1.一种基于时间序列分解的短时交通流预测方法,其特征在于:通过时间序列分解方法将交通流序列分解为趋势、周期和残差3个成分,再建立合适的模型对这3个成分单独训练并预测,最后将这3个成分的预测结果相加,作为最终的预测结果,其包括以下6个步骤:
(1)选择需要预测的道路断面,采集道路断面的交通流数据;
(2)通过时间序列分解方法,将交通流序列分解为趋势、周期和残差3个成分;
(3)对趋势成分和残差成分建立合适的预测模型,并进行模型训练;
(4)通过动态分解方法,将新观测的交通流数据分解为趋势、周期和残差3个成分;
(5)基于已训练好的预测模型,对趋势、周期和残差3个成分单独预测;
(6)对趋势、周期和残差3个成分的预测结果相加,作为最终的预测结果。
2.根据权利要求1所述的一种基于时间序列分解的短时交通流预测方法,其特征在于:所述交通流历史数据为交通流量、车辆平均速度或其他交通状态指标所组成的时间序列。
3.根据权利要求1所述的一种基于时间序列分解的短时交通流预测方法,其特征在于:步骤二将历史交通流序列分解为趋势、周期和残差3个成分具有以下步骤:
(1)定义采集的交通流序列为y(t),周期长度为c,周期数量为m,则交通流序列y(t)的样本数量为mc,初始化趋势分量t(t)=0,t=1,2,...,mc;
(2)去趋势,用原始交通流序列y(t)减去趋势分量t(t),得到去趋势的时间序列
(3)周期子序列平滑,对每个周期子序列作k为m/2的loess,并分别向前和向后各延展一个周期,即:
对自变量为x=[1,2,3,4,..,m]τ,因变量为周期子序列y=[y(c),y(c+c),y(2c+c),...,y((m-1)c+c))],基于loess求x=[0,1,2,3,4,..,m,m+1]τ时对应的估计值
再把所有周期子序列的loess估计值
其中,周期子序列sc(t)={y(c),y(c+c),y(2c+c),...,y((m-1)c+c))},c=1,2,...,c指在每个周期同一位置组成的时间序列;
(4)周期子序列的低通量过滤,对步骤(c)得到的
(5)去平滑周期子序列趋势,用步骤(c)得到的
计算周期分量,依据步骤(e)得到的f(t),首先计算单个周期的周期分量q(t),t=1,2,...,c
然后把将q(t)扩展c个周期,得到周期分量p(t),t=1,2,...,mc
(6)去周期,用原始交通流序列y(t)减去步骤(e)得到周期分量p(t),得到去周期的时间序列
(7)计算趋势分量,对步骤(f)得到的去周期的时间序列
(8)终止条件判断,若满足终止条件,则执行下一步骤(9),否则继续执行步骤(2)至(7);
(9)计算残差分量,用原始序列y(t)减去趋势分量t(t)和周期分量p(t),得到残差分量r(t),即:
r(t)=y(t)-t(t)-p(t)。
4.根据权利要求1所述的一种基于时间序列分解的短时交通流预测方法,其特征在于:步骤三模型需选择能够实现回归任务的预测模型,如支持向量机、人工神经网络及长短期记忆网络,并使用趋势成分和残差成分分别训练对应的模型,设通过趋势序列和残差序列训练好的模型分别为ft(x)和fr(x)。
5.根据权利要求1所述的一种基于时间序列分解的短时交通流预测方法,其特征在于:步骤四将新观测的交通流数据分解为趋势、周期和残差3个成分,其具有以下步骤:
(1)计算周期分量,根据zt所在周期的位置和单周期分量q(t),计算其周期分量pt;
(2)去周期,用原始观测值zt减去周期分量pt得到去周期数值
(3)计算趋势分量,把
计算残差分量,用原始观测序列zt减去趋势分量tt和周期分量pt,得到残差分量rt,即:
rt=zt-tt-pt。
6.根据权利要求1所述的一种基于时间序列分解的短时交通流预测方法,其特征在于:步骤五对趋势、周期和残差3个成分单独预测,其具有以下步骤:
(1)趋势成分预测,基于权利要求4中训练好的模型ft(x)和权利要求5中动态分解的结果,对趋势成分进行预测:
其中n表示趋势预测模型ft(x)需要输入数据的步长。
并通过回代的方法实现多步向前预测:
…
(2)周期成分预测,由于周期成分具有周期性,依据权力要求3中分解得到的单周期的周期分量q(t),计算周期成分的预测值
同样可以实现多步预测:
…
(3)残差成分预测,与趋势成分预测原理相同,基于权利要求4中训练好的模型fr(x)和权利要求5中动态分解的结果,对趋势成分进行预测:
其中n表示残差预测模型fr(x)需要输入数据的步长。
并通过回代的方法实现多步向前预测:
7.根据权利要求1所述的一种基于时间序列分解的短时交通流预测方法,其特征在于:步骤六对趋势、周期和残差3个成分的预测结果相加,作为最终的预测结果: