高斯过程回归短时交通流预测方法

交通运输系统工程与信息 ›› 2015, Vol. 15 ›› Issue (4): 51-56.

• 智能交通系统与信息技术 • 上一篇下一篇

高斯过程回归短时交通流预测方法

康军^*1,2，段宗涛^1,2，唐蕾¹，刘研¹，王超¹

1. 长安大学信息工程学院，西安710064；2. 陕西省道路交通智能检测与装备工程研究中心，西安710064

收稿日期:2015-03-25 修回日期:2015-05-30 出版日期:2015-08-25 发布日期:2015-08-25
作者简介:康军（1975-），男，陕西咸阳人，副教授，博士.
基金资助:
国家自然科学基金（61303041）；交通运输部基础研究项目（2014319812150）；陕西省工业科技攻关项目（2014K05-28，2015GY002）；中央高校科研资金项目（2013G2241020，2013G1241119）；中央高校创新团队项目（310824153405）

A Short Term Traffic Flow Prediction Method Based on Gaussian Processes Regression

KANG Jun^1,2，DUAN Zong-tao^1,2，TANG Lei¹，LIU Yan¹，WANG Chao¹

1. The Information Technology School, Chang'an University, Xi’an 710064, China; 2. Shaanxi Road Traffic Detection and Equipment Engineering Research Center, Xi'an 710064, China

Received:2015-03-25 Revised:2015-05-30 Online:2015-08-25 Published:2015-08-25

摘要/Abstract

摘要：

已有的短时交通流预测方法均属于确定性预测，无法对预测的不确定性进行定量分析.针对上述问题，提出了一种基于高斯过程回归的短时交通流预测方法.通过该方法在对短时交通流进行预测的同时还可以得到预测的方差估计值，并依此可以确定预测值的95%置信区间.在仿真实例中，在相同条件下对所提方法与支持向量机预测方法进行比较.仿真结果表明，高斯过程回归短时交通流预测方法不仅与支持向量机预测方法具有相近的预测精度，其中均方根误差为12.09，绝对值误差为118.42，相对误差为17.32%，而且能够获得预测结果的方差估计值，从而有效实现短时交通流概率意义上的预测.

关键词: 智能交通, 短时交通流预测, 高斯过程回归, 短时交通流, 概率性预测, 方差估计

Abstract:

The previous methods about short term traffic flow prediction have been all belong to the deterministic prediction, and cannot be used for the quantitative analysis of the uncertainty of the prediction. Aiming at above problem, a short term traffic flow prediction method based on Gaussian processes regression is presented. Using the proposed method, the short term traffic flow predicting and estimate of variance can be obtained simultaneously, and the 95% confidence interval about this prediction is further calculated. Under the same condition, two simulation tests are realized for the proposed method and the support vector machine prediction method respectively. The test results indicate that the prediction accuracy of the proposed method is similar to the support vector machine prediction method, the root mean square error is about 12.09, the absolute value of error is about 118.42, and the relative error is about 17.32%. Furthermore, using the proposed method, the estimate of prediction variance can be achieved, by which the probabilistic prediction of the short-term traffic flow is implemented effectively.

Key words: intelligent transportation, short term traffic flow prediction, Gaussian processes regression, short term traffic flow, probabilistic prediction, variance evaluation

中图分类号:

U491.14

康军，段宗涛，唐蕾，刘研，王超. 高斯过程回归短时交通流预测方法[J]. 交通运输系统工程与信息, 2015, 15(4): 51-56.

KANG Jun，DUAN Zong-tao，TANG Lei，LIU Yan，WANG Chao. A Short Term Traffic Flow Prediction Method Based on Gaussian Processes Regression[J]. Journal of Transportation Systems Engineering and Information Technology, 2015, 15(4): 51-56.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19027.shtml

http://www.tseit.org.cn/CN/Y2015/V15/I4/51

参考文献

[1] 王革丽, 杨培才, 毛宇清. 基于支持向量机方法对非平稳时间序列的预测[J]. 物理学报, 2008, 57(2):714- 718. [WANG G L, YANG P C, MAO Y Q. On the application of non-stationary time series prediction based on the SVM method[J]. Acta Physica Sinica, 2008, 57(2):714-718.]

[2] 许伦辉, 傅惠. 交通信息智能预测理论与方法[M]. 北京: 科学出版社, 2009. [XU L H, FU H. Intelligent prediction theory and methods of traffic information[M]. Beijing: Science Press, 2009.]

[3] 陆海亭, 张宁, 黄卫, 等. 短时交通流预测方法研究进展[J]. 交通运输工程与信息学报, 2009, 7(4):84-91. [LU H T, ZHANG N, HUANG W, et al. Research progress of short term traffic flow prediction methods[J]. Journal of Transportation Engineering and Information, 2009, 7(4):84-91.]

[4] 刘静, 关伟. 交通流预测方法综述[J]. 公路交通科技, 2004, 21(3):82- 85. [LIU J, GUAN W. A summary of traffic flow forecasting methods[J]. Journal of Highway and Transportation Research and Development, 2004, 21 (3):82-85.]

[5] 邱敦国, 杨红雨. 一种基于双周期时间序列的短时交通流预测算法[J]. 四川大学学报(工程科学版), 2013, 45(5):64-68. [QIU D G, YANG H Y. A Short-term traffic flow forecast algorithm based on double seasonal time series[J]. Journal of Sichuan University (Engineering Science Edition), 2013, 45(5):64-68.]

[6] 姚智胜, 邵春福. 基于状态空间模型的道路交通状态多点时间序列预测[J]. 中国公路学报, 2007, 20(4): 113- 117. [YAO Z S, SHAO C F. Road traffic state mult-i spot time series forecasting based on state space model[J]. China Journal of Highway and Transport, 2007, 20(4):113-117.]

[7] 聂佩林, 余志, 何兆成. 基于约束卡尔曼滤波的短时交通流量组合预测模型[J]. 交通运输工程学报2008, 8 (5):86- 90. [NIE P L, YU Z, HE Z C. Constrained Kalman filter combined predictor for short-term traffic flow[J]. Journal of Traffic and Transportation Engineering, 2008, 8(5):86-90.]

[8] 宫晓燕, 汤淑明. 基于非参数回归的短时交通流量预测与事件检测综合算法[J]. 中国公路学报, 2003, 16 (1):82-86. [GONG X Y, TANG S M. Integrated traffic flow forecasting and traffic incident detection algorithm based on non-parametric regression[J]. China Journal of Highway and Transport, 2003,16(1):82-86.]

[9] 况爱武, 黄中祥. 基于RBF神经网络的短时交通流预测[J]. 系统工程, 2004, 22(2):63-65. [KUANG A W, HUANG Z X. Short-term traffic flow prediction based on RBF neural network[J]. Systems Engineering, 2004, 22(2):63-65.]

[10] 王珂, 田瑞, 王菲菲. 基于灰色遗传支持向量机的短时交通流预测[J]. 武汉理工大学学报(交通科学与工程版), 2014,38(5):1006-1010. [WANG K, TIAN R, WANG F F. Short-term traffic flow prediction based on grey genetic support vector machine[J]. Journal of Wuhan University of Technology(Transportation Science & Engineering), 2014, 38(5):1006-1010.]

[11] 樊娜, 赵祥模, 戴明, 等. 短时交通流预测模型[J]. 交通运输工程学报，2012, 12(4):114-119. [FAN N, ZHAO X M, DAI M, et al. Short-term traffic flow prediction model[J]. Journal of Traffic and Transportation Engineering, 2012, 12(4):114-119.]

[12] 李颖宏, 刘乐敏, 王玉全. 基于组合预测模型的短时交通流预测[J]. 交通运输系统工程与信息, 2013, 13(6): 34-41. [LI Y H，LIU L M，WANG Y Q. Short-term traffic flow prediction based on combination of predictive models[J]. Journal of Transportation Systems Engineering and Information Technology, 2013,13(6): 34-41.]

[13] Carl E R, Chirstopher K I W. Gaussian processes for machine learning[M]. The MIT Press, 2006.

[14] 何志昆, 刘光斌, 赵曦晶, 等. 高斯过程回归方法综述[J]. 控制与决策, 2013, 28(8):1121-1130. [HE Z K, LIU G B, ZHAO X J, et al. Overview of gaussian process regression[J]. Control and Decision, 2013, 28(8): 1121-1130.]

[15] 孙斌, 姚海涛, 刘婷. 基于高斯过程回归的短期风速预测[J]. 中国电机工程学报, 2012, 32(29):104- 110. [SUN B, YAO H T, LIU T. Short-term wind speed forecasting based on gaussian process regression model[J]. Proceedings of the CSEE, 2012, 32(29):104- 110.]

[16] 李振刚. 基于高斯过程回归的网络流量预测模型[J]. 计算机应用, 2014, 34(5): 1251-1254. [LI Z G. Network traffic forecasting model based on Gaussian process regression[J]. Journal of Computer Applications, 2014, 34(5):1251-1254.]

[17] Kazufumi I, Kaiqi X. Gaussian filters for nonlinear filtering problems[J]. IEEE Transactions on Automatic Control, 2000, 45(5):910-927.

[18] Jonathan K, Dieter F. GP- bayes filters: bayesian filtering using gaussian process prediction and observation models[J]. Auton Robot, 2009, 27(1):75-90.

[19] Jonathan D C, Kung-Sik C. Time series analysis with application in R(Second Edition) [M]. BeiJing: Machinery Industry Press, 2013.

[20] 何志昆, 刘光斌, 赵曦晶, 等. 基于GPR模型的自适应平方根容积卡尔曼滤波算法[J]. 航空学报，2013, 34 (9): 2202-2211. [HE Z K, LIU G B, ZHAO X J, et al. Adaptive square-root cubature kalman filter algorithm based on gaussian process regression models[J]. Acta Aeronautica et Astronautica Sinica, 2013, 34(9):2202- 2211.]

[21] Raw traffic binary data for Twin Cities and Rochester [EB/OL],(2014-1-25),[2015-1-16]. http://www.d.umn. edu/tdrl/ traffic/.

高斯过程回归短时交通流预测方法

A Short Term Traffic Flow Prediction Method Based on Gaussian Processes Regression

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	郭烈, 胥林立, 秦增科, 王旭. 自动驾驶接管影响因素分析与研究进展[J]. 交通运输系统工程与信息, 2022, 22(2): 72-90.
[2]	徐猛, 刘涛, 钟绍鹏, 姜宇. 城市智慧公交研究综述与展望[J]. 交通运输系统工程与信息, 2022, 22(2): 91-108.
[3]	程君, 张立炎, 陈启宏. 一种基于地图辅助的自动驾驶视-惯融合定位方法[J]. 交通运输系统工程与信息, 2022, 22(2): 117-126.
[4]	王国栋, 刘立, 孟宇, 马智萍, 郑淏清, 顾青, 白国星. 一体式车辆避撞轨迹规划与跟踪控制[J]. 交通运输系统工程与信息, 2022, 22(2): 127-136.
[5]	马东方, 陈曦, 吴晓东, 金盛. 基于强化学习的干线信号混合协同优化方法[J]. 交通运输系统工程与信息, 2022, 22(2): 145-153.
[6]	许波桅, 王玲玲, 李军军. 自动化码头多级作业超网络延误传导特性研究[J]. 交通运输系统工程与信息, 2022, 22(2): 280-289.
[7]	田会娟, 刘嘉伟, 翟佳豪, 邓琳琳. 基于多入侵线的视频车速检测方法[J]. 交通运输系统工程与信息, 2022, 22(1): 49-56.
[8]	贾彦峰, 曲大义, 赵梓旭, 王韬, 宋慧. 基于安全势场的网联自主车辆跟驰行为决策及模型[J]. 交通运输系统工程与信息, 2022, 22(1): 85-97.
[9]	刘文, 汪文博. 基于秩最小化矩阵去噪的船舶轨迹重构方法[J]. 交通运输系统工程与信息, 2022, 22(1): 106-114.
[10]	赵建东, 陈溱, 焦彦利, 张凯丽, 韩明敏. 重点营运车辆的异常驾驶行为识别研究[J]. 交通运输系统工程与信息, 2022, 22(1): 282-291.
[11]	徐东伟, 彭航, 商学天, 魏臣臣, 杨艳芳. 基于图自编码-生成对抗网络的路网数据修复[J]. 交通运输系统工程与信息, 2021, 21(6): 33-41.
[12]	游峰, 梁健中, 曹水金, 肖智豪, 吴镇江, 王海玮. 面向多目标跟踪的密集行人群轨迹提取和运动语义感知[J]. 交通运输系统工程与信息, 2021, 21(6): 42-54.
[13]	王福建, 俞佳浩, 赵锦焕, 梅振宇. 基于站点实时关联度的短时公交客流预测方法[J]. 交通运输系统工程与信息, 2021, 21(6): 131-144.
[14]	张毅, 姚丹亚, 李力, 裴华鑫, 晏松, 葛经纬. 智能车路协同系统关键技术与应用[J]. 交通运输系统工程与信息, 2021, 21(5): 40-51.
[15]	龙建成, 郭嘉琪. 动态交通分配问题研究回顾与展望[J]. 交通运输系统工程与信息, 2021, 21(5): 125-138.