预测交通流的方法和装置 【技术领域】
本发明涉及智能交通领域，尤其涉及一种预测交通流的方法和装置。
背景技术
交通流的预测是智能交通系统的重要组成部分，它对交通出行、城市或区域交通规划、支撑交通控制系统等都有重要的作用。交通流预测技术能够通过当前已知的交通流数据，合理地推算出未来15分钟内的交通状况，从而智能动态地进行路径规划，指导人们的出行路线。
现有技术中用于预测交通流的方法很多，常用的方法有：回归分析法、时间序列法、神经网络法和卡尔曼滤波法等。
在实现本发明的过程中，发明人发现，由于交通流数据具有复杂性和随机性，并且变化频繁，当采用上述方法进行预测时，在有些交通条件下预测结果不准确、误差较大。
【发明内容】
本发明的实施例提供一种预测交通流的方法和装置，能够更加准确地预测交通流。
为达到上述目的，本发明的实施例采用如下技术方案：
一种预测交通流的方法，包括：
将预先获取的交通流数据分解为一组低频信号和一组以上高频信号；
预测所述低频信号的发展趋势，获取所述低频信号的预测结果；
预测所述高频信号的发展趋势，获取所述高频信号的预测结果；
根据所述低频信号的预测结果和所述高频信号的预测结果进行交通流预测。
一种预测交通流的装置，包括：
分解单元，用于将预先获取的交通流数据分解为一组低频信号和一组以上高频信号；
第一预测单元，用于预测由所述分解单元获得的低频信号的发展趋势，获取所述低频信号的预测结果；
第二预测单元，用于预测由所述分解单元获得的高频信号的发展趋势，获取所述高频信号的预测结果；
第三预测单元，用于根据由所述第一预测单元获取的低频信号的预测结果和由所述第二预测单元获取的高频信号的预测结果进行交通流预测。
本发明实施例提供的预测交通流的方法和装置，通过将交通流数据分解为一组低频信号和一组以上高频信号，从而将一组复杂、随机的交通流数据转变为几组具有一定规律和特性的信号；并对所述低频信号和高频信号分别进行预测，根据所述预测结果进行交通流预测，解决了现有技术中直接对所述交通流数据进行预测而造成的预测结果不准确的问题。本发明的实施例提供的预测交通流的方法和装置，能够更加准确地预测交通流。
【附图说明】
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的预测交通流的方法流程图；
图2为本发明实施例提供的预测低频信号发展趋势的方法流程图；
图3为本发明实施例提供的预测交通流的装置结构示意图一；
图4为本发明实施例提供的预测交通流的装置中分解单元301的结构示意图；
图5为本发明实施例提供的预测交通流的装置中第三预测单元304的结构示意图。
【具体实施方式】
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部地实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了解决现有技术中直接对所获取的交通流数据进行预测而造成的预测结果不准确的问题，本发明实施例提供一种预测交通流的方法和装置。下面结合附图对本发明实施例提供的方法和装置进行详细描述。
如图1所示，本发明实施例提供的预测交通流的方法，包括：
步骤101，将预先获取的交通流数据分解为一组低频信号和一组以上高频信号；
在本实施例中，所述交通流数据是指定路链的一天的交通流数据，是一组一维的离散信号。所获取的交通流数据成分复杂、变化频繁，并且其中包含有许多不同性质的信号，这些不同性质的信号在交通流的预测过程中所起的作用不同，只有区别对待这些不同性质的信号成分，才能提高预测精度。
大量仿真交通流和现实交通流的非线性特征的分析表明，交通流数据在不同的时间频率尺度上具有自相似性和多尺度特性，因此可以将一组包含不同性质信号的交通流数据分解为几组具有特定性质的信号。本实施例中，采用小波分解的方法分解所述交通流数据，将所述交通流数据分解为一组低频信号和一组以上高频信号。其中，所述低频信号为表达原始交通流数据本质变化趋势的基本信号；所述一组以上高频信号为互不相关的波动信号。此外，在对交通流数据进行小波分解之前，还需要选择小波函数，由于同一个工程问题用不同的小波函数进行分解时，所得到的结果有时相差甚远，因此在本实施例中，可以采用经验值，或者采用不断试验的方法来选择小波函数。
步骤102，预测所述低频信号的发展趋势，获取所述低频信号的预测结果；
在本实施例中，由于经过小波分解后得到的低频信号变化稳定，因此可以采用时间序列预测法预测所述低频信号的发展趋势，当然，也可以采用其它的方法进行预测，此处不再一一列举。如图2所示，采用时间序列预测法预测的步骤包括：
步骤201，对所述低频信号进行时间序列平稳化检验；
本实施例中，预测所述低频信号的发展趋势的作用对象应为时间序列平稳的低频信号，因此首先要检验经过小波分解后得到的低频信号是否是平稳的。时间序列平稳的直观含义就是时间序列中不存在任何的趋势性和周期性。按时间序列的统计特性划分，有平稳时间序列和非平稳时间序列两类。其中，所述平稳时间序列又分为严格平稳时间序列和宽平稳时间序列。如果一个时间序列的概率分布与时间无关，则称该时间序列为严格平稳时间序列；如果一个时间序列的一、二阶矩存在，而且在任意时刻，所述时间序列的均值为常数，并且其协方差为时间间隔的函数，则称所述时间序列为宽平稳时间序列。具体到本实施例中，所述时间序列即为经过小波分解后得到的低频信号，只要所述低频信号为宽平稳时间序列，则认为所述低频信号是平稳的，可以对其进行预测，即转入步骤203；如果所述低频信号不满足平稳特性，则在预测之前，还要对其进行平稳化处理，即转入步骤202，使其成为平稳的低频信号。
具体地，判断所述低频信号是否平稳，可以按照低频信号的统计意义来检验；也可以通过绘图从平稳性的直观意义来检验，即观察其数据图是否存在趋势性或周期性，如果没有明显的趋势性或周期性，就认为所述低频信号是平稳的；或者，也可以通过见解反推的方法来检验，例如，自相关函数检验法，偏自相关函数检验法，特征根检验法，参数检验法，和游程检验法等。
步骤202，若所述低频信号不平稳，则对其进行平稳化处理；
在本实施例中，当所述低频信号经过步骤201的检验后，若不符合平稳的条件，则还需要对其进行平稳化处理。具体的平稳化处理的方法有，消除原始序列的趋势项和周期项的方法、差分法、均值函数拟合等。对于完成平稳化处理的低频信号，再次进行平稳化检验，若通过，转入步骤203，若不通过，继续此步骤，直到通过平稳化检验。
步骤203，对满足平稳化条件的低频信号进行模型识别；
本实施例中，进行模型识别的目的就是从平稳时间序列模型中选择一个与所述低频信号相吻合的模型，所述平稳时间序列模型为以下三个：自回归模型(Auto Regression，AR)，滑动平均模型(Moving Average，MA)，自回归滑动平均模型(Auto Regression-Moving Average，ARMA)，下面简单介绍所述三个时间序列模型：
(1)自回归(AR)模型的一般AR模型的数学形式为：
yt＝φ1yt-1+φ2yt-2+…+φpyt-p+εt
其中，φ1，φ2，…φp称为自回归系数，满足平稳性条件，εt为白噪声序列，上式称为是p阶自回归模型，简记为AR(p).
(2)滑动平均(MA)模型的一般MA模型的数学形式为：
其中，称为滑动平均系数，εt为白噪声序列，上式称为是q阶滑动平均模型，简记为MA(q).
(3)自回归滑动平均(ARMA)模型的一般ARMA模型的数学形式为：
其中，φ1，φ2，…φp称为自回归系数，满足平稳性条件，称为滑动平均系数，εt为白噪声序列，上式称为是p阶自回归-q阶滑动平均模型，简记为ARMA(p，q).
从以上定义中可以看出，AR模型和MA模型即为ARMA模型的特例，当p＝0时，p阶自回归-q阶滑动平均模型ARMA(p，q)转化为p阶自回归模型AR(p)；当q＝0时，p阶自回归-q阶滑动平均模型ARMA(p，q)转化为q阶滑动平均模型MA(q)。
对于三类模型AR，MA，ARMA，它们各自的自相关函数和偏自相关函数特点如表一所示，采用这些特点可以进行模型识别。
表一：
模型 AR(n) MA(m) ARMA(n，m) 自相关函数 拖尾 截尾 拖尾 偏自相关函数 截尾 拖尾 拖尾
表一中的拖尾是指模型自相关函数或偏自相关函数随着时滞的增加呈现指数衰减并趋于零，而截尾则是指模型的自相关函数或偏自相关函数在某步之后全部为零。
具体地，如表一所示，如果所述低频信号的自相关函数是拖尾的，偏自相关函数是截尾的，可选用AR模型；如果所述低频信号的自相关函数是截尾的，偏自相关函数是拖尾的，可选用MA模型；如果所述低频信号的自相关函数和偏自相关函数都是拖尾的，可选用ARMA模型。
步骤204，对所选择的模型进行定阶；
在步骤203中确定了模型类型之后，为了建立具体的模型，还需要知道模型的阶数。具体定阶的方法有残差方差图定阶法，F检验定阶法，最佳准则定阶法，以及自相关函数和偏自相关函数定阶法等。例如，采用自相关和偏自相关函数定阶的具体方法为：如果选用的是AR模型，并且低频信号的偏自相关函数在p步以后截尾，则AR模型的阶数为p；如果选用的是MA模型，并且低频信号的自相关函数在q步以后截尾，则MA模型的阶数为q。其它定阶方法在此不再赘述。
步骤205，对所述定阶后的模型进行参数估计；
模型的阶数确定之后，就可以进行参数估计了。主要有三种估计方法：矩估计，极大似然估计和最小二乘估计。最小二乘估计和极大似然估计的精度较高，因而一般称之为模型参数的精估计。而极大似然估计计算方法较为复杂，最后求解的方程皆为非线性方程，很难求解，所以一般可以采用数值算法。方法是，任意给出参数的一组数值，初步估计得到的结果，计算出一个似然函数值；然后，根据一定的法则，再给出参数的一组数值，又计算出一个似然函数值；依此类推，比较似然函数值，选择使似然函数值最大的那组参数。本实施例中采用矩估计法，下面以AR模型为例说明方法：
下式是一零均值的AR(p)模型
yt＝φ1yt-1+φ2yt-2+…+φpyt-p+εt
需要估计的参数是φ1，φ2，…φp。
在模型两边同乘以yt-j，j＞0，可得
ytyt-j＝φ1yt-1yt-j+φ2yt-2yt-j+…+φpyt-pyt-j+εtyt-j
两边取期望，得
Eytyt-j＝φ1Eyt-1yt-j+φ2Eyt-2yt-j+…+φpEyt-pyt-j+Eεtyt-j
由于εt与yt-j(j＞0)不相关，所以Eεtyt-j＝0，因此
rj＝φ1rj-1+φ2rj-2+…+φprj-p，j＞0
其中rj是序列{yt}的自协方差函数，易知序列的自相关函数ρj也满足上述关系式，即
ρj＝φ1ρj-1+φ2ρj-2+…+φpρj-p，j＝1，2，3…
把自相关函数展开成p个方程
ρ1＝φ1ρ0+φ2ρ1+…+φpρp-1
ρ2＝φ1ρ1+φ2ρ0+…+φpρp-2
.
.
.
ρp＝φ1ρp-1+φ2ρp-2+…+φpρ0
上述p个方程，表示了平稳序列的自相关函数与模型未知参数的关系，被称为Yule-Walker方程。
自相关函数可以用样本(即本实施例中的低频信号)自相关函数代替，所以此时的Yule-Walker方程只有p个未知数，解方程可以得到φ1，φ2，…φp的估计值，用矩阵表示
φ^1φ^2...φ^p=1ρ^1...ρ^p-1ρ^11...ρ^p-2............ρ^p-1ρ^p-2...1-1ρ^1ρ^2...ρ^p]]>
对于二阶自回归模型AR(1)，根据上述结果可知
φ^1=ρ^1]]>
对于二阶自回归模型AR(2)，根据上述结果可知
φ^1=ρ^1(1-ρ^2)1-ρ^12φ^2=ρ^2-ρ^121-ρ^12]]>
获得模型的参数后，时间序列预测法所采用的预测模型就建立起来了。
步骤206，检验所述预测模型的合理性；
对于上述步骤建立的预测模型，还需要进行检验，看其是否合理。具体的检验方法可以采用代入法，将其输出结果与已知的结果相比较，如果比较的结果在指定的误差内，则所述预测模型合理，可以用其进行预测；如果比较的结果超出指定误差，则所述预测模型不合理，需要重新建立预测模型，直到建立的预测模型符合要求为止。
步骤207，根据所建立的预测模型预测低频信号的发展趋势。
在本实施例中，可以采用正交投影法，或者条件期望法对所建立的低频信号的预测模型进行预测。由于所述低频信号是经过平稳化以后的低频信号，在平稳化步骤中，消除了趋势项和周期项，所以预测结果只是原低频信号一部分的预测结果。本步骤中，还需要加上所述趋势项和周期项，以获得原低频信号的最终预测结果。
步骤103，预测所述高频信号的发展趋势，获取所述高频信号的预测结果；
本实施例中，由于所述高频信号是非线性的，所以可以选用神经网络预测法来预测高频信号的发展趋势。神经网络是一种新兴的数学建模方法，它具有识别复杂非线性系统的特性，本实施例中选取神经网络模型中的误差反向传播算法(Back Propagation，BP)，一般称为BP神经网络模型，此模型需要通过学习训练才能工作，由信息的正向传播和误差的反向传播两个过程组成。BP模型具体的学习训练过程如下：输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变换能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经过进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进行误差的反向传播阶段。误差通过输出层，按照误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播的过程，是各层权值不断调整的过程，也是神经网络学习训练的过程。此过程一直进行到网络输出的误差减少到可以接受的程度。
对于经过学习训练的、误差可以被接受的BP神经网络模型，可以用来预测经过小波分解后得到的高频信号的发展趋势，即将所述高频信号作为输入数据输入到所述BP神经网络模型中，经所述模型计算后获得输出结果，此结果即为高频信号的预测值。
步骤104，根据所述低频信号的预测结果和所述高频信号的预测结果进行交通流预测。
本实施例中，首先分别设置所述低频信号和所述高频信号的预测结果的权值，根据所设置的权值计算所述低频信号和所述高频信号的预测结果的加权平均值，得到的加权平均值即为最终包含原始交通流信息的预测值。
本发明实施例提供的预测交通流的方法，通过将交通流数据分解为一组低频信号和一组以上高频信号，从而将一组复杂、随机的交通流数据转变为几组具有一定规律和特性的信号；并对所述低频信号和高频信号分别进行预测，根据所述预测结果进行交通流预测，解决了现有技术中直接对所述交通流数据进行预测而造成的预测结果不准确的问题。本发明的实施例提供的预测交通流的方法和装置，能够更加准确地预测交通流。
如图3所示，本发明实施例还提供一种预测交通流的装置，所述装置包括：
分解单元301，用于将预先获取的交通流数据分解为一组低频信号和一组以上高频信号；
本实施例中，采用小波分解的方法分解所述交通流数据，将所述交通流数据分解为一组低频信号和一组以上高频信号。其中，所述低频信号为表达原始交通流数据本质变化趋势的基本信号；所述一组以上高频信号为互不相关的波动信号。
第一预测单元302，用于预测由所述分解单元301获得的低频信号的发展趋势，获取所述低频信号的预测结果；
在本实施例中，由于经过小波分解后得到的低频信号变化稳定，因此可以采用时间序列预测法预测所述低频信号的发展趋势。
第二预测单元303，用于预测由所述分解单元301获得的高频信号的发展趋势，获取所述高频信号的预测结果；
本实施例中，由于所述高频信号是非线性的，所以可以选用神经网络预测法来预测高频信号的发展趋势。
第三预测单元304，用于根据由所述第一预测单元302获取的低频信号的预测结果和由所述第二预测单元303获取的高频信号的预测结果进行交通流预测。
本实施例中，首先分别设置所述低频信号和所述高频信号的预测结果的权值，根据所设置的权值计算所述低频信号和所述高频信号的预测结果的加权平均值，得到的加权平均值即为最终包含原始交通流信息的预测值。
进一步地，如图4所示，所述分解单元301包括：
选取单元3011，用于选取小波函数；
分解子单元3012，用于根据由所述选取单元3011选取的小波函数分解所述预先获取的交通流数据。
进一步地，如图5所示，所述第三预测单元304包括：
设置单元3041，用于分别设置由所述第一预测单元302和所述第二预测单元303获取的低频信号和高频信号的预测结果的权值；
获取单元3042，用于根据由所述设置单元3041设置的权值获取所述低频信号和所述高频信号的预测结果的加权平均值；
第三预测子单元3043，用于根据由所述获取单元3042获取的加权平均值预测交通流。
以上装置的具体实现方法可以参见如图1和图2所示的方法流程图，此处不再赘述。
本发明实施例提供的预测交通流的装置，通过将交通流数据分解为一组低频信号和一组以上高频信号，从而将一组复杂、随机的交通流数据转变为几组具有一定规律和特性的信号；并对所述低频信号和高频信号分别进行预测，根据所述预测结果进行交通流预测，解决了现有技术中直接对所述交通流数据进行预测而造成的预测结果不准确的问题。本发明的实施例提供的预测交通流的方法和装置，能够更加准确地预测交通流。
本发明实施例提供的技术方案，适用于交通流预测系统对城市道路交通流进行预测。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一计算机可读存储介质中，如ROM/RAM、磁碟或光盘等。
以上所述，仅为本发明的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。