快速路交通流时间序列聚类预测方法与模型.pdfVIP

快速路交通流时间序列聚类预测方法与模型——陈 鹏 孙 剑 李克平 49 快速路交通流时问序列聚类预测方法与模型 陈 鹏 孙 剑 李克平 (同济大学 上海 201804) 摘 要 针对快速路路段 日交通流曲线的相似特性，提出根据天气好、坏，工作 日、非工作 日作为特性 向量，设计一种时间序列聚类算法对不同时间尺度下快速路交通流进行预测。结果显示：此聚类算法 与预测模型充分利用 了历史数据 ，30rain时间尺度下预测精度较高，平均绝对相对误差 最低为 3．34 。 关键词 交通流特性 ；时间序列；时间尺度 ；聚类 ；预测 中图分类号：U491 文献标志码 ：A 交通流预测是智能交通系统研究的重点与难 因此，时间序列聚类分析前有必要根据天气好 、 点，也是进行交通管理、交通控制和交通诱导 的先 坏，工作 日、非工作 日对交通流量时间序列进行初 决条件|1]。目前常用的预测方法存在许多缺点 始分类 ，分析不同特性向量下的交通流特征。 与不足 ¨ 。 2 时间序列聚类预测方法与模型 本文提出根据天气好 、坏，工作 日、非工作 日 作为特性向量，选取典型相似性度量系数 ，设计一 2．1 聚类相似性度量系数 种时间序列聚类算法对历史数据库中具有相似交 1)线性相关系数Ll。相关系数是表示 2序 通流变化趋势的历史数据进行聚类 ，满足实现交 列(z，)之间线性关系密切程度 的指标 ，其值在 通流时间序列有效分离的要求，并根据聚类得到 一 1～+1间。如 2者呈正相关 ，r呈正值 ，r=1 的交通流时间序列特征曲线预测未来交通流量 。 时为完全正相关 ；如两者呈负相关则 r呈负值 ，而 r一一1时为完全负相关 。 1 不同特性向量下交通流特征 (z—z )(．y一Y) 选取上海南北高架快速路路段 NBXX05(4 ∞rr(z，)一 — 兰 ；—====； 车道)2006年 12月份 (可利用数据 29d)O7：OO～ ．＼，／∑ (～z)。∑ (— ) ￡∈D ( ·y) I∈D ( ·) 23：O0数据 ，对不同特性 向量下的交通流特征进 N 行研究。选取典型晴天、雨天 ，工作 日、非工作 Ft (1) 小时交通流量做曲线图，如图 1所示 。由图可见， 式 中：X一 (z)≤为交通流时间序列统计值 ；N 工作 日早高峰开始较早，曲线波动幅度不大，而非 为按时间尺度统计值数 目；刀为序列缺失部分 ； 工作F1交通流早高峰较晚开始 ，曲线波动幅度较 与 Y 分别为z、Y序列前 个统计值 的均值 ；D 大 ，工作 日与非工作 日交通流曲线分别具有相似 ()一{≤n： ≠叩}为前 rt个统计值 的定义域 ； 的时变特征 ；另外 ，晴天与雨天具有明显不同的交 D (z，)一D (z)nD ()为 z、Y序列定义域的 通特征 ，晴天交通流曲线一般位于雨天曲线之上 ， 交集 。 反应 了天气对道路通行能力的影响。 2)平均相对相似系数[1。2序列在单个时