【技术实现步骤摘要】
本专利技术属于交通流预测，涉及一种短时交通流偏灰色预测方法。
技术介绍
1、智能交通系统(its)已成为现代交通快速发展环境中的革命力量，被认为是一种能够有效缓解城市交通拥堵问题的系统。短时交通流预测一直是大多数智能交通系统研究和应用不可或缺的一部分。然而，由于数据复杂度和大数据的日增，以及交通状况的随机和动态性，使得短期交通流预测非常具有挑战性。精准的短时交通流预测不仅能提高交通管理效率和出行者体验，还能推动its的发展以及降低突发事件的负面影响等。因此，如何提高短时交通流预测的精度对its帮助管理和减少交通拥堵至关重要。
2、现有的交通流预测模型在实际道路数据应用中都取得了不错的效果。对当前所提出的交通流预测模型进行总结分析，可大致分为统计模型、机器学习模型、深度学习模型、灰色预测模型等。统计模型通过对大量的历史交通数据进行统计分析，提取潜在的关联规律和特征，进而预测未来的交通流量信息。在人工智能兴起之前，交通流预测方法已经逐渐从传统的统计模型转向计算智能，其中机器学习(ml)技术较为突出，相比于统计模型更擅长处理多变量数据和更能捕获复杂数据关系。随着交通数据量和计算能力的指数级增长，深度学习(dnn)近年来也广泛地应用于短期交通预测。
3、短时交通流具有随机性、非线性、周期性、不确定性等特点，统计模型、机器学习及其深度学习方法在预测短时交通流的时候可能会存在难以训练数据，难以理解模型和数据依赖性强等问题。灰色预测模型可以解决数据质量不高导致的不确定性问题，但现有的灰色预测模型基本都是以单个时间序列作
技术实现思路
1、有鉴于此，本专利技术的目的在于动态分析流量和速度的关系，将交通流量和速度的关系引入一阶连续介质方程中，用矩阵序列代替点序列并在矩阵序列的基础上，建立相应的偏微分方程模型。通过微分与差分之间的差异信息，提出一种短时交通流偏灰色预测方法，提高模型的预测精度并将新模型应用到短时交通流模拟和预测中。
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种短时交通流偏灰色预测方法，包括以下步骤：
4、s1：输入通过一个路段的车流量q(0)和速度u(0)的原始矩阵序列；
5、s2：对原始矩阵序列进行处理，计算一阶累加生成序列q(1)和u(1)，计算一阶累加序列q(1)的偏导数；
6、s3：构造短时交通流偏灰色预测模型tfdmpgm(1,2)r，并构造矩阵b、y，计算参数估计向量的值；
7、s4：计算模拟值和预测值
8、s5：通过平均绝对百分比误差mape来检验预测效果；
9、s6：如果模拟结果通过误差检验，则采用迭代递推的方法对未来趋势进行预测，反之则返回步骤s1。
10、进一步，步骤s1中通过一个路段的车流量为q(0)，速度为u(0)均为n个m×m阶矩阵，表示如下：
11、q(0)＝(q(0)(1),q(0)(2),...,q(0)(n))
12、u(0)＝(u(0)(1),u(0)(2),...,u(0)(n))
13、其中
14、
15、
16、其中k＝1,2,...,n，是矩阵q(0)(k)的第i行第j列，是矩阵u(0)(k)的第i行第j列。
17、进一步，所述步骤s2包括以下内容：
18、令q(1)(k)是原始序列q(0)(k)的累加生成序列，令
19、q(1)＝(q(1)(1),q(1)(2),...,q(1)(n))
20、其中
21、
22、是矩阵q(1)(k)的第i行第j列，i,j＝1,2,...,m,k＝1,2,...,n；令u(1)(k)是原始序列u(0)(k)的累加生成序列，令
23、u(1)＝(u(1)(1),u(1)(2),...,u(1)(n))
24、其中
25、
26、是矩阵u(1)(k)的第i行第j列；
27、令和是q(1)(k)在水平和垂直方向上的偏导数矩阵序列，则有
28、
29、
30、其中是的第i行第j列，是的第i行第j列。
31、进一步，步骤s3具体包括以下步骤：
32、构造短时交通流偏灰色预测模型tfdmpgm(1,2)r为：
33、q(0)(k)+k1u(0)(k)+k2q(1)(k)qx(1)(k)+k3q(1)(k)qy(1)(k)＝u(1)(k)(aru(1)r(k)+ar-1u(1)r-1(k)
34、其中下标r表示多项式g(x,t)的最高次数，k1,k2,k3,ar,ar-1,…a1,a0为参数估计变量，μ为m×m阶常数矩阵：
35、
36、tfdmpgm(1,2)r模型的白化偏微分方程为：
37、
38、tfdmpgm(1,2)r模型的最小二乘法估计参数向量：
39、
40、满足
41、
42、其中，b是m2n×(r+4+n2)阶的矩阵，y是m2n×1的矩阵：
43、
44、
45、在矩阵b中，分别是q(1)(k)，u(0)(k)的第i行第j列，在矩阵y中，是矩阵q(0)(k)的第i行第j列。
46、进一步，步骤s4中，根据tfdmpgm(1,2)r模型的时间响应序列，模拟和预测矩阵序列，得到模拟值和预测值
47、
48、本专利技术的有益效果在于：
49、1.从交通流动力学中的一阶连续介质方程出发，探讨交通流量和速度的动态关系，考虑交通流数据的时空特性，建立新的关于交通流流量和速度的动态偏微分方程，此方程不仅充分捕捉数据中的细节和特征，还赋予其结构上的优势，提高了模型的稳定性。
50、2.从灰色预测模型的建模机理出发，结合灰色差异性信息与偏微分方程的特性，建立一种新的交通流量和速度变量关系的多变量偏灰色预测模型，此模型考虑了交通流数据的时空特性，提高了模型的预测精度，拓宽了灰色预测模型的结构和适用范围。
51、3.从模型的应用出发，交通流数据具有周期性和时空性，将新模型应用到高速公路的短期交通流量预测中。通过四个案例六种对比模型选择以周、天为周期的数据说明模型的有效性，其拟合效果都表明新模型可以有效地预测了短期交通流量的发展趋势，并且模型展示出了良好的稳定性，能够为交通管理提供可靠和有用的信息。
52、本专利技术的其他优点、目标和特征在某种程度上本文档来自技高网...
【技术保护点】
1.一种短时交通流偏灰色预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的短时交通流偏灰色预测方法，其特征在于：步骤S1中通过一个路段的车流量为q(0)，速度为u(0)均为n个m×m阶矩阵，表示如下：
3.根据权利要求1所述的短时交通流偏灰色预测方法，其特征在于：所述步骤S2包括以下内容：
4.根据权利要求1所述的短时交通流偏灰色预测方法，其特征在于：步骤S3具体包括以下步骤：
5.根据权利要求1所述的短时交通流偏灰色预测方法，其特征在于：步骤S4中，根据TFDMPGM(1,2)r模型的时间响应序列，模拟和预测矩阵序列，得到模拟值和预测值
【技术特征摘要】
1.一种短时交通流偏灰色预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的短时交通流偏灰色预测方法，其特征在于：步骤s1中通过一个路段的车流量为q(0)，速度为u(0)均为n个m×m阶矩阵，表示如下：
3.根据权利要求1所述的短时交通流偏灰色预测方法，其特征在于：所...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。