文摘

与在节假日高速公路免费政策的实施,在高速公路上交通堵塞成为一个普遍现象。为了缓解交通压力,放假期间交通流预测已成为一个十分关注的问题。本文提出一种混合预测方法结合离散傅里叶变换(DFT)和支持向量回归(SVR)。提取交通流数据的共同趋势利用DFT通过设置适当的阈值,由极端的历史趋势外推预测。SVR方法应用于预测剩余系列。实验结果与测量数据收集中国江苏省的收费站的表明,该算法具有较高的精度与传统方法相比,它是一种有效的交通流预测方法在节日期间。

1。介绍

随着社会经济的快速发展,目前大规模道路基础设施仍然无法满足人们的旅游需求1- - - - - -5),交通拥堵已经成为一个普遍现象在高速公路。特别是在节假日高速公路经常变成停车场。假期的时候要解决交通拥堵的问题,智能交通系统(ITS)被广泛实施。交通流预测是基本的,它需要以下前提条件:交通指导、规划和控制。交通流是影响人们的意愿去旅行,天气,和许多其他因素。实施一些政策也导致了更多的交通流量的急剧改变,如汽车自由电荷在7个席位在重要的节日在中国,这使得交通流预测更加困难。此外,人们的旅行是更多的休闲和旅游在假期里,这使得交通流的一些成分的变化。乘用车流增加明显,而卡车流量在一定程度上减少。尤其是交通流在景区急剧增加,和偶尔的交通拥挤经常发生,导致交通流量数据变得更随机。交通流分布在假期里显然是不同于那些在工作日。 However, most of the existing prediction models are mainly aimed at workdays, and there are relatively few prediction models aimed at the holidays. To improve transportation operation efficiency, accurate traffic flow prediction during the holidays has become a problem of great concern.

交通流预测是一个复杂的问题。提出了大量的算法在过去的几年里。现有预测方法基本上可以分为以下三个类别:参数方法,非参数方法和混合方法。参数的方法包括历史平均水平(HA)方法,自回归移动平均(ARIMA)[方法6,7),季节性自回归综合移动平均法(SARIMA) [8- - - - - -10),卡尔曼滤波器(KF) [11,12]。非参数方法包括人工神经网络(ann) [13- - - - - -17), - - - - - -最近邻(资讯)18- - - - - -22),支持向量回归(SVR) [23,24),和贝叶斯模型25,26]。混合方法主要结合了参数方法与非参数方法(27- - - - - -35]。Vlahogianni et al。36)总结了现有的交通流预测算法,和读者感兴趣的细节模型应用于交通领域的预测可能是指他们的评论论文作为参考。

交通流数据呈现一定的规律性,这使得它可以预测交通流量。为了提高交通流预测的准确性,它是一种非常有效的方法将交通流数据分解成不同的组件。有各种方法来检索不同的组件在交通流数据,包括简单的平均趋势(37),主成分分析(38),经验模态分解(EMD) [39,40[],小波方法41),光谱分析方法(42,43),和低通滤波器(44]。由于交通流数据的特征是随机和高度非线性模式在节日期间,现有的交通流分解方法不能实现良好的性能,传统的预测方法,很难适用于交通预测。由于经济环境的影响,交通流数据几乎是逐年增加的。虽然年增长率是不一样的,有一定的随机波动,交通流数据变化的趋势分量相同的法律规定但略逐年增加。为了提高交通流预测的准确性,是非常必要的组件在交通流数据提取趋势。李等人。45,46)讨论了流量时间序列的趋势建模和解释消除趋势的好处。

尽管戴et al。47)专门研究了交通流在假期期间,他们专注于假日交通流的调查从空间和时间方面。ANN模型被用来预测交通流,但这种方法不针对节日期间交通流的特点,它仍属于传统的预测模型,它不能满足实际工程的要求。本文提出一种混合预测方法结合离散傅里叶变换(DFT)和支持向量回归(SVR)。交通流时间序列分解为一个共同的趋势和高频剩余时间序列。共同的趋势是提取DFT算法通过设置适当的阈值。共同趋势反映了内生特性,这大约是静止的。通过极端的历史趋势外推法,常见的交通流时间序列预测趋势。剩余系列,其中包括波动和破裂,反映了依赖环境特征。见陈et al。48和李et al。49),破裂的存在为预测模型带来困难。本文提出了一个方法来识别和预处理破裂,估计和预测剩余系列由SVR。最后,下一个假期是交通流预测相结合的共同趋势的预测结果剩余系列。测试结果与交通数据收集来自中国江苏省的收费站,表明,算法具有优越的精度。

本文的其余部分组织如下。部分2让细节混合交通基于混合DFT和SVR预测方法。节3,介绍了数据集用于我们的数值实验,结果与不同的预测算法。最后,结论和未来的研究方向给出了部分4。

2。方法

交通流数据变化更加剧烈和随机,使预测更加困难。本文混合预测方法在节日期间提出了基于DFT和SVR。交通流数据是由常见的趋势和高频剩余时间序列。交通流时间序列从时域转换到频域,DFT和趋势是通过设置适当的阈值提取。除了自然增长的交通流在假日期间,组件的变化趋势基本上是相同的。因此,这一趋势组件由极端的历史趋势外推预测。定义残余的波动和破裂。的均值和方差波动是稳定的,但突然有很大的随机性。破裂的剩余组件预处理,然后剩余与SVR预测。得到最终的预测结果结合残留的趋势预测结果。 Our approach is summarized in Figure1。


图1
预测方法的流程图。
2.1。用DFT交通流时间序列的分解

交通流时间序列分解的目的是提取趋势和残留,可以提高预测精度。假设交通流量数据采样 天假期可以写成一个系列: 在哪里 样品的时间间隔, 是一天的数据大小,如果 是 ,然后 。 样本数据长度吗 一天假期。

时间序列的频谱 交通数据的DFT可以表示为 在哪里 是 th的样本 , 的频谱是吗 ,和 虚数单位。

设定一个阈值 消除高频变化,和交通流数据的共同趋势 可以提取。 在哪里 是 样本的共同趋势 。

然后,交通流数据分解成共同趋势的总和 和剩余 :

2.2。共同趋势的预测

组件的趋势代表了交通流数据的规律变化。上班族越来越认真的生态影响,和即将到来的年变化趋势吸引了更多的关注。为假期,交通流数据变化的趋势分量相同的法律规定但略逐年增加。增量也基本相同,但在西方国家有一点区别。因此,这一趋势组件是由极端的历史趋势外推预测。

假设 是一种常见的趋势在连续吗 年,最大值 组件的趋势 可以表示为

增量的最大值 可以计算(7),

进行回归分析 ,和获得的回归方程 在哪里 和 回归系数, 是时间变量, 是趋势分量的比例系数最大值与去年相比。

预测的趋势成分 年计算直接与观察到的连续交通流 年。 在哪里 计算出的比例系数(8), 组件的趋势在吗 的一年。

2.3。预测的剩余组件
2.3.1。预测预处理

剩余系列包括波动和破裂。假设标准差 从方差的平方根获得整个剩余时间序列。见李et al。(45),一个点被定义为一个“破裂”如果整个剩余组件是大于标准差的两倍 。大多数现有的预测模型假设模型输入有一定光滑映射关系模型输出。因此,预测方差值附近的积极的和消极的 远离这一趋势组件。也就是说,现有的预测模型预测破裂有困难。盘中的趋势是一个 - - - - - -形曲线代表普通日常交通流的变化。早晚高峰导致两个峰值,而一个浅谷,一个深山谷,分别出现在中午和午夜。本文提取趋势组件利用DFT,导致状态曲线平滑到正弦函数,中午和交通流量值略大。为了提高预测的准确性,策略介绍了预处理剩余组件。

在表达(10只有两次),积极的爆发是预处理的标准方差 ,和消极的爆发是没有改变,这不同于现有的处理方法。实验表明,处理算法可以帮助抑制爆炸扰动的影响和改善预测性能。

2.3.2。支持向量回归(SVR)

SVR被广泛用于解决非线性问题和大规模的预测算法。本文应用SVR方法预测预处理残余系列。对于一个给定的训练集 ,在哪里 是一个空间的输入变量, 对应的输出值, 代表训练数据的大小。

通过一个非线性映射函数 , 被映射到一个高维特征空间,构造最优决策函数如下: 在哪里 权向量和吗 偏差值。SVR最小化目标函数如下: 在哪里 的表达式的复杂性决定功能, 是一个惩罚系数, 是上面的训练误差( 较低)的 不敏感的因素。

这个优化问题可以转化为对偶问题,及其解决方案是由(13), 是拉格朗日乘数法,可以通过求解对偶问题和获得吗 是美世的内积核函数等于 与 。

美世最常用的内核函数实例乙状结肠,多项式、径向基函数(RBF)。RBF核函数是一种常见的选择,因为很少需要设置参数和优良的整体性能。因此,本文选择RBF核函数的。

2.4。提出了预测模型

假设交通流量数据采样 天假期连续 年可以写成矩阵 : 在哪里 样品的时间间隔, 每天的数据大小, 样本数据长度吗 一天假期。

根据(3),(4)和(5),在连续交通流数据 年被分解成趋势成分和残差的总和。 在哪里 连续潮流组件吗 年, 是残差。

交通流预测在假期里 年计算直接通过添加剩余的趋势预测结果。 在哪里 是这一趋势的预测结果组件(9), 的预测结果与SVR剩余组件。

3所示。案例研究

3.1。数据描述

江苏在中国是一个高度发达的省份。本文使用的数据来评估模型的性能从江苏省的收费站收集从2011年到2015年清明节,国庆节。交通流数据的长度区间对预测结果有重要影响。过于短时间间隔会导致不稳定的预测模型,但间隔太长就会失去固有特性的交通流数据。见马et al。50),预测性能改善的数据聚合水平增加时由于数据波动随着时间间隔变得更长。预测精度达到最大当聚合水平达到一个小时。因此,我们选择一个小时采样一次,也可满足工程管理的要求。总共有1200数据点(50天内从2011年到2015年)的数据集。分为两个数据集的数据。第一个960数据点(40天从2011年到2014年)作为训练样本,而剩下的240数据点(2015年10天)受聘为测试样本测量该模型的预测性能。国庆节从2011年到2014年之间的交通流量图所示2。从图2,我们可以看到交通流量的变化趋势基本上是一致的,每年和交通流量值逐年增加10%左右。交通流数据是相似的在整个假期在每年除了第一个和最后一天的假期,这显示了一个大幅增加和减少流动。每天每小时的交通流量分布具有相同的趋势在白天高价值和低价值。它显示了显著的相似性和强劲的周期性特征,但也揭示了随机属性。有必要分解交通流数据,以揭示其潜在的特征。


图2
国庆节从2011年到2014年之间的交通流量。
3.2。用DFT交通流时间序列的分解

逐年增加的交通流量数据图2,但也有类似的模式在整个假期从2011年到2014年。文献中指出,预测精度大大影响因为几个趋势的存在,和趋势应该删除改善预测性能。DFT是一个功能强大的分析方法来提取信号的周期分量。本文分解交通流数据的趋势和DFT剩余组件。交通流的频谱在2011年国庆节图所示3可以看到,和三个明显的组件。采样周期的测试数据集是一个小时,然后 ,样本数据的长度 天的假期 。如果数据长度是2的幂,我们直接使用DTF。否则我们将填补数据使它通过添加0 2的乘方最后的原始交通数据,也不会改变频率分辨率和DFT计算符合条件。从图3,我们可以看到有几个高峰交通流谱和山峰之间的间隔大到足以满足频率分辨率的要求。DFT的主要目的是提取交通流序列的趋势成分。这表明我们需要保留低频组件和抑制高频组件。通过实验,我们可以提取有效的交通流数据的趋势成分只保留最高峰值组件。然而,最高峰不是一个脉冲函数,因此我们必须设定一个阈值大,抑制其他频率成分。当阈值α设置最大频谱值的0.7倍,交通流序列的趋势成分,可以提炼出有效的根据(3)和(4)。组件的趋势在国庆节从2011年到2015年在图所示4。对比图2组件,法律的趋势是逐年更明显,所以它变成了容易交通流预测趋势的组成部分。交通流序列减去趋势分量和剩余系列。


图3
交通流的光谱在2011年国庆节。

图4
组件的趋势从2011年到2014年在全国的一天。
3.3。剩余系列的预处理

剩余系列包括波动和破裂,它代表了交通流随机组件,这是受天气的影响,交通发生率、道路条件,和其他因素。特别是,因为存在的大爆发,交通流预测的准确性大大受到影响。为了提高预测的准确性,剩余系列预处理根据(10)。原始的交通流量系列,趋势分量,剩余系列、预处理残余系列在2014年国庆节在图所示5。


图5
原始的交通流量系列,趋势分量,剩余系列、预处理残余系列在2014年国庆节。
3.4。预测结果和性能比较
3.4.1。测量提出了预测方法的性能

采用一些标准评价测量实验评价方法,包括平均绝对误差(MAE)、平均绝对百分误差(日军)和均方根误差(RMSE)。虽然这些指标用于评估预测性能,每个指标都有其重点评估。为了评估该模型准确的性能,我们采用了三项指标同时代表实际值和预测值之间的区别。 在哪里 预测价值, 实际观测值, 的长度是测试系列。

3.4.2。预测结果

在本节中,交通流在2015年清明节,国庆节与DFT和SVR预测模型使用交通流数据从2011年到2014年。数据6(一)和6 (b)分别展示了预测和实际交通流在清明节,国庆节4种不同的模型:DFT-SVR, ARIMA, SVR, EMD-SVR。从这个图中,很明显,拟议的DFT和SVR模型的预测性能,最好的预测价值和实际价值的方法是相同的在大部分的时间,特别是在上下班高峰时间。预测结果通过ARIMA和EMD-SVR比提出的模型。因为国庆节假期长相比,清明节,国庆节的交通流量相对顺利。然而,清明节是扫墓的传统节日,这个节日期间交通流量数据是非常高的,更多的随机特性。在国庆节预测精度高于清明节在图6。

(一)
(一)
(b)
(b)
图6
DFT-SVR的预测结果,ARIMA、SVR和EMD-SVR清明节(a)和(b)在国庆节。

预测性能显示在清明节,国庆节在表1和2。可以看出,该DFT-SVR比ARIMA方法具有更好的预测性能,SVR, EMD-SVR清明节和国庆节。所有算法有更好的预测精度在长假期比短假期,和平均预测精度是在国庆节15.04%高于在清明节。的预测性能提出DFT-SVR国庆方法至少提高了3.69%,但它提高了清明节至少17.23%,表明该方法有更多的优势来处理随机交通流数据。

表1
清明节的预测性能。
表2
国庆节的预测性能。

4所示。结论

摘要提出了一种交通流预测方法基于DFT和SVR的假期。趋势与DFT组件从假期中提取交通流数据,和这一趋势可以预测的极端与历史数据外推。剩余组件是进一步分析的预处理方法和SVR。最后的预测结果是通过结合残留的趋势预测结果。真正的交通数据,收集从收费站江苏省从2011年到2015年,用于评估拟议中的DFT-SVR模型的预测性能。测试结果表明,该DFT-SVR模型具有最佳的性能与ARIMA相比,SVR, EMD-SVR,预测精度高长假期比短假期。由于交通流数据在节日期间是受天气和其他因素,天气因素对交通流的影响也将进一步研究,以提高预测精度。

数据可用性

本文使用的数据收集从收费站江苏省从2011年到2015年清明节,国庆节。提供的数据是在中国江苏高速公路网络运营和管理中心。因为数据涉及许可证和商业机密,这些不能自由使用。如果任何研究者要求这些数据,他可以发送一个电子邮件(电子邮件保护)。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本研究在一定程度上支持中国国家重点研发项目(2018 yfc0808706)和中国国家自然科学基金(批准号5157081053)。作者也感激江苏高速公路网络运营和管理中心提供数据。