1.一种在线式实时短时间交通流预测方法,其特征在于,包括以下步骤:步骤一,选定需要进行交通流预测的路段,获取所选路段的短时交通流历史数据,并构建所选路段的短时交通流历史数据库;
步骤二,根据获取的短时交通流历史数据,确定短时交通流预测的预测时段;
步骤三,根据所述的预测时段,确定短时交通流数据的样本周期;
步骤四,根据所述的样本周期,确定在线预测时间样本更新的滑动时间窗口长度,即每次在线预测时所需要使用的交通流历史数据的数量;
步骤五,进行短时交通流的初始预测
首先,根据滑动时间窗口的长度,选择初始短时交通流样本数据,并构成最小二乘支持向量机模型,即LS-SVM模型的初始训练数据集,该训练数据集中的交通流历史数据按时间逆序排列,并根据采样时刻的顺序进行编号;然后,利用所述的初始训练数据集训练所述的LS-SVM模型;最后,利用训练好的最LS-SVM模型进行初始交通流预测;
步骤六,按照滑动时间窗口进行交通流历史数据的更新
在短时交通流历史数据库中,获取一条新的交通流数据,根据该交通流数据的采样时刻确定该数据在滑动时间窗口中的编号;然后,根据确定的编号,删除原滑动时间窗口中对应编号的数据,将新的数据插入到该位置,这样滑动时间窗口就完成了一次数据更新;
步骤七,对所述的LS-SVM模型进行更新,然后进行新一轮的短时交通流预测。
2.如权利要求1所述的所述的在线式实时短时间交通流预测方法,其特征在于,所述的路段短时交通流历史数据是指路段短时交通流量数据,该数据通过公路运营管理部门获取;路段短时交通流历史数据按时间顺序存储,数据中包括数据采集日期、时刻和交通流量值。
3.如权利要求1所述的所述的在线式实时短时间交通流预测方法,其特征在于,步骤二中所述的预测时段为5~15分钟。
4.如权利要求1所述的在线式实时短时间交通流预测方法,其特征在于,步骤五中,滑动时间窗口表示为如下式所示的数据集合:{(xi,yi)|i=1,2,...,M,xi=i} (1)在式1中,xi的下标i表示交通流数据在滑动时间窗口中的编号,其取值范围为1至M,M为滑动时间窗口的长度;xi的值等于其下标i,即xi=i;yi表示滑动时间窗口中第xi号交通流量采样值。
5.如权利要求2所述的在线式实时短时间交通流预测方法,其特征在于,步骤五中,构建的LS-SVM模型表示为:上式中,M为滑动时间窗口长度;预设参数λ取值为1;核函数k(x,xi)采用径向基RBF核函数,ai是Lagrange乘子向量a的第i个元素,x为期望预测的交通流数据的编号,y为预测的编号为x的交通流的值,其中x取值大于M。
6.如权利要求5所述的在线式实时短时间交通流预测方法,其特征在于,所述的公式(2)中,Lagrange乘子向量a的计算公式为:a=(K+λ2E+C-1I)-1Y (4)
上式中,预设参数λ取值为1,规则化参数C取值为4,E为M×M阶的全1矩阵,I为M×M阶单位矩阵,K为M×M阶核函数矩阵,Y=(y1,y2,...,yM)T为滑动时间窗口中的交通流历史数据;
令H=K+λ2E+C-1I,(λ>0,C>0),将H称为核扩展矩阵。
7.如权利要求1所述的在线式实时短时间交通流预测方法,其特征在于,步骤六中,计算新的交通流数据在滑动时间窗口中的编号i'采用以下公式:i'=((n-1)mod N)*T+d (6)
上式中,n表示新的交通流历史数据是第n天的采样数据,N是构建初始滑动时间窗口时选取的连续N天的交通流历史数据,T表示交通流数据的样本周期,d表示新的交通流历史数据的采样时刻编号。
8.如权利要求1所述的在线式实时短时间交通流预测方法,其特征在于,步骤七中对LS-SVM模型进行更新的具体步骤为:设步骤五中得到的核扩展矩阵H的逆矩阵表示为R,则当滑动时间窗口发生一次数据更新后,根据更新数据的编号i',按公式7计算滑动时间窗口发生一次数据更新后Lagrange乘子向量anew:在公式7中,aold表示滑动时间窗口更新前得到的Lagrange乘子向量;R(:,i')表示由矩阵R的第i'列元素构成的列向量; 表示本次数据更新中新加入滑动时间窗口的交通流历史数据采样值; 表示本次数据更新中被替换掉的交通流历史数据采样值;
通过公式7求得Lagrange乘子向量anew后,则在线更新的LS-SVM预测模型可表示为:。