【技术实现步骤摘要】
本申请属于智慧交通领域，具体为一种城市道路交通拥堵指数的预测方法。
技术介绍
1、近年来，随着城市现代化进程的不断推进，交通拥堵问题已成为众多城市发展的瓶颈问题。如何有效地分析历史拥堵指数数据，并对拥堵指数进行预测，了解城市交通拥堵的成因和瓶颈区域，为制定针对性的交通管理措施提供数据支持，是当前需要解决的重要问题。
2、在现有的对交通拥堵指数预测的研究中，通常采用统计分析预测模型、非线性理论模型、机器学习预测模型以及组合预测模型四种方法对道路拥堵指数进行预测。尽管现有的研究在拥堵指数预测方面做出很多改善，但仍存在待完善之处。首先，现有研究主要使用单个预测模型或多个机器学习组合模型对道路拥堵指数进行预测，在挖掘拥堵指数复杂波动结构上存在一定的不足之处；其次，传统的非线性回归等方法的预测精度有待提高；此外，现有的预测模型在拥堵指数序列平稳时预测效果较好，但在高峰拥堵指数波动明显的情况下预测精度有待提高。
技术实现思路
1、针对现有技术存在的上述问题，本申请提供一种城市道路交通拥堵指数的预测方法，挖掘数据复杂波动同时准确预测高峰时刻拥堵指数，提高拥堵指数的预测精度，为缓解城市交通拥堵问题提供了一种新的预测方法。
2、为实现上述目的，本申请采用为技术方案：一种城市道路交通拥堵指数的预测方法，包括以下步骤：
3、获取目标路段的拥堵指数数据，分解得到不同频率的固有模态函数和残差项；
4、训练各个固有模态函数分量，得到不同频率的固有模态函数的预测结
5、叠加构建各个子序列的预测结果，集成拥堵指数的预测值；
6、基于评价指标验证预测值，量化预测值与真实值的偏差度。
7、其中，获取目标路段的拥堵指数数据包括：
8、获取目标路段的拥堵指数历史数据，对拥堵指数历史数据进行预处理；
9、对处理数据进行描述性统计分析，得到拥堵指数数据。
10、其中，预处理包括对拥堵指数历史数据的异常值、重复值以及缺失值的处理，描述性统计包括均值、方差、偏度、峰度的分析以及正态性检验和序列自相关性检验。
11、其中，分解得到不同频率的固有模态函数和残差项包括：
12、将n倍相同长度的自适应噪声与原始信号序列相加得到新的信号序列，基于经验模态分解对新序列进行n次分解，平均值为第一特征模态函数；
13、获取第一个边距序列，基于边距序列计算第二特征模态函数；
14、重复计算得到k+1阶段和第k阶段的边际序列和k+1特征模态分量；
15、重复计算直至边距序列的极值点不大于2，得到k个固有模态函数和残差项。
16、其中，新的信号序列xi(t)、第一特征模态函数imf1的表达式为：
17、xi(t)＝x(t)+εωi(t)；
18、
19、其中x(t)是原始信号序列，ε是自适应系数，ωi(t)是噪声序列。
20、其中，第一个边距序列r1(t)、第二特征模态函数imf2的表达式为：
21、r1(t)＝x(t)-imf1(t)；
22、
23、其中，k+1阶段和第k阶段的边际序列rk(t)和k+1特征模态分量imfk+1，
24、表达式为：
25、rk(t)＝rk-1(t)-imfk(t)；
26、
27、其中，k个固有模态函数和残差项表达式为：
28、
29、其中，训练各个固有模态函数分量包括:
30、通过重置门，处理自的权重矩阵wxr得到重置门的输出rt，表达式为：
31、rt＝σ(xtwxr+ht-1whr+br)；
32、其中rt代表t时刻重置门的输出；xt代表当前输入；ht-1代表前一刻的隐藏状态；δ代表sigmoid函数；wxr、whr代表权重参数；br代表偏差参数；
33、通过更新门，将上一层的隐藏状态ht-1的部分数据信息传递到下一层进行训练，表达式为:
34、zt＝σ(xtwxz+ht-1whz+bz
35、其中zt代表t时刻更新门的输出；δ代表sigmoid函数；wxz、whz代表权重参数；bz代表偏差参数；
36、利用t时刻重置门的输出与t-1时刻的隐藏状态进行逐元素相乘，合并计算数值与t时刻的输入，得到候选隐藏状态表达式为：
37、
38、其中代表t时刻候选隐藏状态；wxh、whh代表权重参数；bh代表偏差参数；☉代表按元素乘法；
39、基于更新门zt对ht-1和做组合得到t时刻的隐藏状态ht，表达式为：
40、
41、其中ht-1代表上一时刻的隐藏状态；ht代表当前隐藏状态；代表当前候选隐藏状态；zt代表当前更新门的输出；☉代表按元素乘；
42、根据输入序列不同位置的相关性分配不同的权重，表达式为：
43、
44、其中q代表查询向量；k代表键向量；v代表值向量；
45、其中，评价指标包含决定系数、平均绝对百分比误差以及平均绝对误差。
46、本申请的有益效果：
47、本申请提供了一种城市道路交通拥堵指数的预测方法，获取高质量的拥堵指数数据，准确、全面地捕捉拥堵指数数据的频率特征后，充分利用序列数据的时序信息，提高预测准确度；将各个子序列预测结果进行叠加重构，保持预测结果的一致性和连续性，最终实现挖掘数据复杂波动同时准确预测高峰时刻拥堵指数，提高拥堵指数的预测精度的效果，方法为缓解城市的交通拥堵问题带来全新的发展提高预测准确性，对城市交通管理和规划具有积极的应用价值。
本文档来自技高网...【技术保护点】
1.一种城市道路交通拥堵指数的预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的城市道路交通拥堵指数的预测方法，其特征在于，所述获取目标路段的拥堵指数数据包括：
3.如权利要求2所述的城市道路交通拥堵指数的预测方法，其特征在于，所述预处理包括对所述拥堵指数历史数据的异常值、重复值以及缺失值的处理，所述描述性统计包括均值、方差、偏度、峰度的分析以及正态性检验和序列自相关性检验。
4.如权利要求1所述的城市道路交通拥堵指数的预测方法，其特征在于，所述分解得到不同频率的固有模态函数和残差项包括：
5.如权利要求4所述的城市道路交通拥堵指数的预测方法，其特征在于，所述新的信号序列xi(t)、所述第一特征模态函数IMF1的表达式为：
6.如权利要求4所述的城市道路交通拥堵指数的预测方法，其特征在于，所述第一个边距序列r1(t)、所述第二特征模态函数IMF2的表达式为：
7.如权利要求4所述的城市道路交通拥堵指数的预测方法，其特征在于，所述k+1阶段和第k阶段的边际序列rk(t)和k+1特征模态分量IMFk+1
8.如权利要求4所述的城市道路交通拥堵指数的预测方法，其特征在于，所述K个所述固有模态函数和所述残差项表达式为：
9.如权利要求1所述的城市道路交通拥堵指数的预测方法，其特征在于，所述训练各个所述固有模态函数分量包括:
10.如权利要求1所述的城市道路交通拥堵指数的预测方法，其特征在于，所述评价指标包含决定系数、平均绝对百分比误差以及平均绝对误差。
...【技术特征摘要】
1.一种城市道路交通拥堵指数的预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的城市道路交通拥堵指数的预测方法，其特征在于，所述获取目标路段的拥堵指数数据包括：
3.如权利要求2所述的城市道路交通拥堵指数的预测方法，其特征在于，所述预处理包括对所述拥堵指数历史数据的异常值、重复值以及缺失值的处理，所述描述性统计包括均值、方差、偏度、峰度的分析以及正态性检验和序列自相关性检验。
4.如权利要求1所述的城市道路交通拥堵指数的预测方法，其特征在于，所述分解得到不同频率的固有模态函数和残差项包括：
5.如权利要求4所述的城市道路交通拥堵指数的预测方法，其特征在于，所述新的信号序列xi(t)、所述第一特征模态函数imf1的表达式为：
<...【专利技术属性】
技术研发人员：贾现广，李栋，吕英英，张金科，郭梦毅，瞿洁，方伟杰，苏治文，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：
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。