一种基于线性灰色卷积模型的城市路网交通流预测方法与流程

本发明涉及交通流预测
技术领域：
，尤其涉及一种基于线性灰色卷积模型的城市路网交通流预测方法。
背景技术：
：交通运输业是国民经济的命脉，随着世界经济的蓬勃发展和汽车工业的日益进步，交通运输业的面貌发生了巨大的改变。交通运输业的高速发展一方面能有效的组织生产，提高城市客货流的有效运转，促进城市经济发展。但也不可避免的带来了一系列的负面影响，机动车辆保有量迅猛增加，城市交通状况日渐恶化，交通拥堵以及能源、环境问题日益严重。在现有道路资源的条件下，要从根本上改变交通拥堵状况，应该综合运用智能交通系统合理地预测交通流数据，向出行者及交通管理部门提供实时、高效、准确的信息，提高交通控制和管理水平，充分发挥全路网的通行能力及运输效率。交通流作为依附在道路上的一种交通现象，目标路段上的交通流时间序列除了在时间维度上遵循自身的变化规律外，还受到道路网内其他路段上交通流的影响。灰色预测模型在交通流预测中研究还属于起步阶段，已提出的交通流预测模型仅从交通流的时间维度考虑，运用单变量的灰色预测模型对路段交通流进行预测，很少从时空维度考虑城市路网中目标路段的交通流预测问题。技术实现要素：基于
背景技术：
中存在的技术问题，本发明提出了一种基于线性灰色卷积模型的城市路网交通流预测方法本发明提出的一种基于线性灰色卷积模型的城市路网交通流预测方法，包括以下步骤：s1、选定待测路段并筛选出与待测路段交通流数据关联性较大的相关路段；s2、基于传统灰色多变量预测模型，建立线性灰色卷积多变量预测模型；s3、根据相关路段的交通流数据，运用线性灰色卷积多变量预测模型对待测路段交通流进行预测。优选的，在步骤s1中，利用灰色关联分析法筛选出与待测路段交通流数据相关联的相关路段。优选的，步骤s1具体包括：选定一个城市路网系统，设定n个路段：其中为城市路网系统x(0)中待测路段，为城市路网中其他路段；设定各路段的交通流数据长度为n，即：根据灰色关联分析法计算其他路段交通流与待测路段交通流的灰色关联度γ，其计算公式如下：其中i＝1,2,…,n，k＝1,2,…,n；ρ为分辨系数，取值0-1；选取灰色关联度较大的路段为相关路段。优选的，步骤s2具体为：定义的一阶累加生成序列为其中由的连续相邻两项构建均值生成序列其中线性灰色卷积多变量预测模型为其中β1为发展系数，βi为驱动系数，μ1k为引入的线性矫正项，μ2为模型参数。优选的，线性灰色卷积多变量预测模型中参数p＝(β1,β1,…βn,μ1,μ2)t可由最小二乘法求得：p＝(btb)-1bty；其中：在初始值下，根据迭代方法得到线性灰色卷积多变量预测模型的时间响应函数其中k＝1,2,...；根据一阶累减运算得到原始序列的预测：本发明提出的一种基于线性灰色卷积模型的城市路网交通流预测方法，首先通过灰色关联分析法计算与待测路段关联度较大的路段作为相关路段，然后通过引入线性校正项，建立线性灰色卷积多变量预测模型，最后代入相关路段交通流数据对待测路段交通流进行预测。本发明针对城市路网交通流的时空特性，首次提出运用线性优灰色卷积多变量预测模型对交通流进行预测，比灰色单变量模型更合理，预测精度更高，是对交通流预测模型的改进和完善。本发明灰色预测模型不需要大量的数据作为预测基础，减少了计算冗杂性、提高了预测速度。此外，考虑了城市路网的时空特性和线性相关性，提高了交通流预测的精度，保证本方法对交通流的实时预测能力和效果。附图说明图1为本发明提出的一种基于线性灰色卷积模型的城市路网交通流预测方法的流程图。具体实施方式参照图1，本发明提出一种基于线性灰色卷积模型的城市路网交通流预测方法包括以下步骤：s1、选定待测路段，利用灰色关联分析法筛选出与待测路段交通流数据相关联的相关路段。具体地，本步骤中，先选定一个城市路网系统，设定n个路段：其中为城市路网系统x(0)中待测路段，为城市路网中其他路段；设定各路段的交通流数据长度为n，即：根据灰色关联分析法计算其他路段交通流与待测路段交通流的灰色关联度γ，其计算公式如下：其中i＝1,2,…,n，k＝1,2,…,n；ρ为分辨系数，通常取值0.5；选取灰色关联度较大的路段为相关路段。下表为长沙市芙蓉区城市路网中各路段交通流流量数据(见表1)：表1各路段交通流流量根据灰色关联度计算结果(见表2)可以看出与路段1关联性较强的路段为路段3和路段6。表2各路段与路段1的关联度路段路段2路段3路段4路段5路段6路段7关联度0.74730.83840.77910.42100.86590.4492s2、基于传统灰色多变量预测模型，建立线性灰色卷积多变量预测模型。具体地，定义的一阶累加生成序列为其中由的连续相邻两项构建均值生成序列其中线性灰色卷积多变量预测模型(ogmc(1,n))为其中β1为发展系数，βi为驱动系数，μ1k为引入的线性矫正项，μ2为模型参数。线性灰色卷积多变量预测模型中参数p＝(β1,β1,…βn,μ1,μ2)t可由最小二乘法求得：p＝(btb)-1bty；其中：在初始值下，根据迭代方法得到线性灰色卷积多变量预测模型的时间响应函数其中k＝1,2,...；根据一阶累减运算得到原始序列的预测：根据步骤s1结算结果，我们选择路段3和路段6作为关联路段。路段中前16个数据用来建立模型，后四个数据用来预测。相应矩阵b和y表示如下：根据最小二乘法得参数p＝(β1,β1,…βn,μ1,μ2)t＝(-0.1467,0.8517,1.0010,-128.2616,-65.7213)t把求得参数带入时间响应函数，再根据一阶累减操作可得最后预测值。s3、根据相关路段的交通流数据，运用线性灰色卷积多变量预测模型对城市路网中待测路段交通流进行预测。本实施方式中，步骤s3具体包括：根据步骤s1计算结果，筛选出路段3和路段6的交通流数据，运用步骤s2中的线性灰色卷积多变量预测模型对城市路网中待测路段交通流进行预测，预测结果为为了说明线性灰色卷积多变量预测模型(ogmc(1,n))的有效性，将其预测结果与传统灰色多变量模型(gm(1,n))、传统灰色卷积模型(gmc(1,n))和其他常见的预测模型：时间序列arima模型，智能bp神经网络进行比较。选用绝对平均百分比误差(mape)作为比较标准，其计算公式如下各个模型数值比较结果见表3。表3数值计算结果原始数据gm(1,n)gmc(1,n)arimabpogmc(1,n)186193.9173.3173.9181.9196.7193176.5175.3177.7183.4192.2175180.9171.6183.9180.7181.2194181.1164.3182.4185.0187.7mape5.728.316.383.773.24本实施方式针对城市路网交通流数据序列的时空相关性，在不需要大量的数据情况下建模，适用于实时的交通流预测，能够有效地提高交通流数据的预测精度。具体地，本发明首先通过灰色关联度计算筛选出与待测路段关联系数较大的路段作为相关路段，然后通过引入线性校正项，建立优化的灰色卷积多变量预测模型，最后根据相关路段的历史交通流流量数据对待测路段交通流流量进行预测。以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。当前第1页12