一种基于云模型的交通流平稳序列数据融合预测方法

本发明涉及交通数据处理的，具体为一种基于云模型的交通流平稳序列数据融合预测方法。

背景技术：

1、在当今数据时代，各种信息的数据量急剧增加，来自工业设备、交通运输、天气变化，以及国民经济的数据每天层出不穷，对这些数据变化的掌握显得十分必要，但是变幻莫测的数据经常伴随着随机性和模糊性等特征，如何更加准确地对这些数据进行分析处理，是当前数据挖掘领域研究的一个重要方向。

2、平稳序列是基本上不存在趋势的序列，序列中的观察值基本上在某个固定的水平上波动，虽然在不同的时间段波动的程度不同，但并不存在某种规律，其波动可以看成是随机的。平稳序列是研究其他序列数据的基础，其他序列数据可以看做是平稳序列与其他序列(如趋势序列)的叠加。在研究平稳序列数据的时候，有多种研究策略，从数据的角度来看，常见的方法模型有卡尔曼滤波、时间序列分析、马尔科夫链、神经网络以及一些其他的机器学习方法；从研究事物的领域角度则可以使用其本身的领域模型进行分析，这些方法各有利弊与特点，如何兼顾多种方法并取得较好的预测效果是数据分析时候需要研究的重点。

3、近些年来，随着机动车数量的不断提高，道路交通状况日趋复杂化，交通流特性呈现随时间变化随机性大、区域数据波动性强的特点，呈现出平稳数据的许多特征。

4、云模型是一个定性概念和定量数值之间的不确定转换模型，应用于数据分析过程中，能将随机性和模糊性进行有机结合，自然界中的不确定性从属性角度来说主要是随机性和模糊性，利用云模型的特性进行多种预测方法的融合可以综合提高平稳序列数据预测的鲁棒性。

技术实现思路

1、针对交通流平稳序列数据存在随机性和模糊性等特征，以及现有大部分数据预测方法存在预测性不高、鲁棒性不好等问题，本发明提出—种基于云模型的交通流平稳序列数据融合预测方法，以解决以上问题。为实现上述目的，本发明提供如下技术方案：

2、(s1).根据原始的交通流平稳序列变量x，获取相应的数据集x，按一定比例随机分为训练集x1,x2,…,xr和测试集xr+1,…,xn；

3、(s2).对于训练集序列变量x1,x2,…,xr使用逆向高斯云发生器的方法求解高斯云模型c的数字特征(ex,en,he)；其中，ex代表交通流数据训练集的期望，en代表交通流数据训练集对应的云模型的云滴分散程度，he代表交通流数据训练集对应的云模型的云滴分散程度的不确定性度量；

4、(s3-1).选用某种交通流预测模型k对序列变量x1,x2,…,xr进行求解预测值并使用前述逆向高斯云发生器的方法进行求解该预测值对应的云滴1：其中模型k为能够对交通流平稳序列数据进行预测的模型；

5、(s3-2).选用某种交通流预测模型t(只要该模型能够对交通流平稳数据进行预测即可，例如卡尔曼滤波、回归分析、时间序列分析、马尔科夫链、神经网络等等)对序列变量x1,x2,…,xr进行求解预测值并使用前述逆向高斯云发生器的方法进行求解该预测值对应的云滴2：其中模型t为能够对交通流平稳序列数据进行预测的模型；所述模型t与所述模型k不同；

6、进一步的，步骤(s3-1)和(s3-2)所述选用的某种模型k或t不具有特定的限定条件，均选用能够满足对交通流平稳序列进行预测的宽泛条件的任意模型。

7、进一步的，所述某种交通流预测模型k为以下之一：卡尔曼滤波、回归分析、时间序列分析、马尔科夫链、神经网络。

8、进一步的，所述某种交通流预测模型t为以下之一：卡尔曼滤波、回归分析、时间序列分析、马尔科夫链、神经网络。

9、(s4).对云滴1和云滴2进行云滴确定度的融合，并对融合后的云滴进行云模型的推理，从而得到融合的预测值

10、进一步的，步骤(s4)的云滴确定度融合方法的计算公式为：

11、

12、

13、其中，为融合后的云滴确定度，分别为步骤(s3-1)和步骤(s3-2)使用的两种模型的预测值在高斯云模型c下的云滴确定度，⊕表示基于d-s证据理论的正交和运算，var为中间变量。

14、(s5).对融合的预测值进行决策评估，当大于等于交通流的阈值点max时，则提示未来的i时间点流量过大，会出现堵塞情况，否则，当小于交通流的阈值点max时，则不进行预警提示。

15、本发明的另一目的在于提供一种基于云模型的交通流平稳序列数据融合预测系统，所述基于云模型的交通流平稳序列数据融合预测系统用于执行上述基于云模型的交通流平稳序列数据融合预测的方法。

16、本发明的另一目的在于提供一种计算机可读存储介质，存储一个或多个程序，所述一个或多个程序使得计算机执行上述基于云模型的交通流平稳序列数据融合预测的方法。

17、结合所述的所有技术方案，本发明与现有技术相比具有如下优点：

18、基于云模型的交通流平稳序列数据进行融合预测，不限定云滴确定度融合之前的预测模型的选用，可以使用交通领域常见的可以对平稳序列进行预测分析的模型即可。该方法具有普适性强、综合预测水平高等特点。

技术特征：

1.一种基于云模型的交通流平稳序列数据融合预测方法，其特征在于：该方法包括以下步骤：

2.如权利要求1所述的一种基于云模型的交通流平稳序列数据融合预测方法，其特征在于，步骤(s3-1)和(s3-2)所述选用的某种模型不具有特定的限定条件，均选用能够满足对交通流平稳序列进行预测的宽泛条件的任意模型。

3.如权利要求1所述的一种基于云模型的交通流平稳序列数据融合预测方法，其特征在于，所述某种交通流预测模型k为以下之一：卡尔曼滤波、回归分析、时间序列分析、马尔科夫链、神经网络。

4.如权利要求1所述的一种基于云模型的交通流平稳序列数据融合预测方法，其特征在于，所述某种交通流预测模型t为以下之一：卡尔曼滤波、回归分析、时间序列分析、马尔科夫链、神经网络。

5.如权利要求1所述的一种基于云模型的交通流平稳序列数据融合预测方法，其特征在于，步骤(s4)的云滴确定度融合方法的计算公式为：

6.一种基于云模型的交通流平稳序列数据融合预测系统，其特征在于，所述基于云模型的交通流平稳序列数据融合预测系统用于执行如权利要求1-5任一项所述的方法。

7.一种计算机可读存储介质，其特征在于，存储一个或多个程序，所述一个或多个程序使得计算机执行如权利要求1-5任一项所述的方法。

技术总结本发明涉及一种基于云模型的交通流平稳序列数据融合预测方法，属于交通数据处理的技术领域。本发明首先基于原始的交通流序列变量进行训练集的选取后，对训练集进行云模型的构建，在选用相关的两种预测模型进行预测求解后，使用前件云发生器进行云滴化，分别产生云滴1和云滴2，然后，对云滴1和云滴2进行云滴的确定度融合并进行云模型的推理即产生融合预测的目的，进而对未来的交通拥堵等状况进行预警。该方法不限定云滴确定度融合之前的预测模型的选用，可以使用交通领域常见的可以对平稳序列进行预测分析的模型即可。该方法具有普适性强、综合预测水平高等特点。技术研发人员：董建华受保护的技术使用者：重庆交通大学技术研发日：技术公布日：2024/7/18