CN104464291A - 一种交通流量预测方法和系统 - Google Patents

Abstract

本发明实施例提供一种交通流量预测方法和系统，其中方法包括：获取当前交通流量数据，所述当前交通流量数据包括待测路段的当前交通流量数据和与待测路段具关联性路段的当前交通流数据；确定第一预测模型；将所述当前交通流量数据输入所述第一预测模型，得到待测路段的预测交通流量值；其中，所述第一预测模型通过获取历史交通流量数据，离散处理所述历史交通流量数据，得到离散化历史数据，对所述离散化历史数据进行数据挖掘得到时空关联规则，由所述时空关联规则得到与待测路段具关联性的路段集合，将所述路段集合的历史交通流数据通过预定方法训练生成。

Description

一种交通流量预测方法和系统

技术领域

本发明涉及交通流量预测领域，特别是涉及一种交通流量预测方法和系统。 

背景技术

随着社会经济和交通运输业的不断发展，交通拥挤等交通问题越来越凸现出来，成了全球共同关注的问题。对于交通流的预测不仅是城市交通控制与诱导的基础，还是解决道路拥堵问题的关键技术之一。如果能精确的预测交通网中各个支路上的汽车流量，那么我们可以运用规划方法对交通流进行合理的优化，从而使得道路的利用率达到最大，也可以解决部分拥堵问题。 

目前，常采用短时交通预测模型来预测交通流量，较早起的短期交通流量预测模型有：自回归模型(AR)、滑动平均模型(MA)、自回归滑动平均模型(ARMA)、历史平均模型(HA)和Box-Cox模型等，随着该领域的发展，预测方法不断趋于精确，出现了许多更加复杂、精度更高的预测模型，大体来说可分为两类：一类是以数理统计和微积分等传统的数学方法为基础的预测模型，主要包括：时间序列模型、卡尔曼滤波模型、参数回归模型等；第二类是以现代科学技术和方法(如模拟技术、神经网络、模拟技术)为主要研究手段而形成的短期预测模型，该种方法不追求严格意义上的数学推导和明确的物理意义，更加重视与现实交通流量的拟合接近程度，该种方法主要包括非参数回归模型、ARIMA算法、基于小波理论的方法、谱分析和多种与神经网络相关的复合预测模型等。 

通过使用短时交通流量预测模型来预测交通流量，可以有效地预测到待测路段在一定未来时间内交通流量的具体数值，对待测路段在一定未来时间内交通流量进行精确预测，但是，由于交通系统的非线性、复杂性和不确定性等特征，现有的短时交通预测模型容易受外界随即干扰因素的影响，因为 外界随即干扰因素的影响，使用现有的短时交通预测模型来预测交通流量，使得到的预测交通流量值的准确性和稳定性低。 

发明内容

有鉴于此，本发明实施例提供一种交通流量预测方法和系统，以解决现有技术中因为外界随即干扰因素的影响，使用现有的短时交通预测模型来预测交通流量，使得到的预测交通流量值的准确性和稳定性低的问题。 

为实现上述目的，本发明实施例提供如下技术方案： 

一种交通流量预测方法，包括： 

获取当前交通流量数据，所述当前交通流量数据包括待测路段的当前交通流量数据和与待测路段具关联性路段的当前交通流数据； 

确定第一预测模型； 

将所述当前交通流量数据输入所述第一预测模型，得到待测路段的预测交通流量值； 

其中，所述第一预测模型通过获取历史交通流量数据，离散处理所述历史交通流量数据，得到离散化历史数据，对所述离散化历史数据进行数据挖掘得到时空关联规则，由所述时空关联规则得到与待测路段具关联性的路段集合，将所述路段集合的历史交通流数据通过预定方法训练生成。 

其中，所述确定第一预测模型包括： 

离散处理所述当前交通流量数据，得到离散化当前数据； 

将所述离散化当前数据输入第二预测模型，得到交通流量趋势； 

根据所述待测路段标识信息、当前时间信息和交通流趋势与第一预测模型间对应关系确定与第二预测模型相匹配的第一预测模型。 

其中，所述第二预测模型通过获取历史交通流量数据，离散化处理所述历史交通流量数据，将离散化处理后历史交通流数据进行数据挖掘得到的时空关联规则组成。 

其中，按照以下步骤离散处理所述当前交通流量数据： 

将获取的当前交通流量数据归一化至[0，1]区间内； 

对所述归一化处理后当前交通流量数据进行离散化，得到离散化当前数据； 

其中，按照以下步骤离散处理所述历史交通流量数据： 

将获取的历史交通路数据归一化至[0，1]区间内； 

对所述归一化处理后历史交通流量数据进行离散化，得到离散化历史数据。 

其中，通过遗传进化算法对所述离散化历史数据进行数据挖掘得到时空关联规则； 

其中，通过遗传进化算法对所述离散化历史数据进行数据挖掘得到时空关联规则包括： 

确定离散化历史数据中路段的数目M，生成具有M个基因的个体； 

取不小于预定数目的个体组成初始群体，并根据离散化历史数据计算所述初始群体中每个个体的适应度值； 

根据所述初始群体中每个个体的适应度值对所述初始群体进行群体进化； 

将群体进化后的每个个体中所有合格关联规则进行输出，得到时空关联规则。 

其中，所述生成具有M个基因的个体包括： 

生成一个取值范围为[-T，-1]的确定基因，T为历史交通流量数据中交通流量数据采样时间间隔的数量； 

生成M-1个取值范围为[0，T]的随机基因，得到具有M个基因的个体。 

其中，所述根据所述初始群体中每个个体的适应度值对所述初始群体进行群体进化包括： 

随机选择所述初始群体中的两个个体，择其中适应度值较大个体进入下一代，直至选出预定数目个体组成新群体； 

从所述新群体中随机选择出预定数目个体完成染色体交叉操作； 

从所述新群体中随机选择出预定数目个体完成染色体变异操作； 

重复进行新群体生成操作、染色体交叉操作和染色体变异操作，直至群体适应度值收敛。 

其中，所述当前交通流量数据和所述历史交通流量数据均为已经筛选出异常数据，并对筛选出的异常数据进行过修正的数据。 

其中，所述与待测路段具关联性路段的当前交通流数据包括： 

确定待测路段和时空关联规则； 

根据所述待测路段和时空关联规则得到与待测路段具关联性的路段。 

一种交通流量预测系统，包括：获取模块、模型确定模块、预测模块和预测模型生成模块；其中， 

所述获取模块，用于获取当前交通流量数据，所述当前交通流量数据包括待测路段的当前交通流量数据和与待测路段具关联性路段的当前交通流数据； 

所述模型确定模块，用于确定第一预测模型； 

所述预测模块，用于将所述当前交通流量数据输入所述第一预测模型，得到待测路段的预测交通流量值； 

所述预测模型生成模块，用于获取历史交通流量数据，离散化处理所述历史交通流量数据，将离散化处理后历史交通流数据进行数据挖掘得到时空关联规则，由所述时空关联规则得到与待测路段具关联性的路段集合，将所述路段集合的历史交通流数据通过预定方法训练生成第一预测模型。 

其中，所述模型确定模块包括：预测模型确定单元和预测模型生成单元；其中， 

所述预测模型确定单元，用于离散化处理所述当前交通流量数据，得到离散化当前数据；将所述离散化当前数据输入第二预测模型，得到交通流量趋势；根据所述交通流趋势与第一预测模型间对应关系确定与第二预测模型相匹配的第一预测模型； 

所述预测模型生成单元，用于获取历史交通流量数据，离散化处理所述历史交通流量数据，将离散化处理后历史交通流数据进行数据挖掘得到的时空关联规则，组成第二预测模型。 

基于上述技术方案，本发明实施例提供的一种交通流量预测方法和系统，在获取当前交通流量数据后，通过确定第一预测模型，将获取的当前交通流数据输入确定的第一预测模型，然后从确定的第一预测模型中得到待测路段的预测交通流量值，其中，所述当前交通流量数据包括待测路段的当前交通 流量数据和与待测路段具关联性路段的当前交通流数据，其中，所述第一预测模型通过获取历史交通流量数据，离散处理所述历史交通流量数据，得到离散化历史数据，对所述离散化历史数据进行数据挖掘得到时空关联规则，由所述时空关联规则得到与待测路段具关联性的路段集合，将所述路段集合的历史交通流数据通过预定方法训练生成。因为本发送实施例提供的交通流量预测方法中，使用的第一预测模型为历史交流流量数据经过数据挖掘得到时空关联规则，由该时刻关联规则得到的所需的路段的历史交流流量数据信息通过预定方法训练得到的，对历史交通数据进行数据挖掘，通过对海量数据进行全局最优搜索,得到频繁项集，提高了预测交通流量值的准确性。 

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。 

图1为本发明实施例提供的流通流量预测方法的流程图； 

图2为本发明实施例提供的交通流量预测方法中确定第一预测模型的方法流程图； 

图3为本发明实施例提供的交通流量预测方法中离散处理当前交通流量数据的方法流程图； 

图4为本发明实施例提供的交通流量预测方法中离散处理历史交通流量数据的方法流程图； 

图5为本发明实施例提供的交通流量预测方法中通过遗传进化算法对离散化历史数据进行数据挖掘得到时空关联规则的方法流程图； 

图6为本发明实施例提供的交通流量预测方法中生成具有M个基因的个体的方法流程图； 

图7为本发明实施例提供的交通流量预测方法中根据初始群体中每个个体的适应度值对所述初始群体进行群体进化的方法流程图； 

图8为本发明实施例提供的交通流量预测方法中得到与待测路段具关联性路段的方法流程图； 

图9为本发明实施例提供的交通流量预测系统的系统框图； 

图10为本发明实施例提供的交通流量预测系统中模型确定模块200的结构示意图。 

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。 

图1为本发明实施例提供的流通流量预测方法的流程图，通过对历史交通数据进行数据挖掘，得到与待测路段具关联性路段的历史交通流数据训练得到的第一预测模型来预测交通流量，提高了预测交通流量值的准确性，参照图1，该流通流量预测方法可以包括： 

步骤S100：获取当前交通流量数据，所述当前交通流量数据包括待测路段的当前交通流量数据和与待测路段具关联性路段的当前交通流数据； 

其中，需要说明的是，当没有与待测路段具关联性的路段时，则认为获取与待测路段具关联性路段的当前交通流数据为空数据，也可以认为，当没有与待测路段具关联性的路段时，获取的当前交通流量数据中只包括待测路段的当前交通流量数据，而不包括与待该测路段具关联性路段的当前交通流数据。 

通过获取当前交流流量数据，可以从获取的当前交通流量数据中确定当前时间信息、待测路段标识信息和当前交通流量数据数值信息，可选的，待测路段标识信息可以为待测路段的名称或编号信息。 

可选的，与待该测路段具关联性的路段可以为是在确认了待测路段的名称或编号信息和事先以得知的时空关联规则后，根据测路段和时空关联规则得到的与待测路段具关联性的路段。 

步骤S110：确定第一预测模型，所述第一预测模型通过获取历史交通流量数据，离散处理所述历史交通流量数据，得到离散化历史数据，对所述离散化历史数据进行数据挖掘得到时空关联规则，由所述时空关联规则得到与待测路段具关联性的路段集合，将所述路段集合的历史交通流数据通过预定方法训练生成； 

历史交通流量数据中包括系统单位时间、当前时刻、时间间隔数量、路段标识和交通流量等信息，其中，系统单位时间即数据统计的时间间隔，可由用户自定义，一般为以5分钟或者10分钟为单位，最小值为1分钟，小于一分钟的交通流量统计不具备统计意义。 

例如，如表1所示，某一天的历史交通流量数据： 

表1某一天的历史交通流量数据表格 

其中，表格中的△t为系统单位时间，T为时间间隔数量，可选的，T可以取值为24*60/△t，t为当前时刻；blk_id_i为路段标识，其中i表示为第i+1个路段，例如，第1个路段的路段标识为blk_id₀，第2个路段的路段标识即为blk_id₁；tf_i为交通流量，其中的i也表示为第i个路段。 

其中，需要说明的是，表1仅为某一天的历史交通流量数据表格，而获取的历史交通流量数据中包含有多天的历史交通流量数据表格中的数据，可选的，获取的历史交通流量数据中为30的历史交通流量数据，也可以说，获取了30张历史交通流量数据表格。 

可选的，可以将某时刻t，某路段blk_id_i的交通流量记为tf_i,t，tf_i,t即为所示获取的历史交通流量数据，参照表1，可以看出，第1时刻时，即t₁＝△t时，第1路段，即blk_id_i为blk_id₀时的交通流量为123，即表1中的tf_0,1＝123， 即可以在表1中获取到历史交通流量数据tf_0,1＝123，可以从获取的历史交通流量数据中确定待测路段标识信息、历史时间信息和历史交通流量数据数值信息。 

可选的，可以从流量采集系统或者从业务平台的流量数据库中获取指定区域的道路历史交通流量数据。 

可选的，离散处理历史交通流量数据可以为，先将获取的历史交通路数据归一化至[0，1]区间内，再对归一化处理后历史交通流量数据进行离散化，得到离散化历史数据。 

可选的，可以将历史交通流量数据离散为L、M和H三个数值，分别代表交通流量趋势低、中和高。 

可选的，获取的历史交通流量数据可以为已经筛选出异常数据，并对筛选出的异常数据进行过修正的数据。使用已经筛选出异常数据，并对筛选出的异常数据进行过修正的历史交通流量数据，可以避免对后续的结果产生噪声的情况；速度、交通流量、占有率数据出现零或负值的情况；交通流量超过设计流量一定范围以上，或者速度大于检测范围的情况；速度、占有率和车长范围的判断关系，即由速度、占有率、交通流采集周期的乘积，可推算出的车辆长度，对于车长超出范围的情况；数据遗失等的情况的发生，进一步增加交通流量预测的准确性和稳定性。 

可选的，因为交通流量数据具有在系统单位时间内不会发生突变的特点，因此，可以采用最近邻插值法将筛选出的异常数据进行修正。 

表2给出了经过数据修正且离散处理后的历史交通流量数据表格： 

表2经过数据修正且离散处理后的历史交通流量数据表格 

将表1与表2相互对照，可以发现，表2中灰色底纹的数据为修正过后的历史交通流量数据。 

可选的，可以通过遗传进化算法对所述离散化历史数据进行数据挖掘得到时空关联规则。一般情况下，数据挖掘算法将数据表中每一列作为一个独立的属性，一行数据作为一个数据元组，通过统计分析完成挖掘两个属性集合间的关联规则。针对交通流量预测的关联规则挖掘与传统数据挖掘有两个主要的区别：一、交通数据具有时空性，即关联规则不仅存在于同一时刻的两个属性集之间，也会存在于不同时刻的两个属性集之间；这种时空特性会导致数据挖掘搜索空间成指数级别的增长，对于预测系统计算能力会造成极大的挑战；二、交通流预测的关联规则后继项是固定的，比如要预测blk_id₂₀在t＝t_j时刻的交通流量，其关联规则的后继项为和

因此，采用遗传进化算法完成关联规则的搜索，由于遗传进化算法的高并发性和概率搜索特点，可以有效降低关联规则的复杂性；同时，因为交通参数的时空特性会成数量级的增加数据挖掘的复杂性，采用基于遗传进化算法的高并发性可以有效提高数据挖掘的效率；结合并行计算环境可以达到实时更新预测模型。 

可选的，通过遗传进化算法对所述离散化历史数据进行数据挖掘得到时空关联规则可以为，先确定离散化历史数据中路段的数目M，生成具有M个基因的个体，其中，个体中每个基因和路段一一对应，再取不小于预定数目的个体组成初始群体，并根据离散化历史数据计算所述初始群体中每个个体的适应度值，然后根据所述初始群体中每个个体的适应度值对所述初始群体进行群体进化，最后将群体进化后的每个个体中所有合格关联规则进行输出，得到时空关联规则。 

可选的，确定离散化历史数据中路段的数目M，生成具有M个基因的个体中，生成的个体中的M个基因，包括一个取值范围为[-T，-1]的确定基因，该基因相对应的路段，为待测路段，其中，T为历史交通流量数据中交通流量数据采样时间间隔的数量；和M-1个取值范围为[0，T]的随机基因，其中，取值为0的基因表示与该基因相对应的路段与待测路段无关，不参与时空关联规则的计算。 

可选的，可以采用均匀分布随机数生成方法来生成M-1个取值范围为[0，T]的随机基因。 

例如，如表3所示，一个具有635个基因的个体： 

表3，一个具有635个基因的个体 

0	7	…	-1	0	…	0	9
								基因1	基因2		基因78	基因79		基因634	基因635

在表3中，可以看出该个体总共具有635个基因，个体总共具有635个基因表示获取的离散化历史数据中具有635个路段；-1表示第78位基因相对应的路段为待测路段，且要预测的是第1时刻的交通流数据；其他数字，如7，表示第2位基因相对应的路段与待测路段间存在时空关联关联性，且关联时刻为第7时刻。 

根据表3,，可以得到该个体代表的关联规则前驱属性子集，即路段子集为{blk_id2,blk_id635}，可以得到其中蕴含的如下12条关联规则： 

R1：

R2：

…… 

R7：

R8：

…… 

R12：

可选的，可以选择ηNT个个体组成初始群体，代表每个路段在每个时刻的交通流状态，作为时空关联规则的后继项，其中，η为群体规模控制参数，可选的，η的数值可以取在10-100之间。 

在遗传算法中，以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传机会的大小，一般情况下适应度函数取非负值，并且以最大化群体的适应度值为优化目标。 

可选的，可以采用基于支持度support和置信度confidence来衡量每个关联规则的质量。其中，重点利用置信度来表征规则的区分能力，同时兼顾关联规则的聚集能力。假设整个历史交通流数据表总共有K条记录，以R1为例，通过便利数据库中的所有数据记录计算支持度和置信度： 

当R1同时满足Sup(R1)>θSup和Conf(R1)>θConf时，R1才会认为是一条和合格的关联规则。可选的，θSup的取值范围可以为0.25-0.6；θConf的取值范围可以为0.6-0.9。 

可选的，可以采用一个适应度函数来计算一个个体所有关联规则支持度和置信度的加权和，如下： 

$\mathrm{fitness}(g,{\mathrm{ind}}_j)={\mathrm{\ω}}_1\underset{i}{\mathrm{\Σ}}\mathrm{Sup}\left(\mathrm{Ri}\right)+{\mathrm{\ω}}_2\underset{i}{\mathrm{\Σ}}\mathrm{Conf}\left(\mathrm{Ri}\right)$

其中，ω1+ω2＝1，0<ω1<1，0<ω2<1，ω2<ω1；g表示当前为第g代种群。 

可选的，可以通过随机选择初始群体中的两个个体，择该两个个体中适应度数值较大的个体进入下一代，直至选出预定数目个体组成新群体，然后从得到的新群体中随机选择出预定数目个体完成染色体交叉操作，从得到的新群体中随机选择出预定数目个体完成染色体变异操作，重复进行新群体生成操作、染色体交叉操作和染色体变异操作，直至群体适应度值收敛，来进行初始群体的群体进化。 

可选的，选出的新群体中个体的数目可以为ηNT。 

可选的，可以从得到的新群体中随机选择出总个体数目40％-70％的个体数目完成染色体交叉操作。 

可选的，可以从得到的新群体中随机选择出总个体数目0.1％-10％的个体数目完成染色体变异操作。 

可选的，群体适应度值收敛公式可以为： 

|∑fitness(g，ind_j)-∑fitness(g-1，ind_j)|＜ε； 

通过数据挖掘得到的时空关联规则后，利用时空关联规则找出与待测前路段具有关联性的路段集合，即所有关联规则子集的前置属性集合，将该路段集合的历史交通流量数据作为训练数据建立对应第一预测模型。 

可选的，因为交通流量数据属于非平稳时间序列，因此，训练的第一预测模型可以为的ARIMA(p,d,q)模型。 

可选的，以{Ri|tf_78，1＝L}为例，训练得到ARIMA(p,d,q)模型时得到待估计参数p、d和q的方法可以包括： 

步骤A)：获取历史交通流量数据tf_78，1，tf_78，0，…，tf_78，1-p；tf_2，7，tf_2，6，…，tf_2，7-p，和tf_635，9，tf_635，8，…，tf_635，9-p； 

步骤B)：将获取的交通流量数据转换为交通流量差分数据； 

步骤C)：使用单根检验法确定参数d； 

步骤D)：根据训练数据和参数d确定参数p； 

步骤E)：通过AR(∞)，参数d和p确定参数q。 

可选的，以{Ri|tf_78，1＝L}为例，将获取的交通流量数据转换为交通流量差分数据可以包括： 

${\mathrm{tf}}_{\mathrm{78,1}}=\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i(w_{\mathrm{78,1}-i}^d+w_{\mathrm{2,7}-i}^d+w_{\mathrm{635,9}-i}^d)+\underset{j=1}{\overset{q}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_j{\mathrm{\&epsiv;}}_{1-j};$

Δtf_i，t＝tf_i，t-tf_i，t-1； 

Δ²tf_i，t＝Δtf_i，t-Δtf_i，t-1； 

…… 

$w_{i,t}^d={\mathrm{\&Delta;}}^{d}t{f}_{i,t};$

其中，Δ为一阶差分算子；Δ²位2阶差分算子；和Δd为d阶查分算子；αi为自回归参数；δj为移动平均参数；p、d和q为模型待估计参数；ε为白噪声。 

不同的路段，在不同的时刻，根据不同的交通流量趋势均对应着不同的第一预测模型，因此，由与待测路段具关联性的路段集合的历史交通流数据通过预定方法训练生成的第一预测模型为多个第一预测模型，需要在使用第一预测模型预测交通流量值之前，对需要使用的第一预测模型进行选择，确 定待测路段的确定获取的当前交通流量数据所使用的第一预测模型，才可在将获取的当前交通流数据输入第一预测模型后，得到待测路段的预测交通流量值。 

步骤S120：将所述当前交通流数据输入第一预测模型，得到待测路段的预测交通流量值。 

基于上述技术方案，本发明实施例提供的一种交通流量预测方法和系统，在获取当前交通流量数据后，通过确定第一预测模型，将获取的当前交通流数据输入确定的第一预测模型，然后从确定的第一预测模型中得到待测路段的预测交通流量值，其中，所述当前交通流量数据包括待测路段的当前交通流量数据和与待测路段具关联性路段的当前交通流数据，其中，所述第一预测模型通过获取历史交通流量数据，离散处理所述历史交通流量数据，得到离散化历史数据，对所述离散化历史数据进行数据挖掘得到时空关联规则，由所述时空关联规则得到与待测路段具关联性的路段集合，将所述路段集合的历史交通流数据通过预定方法训练生成。因为本发送实施例提供的交通流量预测方法中，使用的第一预测模型为历史交流流量数据经过数据挖掘得到时空关联规则，由该时刻关联规则得到的所需的路段的历史交流流量数据信息通过预定方法训练得到的，对历史交通数据进行数据挖掘，通过对海量数据进行全局最优搜索,得到频繁项集，提高了预测交通流量值的准确性。 

可选的，图2示出了分发明实施例提供的交通流量预测方法中确定第一预测模型的方法流程图，参照图2，该确定第一预测模型的方法可以包括： 

步骤S200：离散处理所述当前交通流量数据，得到离散化当前数据； 

可选的，离散处理历史交通流量数据可以为，先将获取的历史交通路数据归一化至[0，1]区间内，再对归一化处理后历史交通流量数据进行离散化，得到离散化历史数据。 

步骤S210：将所述离散化当前数据输入第二预测模型，得到交通流量趋势，所述第二预测模型通过获取历史交通流量数据，离散化处理所述历史交通流量数据，将离散化处理后历史交通流数据进行数据挖掘得到的时空关联规则组成； 

第二预测模型由离散化处理后历史交通流数据进行数据挖掘得到的时空关联规则集合组成，每个路段在时刻t都拥有若干个独立的时空关联规则子 集，若将历史交通流量数据离散为L、M和H三个数值，则每个路段在时刻t都拥有3个独立的时空关联规则子集。 

以表3中为例，路段blk_id78，其预测模型由{Ri}、{Ri}和{Ri}三个关联规则子集组成，其中， 

…； 

…； 

…； 

交通流数据与关联规则子集{Ri|tf_78，1＝L}中某条关联规则Rir的匹配程度如下： 

交通流数据tf_t与关联规则子集{Ri}的匹配程度如下： 

其中，|Ri|表示关联规则子集中关联规则数量。 

模型预测结果通过最大化关联规则匹配度实现： 

可选的，若将获取的历史交通流量数据和当前交通流量数据进行离散处理时，将数据离散为L、M和H三个数值，则通过第二预测模型可以得到交通流量趋势可以为低、中和高。 

步骤S220：根据所述交通流趋势与第一预测模型间对应关系确定与第二预测模型相匹配的第一预测模型。 

因为不同的路段，在不同的时刻，根据不同的交通流量趋势均对应着不同的第一预测模型，在获取当前交通流量数据时，便可得知待测路段的标识和当前时间，因此，在通过第二预测模型后，得知交通流量趋势后，便可确定所需的第一预测模型。 

可选的，图3示出了本发明实施例提供的交通流量预测方法中离散处理当前交通流量数据的方法流程图，参照图3，该离散处理当前交通流量数据的方法可以包括： 

步骤S300：将获取的当前交通流量数据归一化至[0，1]区间内； 

可选的，将获取的历史交通路数据tf_i，t归一化至[0，1]区间的公式可以为： 

minTF＝min{tf_i}； 

maxTF＝max{tf_i}； 

${{\mathrm{tf}}_{i,t}}^{,}=\frac{{\mathrm{tf}}_{i,t}-\min \mathrm{TF}}{\max \mathrm{TF}-\min \mathrm{TF}};$

其中，tf_i，t’为归一化至[0，1]区间后的历史交通流量数据。 

步骤S310：对所述归一化处理后当前交通流量数据进行离散化，得到离散化当前数据。 

可选的，对归一化处理后历史交通流量数据进行离散化，得到离散化历史数据的公式可以为： 

${\mathrm{\&mu;}}_i=\frac{1}{M}{\mathrm{\&Sigma;}}_{t=t_1}^{t_M}{{\mathrm{tf}}_{i,t}}^{,};$

${\mathrm{\&sigma;}}_i=\frac{1}{M-1}\sqrt{{\mathrm{\&Sigma;}}_{t=t_1}^{t_M}{({{\mathrm{tf}}_{i,t}}^{,}-{\mathrm{\&mu;}}_i)}^2};$

${\mathrm{\&theta;}}_l=\frac{1}{2}({\mathrm{\&mu;}}_i+({\mathrm{\&mu;}}_i-{\mathrm{\&alpha;}}_i{\mathrm{\&sigma;}}_i));$

${\mathrm{\&theta;}}_h=\frac{1}{2}({\mathrm{\&mu;}}_i+({\mathrm{\&mu;}}_i+{\mathrm{\&alpha;}}_i{\mathrm{\&sigma;}}_i));$

其中，为离散化的交通流量数据；μ_i为标号为blk_id_i的路段的历史平均交通流量；σ_i为标号为blk_id_i的路段的历史交通流量标准差；θ_l和θ_h均为离散化阈值；α_i为调节权重值，其数值可根据实际情况进行调整，可选的，可以讲α_i的数值设置为0.25-0.5之间。 

可选的，图4示出了本发明实施例提供的交通流量预测方法中离散处理历史交通流量数据的方法流程图，参照图4，该离散处理历史交通流量数据的方法可以包括： 

步骤S400：将获取的历史交通路数据归一化至[0，1]区间内； 

步骤S410：对所述归一化处理后历史交通流量数据进行离散化，得到离散化历史数据。 

其中，对历史交通流量数据进行离散处理和对当前交通流量数据进行离散处理为使用相同的数据公式进行处理。 

可选的，图5示出了本发明实施例提供的交通流量预测方法中通过遗传进化算法对离散化历史数据进行数据挖掘得到时空关联规则的方法流程图，参照图5，通过遗传进化算法对离散化历史数据进行数据挖掘得到时空关联规则的方法可以包括： 

步骤S500：确定离散化历史数据中路段的数目M，生成具有M个基因的个体； 

其中，生成的个体中的M个基因中，包括一个取值范围为[-T，-1]的确定基因，该基因相对应的路段为待测路段，和M-1个取值范围为[0，T]的随机基因，其中，T为历史交通流量数据中交通流量数据采样时间间隔的数量，取值为0的基因表示与该基因相对应的路段与待测路段无关，不参与时空关联规则的计算。 

步骤S510：取不小于预定数目的个体组成初始群体，并根据离散化历史数据计算所述初始群体中每个个体的适应度值； 

在遗传算法中，以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传机会的大小，一般情况下适应度函数取非负值，并且以最大化群体的适应度值为优化目标。 

可选的，可以选择ηNT个个体组成初始群体，代表每个路段在每个时刻的交通流状态，作为时空关联规则的后继项，其中，η为群体规模控制参数，可选的，η的数值可以取在10-100之间。 

步骤S520：根据所述初始群体中每个个体的适应度值对所述初始群体进行群体进化； 

可选的，可以通过随机选择初始群体中的两个个体，择该两个个体中适应度数值较大的个体进入下一代，直至选出预定数目个体组成新群体，然后从得到的新群体中随机选择出预定数目个体完成染色体交叉操作，从得到的新群体中随机选择出预定数目个体完成染色体变异操作，重复进行新群体生成操作、染色体交叉操作和染色体变异操作，直至群体适应度值收敛，来进行初始群体的群体进化。 

步骤S530：将群体进化后的每个个体中所有合格关联规则进行输出，得到时空关联规则。 

可选的，可以采用基于支持度support和置信度confidence来衡量每个关联规则的质量。其中，重点利用置信度来表征规则的区分能力，同时兼顾关联规则的聚集能力。 

以表3中的得到的R1为例，只有当同时满足Sup(R1)>θSup和Conf(R1)>θConf时，才会认为是R1为和合格的关联规则。 

可选的，θSup的取值范围可以为0.25-0.6；θConf的取值范围可以为0.6-0.9。 

可选的，图6示出了本发明实施例提供的交通流量预测方法中生成具有M个基因的个体的方法流程图，参照图6，该生成具有M个基因的个体的方法可以包括： 

步骤S600：生成一个取值范围为[-T，-1]的确定基因； 

其中，T为历史交通流量数据中交通流量数据采样时间间隔的数量。 

生成的取值范围为[-T，-1]的确定基因所相对应的路段为待测路段。 

步骤S610：生成M-1个取值范围为[0，T]的随机基因。 

可选的，可以采用均匀分布随机数生成方法来生成M-1个取值范围为[0，T]的随机基因。 

可选的，图7示出了本发明实施例提供的交通流量预测方法中根据初始群体中每个个体的适应度值对所述初始群体进行群体进化的方法流程图，参照图7，该根据初始群体中每个个体的适应度值对所述初始群体进行群体进化的方法可以包括： 

步骤S700：随机选择所述初始群体中的两个个体，择其中适应度值较大个体进入下一代，直至选出预定数目个体组成新群体； 

可选的，选出的新群体中个体的数目可以为ηNT。 

步骤S710：从所述新群体中随机选择出预定数目个体完成染色体交叉操作； 

可选的，可以从得到的新群体中随机选择出总个体数目40％-70％的个体数目完成染色体交叉操作。 

步骤S720：从所述新群体中随机选择出预定数目个体完成染色体变异操作； 

可选的，可以从得到的新群体中随机选择出总个体数目0.1％-10％的个体数目完成染色体变异操作。 

步骤S730：重复进行新群体生成操作、染色体交叉操作和染色体变异操作，直至群体适应度值收敛。 

可选的，群体适应度值收敛公式可以为： 

|∑fitness(g，ind_j)-∑fitness(g-1，ind_j)|＜ε 

可选的，图8示出了本发明实施例提供的交通流量预测方法中得到与待测路段具关联性路段的方法流程图，参照图8，该得到与待测路段具关联性路段的方法可以包括： 

步骤S800：确定待测路段和时空关联规则； 

步骤S810：根据所述待测路段和时空关联规则得到与待测路段具关联性的路段。 

本发明实施例提供的交通流量预测方法，使用的第一预测模型为历史交流流量数据经过数据挖掘得到时空关联规则，由该时刻关联规则得到的所需的路段的历史交流流量数据信息通过预定方法训练得到的，对历史交通数据 进行数据挖掘，通过对海量数据进行全局最优搜索,得到频繁项集，提高了预测交通流量值的准确性。 

下面对本发明实施例提供的交通流量预测系统进行介绍，下文描述的交通流量预测系统与上文描述的交通流量预测方法可相互对应参照。 

图9为本发明实施例提供的交通流量预测系统的系统框图，参照图9，该交通流量预测系统可以包括：获取模块100、模型确定模块200、预测模块300和预测模型生成模块400；其中， 

获取模块100，用于获取当前交通流量数据，所述当前交通流量数据包括待测路段的当前交通流量数据和与待测路段具关联性路段的当前交通流数据； 

模型确定模块200，用于确定第一预测模型； 

预测模块300，用于将所述当前交通流量数据输入所述第一预测模型，得到待测路段的预测交通流量值； 

预测模型生成模块400，用于获取历史交通流量数据，离散化处理所述历史交通流量数据，将离散化处理后历史交通流数据进行数据挖掘得到时空关联规则，由所述时空关联规则得到与待测路段具关联性的路段集合，将所述路段集合的历史交通流数据通过预定方法训练生成第一预测模型。 

可选的，图10示出了本发明实施例提供的交通流量预测系统中模型确定模块200的结构示意图，参照图10，该模型确定模块200可以包括：预测模型确定单元210和预测模型生成单元220；其中， 

预测模型确定单元210，用于离散化处理所述当前交通流量数据，得到离散化当前数据；将所述离散化当前数据输入第二预测模型，得到交通流量趋势；根据所述交通流趋势与第一预测模型间对应关系确定与第二预测模型相匹配的第一预测模型； 

预测模型生成单元220，用于获取历史交通流量数据，离散化处理所述历史交通流量数据，将离散化处理后历史交通流数据进行数据挖掘得到的时空关联规则，组成第二预测模型。 

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。 对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。 

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。 

Claims (10)

1.一种交通流量预测方法，其特征在于，包括：

获取当前交通流量数据，所述当前交通流量数据包括待测路段的当前交通流量数据和与待测路段具关联性路段的当前交通流数据；

确定第一预测模型；

将所述当前交通流量数据输入所述第一预测模型，得到待测路段的预测交通流量值；

其中，所述第一预测模型通过获取历史交通流量数据，离散处理所述历史交通流量数据，得到离散化历史数据，对所述离散化历史数据进行数据挖掘得到时空关联规则，由所述时空关联规则得到与待测路段具关联性的路段集合，将所述路段集合的历史交通流数据通过预定方法训练生成。

2.根据权利要求1所述的交通流量预测方法，其特征在于，所述确定第一预测模型包括：

离散处理所述当前交通流量数据，得到离散化当前数据；

将所述离散化当前数据输入第二预测模型，得到交通流量趋势；

根据所述待测路段标识信息、当前时间信息和交通流趋势与第一预测模型间对应关系确定与第二预测模型相匹配的第一预测模型。

其中，所述第二预测模型通过获取历史交通流量数据，离散化处理所述历史交通流量数据，将离散化处理后历史交通流数据进行数据挖掘得到的时空关联规则组成。

3.根据权利要求2所述的交通流量预测方法，其特征在于，

按照以下步骤离散处理所述当前交通流量数据：

将获取的当前交通流量数据归一化至[0，1]区间内；

对所述归一化处理后当前交通流量数据进行离散化，得到离散化当前数据；

按照以下步骤离散处理所述历史交通流量数据：

将获取的历史交通路数据归一化至[0，1]区间内；

对所述归一化处理后历史交通流量数据进行离散化，得到离散化历史数据。

4.根据权利要求1所述的交通流量预测方法，其特征在于，通过遗传进化算法对所述离散化历史数据进行数据挖掘得到时空关联规则；

通过遗传进化算法对所述离散化历史数据进行数据挖掘得到时空关联规则包括：

确定离散化历史数据中路段的数目M，生成具有M个基因的个体；

取不小于预定数目的个体组成初始群体，并根据离散化历史数据计算所述初始群体中每个个体的适应度值；

根据所述初始群体中每个个体的适应度值对所述初始群体进行群体进化；

将群体进化后的每个个体中所有合格关联规则进行输出，得到时空关联规则。

5.根据权利要求4所述的交通流量预测方法，其特征在于，所述生成具有M个基因的个体包括：

生成一个取值范围为[-T，-1]的确定基因，T为历史交通流量数据中交通流量数据采样时间间隔的数量；

生成M-1个取值范围为[0，T]的随机基因，得到具有M个基因的个体。

6.根据权利要求4所述的交通流量预测方法，其特征在于，所述根据所述初始群体中每个个体的适应度值对所述初始群体进行群体进化包括：

随机选择所述初始群体中的两个个体，择其中适应度值较大个体进入下一代，直至选出预定数目个体组成新群体；

从所述新群体中随机选择出预定数目个体完成染色体交叉操作；

从所述新群体中随机选择出预定数目个体完成染色体变异操作；

重复进行新群体生成操作、染色体交叉操作和染色体变异操作，直至群体适应度值收敛。

7.根据权利要求1所述的交通流量预测方法，其特征在于，所述当前交通流量数据和所述历史交通流量数据均为已经筛选出异常数据，并对筛选出的异常数据进行过修正的数据。

8.根据权利要求1所述的交通流量预测方法，其特征在于，所述与待测路段具关联性路段的当前交通流数据包括：

确定待测路段和时空关联规则；

根据所述待测路段和时空关联规则得到与待测路段具关联性的路段。

9.一种交通流量预测系统，其特征在于，包括：获取模块、模型确定模块、预测模块和预测模型生成模块；其中，

所述获取模块，用于获取当前交通流量数据，所述当前交通流量数据包括待测路段的当前交通流量数据和与待测路段具关联性路段的当前交通流数据；

所述模型确定模块，用于确定第一预测模型；

所述预测模块，用于将所述当前交通流量数据输入所述第一预测模型，得到待测路段的预测交通流量值；

所述预测模型生成模块，用于获取历史交通流量数据，离散化处理所述历史交通流量数据，将离散化处理后历史交通流数据进行数据挖掘得到时空关联规则，由所述时空关联规则得到与待测路段具关联性的路段集合，将所述路段集合的历史交通流数据通过预定方法训练生成第一预测模型。

10.根据权利要求9所述的交通流量预测系统，其特征在于，所述模型确定模块包括：预测模型确定单元和预测模型生成单元；其中，

所述预测模型确定单元，用于离散化处理所述当前交通流量数据，得到离散化当前数据；将所述离散化当前数据输入第二预测模型，得到交通流量趋势；根据所述交通流趋势与第一预测模型间对应关系确定与第二预测模型相匹配的第一预测模型；

所述预测模型生成单元，用于获取历史交通流量数据，离散化处理所述历史交通流量数据，将离散化处理后历史交通流数据进行数据挖掘得到的时空关联规则，组成第二预测模型。