一種短時(shí)交通流組合預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種短時(shí)交通流組合預(yù)測(cè)方法，特別是涉及一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分 解（EEMD)與BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流組合預(yù)測(cè)方法，屬于智能交通預(yù)測(cè)領(lǐng)域。
【背景技術(shù)】
[0002] 短時(shí)交通流預(yù)測(cè)在智能交通系統(tǒng)中一直是一個(gè)熱門的研究領(lǐng)域，實(shí)時(shí)準(zhǔn)確的交通 流預(yù)測(cè)是交通控制和交通誘導(dǎo)的前提和關(guān)鍵，并且對(duì)緩解城市交通擁堵、避免社會(huì)資源浪 費(fèi)有著重要的意義。
[0003] 目前，建模預(yù)測(cè)短時(shí)交通流的方法很多，常見的模型有：歷史平均模型、時(shí)間序列 模型、卡爾曼濾波模型以及神經(jīng)網(wǎng)絡(luò)模型等，其中歷史平均模型因原理簡(jiǎn)單、運(yùn)算效率高， 適用于交通流量波動(dòng)幅度小的路段，但預(yù)測(cè)精度低，應(yīng)對(duì)突發(fā)交通狀況的能力差；對(duì)于交通 流量波動(dòng)幅度小的路段，時(shí)間序列模型因?qū)崟r(shí)性好、穩(wěn)定性佳，可滿足預(yù)測(cè)要求，但預(yù)測(cè)精 度過于依賴樣本的數(shù)量；卡爾曼濾波模型對(duì)平穩(wěn)狀態(tài)交通流的預(yù)測(cè)精度高，但預(yù)測(cè)精度依 賴于交通流的線性特征，適用于線性非實(shí)時(shí)的在線交通流預(yù)測(cè)；神經(jīng)網(wǎng)絡(luò)模型自適應(yīng)學(xué)習(xí) 能力強(qiáng)、實(shí)時(shí)性好、預(yù)測(cè)精度較高但收斂速度慢，適用于復(fù)雜、多變、非線性的交通流預(yù)測(cè)。 但這些模型大多只考慮了交通流的非線性特性，交通流有許多特性，若只考慮一種特性，其 預(yù)測(cè)的精度有限。
[0004] 此外，由于人們工作作息有周期性，故出行產(chǎn)生的交通流就存在以日、星期、月等 為單位的相似性規(guī)律性，大多數(shù)工作都是基于以日為單位的相似性，較少見到基于長(zhǎng)時(shí)間 尺度衡量的相似性方面的工作。并且，若以相鄰日為單位預(yù)測(cè)重大節(jié)假日的交通流會(huì)產(chǎn)生 很大的誤差，顯然是不可行的。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是：提供一種短時(shí)交通流組合預(yù)測(cè)方法，考慮了交通 流的非線性、非平穩(wěn)性和相似性，并對(duì)節(jié)假日和非節(jié)假日的數(shù)據(jù)樣本做了區(qū)分，從而有效提 高了短時(shí)交通流的預(yù)測(cè)精度。
[0006] 本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：
[0007] -種短時(shí)交通流組合預(yù)測(cè)方法，包括如下步驟：
[0008] 步驟1，預(yù)設(shè)采集周期，并根據(jù)采集周期采集預(yù)測(cè)目標(biāo)點(diǎn)的交通流時(shí)間序列數(shù)據(jù)， 若預(yù)測(cè)目標(biāo)點(diǎn)預(yù)測(cè)當(dāng)天為非節(jié)假日，則采集相鄰至少前三周與預(yù)測(cè)當(dāng)天在一個(gè)星期中位于 同一位置的日期的交通流時(shí)間序列數(shù)據(jù)，若預(yù)測(cè)目標(biāo)點(diǎn)預(yù)測(cè)當(dāng)天為節(jié)假日，則采集相鄰至 少前三年與預(yù)測(cè)當(dāng)天同節(jié)假日的交通流時(shí)間序列數(shù)據(jù)；
[0009] 步驟2,對(duì)上述交通流時(shí)間序列數(shù)據(jù)，用集合經(jīng)驗(yàn)?zāi)B(tài)分解方法分解為若干個(gè)具有 同一特征的固有模態(tài)分量；
[0010] 步驟3,將集合經(jīng)驗(yàn)?zāi)B(tài)分解方法分解后得到的各固有模態(tài)分量用BP神經(jīng)網(wǎng)絡(luò)算 法分別做預(yù)測(cè)，并將各固有模態(tài)分量的預(yù)測(cè)結(jié)果疊加，得到最終預(yù)測(cè)結(jié)果。
[0011] 優(yōu)選的，步驟2所述集合經(jīng)驗(yàn)?zāi)B(tài)分解方法的分解步驟為：
[0012] (1)向步驟1得到的交通流時(shí)間序列數(shù)據(jù)中加入服從正態(tài)分布的白噪聲序列；
[0013] (2)利用經(jīng)驗(yàn)?zāi)B(tài)分解方法將加入白噪聲序列后的新序列分解為多個(gè)模態(tài)分量和 一個(gè)剩余分量；
[0014] (3)重復(fù)步驟（1)和步驟（2)共r次，且每次加入的白噪聲序列的幅值不同；
[0015] (4)將每次分解得到的各模態(tài)分量求和后除以r求整體平均，得到r個(gè)具有同一特 征的固有模態(tài)分量。
[0016] 優(yōu)選的，所述（2)利用經(jīng)驗(yàn)?zāi)B(tài)分解方法將加入白噪聲序列后的新序列分解為多 個(gè)模態(tài)分量和一個(gè)剩余分量的步驟為：
[0017] (21)確定加入白噪聲序列后的新序列中所有的極大值和極小值，采用三次樣條函 數(shù)擬合新序列的上、下包絡(luò)線；
[0018] (22)計(jì)算上、下包絡(luò)線的平均值，判斷新序列減去平均值后的剩余量是否滿足模 態(tài)分量條件；
[0019] (23)若是則該剩余量為第一個(gè)模態(tài)分量，若不是則將該剩余量加入新序列中，重 復(fù)步驟（22)計(jì)算，直至得到第一個(gè)模態(tài)分量；
[0020] (24)將新序列減去第一個(gè)模態(tài)分量后，重復(fù)步驟（21)-步驟（23)，得到第二個(gè)模 態(tài)分量，依次類推，直至剩余分量為單調(diào)函數(shù)時(shí)終止。
[0021] 優(yōu)選的，步驟3所述BP神經(jīng)網(wǎng)絡(luò)算法的步驟為：
[0022] (1)初始化以下網(wǎng)絡(luò)參數(shù)：網(wǎng)絡(luò)閾值、連接權(quán)值、學(xué)習(xí)效率、訓(xùn)練目標(biāo)、最大訓(xùn)練次 數(shù)；
[0023] (2)將步驟1采集到的交通流時(shí)間序列數(shù)據(jù)經(jīng)集合經(jīng)驗(yàn)?zāi)B(tài)分解后得到的固有模 態(tài)分量作為訓(xùn)練樣本，預(yù)測(cè)目標(biāo)點(diǎn)預(yù)測(cè)當(dāng)天的交通流時(shí)間序列數(shù)據(jù)經(jīng)集合經(jīng)驗(yàn)?zāi)B(tài)分解得 到的固有模態(tài)分量作為測(cè)試樣本，進(jìn)行分類；
[0024] (3)將訓(xùn)練樣本輸入BP神經(jīng)網(wǎng)絡(luò)，計(jì)算網(wǎng)絡(luò)預(yù)測(cè)輸出，并計(jì)算其與期望輸出的誤 差；
[0025] (4)根據(jù)誤差修正網(wǎng)絡(luò)權(quán)值，使網(wǎng)絡(luò)預(yù)測(cè)輸出逼近期望輸出；
[0026] (5)判斷BP神經(jīng)網(wǎng)絡(luò)算法是否結(jié)束，若沒有則返回步驟（3)。
[0027] 優(yōu)選的，所述白噪聲序列服從（0,（α ε)2)的正態(tài)分布，其中，α為白噪聲的強(qiáng)度 參數(shù)，ε為白噪聲的標(biāo)準(zhǔn)差。
[0028] 本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：
[0029] 本發(fā)明使用集合經(jīng)驗(yàn)?zāi)B(tài)分解方法分解周期性的交通流序列，降低了序列的非平 穩(wěn)性，再利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，有效地提高了預(yù)測(cè)精度。同時(shí)，不僅考慮了非重大節(jié)假 日（工作日和普通的周末），還對(duì)重大假日（感恩節(jié)和圣誕節(jié)這樣的特殊節(jié)日）的交通流預(yù) 測(cè)做了詳細(xì)說明，該方法不僅能夠挖掘交通流潛在的性質(zhì)而且在高速公路短時(shí)交通流預(yù)測(cè) 上顯示出高的準(zhǔn)確度和可靠性。
【附圖說明】
[0030] 圖1是本發(fā)明短時(shí)交通流組合預(yù)測(cè)方法的流程圖。
[0031] 圖2是實(shí)施例2013. 10. 1~2013. 10. 22中相鄰4個(gè)周二的交通流組成的時(shí)間序 列。
[0032] 圖3是EEMD對(duì)2013. 10. 1~2013. 10. 22中相鄰4個(gè)周二的交通流的分解結(jié)果。
[0033] 圖4 (a)~4 (c)是BP神經(jīng)網(wǎng)絡(luò)對(duì)圖3分解出來的各頂F分量的預(yù)測(cè)結(jié)果中的一 部分。
[0034] 圖5是2013. 10. 24當(dāng)天的預(yù)測(cè)結(jié)果。
[0035] 圖6是2010~2013年感恩節(jié)當(dāng)天的交通流組成的時(shí)間序列。
[0036] 圖7是2010~2013年圣誕節(jié)當(dāng)天的交通流組成的時(shí)間序列。
【具體實(shí)施方式】
[0037] 下面詳細(xì)描述本發(fā)明的實(shí)施方式，所述實(shí)施方式的示例在附圖中示出，其中自始 至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過參 考附圖描述的實(shí)施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對(duì)本發(fā)明的限制。
[0038] 如圖1所示，一種短時(shí)交通流組合預(yù)測(cè)方法的流程如下：
[0039] 針對(duì)預(yù)測(cè)天選擇合適的交通流組成序列，即確定預(yù)測(cè)天是否屬于重大節(jié)假日，然 后選擇適合的數(shù)據(jù)樣本；將目標(biāo)預(yù)測(cè)天的預(yù)測(cè)分為非重大節(jié)假日和重大節(jié)假日預(yù)測(cè)，對(duì)于 非重大節(jié)假日，采用同"星期幾"的交通流數(shù)據(jù)作為數(shù)據(jù)樣本（例如預(yù)測(cè)本周二的交通流即 采用相鄰前三周星期二的交通流數(shù)據(jù)作為數(shù)據(jù)樣本）；對(duì)于重大節(jié)假日，采用同"節(jié)假日" 的交通流數(shù)據(jù)作為數(shù)據(jù)樣本（例如預(yù)測(cè)2013年某點(diǎn)感恩節(jié)的交通流即采用相鄰前三年的 交通流數(shù)據(jù)作為數(shù)據(jù)樣本），節(jié)假日指像感恩節(jié)、圣誕節(jié)這樣的特殊節(jié)假日；非節(jié)假日指一 般的工作日和普通的周末。
[0040] 對(duì)交通流序列進(jìn)行EEMD分解，即短時(shí)交通流在自身和外界因素的干擾下波動(dòng)成 分復(fù)雜，是一種典型的非平穩(wěn)信號(hào)，其中，各成分在交通流變化趨勢(shì)的影響中所起的作用不 同，確定性內(nèi)在信號(hào)決定了交通流變化的總體趨勢(shì)，不確定性的干擾信號(hào)使實(shí)際交通流在 趨勢(shì)線附近呈現(xiàn)大小不一的波動(dòng)。交通流的非線性和非平穩(wěn)特性是影響預(yù)測(cè)效果的主要原 因，對(duì)交通流進(jìn)行一定尺度或波動(dòng)趨勢(shì)的有效分解可降低信號(hào)的非平穩(wěn)性。集合經(jīng)驗(yàn)?zāi)B(tài) 分解改進(jìn)了傳統(tǒng)經(jīng)驗(yàn)?zāi)B(tài)分解方法，有效解決了后者的模態(tài)混疊問題，能最大程度保留真 實(shí)信號(hào)。
[0041] 將交通流數(shù)據(jù)組成的序列Ix (t)}用EEMD分解得到若干具有同一特征的固有模態(tài) (IMF)分量，以及一個(gè)殘余分量rn，其分解步驟如下：⑴向序列Mt)}中加入白噪聲序列； (2)使用經(jīng)驗(yàn)?zāi)B(tài)分解（EMD)將加入白噪聲后的序列分解為若干個(gè)模態(tài)分量cn(t)和一個(gè) 剩余分量^(〇 ;(3)重復(fù)步驟（1)和步驟（2)共r次，每次加入的白噪聲序列的幅值不同； (4)將r次分解得到的各頂F求整體平均，將其作為原信號(hào)的最終頂F分量。
[0042] 對(duì)這些分量用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，得到各分量預(yù)測(cè)結(jié)果，其預(yù)測(cè)步驟如下：（1) 初始化網(wǎng)絡(luò)參數(shù)，包括網(wǎng)絡(luò)閾值、連接權(quán)值、學(xué)習(xí)效率、訓(xùn)練目標(biāo)、最大訓(xùn)練次數(shù)；（2)樣本 分類，把事先準(zhǔn)備好的樣本數(shù)據(jù)分為訓(xùn)練樣本和測(cè)試樣本，訓(xùn)練樣本用于訓(xùn)練網(wǎng)絡(luò)，測(cè)試樣 本用于測(cè)試網(wǎng)絡(luò)預(yù)測(cè)精度；(3)預(yù)測(cè)輸出，把訓(xùn)練樣本輸入網(wǎng)絡(luò)，計(jì)算網(wǎng)絡(luò)預(yù)測(cè)輸出并計(jì)算 其與期望輸出的誤差ε ; (4)權(quán)值修正，根據(jù)誤差ε修正網(wǎng)絡(luò)權(quán)值，使網(wǎng)絡(luò)預(yù)測(cè)值逼