基于时间序列模型的节假日长期交通态势预测方法及设备与流程

本发明涉及交通信息分析领域，特别是一种基于时间序列模型的节假日长期交通态势预测方法及设备。

背景技术：

1、随着科技发展，汽车交通运输愈加便利，现有人均汽车的占有量和出行量随着人们生活水平的不断提高而逐渐增加，最终导致道路上出现密集的交通流甚至导致交通拥堵等问题；因此，为了解决道路交通量过载而导致的交通资源分配问题，以及充分发挥智慧交通系统在道路调控上的积极作用，道路交通流的预测方法在交通领域是重要的研究方向。而节假日(包括国定节假日以及国定节假日的前后一天)的日交通流状况常常与非节假日的日交通流状况存在不小的差异，因此捕捉交通流参数与节假日之间的相关性具有显著意义，然而，近年来，大多数关于交通流预测的研究只是基于简单的时间序列方法，并不考虑交通流参数与节假日之间的关系，此外，节假日的日交通流状况与非节假日的日交通流状况也并非一定存在明显的差异，节假日的日交通流状况与非节假日的日交通流状况也有非常相似的可能，目前的研究也缺乏对这一点的考虑。

2、目前，节假日的交通流预测存在以下难点：

3、数据处理难度：由于交通流数据量大、维度高，如何高效地筛选、预处理和组织这些数据成为一个挑战。特别是在高流量的时间段，数据量会非常大，如何快速处理这些数据并提取关键信息是一个难题。

4、模型选择困境：在众多的时间序列预测模型中，如何选择最适合交通流数据的模型是一个难题。不同的模型可能适用于不同的数据特征和预测场景，因此需要进行深入研究和对比分析。

5、特征提取困难：在考虑影响交通流的各种因素时，如何准确地提取和选择与流量密切相关的特征是一个挑战。例如，天气因素对交通流的影响程度是不同的，如何确定哪些天气因素是关键的影响因素是一个难题。

6、预测精度提升困难：提高交通流的预测精度是技术方案的一个重要目标，但如何实现这一目标也是一个挑战。例如，如何确定最佳的预测窗口长度、如何处理异常数据等都是需要解决的问题。

7、总而言之，通过前期数据调研，进行节假日长期交通流预测的相关数据检测点位多、空间范围广，在算力有限情况下的实时预测需要借助空间降维技术。同时，部分数据可用性较差（如细分路段速度、事故事件记录），这要求预测模型能够不依赖相关信息给出可靠预测。对于节假日交通流长期预测，还面临可用历史数据稀缺的问题，这限制了预测模型的复杂性。

8、因此，如今需要一种能处理效率更高，可靠性更强的基于时间序列模型的节假日长期交通态势预测模型，以提高节假日道路通行能力和解决动态拥堵问题。

技术实现思路

1、本发明的目的在于克服现有技术中所存在的精度不足、输入数据要求高以及训练时间长的问题，提供一种基于时间序列模型的节假日长期交通态势预测方法及设备。

2、为了实现上述发明目的，本发明提供了以下技术方案：

3、一种基于时间序列模型的节假日长期交通态势预测方法，包括以下步骤：

4、a：获取待预测区域的检测数据；所述检测数据包括交通数据信息以及路网天气数据；

5、b：将所述检测数据输入到预构筑的节假日交通流长期预测模型；

6、c：输出所述待预测区域的长期交通态势预测结果；所述长期交通态势预测结果包括路网流量长期预测结果以及路段流量长期预测结果；

7、具体的，所述节假日交通流长期预测模型采用sarimax模型架构，其预构筑包括以下步骤：

8、s1：获取历史检测数据，对其进行预处理后生成训练样本集；

9、s2：构建节假日交通流长期预测模型，通过所述训练样本集对其进行模型训练，待模型收敛后输出所述节假日交通流长期预测模型。

10、作为本发明的优选方案，所述s1包括：

11、s11：获取历史检测数据；

12、s12：对所述历史检测数据进行数据筛选；所述数据筛选为筛除数据源初始年份少于预设值的数据源对应的数据信息；

13、s13：对数据筛选后的所述历史检测数据进行数据审核，并根据审核结果进行数据修复或删除；

14、s14：对数据审核后的所述历史检测数据进行数据组织，输出数据矩阵；所述数据组织为判断所述历史检测数据对应的节假日名称及年份，并将所述历史检测数据存为以节假日名称和年份为坐标的数据矩阵；

15、s15：对所述数据矩阵进行重采样，存储为预设时间间隔的数据矩阵；

16、s16：对重采样后的所述数据矩阵进行归一化处理，输出为归一化后的数据矩阵；

17、s17：根据归一化后的所述数据矩阵生成训练样本集；所述训练样本集包括训练集、测试集以及验证集，其数据比例为预设值。

18、作为本发明的优选方案，所述数据审核包括完整性审核、准确性审核以及数据检验；

19、所述完整性审核为审核历史检测数据是否存在缺失；

20、若存在缺失，则根据数据的缺失程度进行补充；

21、具体的，当缺失程度不超过预设时间长度时，对应缺失数据通过前后数据的平均值与历史平均值的均值进行填充；

22、当缺失程度超过预设时间长度时，对应缺失数据通过历史平均值进行填充；

23、所述准确性审核为审核历史检测数据的统计指标是否偏离预设的范围；所述统计指标包括平均值、标准差、最大值、最小值；

24、若偏离，则对应的历史检测数据存在准确性缺陷，根据偏离程度进行修复或删除数据；

25、所述数据检验为对历史检测数据进行白噪声检验、平稳性adf检验以及差分处理；所述白噪声检验采用ljung-box算法，如果p-value小于阈值水平，则判定当前历史检测数据为非白噪声序列，有意义；否则判定当前历史检测数据为白噪声序列，无意义，并删除当前历史检测数据；所述平稳性adf检验用于判断历史检测数据的平稳程度；所述差分处理根据历史检测数据的平稳程度进行差分和季节性差分。

26、作为本发明的优选方案，所述归一化处理采用最小—最大归一化方法，其表达式为：

27、，

28、其中，xstd为归一化后的数据，xi为所述数据矩阵第i个数据，xmin为序列中的最小值，xmax为序列中的最大值。

29、作为本发明的优选方案，所述历史检测数据中的路网天气数据还包括采用pearson相关系数法进行相关性分析处理；所述pearson相关系数法的表达式为：

30、，

31、其中，相关系数r满足|r|≤1，xi为天气数据，yi为流量数据，，分别表示均值。

32、作为本发明的优选方案，所述s2中所述训练样本集还包括包括以下处理步骤：

33、s21：为所述训练样本集内的训练样本设置考虑趋势性的距离权重数组；所述距离权重数组与训练样本距离当前时间的靠近程度成正比；

34、s22：将所述训练样本集中的路网天气数据与所述距离权重数组进行拼接，得到拼接后的训练样本集；

35、s23：对拼接后的所述训练样本集进行归一化处理；所述归一化处理采用最小—最大归一化方法。

36、作为本发明的优选方案，所述节假日交通流长期预测模型还包括影响因子修正，包括以下步骤：

37、获取受影响时间段的历史检测数据，将所述历史检测数据导入所述节假日交通流长期预测模型进行预测，得到预测值；

38、根据预测值与真实值，计算线性回归的斜率和截距，将其作为影响因子；

39、输入待预测的目标数据，将预测结果乘以影响因子中的斜率后加上截距，得到修正后的目标数据预测结果。

40、作为本发明的优选方案，所述节假日交通流长期预测模型的预构筑还包括s3；

41、s3：通过预设的评价函数对所述节假日交通流长期预测模型进行验证，当评价指标不满足阈值要求时返回s2进行模型训练，直至评价指标满足阈值要求。

42、作为本发明的优选方案，所述评价函数包括均方误差、均方根误差、平均绝对误差以及决定系数，其计算公式如下所示：

43、均方误差msn的表达式为：

44、，

45、均方根误差rmse的表达式为：

46、，

47、平均绝对误差mae的表达式为：

48、，

49、决定系数r2的表达式为：

50、，

51、其中，m为数据量，yi为实际值，为预测值，为yi的均值。

52、一种基于时间序列模型的节假日长期交通态势预测设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。

53、与现有技术相比，本发明的有益效果：

54、本发明通过优化数据处理流程，提高处理效率；通过选择sarimax模型，适应复杂交通状况；利用pearson相关性分析方法进行特征选择，准确反映影响交通流的关键因素；结合一次整体预测和滚动预测方式，提高预测精度；同时，采用均方误差（mse）、均方根误差（rmse）、平均绝对误差（mae）、决定系数（r2）等评价指标进行模型验证，确保预测结果的可靠性，为道路管理者提供更有效的决策支持。