一种基于时间序列的交通信息预测方法及装置

摘要

本发明实施例公开了一种基于时间序列的交通信息预测方法及装置，涉及通信领域。为了能够快速、高效、准确地进行交通信息预测，本发明提供的技术方案如下：根据存储的历史路况数据获取每条道路在每个星期特征日内的每个时间窗的路况数据的统计值；根据预测道路的统计值去除所述预测道路的参考路况数据的趋势项；根据去除趋势项后的所述预测道路的参考路况数据获取所述预测道路的预测方程；根据所述预测道路的预测方程和所述预测道路的实时路况数据获取所述预测道路的预测路况数据。

说明书

技术领域

本发明涉及通信领域，尤其涉及一种基于时间序列的交通信息预测方法及装置。

背景技术

短时交通信息预测是智能交通系统建设中的核心问题之一，它为先进的交通管理系统(ATMS)制定主动型交通控制策略以及交通出行信息系统(ATIS)进行实时路径诱导提供了基础条件。

交通信息预测是指在时刻t，对下一决策时刻t+Δt乃至以后若干时刻的交通信息做出实时预测。一般认为t到t+Δt的预测时间跨度不超过15min的预测为短期交通信息预测。交通信息预测的结果可以直接送到交通信息系统和交通管理系统中，给出行者提供实时有效的信息，帮助他们更好的进行路径选择，实现路径诱导，以缩短出行时间，减少交通拥堵。

较早提出基于历史平均模型进行交通信息预测，即建立在历史数据的统计趋势可以代表当前交通特征的假设前提下，以历史平均值作为未来时段的预测结果，或者以加入突发事件或天气事件作为影响参数后计算得出的历史平均值作为未来时段的预测结果。

虽然历史平均模型简单易操作，但不能反映动态交通信息基本的不确定性与非线性特性，无法克服多种随机干扰因素的影响，限制了预测结果的准确性。为了提高交通信息预测的准确性，现有技术又提出了采用神经网络的方法进行交通信息预测。并且还可以根据道路现场的交通信息数据得出效果因子，然后基于该效果因子进行预测调整，以进一步提高交通信息预测的准确性。

在实现上述交通信息预测的过程中，发明人发现现有技术中至少存在如下问题：神经网络的运算十分复杂，计算效率较低，无法满足交通信息发布的实时性要求。

发明内容

本发明的实施例提供一种基于时间序列的交通信息预测方法及装置，能够快速、高效、准确地进行交通信息预测，以满足交通信息发布的实时性要求。

为达到上述目的，本发明的实施例采用如下技术方案：

一种基于时间序列的交通信息预测方法，包括：

根据存储的历史路况数据获取每条道路在每个星期特征日内的每个时间窗的路况数据的统计值；

根据预测道路的统计值去除所述预测道路的参考路况数据的趋势项；

根据去除趋势项后的所述预测道路的参考路况数据获取所述预测道路的预测方程；

根据所述预测道路的预测方程和所述预测道路的实时路况数据获取所述预测道路的预测路况数据。

一种基于时间序列的交通信息预测装置，包括：

数据统计分析模块，用于根据存储的历史路况数据获取每条道路在每个星期特征日内的每个时间窗的路况数据的统计值；

数据预处理模块，用于根据预测道路的统计值去除所述预测道路的参考路况数据的趋势项；

时间序列建模模块，用于根据去除趋势项后的所述预测道路的参考路况数据获取所述预测道路的预测方程；

实时预测模块，用于根据所述预测道路的预测方程和所述预测道路的实时路况数据获取所述预测道路的预测路况数据。

本发明实施例提供的基于时间序列的交通信息预测方法及装置，将交通信息中固有的周期性趋势信息与随机波动的部分分离，从而消除交通信息序列的周期性趋势，为短时交通信息预测奠定了基础，并提出了动态更新的时间序列建模方法，使得所建立的时间序列模型更好的满足交通信息时变性特点，提高了预测的准确性。并且，与神经网络预测交通信息的方法相比，运算简单，提高了预测计算的效率和速度，很大程度上满足了交通信息发布的实时性要求。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于时间序列的交通信息预测方法的流程示意图；

图2为本发明实施例提供的一种根据存储的历史路况数据获取统计值方法的流程示意图；

图3为本发明实施例提供的一种去除参考路况数据的趋势项方法的流程示意图；

图4为本发明实施例提供的一种获取预测方程方法的流程示意图；

图5为本发明实施例提供的一种获取预测路况数据方法的流程示意图；

图6为本发明实施例提供的一种基于时间序列的交通信息预测装置的构成示意图。

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作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。

为了能够快速、高效、准确地进行交通信息预测，以满足交通信息发布的实时性要求，本发明实施例提供了一种基于时间序列的交通信息预测方法，如图1所示，包括：

11、根据存储的历史路况数据获取每条道路在每个星期特征日内的每个时间窗的路况数据的统计值；

其中，道路的取值包括城市的主要道路，例如北京市主干线所有道路单元集合，如：知春路、学院路等。星期特征日的取值包括周一、周二、周三、周四、周五、周六、周日。时间窗的取值包括从00:00-23:59每5分钟为分界的时间窗，如：08:00-08:05、08:06-08:10等。

按照预测的内容，交通信息预测可分为交通流量、交通速度、交通密度、旅行时间和车辆占有率等参数的预测。举例而言，可以以累积的1个月以上的预测城市的历史路况数据为基础，进行各道路均值的初始化计算，如图2所示，其计算步骤如下：

101、获取存储的预测城市的历史路况数据以及预测城市路网的各条主干道路信息；

102、按照道路和星期特征日和时间窗对所述历史路况数据进行分类，获取同一星期特征日、各个时间窗内、各条道路的历史路况数据；

103、根据分类后的历史路况数据获取每条道路在每个星期特征日内的每个时间窗的路况数据的均值。其中，均值是该条道路在同一星期特征日的同一时间窗内的历史平均车速。另外，还可以根据分类后的历史路况数据获取每条道路在每个星期特征日内的每个时间窗的路况数据的方差。而方差表明了该条道路在同一星期特征日的同一时间窗内的平均车速之间的差异。

104、将每条道路在每个星期特征日内的每个时间窗的路况数据的均值分类存储在文本文件中。

12、根据预测道路的统计值去除所述预测道路的参考路况数据的趋势项；

预测道路的参考路况数据可以是从历史路况数据中随机选择得来的，对预测道路的参考路况数据去除趋势项包括对预测道路的参考路况数据去除周期性趋势项和其它趋势项。如图3所示，具体的步骤可以为：

201、从历史路况数据中获取预测道路在参考日的每个时间窗的路况数据，作为所述预测道路的参考路况数据。

例如，从历史路况数据中随机选择某一天的数据，将预测道路在全天各个时间窗的平均车速看作随机序列{x_i}，随机序列{x_i}即为该预测道路的参考路况数据。

其中，由一连串随机变量x₁，x₂，...，x_n构成的序列称为随机序列，在数学上可用随机变量的集合{x_i}，i＝1，2，...，n来表示，也可以定义为在多维随机空间中的一个随机向量X，而它的分量就是x_i。如果某随机序列是按时间来排序的，亦即x_i中的下标是时间t的整数变量，它代表等间隔的增量，则这类随机序列称为时间序列，并用{x_i}，t＝1，2，...，n来表示，这里t就是指某个时刻或某个时间段。

202、确定预测道路在参考日的星期特征日内的每个时间窗的路况数据的均值，作为所述预测道路的参考均值。将所述预测道路的参考路况数据与所述预测道路的参考均值进行差分，得到去除周期性趋势项的所述预测道路的参考路况数据，作为所述预测道路的中间参考路况数据；

例如，根据随机序列{x_i}所对应的道路、星期特征日和时间窗，从统计的历史路况数据均值中选择该条道路在相同星期特征日的不同时间窗的道路车速统计均值，将随机序列{x_i}中的道路车速与道路车速统计均值做差分，消除随机序列{x_i}的周期性趋势项，得到预测道路的中间参考路况数据。

203、通过游程检验法对所述预测道路的中间参考路况数据进行平稳性检验；

例如，对随机序列{x_i}计算差分之后，得到去除周期性趋势项后的随机序列{x’_i}，随机序列{x’_i}的均值为x’。将随机序列{x’_i}中的x′_i依次与x’进行比较，当x′_i≥x’时用符号“+”表示，当x’_i＜x’时用“-”表示。按照“+”“-”出现的顺序例如可以将原序列写成如下形式：

++--++--++++----

将每一组“+”或者“-”看作一个游程。则采用的样本统计量有

N₁＝“+”样本出现的总数

N₂＝“-”样本出现的总数

γ＝游程总数

其中，

${\mu }_{\gamma }=\frac{2N_1{N}_2}{N}+1$

${\sigma }_{\gamma }={\left[\frac{2N_1{N}_2(2N_1{N}_2-N)}{N^2(N-1)}\right]}^{1/2}$

N＝N₁+N₂

统计假设检验中对于α＝0.05的显著水平，按照2σ原则，如果|Z|≤1.96，则可以接受随机序列{x’_i}是平稳随机序列的假设，即随机序列{x’_i}通过平稳性检验。在所述预测道路的中间参考路况数据未通过平稳性检验时，进入步骤204。

204、通过多项式拟合法去除所述预测道路的中间参考路况数据的其它趋势项，进入步骤205。

205、对去除其它趋势项后的预测道路的中间参考路况数据进行平稳性检验，如果去除其它趋势项后的所述预测道路的中间参考路况数据仍未通过平稳性检验，则跳至步骤204。

例如，在步骤204～205中，如果随机序列{x’_i}不能通过平稳性检验，则说明在时间序列中还存在其它趋势项，需要用多项式拟合的方法提取随机序列{x’_i}中的其它趋势项，然后再做平稳性检验，若仍未通过平稳性检验时继续用多项式拟合的方法进一步提取随机序列{x’_i}中的其它趋势项，直到通过平稳性检验，即已去除随机序列{x’_i}中的全部趋势项。

用多项式拟合的方法提取随机序列{x’_i}中的其它趋势项，具体来说，可以用多项式的形式对随机序列{x’_i}进行拟合，并用最小二乘法提取。

设x(i)是等间隔(Δ)采样的函数，即x(i)＝(iΔ)^k，i＝0，1，...，N-1，用多项式x(i)来拟合。令

$\hat{x}\left(i\right)=\underset{k=1}{\overset{K}{\Sigma }}{\left(\mathrm{i\Delta }\right)}^k{c}_k$

点的集合是x(i)中多项式成分的估计。再定义多项式系数的误差E(c)为

$E\left(c\right)=\underset{i=0}{\overset{N-1}{\Sigma }}{[x\left(i\right)-\underset{k=0}{\overset{K}{\Sigma }}{\left(\mathrm{i\Delta }\right)}^k{c}_k]}^2$

可用微分方程使得上式达到最小，则得到

$\frac{\partial E}{{\partial c}_j}=\underset{i=0}{\overset{N-1}{\Sigma }}2[x\left(i\right)-\underset{k=0}{\overset{K}{\Sigma }}{\left(\mathrm{i\Delta }\right)}^k{c}_k][-{\left(\mathrm{i\Delta }\right)}^j]=0$

(j＝0，1，...，K)

$\underset{k=0}{\overset{K}{\Sigma }}{c}_k\underset{i=0}{\overset{N-1}{\Sigma }}{\left(\mathrm{i\Delta }\right)}^{k+j}=\underset{j=0}{\overset{N-1}{\Sigma }}{\left(\mathrm{i\Delta }\right)}^{j}x\left(i\right)$

在计算过程中，可以取Δ＝1以提高计算精度。通常在K≤3时就可提取出随机序列{x’_i}的全部趋势项，使得不含趋势项的随机序列{x’_i}满足平稳性要求。

13、根据去除趋势项后的所述预测道路的参考路况数据获取所述预测道路的预测方程；

根据去除趋势项后的所述预测道路的参考路况数据获取所述预测道路的预测方程的过程，即为完成相关性系数的计算、模型初步识别、模型定阶和参数估计的建模过程。如图4所示，具体的步骤可以为：

301、对去除趋势项后的所述预测道路的参考路况数据进行相关性分析，确定所述预测道路对应的时间序列模型，即通过相关性分析，识别预测道路上的路况变化所属于的时间序列模型。

时间序列模型有三种，即自回归模型(AR)、滑动平均模型(MA)和自回归滑动平均混合模型(ARMA)。由于它们的线性差分方程的结构不同，因此它们具有完全不同的统计特性，表现在自相关和偏相关特性方面。可以通过比较自相关和偏相关特性的不同来识别模型的类型。

在自相关特性方面，AR模型具有拖尾的自相关特性，即自相关系数具有无限个指数衰减或衰减振荡的分布规律。而MA模型具有截尾的自相关特性，即它具有有限个自相关系数，其数目决定于模型阶数。在偏相关特性方面正好相反，即AR模型具有截尾的偏相关特性，而MA模型则具有拖尾的偏相关特性。

根据需要预测的道路和需要预测日期的星期特征日来选择历史路况数据统计均值，将各个时间窗的平均车速看作随机序列{x_t}，样本自相关的估计值是从一组观察值{x_t}中取相隔为r的各对观察值来求平均，即

(x₁，x_r+1)，(x₂，x_r+2)，...，(x_N-r，x_N)

根据序列平稳性的特点，{x₁，...，x_N-t}和{x_t+1，...，x_N}者具有相同的均值x，因此根据自相关函数的定义，对每个r有估计值

$\hat{R}\left(r\right)=\frac{1}{N-\left|r\right|}\underset{t=1}{\overset{N-\left|r\right|}{\Sigma }}(x_t-\bar{x})(x_{t+\left|r\right|}-\bar{x})$

r＝0，±1，...，±(N-1)

相应的自相关系数估计值为

${\hat{\rho }}_k={\hat{\rho }}_{-k}={\hat{R}}_k/{\hat{R}}_0$

偏相关系数可由Yule-Walker方程的矩阵形式近似求解

$\left(\begin{array}{cccc}1& {\rho }_1& ...& {\rho }_{k-1}\\ {\rho }_1& 1& ...& {\rho }_{k-2}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ {\rho }_{k-1}& {\rho }_{k-2}& ...& 1\end{array}\right)\left(\begin{array}{c}{\phi }_{k1}\\ {\phi }_{k2}\\ .\\ .\\ .\\ {\phi }_{\mathrm{kk}}\end{array}\right)=\left(\begin{array}{c}{\rho }_1\\ {\rho }_2\\ .\\ .\\ .\\ {\rho }_k\end{array}\right)$

其中，自相关系数截断于则即为偏相关系数的估计值。

理论的自相关系数和偏相关系数的截尾性是指它们从某个p或q值后全为零。但是，由于参数估计的随机性，即使{x_t}是MA(或AR)序列，当k＞q(或k＞p)后，(或)也不会全为零，只是在零值附近上下波动。因此，对于和的截尾性需要凭借统计手段进行检验和判别。

与的分布渐近于正态分布，即

${\hat{\rho }}_k~N(0,\frac{1}{N}(1+2\underset{j=1}{\overset{q}{\Sigma }}{\hat{\rho }}_j^2))$

${\phi }_{\mathrm{kk}}~N(0,\frac{1}{N})$

根据2σ原则，对相关系数的估计值进行检验。例如，对于MA模型来说，对每个大于零的k值，逐个检验(M通常取或者)，并判断满足条件的的个数是否达到总数的95.5％。若在k＝q时，满足条件的的个数首次达到总数的95.5％，则可判定随机序列{x_t}为MA序列。

如果随机序列{x_t}的自相关系数在k＞q后截尾，则判断随机序列{x_t}是MA(q)序列。如果随机序列{x_t}的偏相关系数在k＞p后截尾，则判断随机序列{x_t}是AR(p)序列。如果随机序列{x_t}的自相关系数和偏相关系数都不截尾，只是拖尾，则判断随机序列{x_t}为ARMA序列。

302、根据所述时间序列模型确定所述时间序列模型的阶数和参数。

对选定的时间序列模型进行模型定阶。如果时间序列模型是AR模型，则根据它所具有的偏相关系数的数目确定模型阶数。如果时间序列模型是MA模型，则根据它所具有的自相关系数的数目确定模型阶数。如果时间序列模型是ARMA模型，则尚不能直接确定阶次。

因此，如果时间序列模型为AR模型或者MA模型，则阶数已经确定，直接进行参数估计。如果时间序列模型是ARMA模型，则采用从低阶到高阶的方法进行阶数假设，并根据假定的阶数获取所述时间序列模型的参数，然后用F检验的方法确认是否接受定阶结果，在定阶结果通过F检验方法的阶数确认之前，反复执行向高阶继续进行阶数假设以及进行相应的参数估计的阶数试探过程。

在识别预测道路上的路况变化所属于的时间序列模型后，可以采用矩估计法来进行时间序列模型的参数估计。以下结合AR、MA、ARMA三种模型分别对时间序列模型的参数估计过程作详细描述。

1)如果时间序列模型为AR模型，参数的矩估计过程如下：

AR模型矩估计的重要依据是Yule-Walker方程。

$\left(\begin{array}{c}{R}_1\\ R_2\\ .\\ .\\ .\\ R_p\end{array}\right)=\left(\begin{array}{cccc}{R}_0& R_1& ...& R_{p-1}\\ R_1& R_0& ...& R_{p-2}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ R_{p-1}& R_{p-2}& ...& R_0\end{array}\right)\left(\begin{array}{c}{\phi }_{p1}\\ {\phi }_{p2}\\ .\\ .\\ .\\ {\phi }_{\mathrm{pp}}\end{array}\right)---\left(1\right)$

为了避免矩阵求逆运算，可以采用L-D递推算法，即按照阶次从1到p逐次增1的方法进行计算。其计算步骤如下：

(a)初始化p＝1，由方程(1)解得

${\phi }_{11}={\hat{R}}_1/{\hat{R}}_0={\hat{\rho }}_1,$${\hat{\sigma }}_a^2\left(1\right)={\hat{R}}_0-{\hat{\phi }}_{11}{\hat{R}}_1={\hat{R}}_0(1-{\hat{\rho }}_1^2)$

(b)递推：假设已经计算出p-1阶时的和则

${\hat{\phi }}_{\mathrm{pp}}=\hat{\beta }\left(p\right)$

${\hat{\phi }}_{\mathrm{pj}}={\hat{\phi }}_{p-1,j}-\hat{\beta }\left(p\right){\hat{\phi }}_{p-1,p-j},$j＝1，2，...，p-1

其中，

$\hat{\beta }\left(p\right)=\frac{\hat{\Delta }(p-1)}{{\hat{\sigma }}_a^2(p-1)}$

$\hat{\Delta }(p-1)={\hat{R}}_p-\underset{j=1}{\overset{p-1}{\Sigma }}{\hat{\phi }}_{p-1,j}{\hat{R}}_{p-j}$

(c)由递推p阶模型的残差方差为

${\hat{\sigma }}_a^2\left(p\right)={\hat{\sigma }}_a^2(p-1)(1-{\hat{\beta }}^2\left(p\right))$

2)如果时间序列模型为MA模型，参数的矩估计过程如下：

MA模型的矩估计主要依据是其自相关方程。

$\hat{R}\left(r\right)=\left(\begin{array}{c}{\hat{\sigma }}_a^2(1+{\hat{\theta }}_1^2+{\hat{\theta }}_2^2+...+{\hat{\theta }}_q^2),r=0\\ {\hat{\sigma }}_a^2({\hat{\theta }}_r+{\hat{\theta }}_1{\hat{\theta }}_{r+1}+{\hat{\theta }}_1{\hat{\theta }}_{r+2}+...+{\hat{\theta }}_{q-r}{\hat{\theta }}_q),r=\mathrm{1,2},...,q\end{array}\right)---\left(2\right)$

将方程(2)转换成下式

$\left(\begin{array}{c}{\hat{\sigma }}_a^2=\hat{R}\left(0\right)/(1+{\hat{\theta }}_1^2+{\hat{\theta }}_2^2+...+{\hat{\theta }}_q^2)\\ {\hat{\theta }}_r=\hat{R}\left(r\right)/{\hat{\sigma }}_a^2-{\hat{\theta }}_1{\hat{\theta }}_{r+1}-{\hat{\theta }}_1{\hat{\theta }}_{r+2}-...-{\hat{\theta }}_{q-r}{\hat{\theta }}_{q}r=\mathrm{1,2},...,q\end{array}\right)---\left(3\right)$

可以用线性迭代法求解。具体来说，给定和的一组初值(如)，将给定的初值代入式(3)右边，将左边所得到的结果作为一步迭代值。然后将一步迭代值代入式(3)右边，将左边所得到的结果作为二步迭代值，以此类推，直到相邻两次迭代值结果相差小于阀值时停止迭代，取最后的迭代结果作为参数解。

3)如果时间序列模型为ARMA模型，参数的矩估计过程如下：

ARMA模型是AR模型和MA模型的混合，可以用如下近似的方法对其参数进行估计。

(a)先给出AR部分的矩估计。

(b)令求解y_t的自相关函数

(c)将y_t看作近似的MA模型，并用MA参数的矩估计法求解原模型MA部分以及的参数解。

303、根据所述时间序列模型的阶数和参数获取最小方差的预测方程，作为所述预测道路的预测方程.

时间序列{x_t}预测是指：在已知x_t的情况下，对t+l(l＞0)的未来数值x_t+l进行预测，该预测值用表示，并称为在起始时刻t向前l步的预测。

选择这样的预测值使得取得最小值。这样的预测称为在时刻t对未来时刻t+l的最小方差预测。

最小方差的预测方程由x_t+l的条件期望得出，即

${\hat{x}}_t\left(l\right)=E\left[x_{t+l}\right|x_t,x_{t-1},...,x_1]$

预测方程的一般形式可以写成

E[x_t+l]＝φ₁E[x_t+l-1]+φ₂E[x_t+l-2]+…+φ_pE[x_t+l-p]+E[a_t+l]-θ₁E[a_t+l-1]-…-θ_qE[a_t+l-q]

其中，

E[x_t-j]＝x_t-j，j＝0，1，2，…

$E\left[x_{t+j}\right]={\hat{x}}_t\left(j\right),$j＝1，2，…

E[a_t-j]＝a_t-j，j＝0，1，2，…

E[a_t+j]＝0，j＝1，2，3，…

14、根据所述预测道路的预测方程和所述预测道路的实时路况数据获取所述预测道路的预测路况数据。

如图5所示，具体的步骤可以为：

401、获取所述预测道路的实时路况数据；

402、根据所述预测道路的统计值去除所述预测道路的实时路况数据的趋势项；

举例而言，可以将所述预测道路的实时路况数据与所述预测道路的参考均值进行差分，得到去除周期性趋势项的所述预测道路的实时路况数据，作为所述预测道路的中间实时路况数据。然后，通过游程检验法对所述预测道路的中间实时路况数据进行平稳性检验。在所述预测道路的中间实时路况数据未通过平稳性检验时，反复通过多项式拟合法去除所述预测道路的中间实时路况数据的其它趋势项，直至所述去除其它趋势项后的所述预测道路的中间实时路况数据通过平稳性检验。去除预测道路的实时路况数据的趋势项的详细过程可以参照步骤12，在此不再赘述。

403、根据去除趋势项后的所述预测道路的实时路况数据和所述预测道路的预测方程获取中间结果数据。例如，将预测道路的实时车速数据去除趋势项后，代入预测道路的预测方程，得出预测的中间结果数据。

404、为所述中间结果数据添加趋势项，得到所述预测道路的预测路况数据。

由于在预测前期的对数据进行了去除趋势项等预处理，因此，在预测之后需要对预测的中间结果数据进行加相同星期特征日下相同时间窗的均值以及其他趋势值等后续处理操作。并且，将后续处理得到的预测路况数据以文件形式输出。

具体可以为，在预处理中进行了去除周期性趋势项的操作，即未对预测道路的实时路况数据进行去除其它趋势项的处理时，将中间结果数据与预测道路的参考均值进行反差分，得到预测道路的预测路况数据。

在预处理中除进行了去除周期性趋势项的操作外，还对预测道路的实时路况数据进行去除其它趋势项的处理时，先为中间结果数据添加预处理中去除的其它趋势项，然后将添加了全部其它趋势项后的中间结果数据与预测道路的参考均值进行反差分，得到预测道路的预测路况数据。

本发明实施例提供的基于时间序列的交通信息预测方法，将交通信息中固有的周期性趋势信息与随机波动的部分分离，从而消除交通信息序列的周期性趋势，为短时交通信息预测奠定了基础，并提出了动态更新的时间序列建模方法，使得所建立的时间序列模型更好的满足交通信息时变性特点，提高了预测的准确性。并且，与神经网络预测交通信息的方法相比，运算简单，提高了预测计算的效率和速度，很大程度上满足了交通信息发布的实时性要求。

通过短时交通状态预测，可以综合考虑未来短时期内的交通状况，从而向出行者提供符合最优目标的路线行驶方案，从微观上，提高了每个车辆个体的行驶效率和安全驾驶概率；从宏观上，交通信息发布中心通过发布实时及短时预测路况信息等手段合理引导交通流，可以优化交通流在整个路网上的分配，提高路网的利用效率。

与上述方法相对应地，本发明实施例还提供了一种基于时间序列的交通信息预测装置，如图6所示，包括：

数据统计分析模块601，用于根据存储的历史路况数据获取每条道路在每个星期特征日内的每个时间窗的路况数据的统计值；

数据预处理模块602，用于根据预测道路的统计值去除所述预测道路的参考路况数据的趋势项；

时间序列建模模块603，用于根据去除趋势项后的所述预测道路的参考路况数据获取所述预测道路的预测方程；

实时预测模块604，用于根据所述预测道路的预测方程和所述预测道路的实时路况数据获取所述预测道路的预测路况数据。

进一步地，所述数据统计分析模块601具体包括：

历史数据获取子模块，用于获取存储的历史路况数据；

历史数据分类子模块，用于按照道路和星期特征日和时间窗对所述历史路况数据进行分类；

均值方差获取子模块，用于根据分类后的历史路况数据获取每条道路在每个星期特征日内的每个时间窗的路况数据的均值。

进一步地，所述数据预处理模块602具体包括：

参考数据获取子模块，用于从历史路况数据中获取预测道路在参考日的每个时间窗的路况数据，作为所述预测道路的参考路况数据；

参考均值确定子模块，用于确定预测道路在参考日的星期特征日内的每个时间窗的路况数据的均值，作为所述预测道路的参考均值；

周期趋势去除子模块，用于将所述预测道路的参考路况数据与所述预测道路的参考均值进行差分，得到去除周期性趋势项的所述预测道路的参考路况数据，作为所述预测道路的中间参考路况数据；

平稳性检验子模块，用于通过游程检验法对所述预测道路的中间参考路况数据或去除其它趋势项后的所述预测道路的中间参考路况数据进行平稳性检验；

其它趋势去除子模块，用于在所述预测道路的中间参考路况数据未通过平稳性检验时，通过多项式拟合法去除所述预测道路的中间参考路况数据的其它趋势项，直至所述去除其它趋势项后的所述预测道路的中间参考路况数据通过平稳性检验。

进一步地，所述时间序列建模模块603具体包括：

时序模型确定子模块，用于对去除趋势项后的所述预测道路的参考路况数据进行相关性分析，确定所述预测道路对应的时间序列模型；

阶数参数确定子模块，用于根据所述时间序列模型确定所述时间序列模型的阶数和参数；

预测方程获取子模块，用于根据所述时间序列模型的阶数和参数获取最小方差的预测方程，作为所述预测道路的预测方程。

进一步地，所述阶数参数确定子模块具体包括：

定阶单元，用于在所述时间序列模型为自回归模型或滑动平均模型时，确定自回归模型或滑动平均模型对应的阶数；在所述时间序列模型为自回归滑动平均混合模型时，从低阶到高阶假定阶数，直至所述假定的阶数通过F检验方法的确认；

参数确定单元，用于在所述时间序列模型为自回归模型或滑动平均模型时，通过矩估计法获取所述时间序列模型的参数；在所述时间序列模型为自回归滑动平均混合模型时，根据所述定阶单元假定的阶数通过矩估计法获取所述时间序列模型的参数。

进一步地，所述实时预测模块604具体包括：

实时数据获取子模块，用于获取所述预测道路的实时路况数据；

数据预处理子模块，用于根据所述预测道路的统计值去除所述预测道路的实时路况数据的趋势项；

中间数据获取子模块，用于根据去除趋势项后的所述预测道路的实时路况数据和所述预测道路的预测方程获取中间结果数据；

数据后续处理子模块，用于为所述中间结果数据添加趋势项，得到所述预测道路的预测路况数据。

进一步地，所述数据预处理子模块具体包括：

周期趋势去除单元，用于将所述预测道路的实时路况数据与所述预测道路的参考均值进行差分，得到去除周期性趋势项的所述预测道路的实时路况数据，作为所述预测道路的中间实时路况数据；

平稳性检验单元，用于通过游程检验法对所述预测道路的中间实时路况数据进行平稳性检验；

其它趋势去除单元，用于在所述预测道路的中间实时路况数据未通过平稳性检验时，通过多项式拟合法去除所述预测道路的中间实时路况数据的其它趋势项，直至所述去除其它趋势项后的所述预测道路的中间实时路况数据通过平稳性检验；

相应地，所述数据后续处理子模块具体包括：

其它趋势添加单元，用于在已对所述预测道路的实时路况数据进行去除其它趋势项的处理时，为所述中间结果数据添加其它趋势项；

周期趋势添加单元，用于将所述中间结果数据或者添加其它趋势项后的所述中间结果数据，与所述预测道路的参考均值进行反差分，得到所述预测道路的预测路况数据。

本发明实施例提供的基于时间序列的交通信息预测装置，将交通信息中固有的周期性趋势信息与随机波动的部分分离，从而消除交通信息序列的周期性趋势，为短时交通信息预测奠定了基础，并提出了动态更新的时间序列建模方法，使得所建立的时间序列模型更好的满足交通信息时变性特点，提高了预测的准确性。并且，与神经网络预测交通信息的方法相比，运算简单，提高了预测计算的效率和速度，很大程度上满足了交通信息发布的实时性要求。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。