yù)測(cè)方法。根據(jù)交通參數(shù)時(shí)間序列的非線性、非平穩(wěn)特性，首先利用經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù)對(duì)時(shí)間序列進(jìn)行平穩(wěn)化處理，在保留時(shí)間序列本身特征的基礎(chǔ)上減少序列間的干擾或耦合信息；再基于EMD濾波特性構(gòu)造濾波器組，將分解的分量重組分類(lèi)為高頻濾波中頻濾波和低頻濾波，井根據(jù)各類(lèi)別的不同特點(diǎn)分別使用了灰色理論、卡爾曼濾波和自回歸滑動(dòng)平均等方法，能夠更準(zhǔn)確地得到相應(yīng)的交通參數(shù)預(yù)測(cè)值；將各組結(jié)果累加之后結(jié)合非常態(tài)事件下歷史數(shù)據(jù)進(jìn)行多步預(yù)測(cè)，得到最終的下ー時(shí)段實(shí)時(shí)交通參數(shù)結(jié)果和未來(lái)發(fā)展趨勢(shì)，進(jìn)一步提高交通參數(shù)預(yù)測(cè)的精確度。


圖1是基于經(jīng)驗(yàn)?zāi)B(tài)分解和灰色理論、卡爾曼濾波、自回歸滑動(dòng)平均模型及多步預(yù)測(cè)模型的交通流量預(yù)測(cè)方法流程圖；圖2是對(duì)交通流量時(shí)間序列進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解的具體處理流程圖3是對(duì)交通流量時(shí)間序列進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解的結(jié)果圖，包括4個(gè)IMF分量和一個(gè)趨勢(shì)分量；圖4是使用灰色理論預(yù)測(cè)交通流量的流程圖；圖5是使用卡爾曼濾波預(yù)測(cè)交通流量的流程圖；圖6是使用自回歸滑動(dòng)平均方法預(yù)測(cè)交通流量的流程圖；圖7是使用基于實(shí)時(shí)交通信息的交通參數(shù)短時(shí)預(yù)測(cè)方法的交通流量預(yù)測(cè)值同實(shí)測(cè)值的比較。
具體實(shí)施例方式下面結(jié)合附圖對(duì)發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明本發(fā)明基于經(jīng)驗(yàn)?zāi)B(tài)分解這種處理序列數(shù)據(jù)的方法，首先將非平穩(wěn)、非線性的數(shù)據(jù)序列分解成若干個(gè)代表一組特征尺度的新數(shù)據(jù)序列，先將原始數(shù)據(jù)序列分解為各種不同特征波形的疊加。其中關(guān)鍵的一歩是通過(guò)信號(hào)的極值點(diǎn)擬合信號(hào)包絡(luò)線，本發(fā)明采用的是應(yīng)用最廣泛的三次樣條插值函數(shù)法。如圖1所示，本發(fā)明實(shí)例包括如下步驟步驟1經(jīng)驗(yàn)?zāi)B(tài)分解。將輸入的交通參數(shù)時(shí)間序列，通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解算法進(jìn)行多時(shí)間尺度分解，得到若干個(gè)本征模態(tài)函數(shù)分量(IMF)和一個(gè)趨勢(shì)分量。時(shí)間序列一般包含隨機(jī)成分、周期成分和趨勢(shì)成分，一般來(lái)說(shuō)交通參數(shù)時(shí)間序列中隨機(jī)成分對(duì)應(yīng)ー些非常態(tài)事件或噪聲，周期成分對(duì)應(yīng)交通參數(shù)變化周期，而趨勢(shì)成分則對(duì)應(yīng)長(zhǎng)期大的變化規(guī)律。經(jīng)過(guò)EMD分解，原序列被分解成若干個(gè)IMF分量和一個(gè)趨勢(shì)分量，IMF1 (第一個(gè)分量)對(duì)應(yīng)隨機(jī)成分，IMF2, IMF3,……IMFn等對(duì)應(yīng)各周期成分，殘差ら對(duì)應(yīng)趨勢(shì)成分。并且IMF1的振幅最大，波長(zhǎng)最短，平穩(wěn)性最差，隨著分解次數(shù)的増加，分量的非平穩(wěn)行為逐漸減小，并且不同分量代表序列在不同時(shí)間周期上的波動(dòng)規(guī)律，更能準(zhǔn)確反映原序列的變化，并保留原序列的本身特征；如圖2所示，經(jīng)驗(yàn)?zāi)B(tài)分解的處理流程，具體包括以下步驟(1)用序列x(t)代表交通參數(shù)時(shí)間序列，t為時(shí)間，初始化令r(t) =x(t)。(2)令h(t) = r(t)，開(kāi)始在中進(jìn)行提取IMF分量的迭代操作。(3)找出序列h(t)中所有的局部極大值點(diǎn)和極小值點(diǎn)。(4)對(duì)所有的極大值和極小值點(diǎn)，通過(guò)三次樣條插值法形成上包絡(luò)線e+(t)和下包絡(luò)線 e_(t)，使 h(t)滿足 e_(t) <h(t) < e+ (t)。(5)計(jì)算上下包絡(luò)線的算木平均值
權(quán)利要求
1.ー種非常態(tài)下基于經(jīng)驗(yàn)?zāi)B(tài)分解和分類(lèi)組合預(yù)測(cè)的交通參數(shù)短時(shí)預(yù)測(cè)方法，其特征在干，包括以下步驟(1)經(jīng)驗(yàn)?zāi)B(tài)本征分解將已經(jīng)預(yù)處理的交通參數(shù)時(shí)間序列用EMD算法分解，得出η個(gè) IMF分量和一個(gè)趨勢(shì)分量，其中η為大于1的自然數(shù)；(2)IMF分量重組分類(lèi)基于EMD濾波特性構(gòu)造濾波器組，分解后的IMF分量呈現(xiàn)由高頻向低頻的篩選過(guò)程，將IMF分量分成高頻濾波、中頻濾波和低頻濾波三部分；(3)分類(lèi)預(yù)測(cè)針對(duì)高頻、中頻、低頻三類(lèi)不同頻率濾波的特點(diǎn)分別使用灰色理論、卡爾曼濾波和自回歸滑動(dòng)平均進(jìn)行預(yù)測(cè)；(4)結(jié)果累加將步驟(3)所述的三部分結(jié)果累加得到下ー時(shí)段實(shí)時(shí)的交通參數(shù)預(yù)測(cè) π果。(5)多步預(yù)測(cè)對(duì)步驟(4)所述的累加結(jié)果和非常態(tài)事件下歷史數(shù)據(jù)庫(kù)中的相似的時(shí)間序列分配權(quán)重，得到最終的交通參數(shù)預(yù)測(cè)結(jié)果和交通參數(shù)的未來(lái)發(fā)展趨勢(shì)。
2.根據(jù)權(quán)利要求1所述的非常態(tài)下基于經(jīng)驗(yàn)?zāi)B(tài)分解和分類(lèi)組合預(yù)測(cè)的交通參數(shù)短時(shí)預(yù)測(cè)方法，其特征在于步驟(1)所述的經(jīng)驗(yàn)?zāi)B(tài)分解算法EMD，在分解的篩選過(guò)程中，采用設(shè)置兩個(gè)連續(xù)的迭代結(jié)果之間的標(biāo)準(zhǔn)差SD，SD的大小取0. 3。
3.根據(jù)權(quán)利要求1所述的非常態(tài)下基于經(jīng)驗(yàn)?zāi)B(tài)分解和分類(lèi)組合預(yù)測(cè)的交通參數(shù)短時(shí)預(yù)測(cè)方法，其特征在于步驟(1)所述的經(jīng)驗(yàn)?zāi)B(tài)分解算法分解得到η個(gè)IMF分量和ー個(gè)趨勢(shì)分量，第一個(gè)IMF分量對(duì)應(yīng)隨機(jī)成分，第一至第η個(gè)IMF分量對(duì)應(yīng)周期成分，趨勢(shì)分量即殘差4對(duì)應(yīng)趨勢(shì)成分。
4.根據(jù)權(quán)利要求1所述的非常態(tài)下基于經(jīng)驗(yàn)?zāi)B(tài)分解和分類(lèi)組合預(yù)測(cè)的交通參數(shù)短時(shí)預(yù)測(cè)方法，其特征在于步驟( 所述的IMF分量重組分類(lèi)過(guò)程中，前面幾個(gè)較高頻率的 IMF分量作為高頻濾波，最后ー個(gè)趨勢(shì)項(xiàng)連同后面幾個(gè)較低頻率的IMF分量作為低頻濾波， 中間幾個(gè)一般頻率的IMF分量作為中頻濾波。
5.根據(jù)權(quán)利要求1或4所述的非常態(tài)下基于經(jīng)驗(yàn)?zāi)B(tài)分解和分類(lèi)組合預(yù)測(cè)的交通參數(shù)短時(shí)預(yù)測(cè)方法，其特征在干高頻濾波部分使用灰色理論進(jìn)行預(yù)測(cè)。
6.根據(jù)權(quán)利要求1或4所述的非常態(tài)下基于經(jīng)驗(yàn)?zāi)B(tài)分解和分類(lèi)組合預(yù)測(cè)的交通參數(shù)短時(shí)預(yù)測(cè)方法，其特征在干中頻濾波部分使用卡爾曼濾波進(jìn)行預(yù)測(cè)。
7.根據(jù)權(quán)利要求1或4所述的非常態(tài)下基于經(jīng)驗(yàn)?zāi)B(tài)分解和分類(lèi)組合預(yù)測(cè)的交通參數(shù)短時(shí)預(yù)測(cè)方法，其特征在于低頻濾波部分使用自回歸滑動(dòng)平均進(jìn)行預(yù)測(cè)。
8.根據(jù)權(quán)利要求1所述的非常態(tài)下基于經(jīng)驗(yàn)?zāi)B(tài)分解和分類(lèi)組合預(yù)測(cè)的交通參數(shù)短時(shí)預(yù)測(cè)方法，其特征在于步驟( 所述的多步預(yù)測(cè)過(guò)程中，將步驟(4)累加得到的下ー時(shí)段實(shí)時(shí)交通參數(shù)預(yù)測(cè)結(jié)果和非常態(tài)事件下歷史數(shù)據(jù)庫(kù)中提取的相似交通參數(shù)時(shí)間序列，分別分配權(quán)重α和1-α，同時(shí)盡量選擇小一點(diǎn)的α值。
全文摘要
一種非常態(tài)下基于經(jīng)驗(yàn)?zāi)B(tài)分解和分類(lèi)組合預(yù)測(cè)的交通參數(shù)短時(shí)預(yù)測(cè)方法，涉及交通信息技術(shù)領(lǐng)域，結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解EMD這種處理數(shù)據(jù)序列的方法，首先將非常態(tài)事件下非平穩(wěn)的交通參數(shù)數(shù)據(jù)序列分解成平穩(wěn)的、多尺度特征的本征模態(tài)函數(shù)分量IMF，然后基于EMD濾波特性構(gòu)造濾波器組，將IMF分量重組為高、中和低頻濾波三類(lèi)，再根據(jù)每組IMF的不同特點(diǎn)分別使用灰色理論、卡爾曼濾波和自回歸滑動(dòng)平均模型進(jìn)行預(yù)測(cè)，然后將各部分結(jié)果累加生成下一時(shí)段交通參數(shù)的實(shí)時(shí)預(yù)測(cè)結(jié)果，最后根據(jù)實(shí)時(shí)的交通參數(shù)預(yù)測(cè)數(shù)據(jù)和非常態(tài)下歷史數(shù)據(jù)進(jìn)行多步預(yù)測(cè)，得到交通參數(shù)最終的預(yù)測(cè)結(jié)果及未來(lái)發(fā)展趨勢(shì)。本發(fā)明對(duì)于非常態(tài)事件下的交通參數(shù)以及未來(lái)變化趨勢(shì)具有更好的預(yù)測(cè)能力。
文檔編號(hào)G08G1/01GK102568205SQ20121000533
公開(kāi)日2012年7月11日 申請(qǐng)日期2012年1月10日 優(yōu)先權(quán)日2012年1月10日
發(fā)明者于德新, 孟娟, 楊兆升, 楊慶芳, 楊楠, 林賜云, 王薇, 鄭黎黎, 高學(xué)英, 龔勃文 申請(qǐng)人:吉林大學(xué)