一種基于時(shí)空關(guān)聯(lián)數(shù)據(jù)挖掘的交通流預(yù)測(cè)方法
【專利摘要】本發(fā)明屬于交通流預(yù)測(cè)【技術(shù)領(lǐng)域】，具體為一種基于時(shí)空關(guān)聯(lián)數(shù)據(jù)挖掘的交通流預(yù)測(cè)方法。本發(fā)明主要包括預(yù)測(cè)模型建立、時(shí)空關(guān)聯(lián)數(shù)據(jù)挖掘以及基于時(shí)空關(guān)聯(lián)數(shù)據(jù)的交通流預(yù)測(cè)等。預(yù)測(cè)模型可采用多因子線性回歸模型；時(shí)空關(guān)聯(lián)數(shù)據(jù)挖掘是基于多因子線性回歸模型并通過(guò)稀疏表達(dá)的優(yōu)化方法自動(dòng)地選取對(duì)于預(yù)測(cè)目標(biāo)相關(guān)的時(shí)空關(guān)聯(lián)傳感器的數(shù)據(jù)；基于時(shí)空關(guān)聯(lián)數(shù)據(jù)的交通流預(yù)測(cè)是以時(shí)空關(guān)聯(lián)傳感器的數(shù)據(jù)作為預(yù)測(cè)模型的輸入進(jìn)行的預(yù)測(cè)。本發(fā)明從整個(gè)交通網(wǎng)絡(luò)中自動(dòng)地確定與預(yù)測(cè)目標(biāo)節(jié)點(diǎn)的傳感器相關(guān)的時(shí)空關(guān)聯(lián)傳感器，并以時(shí)空關(guān)聯(lián)傳感器的數(shù)據(jù)作為預(yù)測(cè)模型的輸入，全自動(dòng)時(shí)空關(guān)聯(lián)數(shù)據(jù)挖掘提升了預(yù)測(cè)模型的預(yù)測(cè)性能。
【專利說(shuō)明】一種基于時(shí)空關(guān)聯(lián)數(shù)據(jù)挖掘的交通流預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于交通流預(yù)測(cè)【技術(shù)領(lǐng)域】，具體涉及一種基于時(shí)空關(guān)聯(lián)數(shù)據(jù)挖掘的交通流預(yù)測(cè)方法。
【背景技術(shù)】
[0002]近年來(lái)，交通流預(yù)測(cè)技術(shù)一直在智能交通系統(tǒng)(ITS)中發(fā)揮很重要的作用。交通流預(yù)測(cè)技術(shù)能夠幫助通行的個(gè)人進(jìn)行智能的出行路線選擇，也可以為交通管理者提供決策支持。
[0003]早期的一些技術(shù)主要針對(duì)單序列的交通流預(yù)測(cè)?？梢愿鶕?jù)預(yù)測(cè)模型的有無(wú)參數(shù)分為有參數(shù)預(yù)測(cè)模型和無(wú)參數(shù)預(yù)測(cè)模型。在有參數(shù)預(yù)測(cè)模型中，季節(jié)性ARIMA(Autoregressive Integrate Moving Average)模型是應(yīng)用最廣泛的一種方法(見(jiàn)參考文獻(xiàn)[I])。它在基于單時(shí)間序列的交通流預(yù)測(cè)上可以達(dá)到最小的均方誤差(MSE)。而在無(wú)參數(shù)預(yù)測(cè)模型中，最近鄰方法(Nearest Neighbor Method)被認(rèn)為是可替代季節(jié)性ARIMA的方案(見(jiàn)參考文獻(xiàn)[2])，但是最鄰近預(yù)測(cè)方法的預(yù)測(cè)效果依賴于歷史數(shù)據(jù)的質(zhì)量?？傮w來(lái)講，單序列的交通流預(yù)測(cè)方法只考慮了序列自身的特征，忽視了不同序列之間的相互作用和關(guān)系O
[0004]由于交通流的演化是通過(guò)交通網(wǎng)中所有節(jié)點(diǎn)交通流之間的相互作用而形成的，所以在交通流的預(yù)測(cè)中，不同節(jié)點(diǎn)交通流之間的關(guān)系應(yīng)該被考慮進(jìn)去。從而，在近些年基于數(shù)據(jù)時(shí)空關(guān)聯(lián)性的多因子交通流預(yù)測(cè)成為了研究的熱點(diǎn)。目前流行的方法大致有三種:1、狀態(tài)空間模型或卡爾曼濾 波器(見(jiàn)參考文獻(xiàn)[3] );2、神經(jīng)網(wǎng)絡(luò)(Neural Network)等機(jī)器學(xué)習(xí)方法(見(jiàn)參考文獻(xiàn)[4] ) ;3、時(shí)間序列方法,如Vector Autoregressive Moving Average模型(見(jiàn)參考文獻(xiàn)[5]) (VARMA)0而時(shí)空關(guān)聯(lián)數(shù)據(jù)的選取則是進(jìn)行多因子交通流預(yù)測(cè)的必要步驟。在以往的研究中，時(shí)空關(guān)聯(lián)傳感器的選取大部分是根據(jù)人工經(jīng)驗(yàn)手動(dòng)選取目標(biāo)節(jié)點(diǎn)一定鄰近范圍內(nèi)的傳感器。只選取目標(biāo)節(jié)點(diǎn)鄰近范圍內(nèi)的傳感器的數(shù)據(jù)作為與預(yù)測(cè)模型的輸入比較主觀，沒(méi)有反映現(xiàn)實(shí)中數(shù)據(jù)之間真正的時(shí)空關(guān)聯(lián)性，無(wú)法獲得最佳的預(yù)測(cè)性能，基于人工經(jīng)驗(yàn)的方法缺乏適應(yīng)性，很難實(shí)施到大型的交通網(wǎng)中。
[0005]稀疏表達(dá)作為一種數(shù)學(xué)工具最早應(yīng)用于信號(hào)處理領(lǐng)域，被廣泛應(yīng)用于信號(hào)壓縮、圖像去模糊、特征提取等，本發(fā)明提出將其應(yīng)用于面向交通流預(yù)測(cè)的時(shí)空關(guān)聯(lián)數(shù)據(jù)挖掘。稀疏表達(dá)的主要思想為:一個(gè)信號(hào)y可以通過(guò)一個(gè)字典D包含的K個(gè)原子信號(hào)Id1, d2,..., dj,..., dK}的線性組合表示為 y=Dx，其中 y e Rn，dj e Rn，D e RnXK ;或者近似
表達(dá)為y ^ Dx，這里||j-<εη，其中X e Rk為信號(hào)y的表示系數(shù)，稀疏表達(dá)要求通過(guò)盡
可能少的原子信號(hào)來(lái)表示信號(hào)1，即要求線性組合系數(shù)X包含的非零系數(shù)盡可能少，因此，求稀疏解的目標(biāo)函數(shù)可以寫(xiě)作
[0006]
【權(quán)利要求】
1.一種基于時(shí)空關(guān)聯(lián)數(shù)據(jù)挖掘的交通流預(yù)測(cè)方法，其特征在于具體步驟為: Ca)通過(guò)布局到交通網(wǎng)各個(gè)節(jié)點(diǎn)的傳感器采集交通流量的原始數(shù)據(jù)； (b)通過(guò)數(shù)據(jù)預(yù)處理，將采集的原始數(shù)據(jù)處理為有效的交通流數(shù)據(jù)； (C)建立預(yù)測(cè)模型:令
2.根據(jù)權(quán)利要求1所述的預(yù)測(cè)方法，其特征在于步驟(d)所述通過(guò)稀疏表達(dá)優(yōu)化方法要優(yōu)化的目標(biāo)為:

3.根據(jù)權(quán)利要求1所述的預(yù)測(cè)方法，其特征在于步驟(d)所述稀疏表達(dá)優(yōu)化方法要優(yōu)化的目標(biāo)為:
4.根據(jù)權(quán)利要求1所述的預(yù)測(cè)方法，其特征在于步驟(d)所述的稀疏表達(dá)優(yōu)化方法要優(yōu)化的目標(biāo)為:
【文檔編號(hào)】G08G1/00GK103700255SQ201310749807
【公開(kāi)日】2014年4月2日 申請(qǐng)日期:2013年12月30日 優(yōu)先權(quán)日:2013年12月30日
【發(fā)明者】史世雄, 楊夙 申請(qǐng)人:復(fù)旦大學(xué)