專利名稱：非常態(tài)下基于經(jīng)驗?zāi)B(tài)分解和分類組合預(yù)測的交通參數(shù)短時預(yù)測方法
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?zāi)B(tài)分解和分類組合預(yù)測的交通參數(shù)短時預(yù)測方法。
背景技術(shù)：
短時交通參數(shù)預(yù)測是智能交通系統(tǒng)建設(shè)中的核心問題之一，它為先進的交通管理系統(tǒng)(ATMS)制定主動型交通控制策略以及交通出行信息系統(tǒng)(ATIS)進行實時路徑誘導(dǎo)提供了基礎(chǔ)條件。交通參數(shù)預(yù)測是指在時刻t，對下ー決策時刻t+At乃至以后若干時刻的交通參數(shù)做出實時預(yù)測。一般認為t到t+At的預(yù)測時間跨度不超過15min的預(yù)測為短時交通參數(shù)預(yù)測。交通參數(shù)預(yù)測的結(jié)果可以直接送到交通信息系統(tǒng)和交通管理系統(tǒng)中，給出行者提供實時有效的信息，幫助他們更好的進行路徑選擇，實現(xiàn)路徑誘導(dǎo)，以縮短出行時間，減少交通擁堵。就目前來說，我們進行短時交通參數(shù)預(yù)測大致有因果分析預(yù)測、趨勢分析預(yù)測和智能模型預(yù)測三大類定量分析方法，每大類里面包含許多小類，例如歷史平均法、線性回歸模型；時間序列法、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單但適用性差，未能反映交通流的不確定性和非線性，無法克服隨機干擾；卡爾曼濾波法為線性模型，在預(yù)測非線性、不確定性的交通流吋， 性能變差，且每次計算都要調(diào)整權(quán)值，計算量過大；非參數(shù)回歸模型算法簡單清晰，預(yù)測精度高誤差小，有較強的時間強壯性，應(yīng)付非線性和不確定性變化的能力強，但需要大量的流量數(shù)據(jù)來建立樣本數(shù)據(jù)庫，鄰域規(guī)模的確定沒有統(tǒng)ー的方法；人工神經(jīng)網(wǎng)絡(luò)模型可以識別復(fù)雜非線性系統(tǒng)，不需要經(jīng)驗公式，但可轉(zhuǎn)移性差，隱層節(jié)點數(shù)的確立沒有統(tǒng)一方法，只能憑經(jīng)驗試湊，且存在局部極小，收斂速度慢，難以實現(xiàn)在線調(diào)節(jié)?，F(xiàn)在的發(fā)展趨勢是將這些方法恰當?shù)亟M合起來應(yīng)用，即組合預(yù)測方法。但在非常態(tài)事件條件下，道路交通參數(shù)因為其成因的不確定性、發(fā)生時間和地點的隨機性，表現(xiàn)為交通流量、行程時間等交通參數(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，均無法同時滿足預(yù)測精度、適用性和大量歷史數(shù)據(jù)的要求。

發(fā)明內(nèi)容
本發(fā)明目的是針對目前存在的交通參數(shù)時間序列預(yù)測技術(shù)沒有考慮到非常態(tài)事件下交通參數(shù)時間序列的非平穩(wěn)特性特點，提供ー種非常態(tài)下基于經(jīng)驗?zāi)B(tài)分解和分類組合預(yù)測的交通參數(shù)短時預(yù)測方法，對交通參數(shù)時間序列進行平穩(wěn)化處理，再重組分類根據(jù)各類濾波特點分別使用灰色理論、卡爾曼濾波和自回歸滑動平均進行預(yù)測，以提高復(fù)雜交通參數(shù)時間序列的預(yù)測準確率。
3
本發(fā)明為實現(xiàn)上述目的，采用如下技術(shù)方案，具體包括以下幾個步驟1.經(jīng)驗?zāi)B(tài)分解將已經(jīng)預(yù)處理的交通參數(shù)時間序列用EMD算法分解，得出η個 IMF分量和一個趨勢分量，其中η為大于1的自然數(shù)；2. IMF分量重組分類基于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.針對不同頻率的濾波分類預(yù)測(1)對高頻濾波部分，使用灰色理論進行預(yù)測；(2)對中頻濾波部分，使用卡爾曼濾波進行預(yù)測；(3)對低頻濾波部分，使用自回歸滑動平均進行預(yù)測。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)測結(jié)果累加，得到下ー時段實時交通參數(shù)預(yù)測結(jié)果；5.結(jié)合歷史數(shù)據(jù)庫進行多步預(yù)測結(jié)合步驟4所述的下ー時段實時交通參數(shù)結(jié)果和非常態(tài)事件下歷史數(shù)據(jù)庫進行多步預(yù)測，得到更精確的交通參數(shù)預(yù)測結(jié)果和交通參數(shù)的未來發(fā)展趨勢。步驟1所述的經(jīng)驗?zāi)B(tài)分解算法EMD，在分解的篩選過程中，采用設(shè)置兩個連續(xù)的迭代結(jié)果之間的標準差SD的大小取0. 3。步驟1所述的η個IMF分量和一個趨勢分量中，第一個IMF分量對應(yīng)隨機成分，第一至第n個IMF分量對應(yīng)周期成分，趨勢分量即殘差rn對應(yīng)趨勢成分。步驟2所述的IMF分量分類重組，取前面幾個較高頻率的IMF分量作為高頻濾波， 取后面幾個較低頻率的IMF分量及殘差作為低頻濾波，其余中間幾個一般頻率的IMF分量作為中頻濾波。步驟5所述的多步預(yù)測過程中，選取非常態(tài)事件下歷史數(shù)據(jù)庫中與預(yù)測的交通參數(shù)具有相同變化趨勢的時間序列數(shù)據(jù)，作為預(yù)測實時交通參數(shù)變化趨勢的基礎(chǔ)，然后使用歷史數(shù)據(jù)和實時預(yù)測數(shù)據(jù)對未來多個時段的交通參數(shù)進行短時多步預(yù)測，得到最終的下一時段實時交通參數(shù)預(yù)測結(jié)果和未來發(fā)展趨勢。本發(fā)明針對非常態(tài)事件下交通狀態(tài)的實際特點提出了新的預(yù)測方法。根據(jù)交通參數(shù)時間序列的非線性、非平穩(wěn)特性，首先利用經(jīng)驗?zāi)B(tài)分解技術(shù)對時間序列進行平穩(wěn)化處理，在保留時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為高頻濾波中頻濾波和低頻濾波，井根據(jù)各類別的不同特點分別使用了灰色理論、卡爾曼濾波和自回歸滑動平均等方法，能夠更準確地得到相應(yīng)的交通參數(shù)預(yù)測值；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)進行多步預(yù)測，得到最終的下ー時段實時交通參數(shù)結(jié)果和未來發(fā)展趨勢，進一步提高交通參數(shù)預(yù)測的精確度。


圖1是基于經(jīng)驗?zāi)B(tài)分解和灰色理論、卡爾曼濾波、自回歸滑動平均模型及多步預(yù)測模型的交通流量預(yù)測方法流程圖；圖2是對交通流量時間序列進行經(jīng)驗?zāi)B(tài)分解的具體處理流程圖3是對交通流量時間序列進行經(jīng)驗?zāi)B(tài)分解的結(jié)果圖，包括4個IMF分量和一個趨勢分量；圖4是使用灰色理論預(yù)測交通流量的流程圖；圖5是使用卡爾曼濾波預(yù)測交通流量的流程圖；圖6是使用自回歸滑動平均方法預(yù)測交通流量的流程圖；圖7是使用基于實時交通信息的交通參數(shù)短時預(yù)測方法的交通流量預(yù)測值同實測值的比較。
具體實施例方式下面結(jié)合附圖對發(fā)明的技術(shù)方案進行詳細說明本發(fā)明基于經(jīng)驗?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)鍵的一歩是通過信號的極值點擬合信號包絡(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)明實例包括如下步驟步驟1經(jīng)驗?zāi)B(tài)分解。將輸入的交通參數(shù)時間序列，通過經(jīng)驗?zāi)B(tài)分解算法進行多時間尺度分解，得到若干個本征模態(tài)函數(shù)分量(IMF)和一個趨勢分量。時間序列一般包含隨機成分、周期成分和趨勢成分，一般來說交通參數(shù)時間序列中隨機成分對應(yīng)ー些非常態(tài)事件或噪聲，周期成分對應(yīng)交通參數(shù)變化周期，而趨勢成分則對應(yīng)長期大的變化規(guī)律。經(jīng)過EMD分解，原序列被分解成若干個IMF分量和一個趨勢分量，IMF1 (第一個分量)對應(yīng)隨機成分，IMF2, IMF3,……IMFn等對應(yīng)各周期成分，殘差ら對應(yīng)趨勢成分。并且IMF1的振幅最大，波長最短，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間周期上的波動規(guī)律，更能準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?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)時間序列，t為時間，初始化令r(t) =x(t)。(2)令h(t) = r(t)，開始在中進行提取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和極小值點。(4)對所有的極大值和極小值點，通過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?zāi)B(tài)分解和分類組合預(yù)測的交通參數(shù)短時預(yù)測方法，其特征在干，包括以下步驟(1)經(jīng)驗?zāi)B(tài)本征分解將已經(jīng)預(yù)處理的交通參數(shù)時間序列用EMD算法分解，得出η個 IMF分量和一個趨勢分量，其中η為大于1的自然數(shù)；(2)IMF分量重組分類基于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)分類預(yù)測針對高頻、中頻、低頻三類不同頻率濾波的特點分別使用灰色理論、卡爾曼濾波和自回歸滑動平均進行預(yù)測；(4)結(jié)果累加將步驟(3)所述的三部分結(jié)果累加得到下ー時段實時的交通參數(shù)預(yù)測 π果。(5)多步預(yù)測對步驟(4)所述的累加結(jié)果和非常態(tài)事件下歷史數(shù)據(jù)庫中的相似的時間序列分配權(quán)重，得到最終的交通參數(shù)預(yù)測結(jié)果和交通參數(shù)的未來發(fā)展趨勢。
2.根據(jù)權(quán)利要求1所述的非常態(tài)下基于經(jīng)驗?zāi)B(tài)分解和分類組合預(yù)測的交通參數(shù)短時預(yù)測方法，其特征在于步驟(1)所述的經(jīng)驗?zāi)B(tài)分解算法EMD，在分解的篩選過程中，采用設(shè)置兩個連續(xù)的迭代結(jié)果之間的標準差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?zāi)B(tài)分解和分類組合預(yù)測的交通參數(shù)短時預(yù)測方法，其特征在于步驟(1)所述的經(jīng)驗?zāi)B(tài)分解算法分解得到η個IMF分量和ー個趨勢分量，第一個IMF分量對應(yīng)隨機成分，第一至第η個IMF分量對應(yīng)周期成分，趨勢分量即殘差4對應(yīng)趨勢成分。
4.根據(jù)權(quán)利要求1所述的非常態(tài)下基于經(jīng)驗?zāi)B(tài)分解和分類組合預(yù)測的交通參數(shù)短時預(yù)測方法，其特征在于步驟( 所述的IMF分量重組分類過程中，前面幾個較高頻率的 IMF分量作為高頻濾波，最后ー個趨勢項連同后面幾個較低頻率的IMF分量作為低頻濾波， 中間幾個一般頻率的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?zāi)B(tài)分解和分類組合預(yù)測的交通參數(shù)短時預(yù)測方法，其特征在干高頻濾波部分使用灰色理論進行預(yù)測。
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?zāi)B(tài)分解和分類組合預(yù)測的交通參數(shù)短時預(yù)測方法，其特征在干中頻濾波部分使用卡爾曼濾波進行預(yù)測。
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?zāi)B(tài)分解和分類組合預(yù)測的交通參數(shù)短時預(yù)測方法，其特征在于低頻濾波部分使用自回歸滑動平均進行預(yù)測。
8.根據(jù)權(quán)利要求1所述的非常態(tài)下基于經(jīng)驗?zāi)B(tài)分解和分類組合預(yù)測的交通參數(shù)短時預(yù)測方法，其特征在于步驟( 所述的多步預(yù)測過程中，將步驟(4)累加得到的下ー時段實時交通參數(shù)預(yù)測結(jié)果和非常態(tài)事件下歷史數(shù)據(jù)庫中提取的相似交通參數(shù)時間序列，分別分配權(quán)重α和1-α，同時盡量選擇小一點的α值。
全文摘要
一種非常態(tài)下基于經(jīng)驗?zāi)B(tài)分解和分類組合預(yù)測的交通參數(shù)短時預(yù)測方法，涉及交通信息技術(shù)領(lǐng)域，結(jié)合經(jīng)驗?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，再根據(jù)每組IMF的不同特點分別使用灰色理論、卡爾曼濾波和自回歸滑動平均模型進行預(yù)測，然后將各部分結(jié)果累加生成下一時段交通參數(shù)的實時預(yù)測結(jié)果，最后根據(jù)實時的交通參數(shù)預(yù)測數(shù)據(jù)和非常態(tài)下歷史數(shù)據(jù)進行多步預(yù)測，得到交通參數(shù)最終的預(yù)測結(jié)果及未來發(fā)展趨勢。本發(fā)明對于非常態(tài)事件下的交通參數(shù)以及未來變化趨勢具有更好的預(yù)測能力。
文檔編號G08G1/01GK102568205SQ20121000533
公開日2012年7月11日 申請日期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 申請人:吉林大學(xué)