基于灰熵分析和改进贝叶斯融合的交通流预测方法
【技术领域】
[0001] 本发明涉及一种基于灰熵分析和改进贝叶斯融合的短时交通流的预测方法，属于 交通流预测技术领域。
【背景技术】
[0002] 近年来，随着国民经济的迅速发展和人们生活水平的不断提高，机动车辆快速 增长，交通堵塞和交通事故频繁发生，交通问题日益严峻。为提高交通系统运行的有 序性和可靠性，实现交通运输服务的智能化监控和管理，智能交通系统（Intelligent Transportation System, ITS)显得尤为重要，它已经成为当前交通领域的前沿技术之一。
[0003] 目前在交通流预测中广泛应用的有4种：历史平均模型、时间序列模型、神经网络 模型以及非参数回归模型。但是这4中方法都存在一定的不足：历史平均模型不能应付突 发事件，当交通流短时间内变化较大时达不到很好的预测效果，时间序列模型初始化过于 复杂，神经网络模型的训练过程也较为复杂，非参数回归模型在寻找近邻关系时计算量较 大，由此可见目前的交通流预测方法还存在一定的不足，此外针对交通流的不确定性，单一 的预测模型在不同时刻不能达到很好的预测效果，这些都给传统的交通流预测带来了极大 的挑战。
【发明内容】
：
[0004] 本发明提供了一种基于灰熵分析和改进贝叶斯融合的交通流预测方法。
[0005] 本发明的具体技术方案如下：
[0006] 首先根据历史交通流量分别建立线性最小二乘线性回归模型以及径向基函数 (RBF)神经网络模型来进行交通流量预测；
[0007] 其次考虑交通流量之间的关联度，根据灰熵分析计算预测交通流量与历史交通流 量关联度等级，并选取关联度等级较高的历史交通流量作为预测模型的输入数据，根据输 入数据获得每个预测模型的预测值；
[0008] 接着结合传统贝叶斯融合的方法及最相关的历史交通流量，计算每个预测模型在 预测该时刻交通流量时的权重，最终获得该时刻的预测交通流量，实现短时交通流的预测。
[0009] 本发明相比现有技术具有如下优点：
[0010] 1、本发明所构建的预测模型能充分利用线性最小二乘回归模型和径向基（RBF) 神经网络模型的优势，能够最大程度地适应复杂变化的交通流环境。线性最小二乘回归模 型在车流量变化不大的条件下预测较为准确，而径向基（RBF)神经网络模型在车流量变化 较大的早、晚高峰条件下预测较为准确，综合二者的优点，本发明可以在交通流复杂变化的 条件下取得良好的预测效果。
[0011] 2、本发明考虑历史交通流量与预测交通流量的关联度，选取最相关的历史交通流 量来作为输入数据，克服了传统贝叶斯融合中将所有历史交通流量作为输入数据的问题而 导致的计算量过大和预测精确性不高的问题。
【附图说明】：
[0012] 图1基于灰熵分析和改进贝叶斯融合的交通流预测方法流程图。
[0013] 图2本发明与线性最小二乘线性回归模型以及RBF神经网络模型结果对比图。
【具体实施方式】：
[0014] 如图1所示，本发明基于灰熵分析和改进贝叶斯融合的交通流预测方法具体过程 如下：
[0015] 首先，规定在t时刻前15分钟内记录通过的总的车辆数为t时刻的交通流量，每 隔15分钟记录一次,则t-Ι时刻的交通流量表示t时刻前30分钟到前15分钟内记录通过 的总的车辆数，一般情况下，t时刻的交通流量与之最近的几个时间段内的交通流量关联性 比较大。
[0016] 步骤1 :根据观测得到的历史数据，建立预测模型
[0017] 选取上、下班高峰期、工作日以及非工作日具有代表性的时刻记录下其预测交通 流量（观测得到）以及前5个的历史交通流量，用于模拟车流量变化不大以及车流量变化 较大条件下交通流量的预测，这样获得预测交通流量集合Z = {z (a)，a = 1，2,…，7}，表示 7个具有代表性的时刻的预测交通流量，其次，记录下与之相对应历史交通流量集合为X = {X (a), a = 1，2,…，7}，其中 X (a) = U1 (a), x2 (a), x3 (a), x4 (a), x5 (a)}，表示预测流量z (a) 之前5个时刻历史交通流量，
[0018] I. 1建立线性最小二乘回归模型
[0019] I. I. 1根据最小二乘法的原则，建立线性方程组^ = 0 + + 其中 5s表示计算所得预测的交通流量，（X1, X2，…，X5)表示该预测交通流量前5个时刻的历史交 通流量，（c, Id1, b2，…，b5)待求参数；
[0020] I. 1. 2计算每个观测到的预测交通流量与线性最小二乘回归模型预测到的交通流 量的误差值 E (a)，= ζ(α)-夕(G);其中 a = 1,2,…，7，
[0021] I. 1. 3待求参数的求解，首先计算所有误差值E(a)的平方和，即
【主权项】
1.基于灰赌分析和改进贝叶斯融合的交通流预测方法，其特征在于，规定在t时刻前 15分钟内记录通过的总的车辆数为t时刻的交通流量，每隔15分钟记录一次，则t-1时刻 的交通流量表示t时刻前30分钟到前15分钟内记录通过的总的车辆数； 步骤1 :根据观测得到的历史数据，建立预测模型 选取上、下班高峰期、工作日W及非工作日具有代表性的7个时刻记录下其预测交通 流量（观测得到）W及前5个时刻的历史交通流量，用于模拟车流量变化不大W及车流量 变化较大条件下交通流量的预测，该样获得预测交通流量集合Z = {z (a)，a = 1，2,…，7}， 表示7个具有代表性的时刻的预测交通流量，其次，记录下与之相对应历史交通流量集合 为 X =找(a)，a = 1，2,…，7}，其中 X (a) = (xi (a)，X2 (a)，X3 (a)，X4 (a)，Xs (a)}，表示预测 流量z (a)之前5个时刻历史交通流量， 1. 1建立线性最小二乘回归模型 1. 1. 1根据最小二乘法的原则，建立线性方程组y支=仁+ 6片1+&2义2 + -' + &5乂5,其中束 表示计算所得预测的交通流量，（XI，X,，…，xg)表示该预测交通流量前5个时刻的历史交通 流量，（C, bi, b2,…，bg)待求参数； 1. 1.2计算每个观测到的预测交通流量与线性最小二乘回归模型预测到的交通流量 的误差值 E(a)，= (")-v(");其中 a= 1，2,…，7， 1. 1. 3待求参数的求解，首先计算所有误差值E(a)的平方和，即
接着利用最小二乘原理，对上述 公式待求参数（C，bi，b2，一b5)求偏导，保证误差的平方之和达到最小，
1.2建立径向基函数（RB巧神经网络模型进行预测 将预测交通流量前5个时刻的历史交通流量作为输入数据，则RBF神经网络的输入层
由5个神经元组成，每组历史交通流量对应一个预测交通流量，则RBF神经网络的输出层由 1个神经元组成， 1.2. 1根据K-均值聚类算法求取径向基函数的中也，首先从历史交通流量集合X中选 取3个样本数据作为RBF神经网络的初始聚类中也C。(e = 1，2, 3)，其次把输入数据X按照 最邻近原则分配给聚类中也C。的聚类集合0。(曰=1，2, 3)，该种分配原则满足W下条件；屯 =mini |X(a)-c」I，（a = 1，2, 3, 4, 5, 6, 7, e = 1，2, 3)，de表示输入数据与聚类中也的最小 距离，接着计算每个聚类集合9。中数据的平均值作为新的聚类中也，
其 中C"。表示新的聚类中也，M。表示聚类集合0。中输入数据X(a)的个数，最后根据C"。的 值是否变化来判断聚类中也位置是否变化，如果聚类中也位置变化则继续按照最近邻原则 分配输入数据，计算新的聚类中也直至聚类中也位置不再发生变化，得到最终的聚类中也C =(C。〇2, 〇3) T, 1.2.2根据平均距离法计算RBF网络的径向基函数的宽度向量F= (fl，f2，f3)T，其中 fi= min{| |c 1-C2I I，Mci-CsM}，表示第1类聚类中也与其最近邻聚类中也的距离，f2= mi n{ I I C2-C11 I，I I C2-C3II}，表示第2类聚类中也与其最近邻聚类中也的距离，fs= min{ I I c广 Cl II，II C3-C2II }，表示第3类聚类中也与其最近邻聚类中也的距离， 1.2.3 计算RBF神经网络隐含层的径向基向量H = (hi，h2，h3)T，
其中，e = 1，2, 3, I I ? I I表示欧式范数，X(a)表示输入数据，C。表